BAB II METODE PENELITIAN 2.1 Lokasi dan Waktu Penelitian ini dimulai pada bulan Oktober 2011-Februari 2012. Lokasi penelitian terletak di KPH Madiun, yaitu: BKPH Dagangan dan BKPH Dungus (Gambar 2). Pra pengolahan citra dan persiapan peta kerja dilakukan di Laboratorium Remote Sensing dan GIS Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Gambar 2 Lokasi penelitian. 2.2 Data, Hardware, Software dan Alat Data yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Data spasial yang merupakan Citra dijital non-metrik resolusi tinggi KPH Madiun Perum Perhutani Unit II Jawa Timur hasil rekaman pada bulan April 2011 resolusi 20 cm, menggunakan pesawat tak berawak (unman aircraft).
6 2. Data Shapfile yang terdiri dari peta batas petak dan peta jaringan jalan yang mempunyai data atribut pendukung (Gambar 3 dan Gambar 4). 3. Data hasil pengambilan plot penelitian pada tegakan jati di BKPH Dagangan dan BKPH Dungus (Gambar 5 dan Gambar 6). Hardware yang digunakan dalam penelitian ini adalah satu unit komputer yang dilengkapi dengan Software Erdas Imagine Ver 9.1, ArcView GIS Ver 3.2, SPSS 16.0, Minitab 14 dengan Analisis Diskriminan dan Microsoft Excel 2007. Alat yang digunakan dalam penelitian ini, yaitu GPS CS 60, suunto klinometer, kompas, haga hypsometer, pita ukur, dan kamera digital, serta kamera Fisheye.
Gambar 3 Peta grid plot lapangan dan jaringan jalan pada lokasi BKPH Dagangan. 7
Gambar 4 Peta grid plot lapangan dan jaringan jalan pada lokasi BKPH Dungus. 8
Gambar 5 Plot penelitian di BKPH Dagangan. 9
Gambar 6 Plot penelitian di BKPH Dungus. 10
11 2.3 Metode Penelitian 2.3.1 Pengolahan Awal Citra (Image pre-processing) 2.3.1.1. Koreksi Geometrik Koreksi Geometrik merupakan suatu proses melakukan transformasi data dari suatu sistem grid menggunakan suatu transformasi geometrik. Area yang terekam oleh sensor pada satelit maupun pesawat terbang sesungguhnya mengandung kesalahan (distorsi) yang diakibatkan oleh pengaruh kelengkungan bumi dan atau oleh sensor itu sendiri sehingga perlu adanya koreksi geometrik (Jaya 2010). Data penginderaan jauh dihasilkan oleh scanner multispektral atau kamera vidicon resolusi tinggi dari wahana ruang angkasa adalah dalam format raster. Namun, data spektral tersebut harus di simpan kembali, ditajamkan, difilter atau ditransformasikan secara geometrik dengan teknik pemrosesan citra sebelum data tersebut dapat digabungkan ke dalam sistem informasi geografik. Satu masalah penting untuk mengahasilkan kesesuain antara informasi raster dengan koordinat sistem informasi geografik yaitu menggunakan pendekatan umum dengan mengembangkan persamaan transformasi (Mayer 1984). Rangkaian persamaan konversi sistem informasi geografik (format vektor) yaitu: p = f (X, Y), l = f (X, Y), X = f 1 (L, E), dan Y = f 2 (L, E) dimana : p, l = posisi pixel dan baris garis penyiaman pada citra L, E = koordinat posisi lintang dan bujur X = koordinat horizontal proyeksi Y = koordinat vertikal proyeksi peta Rektifikasi yang dilakukan adalah rektifikasi citra-ke-citra (image-toimage rectification). Citra dijital non metrik dilakukan koreksi geometrik menggunakan citra LANDSAT yang telah terkoreksi sebelumnya, hal ini dilakukan agar koordinat geografisnya sama. Sistem koordinat yang digunakan dalam koreksi geometrik adalah Universal Transvers Mercator (UTM), zone 48 Selatan (South UTM 1984).
12 Koreksi geometrik dimulai dengan memilih sejumlah titik-titik Kontrol lapangan (GCP). Untuk penelitian ini jumlah total titik GCP adalah sebanyak 14 titik. GCP adalah suatu titik-titik pada permukaan bumi yang diketahui koordinatnya baik pada citra (kolom/piksel dan baris) maupun pada peta (yang diukur dalam lintang bujur meter). Syarat pemilihan GCP adalah tersebar merata di seluruh citra dan relatif permanen atau tidak berubah dalam kurun waktu yang pendek (seperti jalan, jembatan, sudut bangunan dan sebagainya) (Jaya 2002). Jumlah GCP minimum dihitung dengan menggunakan persamaan : GCP min = (t+1)(t+2)/ 2 dimana: t : orde dari persamaan transformasi (t=1,2 atau.. n) 2.3.1.2. Analisis Data Citra 1. Desain Plot Langkah awal adalah overlay Peta Batas Petak dengan Poligon citra untuk mengumpulkan data atribut dengan penentuan umur tanaman 2011 berdasarkan data tahun tanam. Data citra dan data spasial yang telah di overlay dilakukan pembuatan grid, lokasi plot pengamatan ditentukan dengan metode sistematik sampling dengan jarak antar plot (JAP) adalah 75 75 meter dengan penyamaan angka acak untuk ke tiga lokasi. Pembuatan grid ini menggunakan ekstensi IHMB Jaya versi 6 pada ArcView 3.2 selanjutnya dilakukan pembuatan buffer untuk setiap plot terpilih sesuai dengan luasan masing-masing plot berdasarkan kelas umur untuk hutan tanaman jati. Plot yang terpilih merupakan keterwakilan umur dan bonita pada setiap petak dan setiap lokasi. 2. Pengukuran Dimensi Tegakan Citra Interpretasi citra pada dasarnya merupakan proses klasifikasi, maka identifikasi dan pengenalan dapat dilakukan secara matematik, apabila tersedia data citra dalam betuk dijital. Ukuran atau dimensi suatu objek merupakan kunci penting untuk identifikasi dan pengenalan objek yang bentuknya sama dan dapat dipakai sebagai standar bagi perbandingan (Purbowaseso 1995).
13 Pada penelitian ini dilakukan pengukuran dimensi tegakan citra terhadap peubahpeubah tegakan, sebagai berikut : a. Penghitungan Jumlah Pohon (N) Penafsiran jumlah pohon citra dilakukan dalam satu plot pengamatan (Gambar 7). Pada setiap tajuk yang membentuk satu kesatuan tajuk pohon dianggap sebagai satu pohon di lakukan penitikan dengan simbol draw point pada tools ArcView 3.2 Gambar 7 Profil pohon citra b.penghitungan Persentase Kerapatan Tajuk Tegakan pada Citra (C) Persentase penutupan tajuk diartikan sebagai persentase areal yang tertutup oleh proyeksi vertikal tajuk pohon. Digitasi dilakukan pada buffer plot dengan deliniasi atas tajuk per pohon. Deliniasi ialah seleksi visual dan perbedaan wujud gambaran pada berbagai data dengan jalan menarik garis batas (Rosalina & Rahaju 1996). Kerapatan Tajuk Citra = ( Jumlah Luas Tajuk / Luas Plot) 100 %
14 Tajuk pohon Gap Tajuk Gambar 8 Perhitungan kerapatan tajuk pohon pada citra. Pada atribut citra yang telah dideliniasi, tajuk pohon diklasifikasikan dalam kelompok 1 sedangkan gap tajuk diklasifikasikan dalam kelompok 0 (Gambar 8). Perhitungan persentase penutupan tajuk dalam satu luasan plot dilakukan pada ArcView 3.2 dengan tools summarize. c. Penghitungan Diameter Tajuk Pohon pada Citra (D) Pada dasarnya pengukuran tajuk sama dengan pengukuran jarak sebagaimana terlihat pada Gambar 9. Pengukuran tajuk pohon dilakukan pada tutupan tajuk yang telah dideliniasi dan dianggap sebagai satu pohon. Rumus untuk menghitung diameter tajuk adalah sebagai berikut : Dt= dimana : Dt Dt US Dt BT Dt US + Dt BT 2 : Diamater tajuk pohon : Panjang diameter tajuk utara ke seletan : Panjang diameter tajuk barat ke timur
15 Dt BT Dt US Gambar 9 Perhitungan diameter tajuk pohon pada citra 2.3.2 Pemetaan Desain Plot Penelitian Desain peta kerja dibuat sebagai alat pembantu pengamatan di lapangan. Peta kerja dibuat dengan menumpangtindihkan (overlay) citra dijital non metrik, lokasi titik pengamatan total dan lokasi terpilih, Titik GCP, Titik Ikat, peta jaringan jalan hutan dan peta batas petak kerja 2.3.3 Pengambilan Data Lapangan Pengamatan lapangan merupakan proses pengecekan langsung ke lokasi penelitian terhadap objek yang telah diinterpretasi menggunakan citra. Pengecekan lapangan dilakukan dengan 3 metode yaitu pengecekan titik dan pembuatan plot serta pengukuran dimensi tegakan lapangan. 1. Pengecekan titik dilakukan pada plot terpilih yang telah disesuaikan pada identifikasi awal posisi plot pada citra. Penentuan titik pusat plot terpilih dibantu dengan adanya GCP dan Titik ikat. 2. Metode kedua adalah pembuatan plot contoh berdasarkan kelas umur (KU), yaitu 0,02 Ha untuk KU I dan KU II, 0,04 Ha untuk KU III dan KU IV dan ukuran plot 0.1 Ha untuk KU V > up (Gambar 10).
16 7.98 m 11.28 m 17.85 m a.plot Lingkaran 0.02 Ha b.plot Lingkaran 0.04 Ha Gambar 10 Plot lingkaran c.plot Lingkaran 0.1 Ha 3. Pengukuran dimensi tegakan lapangan dilakukan dengan cara pengambilan data mengenai bonita (peta kerja Perhutani pada setiap areal kerja BKPH), tinggi pohon, diameter 50 cm dan 130 cm, jari-jari tajuk pohon, jarak antar pohon, dan kondisi pohon. Pemotretan bentang titik pengamatan yang dapat menggambarkan kondisi tutupan lahan juga dilakukan sebagai alat bantu argumen hasil verifikasi. Untuk penentuan bonita yang dipakai, merupakan hasil dari perhitungan peninggi dengan umur yang kemudian dilakukan penilaian nilai kelas bonita, ditunjukkan oleh grafik indeks bonita H.E. Wolff von Wolffing (1932). Pada grafik indeks bonita (Gambar 11), kelas bonita diperoleh melalui korelasi antara peninggi dan umur tegakan. Perhitungan korelasi antara peninggi dan umur tegakan ini dilakukan secara manual.
Peninggi Umur Penjarangan Gambar 11 Grafik indeks bonita H.E. Wolff von Wolffing (1932). 17
18 2.3.4 Pengolahan Data Lapangan Pendugaan data lapangan dilakukan untuk menentukan kesesuaian data lapangan dengan data citra. Pengolahan data lapangan, sebagai berikut: 1. Pembuatan Profil Pohon Lapangan Pada saat pengkuran di lapangan dilakukan sekaligus pengamatan posisi pohon dan jarak dari titik pusat. Perhitungan jarak dilakukan dengan mengukur jarak pohon dari titik pusat menggunakan pita ukur. 2. Penghitungan Jumlah Pohon Lapangan Jumlah pohon (N) lapangan dihitung dari pengumpulan data lapangan yang berada dalam satu luasan plot. 3. Penghitungan Diameter Tajuk Lapang Pengukuran diameter tajuk lapang pada setiap plot yang diambil di lapangan adalah satu sampel diameter tajuk pohon yang memiliki batang lurus atau yang paling bagus. Pohon yang terpilih dalam satu plot, diukur diameter tajuk lapang dengan cara mengukur panjang diameter tajuk pohon dari utara ke selatan dan panjang diameter tajuk pohon dari barat ke utara menggunakan pita ukur. Rumus menghitung diameter tajuk sebagai berikut : Dt US + Dt BT Dt= 2 dimana : Dt : Diamater tajuk pohon Dt US : Panjang diameter tajuk utara ke seletan : Panjang diameter tajuk barat ke timur Dt BT 4. Penghitungan Kerapatan Tajuk Lapang Dari hasil pengukuran jarak pohon dari titik pusat (profil pohon) dan diameter tajuk di lapangan diperoleh jari-jari tajuk pohon. Dari jari-jari pohon dibuat buffer tajuk menggunakan ArcView 3.2. Cara menghitung persentase tajuk pohon di lapangan sama dengan cara menghitung persentase tajuk pohon pada citra mengunakan rumus sebagai berikut : Kerapatan tajuk = ( Jumlah Luas Tajuk / Luas Plot) 100 %
19 2.3.5 Uji Korelasi Dalam Hadjar (1995) dijelaskan bahwa, arti korelasi akan lebih mudah dipahami dengan mempelajari scatter plot atau diagram pencar, yang dimaksud untuk menyelidiki hubungan antara dua peubah (Glass & Hopkins 1984). Diagram pecar adalah grafik yang memperlihatkan hubungan yang diperoleh dengan cara membuat gambaran visual pada titik pertemuan antara dua nilai dari dua peubah (sepasang observasi) (McMillan & Schumacher 1989). Diagram pencar juga dapat digunakan untuk mengindentifikasi titik hubungan pasangan skor yang menyimpang dari pola hubungan yang lain, dengan mengetahui perbedaan dapat dilakukan pemeriksaan kembali dalam proses pengolahan data apakah terjadi kesalahan (Hadjar 1995). Hubungan kuantitatif antara peubah kriterium dengan peubah prediktor dapat dilukiskan dalam suatu garis yang disebut garis regresi. Suatu garis regresi dapat dinyatakan dalam persamaan matematik yang dinamakan regresi (Sutrisno 1983). Supranto (1983), diacu dalam Sahid (2010) mendefinisikan analisis regresi sebagai suatu alat yang digunakan untuk menganalisis bentuk hubungan antara dua peubah atau lebih yang terdiri dari peubah bebas (dependent variable) dan peubah tidak bebas (independent variable) dengan tujuan untuk memperkirakan atau meramalkan nilai rata-rata dari peubah tak bebas apabila nilai peubah yang menerangkan sudah diketahui. Penetapan nilai bonita sering didasarkan pada hubungan antara rata-rata peninggi dengan umur tegakan. Salah satu penentu kualitas kayu jati adalah tinggi tanaman jati, semakin tinggi tanaman jati semakin baik kualitas dari jati tersebut. Tinggi pohon lebih mudah diukur, dengan suatu persyaratan tertentu, pertumbuhan tinggi pohon berkorelasi dengan penambahan volume (Anonim 2010). Uji korelasi dilakukan terhadap tinggi pohon, karena tinggi pohon merupakan faktor penting dalam penentuan bonita. a) Uji koefisien determinansi Untuk mengukur kecocokan antara peubah tinggi dan peubah citra adalah dengan melihat koefisien determinansi (R 2 ), dimana pendekatan koefisien determinasi (R 2 ) menyatakan seberapa baik kemampuan suatu peubah bebas dalam
20 model liniar dua peubah yang dipakai. Secara umum, nilai R 2 yang dianggap baik jika lebih dari 50%. Rumus untuk menghitung koefisien determinasi adalah sebagai berikut: R 2 = JKT JKS JKT x 100% JKS = JKT = n j=1 (Yj Ŷj)² Yj² ( Yj)² n dimana : R 2 = Koefisien determinasi JKT = Jumlah kuadrat total JKS = Jumlah kuadrat sisa Yj = Nilai Peubah (C, D dan N) Ŷj = Nilai tinggi rata-rata per plot contoh n = Banyaknya plot contoh b). Korelasi antar peubah Perhitungan koefisien korelasi menggunakan pendekatan korelasi product moment (r) untuk mengetahui keeratan tinggi dengan peubah pada citra yang akan digunakan dalam pendugaan tegakan. Rumus untuk menghitung korelasi adalah sebagai berikut: dimana: r = xi = Dimensi tinggi pohon ke i yj = Dimensi peubah pada citra ke j n = jumlah pohon X Y ( X )( Y )/ n 2 2 2 2 X i ( X ) / n Y j ( Y ) / n Besarnya nilai r berkisar antara -1 sampai +1. Jika nilai r = -1 maka hubungan antara dua peubah adalah korelasi negatif sempurna. Artinya, apabila salah satu peubah nilainya menurun, maka peubah lainnya akan meningkat. Sebaliknya jika nilai r = +1 maka hubungan antara dua peubah merupakan korelasi positif sempurna. Artinya, apabila salah satu peubah meningkat, maka peubah i j i i j j
21 lainnya akan meningkat pula. Bila r mendekati -1 atau +1 maka hubungan antara peubah itu kuat dan terdapat korelasi yang tinggi antara kedua peubah itu (Walpole 1995). 2.3.6 Analisis Fungsi Diskriminan Analisis diskriminan merupakan teknik menganalisis data peubah tak bebas (criterion) yang merupakan kategori non-metrik bersifat kualitatif terhadap peubah bebas sebagai predictor merupakan metrik bersifat kuantitatif (Supranto 2004). Analisis diskriminan dapat digunakan untuk mengelompokkan atau mengklasifikasikan pengamatan atau peubah ke dalam kelompok baru yang jumlahnya lebih sedikit dibandingkan jumlah pengamatan atau peubah awal (Jonathan 2012). Pengolahan analisis diskriminan dilakukan dengan pengelompokkan bonita yang diperoleh dari data bonita tegakan jati di peta petak kerja Perhutani. Peubah bebas yang digunakan, yaitu : D citra, C citra, dan N citra. Model analisis diskriminan menghasilkan fungsi dengan kombinasi liniar sebagai berikut : D i = b 0 + b 1 X i1 + b 2 X i2 + b 3 X i3 dimana : D i = niai diskriminan dari bonita ke-i i = 3.0, 3.5, 4.0 (D merupakan peubah tak bebas) b j = koefisien atau timbangan diskriminan dari peubah X ij = peubah (atribut) ke-j dari responden ke i X ij merupakan peubah bebas/prediktor Model matematik untuk analisis diskriminan adalah sebagai berikut: D = b 0, b 1, b 2, b 3,.., b k 1 X1 X2 X3.. Xk = b 0 + b 1 X 1 + b 2 X 2 + b 3 X 3 +.+ b k X k
22 Proses klasifikasi pada fungsi diskriminan bonita adalah sebagai berikut : X D1 D2 Dn Max Bonita terpilih Dimana X adalah vektor lajur yang dinyatakan sebagai berikuit, X = X1 X2 Xn Suatu vektor X yang tidak diketahui akan dimasukkan dan dievaluasi oleh masing-masing fungsi diskriminannya, kemudian nilai yang paling besar akan menyatakan kelas dari fungsi yang menghasilkan nilai tersebut. Untuk mengetahui tingkat keterwakilan data sebaran yang terklasifikasikan dengan benar, dilakukan penghitungan Jumlah benar : dimana : Pc = Proporsi benar Nt = Total sampel Nc = Jumlah benar PC = Nc Nt 100% 2.3.7 Akurasi Bonita Penilaian bonita didasarkan atas tinggi yang dicapai pada umur indeks tertentu (specific index age). Pembagian bonita didasarkan atas peninggi tegakan, peninggi ini disebut indeks bonita (Anonim 2010). Peninggi merupakan rata-rata dari 100 pohon tertinggi yang hidup merata dalam luasan 1 hektar (Arief 2001). Akurasi peninggi dimaksud adalah melakukan perhitungan ulang peninggi dengan tinggi total pohon dalam setiap plot per petaknya. Peninggi yang diperoleh di korelasikan dengan umur untuk ditentukan bonita melalui grafik indeks bonita H.E. Wolff von Wolffing (1932) sehingga diperoleh nilai bonita baru, dalam hal ini disebut bonita peninggi. Pengolahan data selanjutnya menggunakan analisis diskriminan dengan pengelompokkan bonita yang diperoleh dari data bonita peningi, dengan peubah D citra, C citra, N citra.
23 Tahapan pelaksanaan penelitian terangkum dalam bagan penelitian berikut (Gambar 12) : Mulai Persiapan dan Pengumpulan Data Mosaik Citra Koreksi Geometrik Interpretasi Visual (Interpretasi, Digitasi, klasifikasi) CDN Citra Desain Pengambilan Contoh Pengambilan Data Lapangan Pengolahan Data Lapangan CDN Lapangan Overlay dan Uji Korelasi TIDAK Analisis Fungsi Diskriminan Evaluasi TIDAK Accuracy Tt YA Analisis Diterima Selesai Gambar 12 Diagram alur tahapan penelitian.