12 BAB III METODOLOGI 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di KPH Kebonharjo Perum Perhutani Unit I, Jawa Tengah. Meliputi Bagian Hutan (BH) Tuder dan Balo, pada Kelas Perusahaan Jati. Penelitian dilakukan dengan mengolah data sekunder pada bulan Agustus 2011 sampai dengan Januari 2012 di Laboratorium Remote Sensing dan GIS Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor. Data lapangan diambil pada bulan November 2010 sampai dengan Maret 2011. 3.2 Alat dan Bahan Alat-alat yang digunakan pada penelitian ini adalah seperangkat komputer dengan aplikasi pengolahan data yaitu MS Office, Erdas Imagine, ArcView GIS Ver 3.2, ArcGIS 9.3, SPSS Ver 17 dan Minitab ver 14. Data yang digunakan dalam penelitian terdiri dari: 1. Citra ALOS PALSAR resolusi spasial 50 m tahun perekaman atau peliputan 2009 dan citra ALOS PALSAR resolusi spasial 12,5 m tahun perekaman atau peliputan 2009 daerah Kebonharjo, Kabupaten Rembang, Jawa Tengah. 2. Data hasil pengukuran dimensi tegakan (Diameter setinggi dada/d dan Tinggi total/tt), jarak antar pohon, azimut plot pengamatan dan keadaan tapak. 3. Data informasi petak dan anak petak KPH Kebonharjo. 3.3 Tahapan Pelaksanaan Tahapan pelaksanaan penelitian ini secara umum dilakukan dengan mengumpulkan data lapangan, pengolahan data lapangan, pengolahan data citra, penyusunan model penduga sebaran biomassa dan pembuatan peta sebaran biomassa. Gambar berikut merupakan alur tahapan pelaksanaan pada penelitian ini.
13 Persiapan dan Pengumpulan Data Hasil Inventarisasi dan Peta Dimensi Tegakan Cita ALOS PALSAR Resolusi 50m & 12.5m Perhitungan Biomassa Extrasi dan Konversi Nilai Digital ke backscatter Nilai Biomassa Umur dan Tinggi Pohon Nilai Backscatter Peta Areal KPH Kebonharjo Analisis Statistik dan Penyusunan Model Pemilihan Model Peta Sebaran Biomassa Pemilihan Metode Peta Sebaran Biomassa Perhitungan KA dan OA Selesai Gambar 1 Diagram Tahapan Penelitian.
14 3.3.1 Pengumpulan Data Lapangan Penentuan titik dan pengambilan data dilakukan secara purposive sampling yang direncanakan pada peta kerja dan peta administrasi KPH Kebonharjo, Perhutani Unit I Jawa Tengah. Pemilihan titik plot dilapangan dilakukan berdasarkan sebaran kelas umur dan menyebar sebanyak 61 plot di dua bagian hutan yaitu Bagian Hutan Balo dan Bagian Hutan Tuder. Serta perlu di perhatikan juga kenampakanya pada citra ALOS PALSAR. Dari ke 61 data plot tersebut kemudian kembali dibagi menjadi dua, 36 plot digunakan sebagai pemodelan dan 25 plot sebagai validasi. Plot contoh yang digunakan berbentuk lingkaran dengan luasan plot disesuaikan dengan KU (kelas umur) tertentu di lapangan. Pada KU I II dilakukan pengukuran dengan plot lingkaran seluas 0,02 ha, pada KU III IV dilakukan pengukuran dengan plot lingkaran seluas 0,04 ha, sedangkan untuk KU V dilakukan pengukuran dengan plot lingkaran seluas 0,1 ha. Unit contoh yang digunakan merupakan hasil klasifikasi visual pada citra ALOS PALSAR resolusi spasial 50 m dan 12,5 m berada dalam areal kerja KPH Kebonharjo, Bagian Hutan Tuder dan Bagian Hutan Balo, Perhutani Unit I Jawa Tengah. Kriteria pengambilan titik didasarkan pada sebaran kelas umur pada peta kerja KPH Kebonharjo Perhutani Unit I Jawa Tengah. Untuk mengukur koordinat titik pengamatan digunakan alat bantu berupa GPS atau dapat pula menggunakan koordinat peta yang ada. Kemudian dilakukan perekaman posisi area contoh dengan menggunakan GPS. Setelah posisi terekam maka dilakukan pembuatan plot contoh dengan luasan sesuai dengan Kelas Umur (KU), untuk kemudian didalamnya dilakukan pengukuran terhadap parameter tegakan berupa diameter pohon setinggi dada (D), tinggi total (Tt), tinggi bebas cabang (Tbc) dan jenis pohon. 3.3.2 Pengolahan Data Lapangan Pengolahan data lapangan dilakukan untuk menghasilkan pendugaan biomassa atas permukaan tanah (above-ground biomass) berdasarkan parameter plot yang telah di ukur pada tingkat umur (KU) tertentu. Pendugaan biomassa atas permukaan dilakukan dengan menggunakan model alometrik biomassa Hendri
15 (2001) yang diformulasikan kembali oleh Tiryana (2011) dan dengan menggunakan BEF (Biomass Expansion Factor). BEF merupakan rasio total berat biomassa kering tanur diatas permukaan tanah pada diameter (diameter setinggi dada/d) minimum 10 cm atau lebih dengan berat biomassa kering tanur pada volume yang dapat dimanfaatkan atau BEF pada biomassa kering tanur pada volume batang. Model alometrik Hendri yang digunakan dalam pendugaan biomassa atas permukaan ialah sebagai berikut: B=0.2759D. B = Biomassa Atas Permukaan D = Diameter setinggi dada (cm) Selain menggunakan persamaan alometrik pada penelitian ini juga dilakukan perhitungan nilai biomassa dengan menggunakan BEF (Biomass Expansion Factor) dengan menggunakan rumus sebagai berikut: = Volume (V, m 3 ) dihitung dengan menggunakan formulasi : = 0.000112514085796703. =0.000106673063988034. B bef = Biomassa diduga menggunakan BEF (ton/ha) V b = Volume untuk Bagian Hutan Balo (m 3 ) V t = Volume untuk Bagian Hutan Tuder (m 3 ) D = Diameter setinggi dada (cm) ρ = Berat jenis rata-rata Pohon Jati sebesar 0.67 ton/m 3 BEF = Biomass Expansion Factor dengan nilai koefisien 1,53186 untuk Jati pada hutan tropis (Kraenzel et al 2003). 3.3.3 Pengolahan Data Citra Citra yang digunakan dalam penelitian ini yaitu citra ALOS PALSAR resolusi 12,5 m dan 50 m yang telah dilakukan koreksi kelerengan (slope correction). Pada citra radar biasanya terdapat beberapa efek topografi yang mempengaruhi nilai digital pada citra seperti foreshorthening, layover, atau bayangan. Hal-hal tersebut berpengaruh pada nilai digital yang nantinya akan
16 mempengaruhi nilai backscatter yang akan digunakan untuk pemodelan dan pemetaan. Namun dengan adanya koreksi kelerengan efek topografi tersebut bisa diminimalisir. Nilai hamburan balik (backscatter) yang terdapat pada plot pengamatan diperoleh dengan mengkonversi nilai digital citra ALOS PALSAR pada masing masing plot atau daerah pengamatan tersebut. Nilai backscatter dapat diperoleh dengan menggunakan formulasi sebagai berikut (Shimada et al. 2009): =10 10 + BS = Backscatter (db) dn = Nilai Dijital (degree) CF = Calibration factor dari Citra ALOS PALSAR peliputan tahun 2009 sebesar -83 (JAXA Publication) Pada penelitian ini juga dilakukan Filtering image pada citra-citra hasil model terbaik yang telah dibuat. Setiap citra model dilakukan filtering kernel 3x3 dan 4x4 untuk citra ALOS PALSAR resolusi 50 m. Pada citra ALOS PALSAR resolusi 12,5 m dilakukan filtering dengan kernel 5x5 dan 7x7. Proses filtering image dilakukan dengan menggunakan bantuan software ERDAS IMAGINE 9.1 dengan menu Radar (Radar Interpreter Speckle Supression). Speckle Supression berfungsi untuk menghilangkan noise pada citra ALOS PALSAR. 3.3.4 Penyusunan dan Pemilihan Model Pada penelitian ini pendugaan nilai biomassa digunakan dengan menggunakan hubungan antara biomassa di atas permukaan tanah dengan nilai Backscatter pada citra Alos PALSAR, umur pohon, dan tinggi pohon. Penyusunan dan pemilihan model dilakukan dengan beberapa model matematika yaitu sebagai berikut:
17 Tabel 3 Model yang digunakan untuk pendugaan biomassa Jenis Model Bentuk Model Model regresi linier berganda Y = a + bx 1 + cx 2 + dx 3 Model eksponensial Y = Exp (a + bx 1 + cx 2 + dx 3 ) Model Kuadratik Y = a + bx 2 1 + cx 2 2 2 + dx 3 Y = Biomassa; X = Backscatter ALOS PALSAR; X 2 = Umur Pohon; X 3 = Tinggi pohon Pada tahapan ini terdapat empat jenis penyusunan dan pemilihan model yang dapat dilakukan, yaitu dengan menggunakan dua dan tiga variabel menggunakan bentuk sederhana dari model matematika di atas, kemudian empat variabel. Model yang digunakan dalam pemetaan biomassa berasal dari pemodelan dengan variabel biomassa (y), backscatter (x 1 ) dan tinggi(x 2 ). Hal tersebut dikarenakan data tinggi pohon tidak tersedia pada seluruh areal pengamatan. Alternatif untuk menyediakan data tinggi pohon tersebut dapat diperoleh yaitu dengan bantuan LIDAR, namum pada penelitian ini lebih difokuskan pada pemetaan sebaran biomassa dengan variabel-variabel prediktor yang tersedia, yaitu umur dan backscatter. Pemilihan model dilakukan dengan memperhatikan koefisien determinasi (R 2 ), koefisien determinasi terkoreksi (R 2 adj), dan Root Mean Square Error (RMSE) yang dihasilkan oleh masing-masing persamaan. Koefisien determinasi adalah nilai yang menceminkan seberapa besar keragaman variabel tak bebas Y dapat dijelaskan oleh suatu variabel bebas X. Nilai R 2 dinyatakan dalam persen (%) yang berkisar antar 0% hingga 100%. Semakin tinggi nilai R 2, maka dapat ditarik kesimpulan bahwa semakin tinggi keragaman variabel tak bebas Y yang dapat dijelaskan oleh variabel bebas X. Nilai R 2 ditentukan dengan rumus : R² = Koefisien determinasi JKT = Jumlah Kuadrat Total JKS = Jumlah Kuadrat Sisa ²= 100%
18 Koefisien determinasi terkoreksi adalah koefisien determinasi yang telah terkoreksi dari derajat bebas sisa dan derajat bebas totalnya. Dimana koefisien determinasi terkoreksi dihitung menggunakan formulasi sebagai berikut: = JKS = Jumlah kuadrat sisa JKT = Jumlah kuadrat total (n - p) = derajat bebas sisa (n - 1) = derajat bebas total / 100% / 1 sedangkan akar kuadrat error dihitung berdasarkan formula : MSE = / RMSE = MSE = Kuadrat tengah sisa RMSE = Akar kuadrat tengah sisa Yi = Biomassa ke-i = Rata-rata biomassa ke-i n = Jumlah plot sampel p = Jumlah parameter yang digunakan Model dengan lebih dari satu variabel rentan terhadap terjadinya multikolinearitas. Oleh karena itu, pada model terbaik perlu dilakukan pengujian multikolinearitas. Cara yang pertama ialah dengan melihat nilai korelasi antar peubah bebasnya. Cara yang kedua ialah dengan mengukur faktor inflasi variasinya (VIF). Jika suatu model mengandung VIF > 5 maka model tersebut mengandung multikolinearitas. 3.3.5 Validasi Model Validsi model dilakukan dengan menggunakan 25 plot yang diambil secara purposive pada citra dilakukan secara tersebar dan merata pada seluruh KU. Teknik menyebar dan merata dilakukan agar model yang dihasilkan dapat mewakili seluruh kelas umur (KU) yang ada. Setelah 25 plot terpilih, validasi model dilakukan dengan cara membandingkan antara hasil kandungan biomassa di atas permukaan tanah hasil pengukuran lapang dengan menggunakan model terpilih. Untuk membandingkannya digunakan uji t-student berpasangan (Mattjik
19 & Sumertajaya 2000) dengan rumus sebagai berikut. = / ; = 1; =0 Dengan menggunakan hipotesis uji sebagai berikut : H 0 : µ 1 - µ 2 = 0 (Biomassa aktual = biomassa model) H 1 : µ 1 - µ 2 0 (Biomassa aktual biomassa model) Model yang dianggap mewakili data dan layak digunakan didasarkan pada t hitung dengan kriteria apabila t hitung <t (α/2) atau nilai signifikansi > 0,05 maka model pendugaannya layak digunakan. Sebaliknya jika t hitung > t (α/2) atau nilai signifikansi < 0,05. maka model penduganya kurang layak digunakan. 3.3.6 Pembuatan Peta Sebaran Biomassa Pembuatan peta sebaran kelas biomassa dilakukan dengan bantuan software Erdas Imagine 9.1 dan ArcView 3.2. Dasar dari pembuatan peta sebaran kelas biomassa ini adalah model terpilih yang menjelaskan hubungan antara biomassa dengan backscatter dan umur pohon. Terdapat dua jenis sebaran peta biomassa yaitu berdasarkan picture element (piksel) dari citra ALOS PALSAR dan berdasarkan peta areal kerja KPH Kebonharjo (per anak petak). Pada pembuatan pete sebaran biomassa berdasarkan piksel, terlebih dahulu data vektor berupa umur pohon pada seluruh areal diubah menjadi data raster dengan ukuran yang di sesuaikan dengan resolusi citra. Hal tersebut untuk memudahkan dalam pembuatan citra sebaran biomassa dengan menggunakan menu model builder pada software Erdas Imagine 9.1. 3.3.7 Penghitungan Overall Accuracy dan Kappa Accuracy Penghitungan Overall Accuracy dan Kappa Accuracy merupakan metode yang digunakan untuk mengetahui tingkat keterwakilan dan akurasi pada pembuatan peta sebaran kelas biomassa yang telah dibuat. Akurasi klasifikasi umumnya dilakukan dengan metode Overall accuracy, akan tetapi akurasi ini umumnya terlalu overestimate sehingga jarang digunakan sebagai indikator yang baik untuk mengukur kesuksesan suatu klasifikasi karena hanya menggunakan piksel-piksel yang terletak pada diagonal suatu matrik contingency. Akurasi yang
20 saat ini disarankan adalah dengan menggunakan rumus Kappa accuracy karena semua elemen dalam matrik contingency akan diperhitungkan. Rumus yang digunakan (Jaya 2002) yaitu : = = 100% 100% AO = Overall Accuracy (%) K = Kappa Accuracy (%) X ii = nilai diagonal dari matrik kontingensi bari ke-i dan kolom ke-i X i+ = jumlah piksel dalam kolom ke-i X +i = jumlah piksel dalam baris ke-i N = banyaknya titik contoh