BAB IV HASIL DAN ANALISIS 4.1 Hasil Hasil penelitian tugas akhir ini berupa empat model matematika pendugaan stok karbon. Model matematika I merupakan model yang dibentuk dari persamaan regresi linear tunggal indeks vegetasi WI. Model matematika II merupakan model yang dibentuk dari persamaan regresi exponential tunggal indeks vegetasi WI. Model matematika III merupakan model yang dibentuk dari persamaan multiregresi linear menggunakan metode stepwise dengan indeks vegetasi WI dan NDVI. Model matematika IV merupakan model yang dibentuk dari persamaan multiregresi exponential indeks vegetasi SR, WI, dan NDVI yang dipilih berdasarkan besarnya nilai korelasi hubungan exponential-nya terhadap data stok karbon pengamatan lapangan. Maka dibentuk empat buah persamaan regresi sebagai berikut : Table 4-1 Model Matematika untuk Pendugaan Stok Karbon
Persamaan Regresi Model
Jumlah variabel Bebas
R2
I
y = 49.86 WI - 88.56
1
0.59
II
y = 0.194e1.431WI
1
0.51
III
y = 102.135 WI -295.647 NDVI -23.072
2
0.78
IV
y= 0.192*(𝑒𝑒𝑒𝑒𝑒𝑒(0.394 𝑥𝑥 𝑆𝑆𝑆𝑆) + 𝑒𝑒𝑒𝑒𝑒𝑒(1.114 𝑥𝑥 𝑊𝑊𝑊𝑊) + 𝑒𝑒𝑒𝑒𝑒𝑒(5.405 𝑥𝑥 𝑁𝑁𝑁𝑁𝑊𝑊𝑊𝑊) )
3
0.865
4.2 Analisis Pada tahapan berikutnya dilakukan analisis pengerjaan tugas akhir ini. Dimulai dari analisis data penelitian yang digunakan, proses pengolahan data, dan hasil dari pendugaan stok karbon serta model matematika yang digunakan.
4.2.1 Data Penelitian Data yang digunakan dalam penelitian ini berupa citra satelit, data stok karbon pengukuran lapangan, dan peta rupa bumi untuk keperluan koreksi geometrik. Data citra Satelit yang digunakan adalah Landsat-5 TM tahun 2005 yang diambil pada bulan Juli. Data stok karbon pengukuran lapangan diambil pada agustus 2008, yang 42
terdiri dari 18 sampel pengukuran yang tersebar di sekitar Jawa Barat. Data Stok Karbon lapangan yang diperoleh berupa stok karbon diatas tanah (AGB), stok karbon tanah, dan serasah. Karena penelitian ini menggunakan remote sensing dengan metode optis, dimana metode optis tidak dapat memantau objek dibawah tanah, maka data stok karbon lapangan yang digunakan hanya stok karbon diatas tanah.
4.2.2 Pengolahan Data Pada citra Satelit Landsat 5 TM tahun 2005 terdapat daerah laut, sehingga daerah tersebut harus dieliminasi agar tidak mempengaruhi proses pengolahan data selanjutnya yang melibatkan perhitungan nilai DN. Eliminasi daerah laut juga diperlukan untuk kepentingan koreksi radiometrik dimana pada proses tersebut, menggunakan informasi nilai DN Maksimal dan DN minimal pada perhitunganya (persamaan 5). Jika daerah laut diikutsertakan, menyebabkan adanya nilai DN yang terlalu rendah. Daerah tutupan laut dihilangkan melalui proses dijitasi manual dengan membuat citra mask untuk daerah daratan. Keuntungan dari metode dijitasi manual adalah mengelimanasi daerah dengan lebih teliti. Hanya saja dijitasi manual memakan waktu yang lebih lama dibandingkan dengan dijitasi daerah laut otomatis menggunakan beberapa tools klasifikasi yang terdapat pada software-software pengolahan citra, misalnya ROI (region of interest) tools pada ENVI. Proses selanjutnya adalah reduksi outlier. Dari data pengamatan stok karbon pengukuran lapangan terdapat data yang nilainya jauh berada diatas nilai data stok karbon lainya. Hal ini digambarkan pada gambar 3.4. Dengan metode Labelling rule, ditentukan batas Outlier berupa 264.348 ton. Karena itu perlu dilakukan eliminasi 3 data Outlier yaitu data stok karbon bernilai 272.84 ton, 537.11 ton, dan 364.05 ton. Proses reduksi outlier dilakukan untuk meningkatkan kualitas model matematika yang dihasilkan. Namun dengan dieliminasinya beberapa data, menyebabkan berkurangnya kemampuan model matematika yang dihasilkan untuk memprediksi nilai stok karbon yang tinggi. Proses selanjutnya berupa koreksi radiometrik. Koreksi radiometrik mengkonversi nilai DN menjadi nilai reflektansi yang dianggap mewakili nilai sebenarnya dari kemampuan suatu obyek dilapangan dalam memantulkan radiasi gelombang 43
elegtromagnetik. Perbedaan rentang nilai DN dan reflektansi ditunjukan pada Tabel 3-2. Antara citra yang belum terkoreksi radiometrik, dengan citra yang sudah terkoreksi, tidak terdapat perbedaan visual yang signifikan. Selanjutnya dalam proses koreksi geometric, dilakukan transformasi affine 2D dimana terdapat enam parameter transformasi yang membutuhkan titik sekutu minimal 6 titik. Pada proses ini digunakan 11 titk GCP dan 6 titik ICP yang tersebar di sekeliling area penelitian. Dari hasil koreksi geometrik didapatkan ketelitian GCP berupa 0.47 pixel dan ketelitian ICP berupa 0.5 pixel. Nilai – nilai standar deviasi GCP dan RMSEICP yang dihitung, memenuhi kriteria koreksi geometrik, dimana secara umum nilai-nilai tersebut harus lebih kecil dari 1 pixel (Purwadhi & Santojo, 2008), sehingga citra yang digunakan dianggap sudah mewakili kondisi geometris wilayah penelitian. 4.2.3
Pendugaan Stok Karbon
Selanjutnya dilakukan regresi untuk membuat model matematika pendugaan stok karbon. Digunakan indeks vegetasi sebagai variabel bebas dan data pengukuran stok karbon lapangan sebagai variabel terikat pada proses perhitungan regresi. Data stok karbon lapangan diukur di plot-plot yang memiliki luas 200 m2 (Gambar 2.2). Agar data indeks vegetasi yang digunakan bisa merepresentasikan nilai-nya dengan luas wilayah tersebut, diambil nilai rata-rata 3 pixel pada titik-titik dimana nilai indeks vegetasi tersebut digunakan. Dari pembuatan Indeks vegetasi, yang perlu diperhatikan adalah nilai korelasi dari Water Band Indeks untuk pembuatan Model Matematika. Dari tabel 3-4, dapat dilihat bahwa Water Band Indeks memiliki pengaruh yang signifikan terhadap model matematika yang akan dibuat. Hal ini dikarenakan nilai R2 yang dimiliki water index, memiliki nilai yang cukup besar (0.593 untuk hubungan regresi linear dan 0.514 untuk hubungan regresi exponential). Pada multiregresi linear metode stepwise, water Indeks juga dianggap memiliki korelasi yang baik, sehingga diklasifikasikan sebagai variabel bebas yang terseleksi untuk model matematika yang akan dibuat (tabel 3-5).
44
Dari model matematika yang dihasilkan (tabel 4-1), bisa dilihat bahwa metode multiregresi memiliki korelasi yang lebih tinggi dibandingkan metode regresi linear tunggal. Pengujian persamaan regresi dilakukan dengan menghitung nilai estimasi stok karbon dari empat model matematika dan dihitung nilai residunya dengan membandingkan terhadap stok karbon hasil pengukuran lapangan. Pengujian model persamaan regresi tertera pada Tabel 4-2 Tabel 4-3 menunjukan nilai Rmse tiap-tiap model, dimana nilai Rmse tersebut bisa dijadikan parameter ketelitian dari model matematika yang dihasilkan. Tabel 4-2 Hasil Pengujian Persamaan Regresi
Ciwidey
Stok karbon (ton) 221.09
Model I (ton) 143.54
Model II (ton) 148.52
Model III (ton) 192.42
Model IV (ton) 219.31
2
Bandung
0.61
-12.14
1.7
-24.83
2.38
3
Ciwidey
84.08
54.47
11.52
27.16
20.7
4
Sukabumi
15.69
20.56
4.35
22.09
4.59
5
Ciwidey
0.37
-2.56
2.24
16.08
2.69
6
Ciwidey
0.83
5.93
2.86
7.1
3.41
7
Ciwidey
1.74
-14.4
1.6
-11.36
2.14
8
Sukabumi
9.92
54.29
11.46
21.31
28.48
9
Sukabumi
3
36.01
6.78
6.93
8.99
10
Sukabumi
31.64
8.63
3.09
35.62
3.35
11
Banjaran
6.28
11.85
3.39
0.78
4.06
12
Sukabumi
2.73
-20.44
1.34
8.57
1.78
13
Bandung
6.88
81.41
24.96
76.46
36.96
14
Sukabumi
2.54
42.92
8.27
9.52
13.42
15
Banjaran
2.14
-20.68
1.33
1.7
1.78
No
Kecamatan
1
Dari pengujian yang dilakukan, dihitung nilai Rmse-nya untuk mengetaui tingkat ketelitian dari model yang dihasilkan. Berikut ditampilkan Rmse dari tiap-tiap model matematika yang dibuat:
45
Tabel 4-4 Residu Model Matematika Pendugaan Stok Karbon Model
Rmse
R2
I
138.69
0.59
II
108.95
0.51
III
101.60
0.78
IV
79.16
0.865
Dari tabel 4-4, bisa dilihat bahwa metode pendekatan stok karbon dengan multiregresi (Model III dan IV) memiliki ketelitian yang lebih baik dibandingkan dengan metode regresi linear tunggal (Model I dan II). Hal ini ditunjukan oleh nilai Rmse yang lebih kecil dibandingkan dengan regresi linear tunggal. Hasil terbaik adalah pedekatan multiregresi dengan hubungan exponential yang terdapat pada Model Matematika IV (model dengan nilai Rmse terkecil dan R2 terbesar).
Dari ke-4 Model matematika yang dihasilkan, belum mampu untuk memprediksi nilai cadangan karbon dengan tingkat akurasi yang tinggi. Hal ini dikarenakan sedikitnya jumlah titik sampel pengukuran stok karbon lapangan sebagai variabel terikat.
46
