PEMANFAATAN SIG DALAM PEMETAAN POTENSI MERBAU DI AREAL IUPHHK-HA PT. WAPOGA MUTIARA TIMBER UNIT II PAPUA HASTUTI DYAH PRAJNA PARAMITHASARI

PEMANFAATAN SIG DALAM PEMETAAN POTENSI MERBAU DI AREAL IUPHHK-HA PT. WAPOGA MUTIARA TIMBER UNIT II PAPUA

HASTUTI DYAH PRAJNA PARAMITHASARI

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2013

PERNYATAAN Dengan ini saya menyatakan bahwa skripsi berjudul Pemanfaatan SIG dalam Pemetaan Potensi Merbau di Areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, November 2013 Hastuti Dyah Prajna Paramithasari NIM E14090024

ABSTRAK HASTUTI DYAH PRAJNA PARAMITHASARI. Pemanfaatan SIG dalam Pemetaan Potensi Merbau di Areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua. Dibimbing oleh M. BUCE SALEH. Merbau merupakan salah satu kayu perdagangan yang sangat terkenal. Merbau termasuk ke dalam famili Fabaceae yang menyebar mulai dari Sumatera sampai Papua. Penelitian mengenai pemetaan potensi merbau menggunakan sistem informasi geografis (SIG) perlu dilakukan untuk mendapatkan data mengenai potensi merbau. Penelitian ini bertujuan untuk menentukan metode interpolasi spasial yang paling teliti antara metode Inverse Distance Weight (IDW) dengan metode Kriging, menentukan penggunaan jumlah variabel yang paling teliti, membuat peta potensi merbau yang ada di areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II (PT. WMT-II) Papua. Nilai potensi merbau dihitung berdasarkan data IHMB PT. WMT-II tahun 2012. Potensi merbau pada area yang tidak terwakili oleh plot IHMB diestimasi menggunakan interpolasi spasial. Pembuatan peta potensi merbau untuk tingkat pohon dan tiang dapat menggunakan metode interpolasi spasial Inverse Distance Weight dengan 4 kelas potensi yaitu sangat rendah, rendah, sedang, dan tinggi. Penggunaan gabungan variabel PG-PN-PV dengan metode IDW merupakan metode yang terbaik dalam pembuatan peta potensi merbau baik tingkat tiang maupun pohon. Peta potensi merbau terdiri atas 2 jenis peta yang menggambarkan potensi merbau tingkat tiang dan potensi merbau tingkat pohon pada seluruh areal IUPHHK-HA PT. WMT-II. Secara umum potensi merbau di areal IUPHHK PT. WMT-II untuk tingkat pohon masih tersedia di hutan primer dan sekunder. Namun pada hutan sekunder menunjukkan bahwa potensi merbau rata-rata rendah. Begitu juga pada tingkat tiang yang menunjukkan bahwa proses regenerasi alami dari jenis merbau yang sangat rendah. Kata kunci: IDW, interpolasi spasial, kriging, papua, potensi merbau, SIG.

ABSTRACT HASTUTI DYAH PRAJNA PARAMITHASARI. GIS Utilization for Potential Mapping of Merbau at IUPHHK-HA PT. Wapoga Mutiara Timber 2nd unit Papua. Supervised by M. BUCE SALEH. Merbau is one of famous timber trade. Merbau included in the Fabaceae family which spread from Sumatera to Papua. Research on merbau potential mapping use geographical information systems (GIS) need to be conducted to obtain the data about potential merbau. This research is purposed to explain the most accuratest spatial interpolation method between inverse distance weight (IDW) method toward the kriging method, to explain the most accuratest number of variables, in order to create a map of merbau potential at IUPHHK-HA PT. Wapoga Mutiara Timber 2nd unit (PT. WMT-II) area. Merbau potential value in 2012 is calculated based on data of IHMB at PT. WMT-II. Unrepresented of

merbau potential in IHMB plot was estimated by spatial interpolation. Potential map of merbau level of trees and poles are able to use IDW method with 4-classes that is very low, low, medium, and high. The combination of PG, PN, and PV variables with IDW is the best method to create potential map of merbau for each level. Potential map of merbau consist of 2 type map that explain merbau potential level of poles and tree at IUPHHK-HA PT. WMT-II area. Generally, potential of merbau in area of IUPHHK-HA PT. WMT-II as yet available for the level of trees in primary and secondary forest. But, average potential of merbau is low in secondary forest. It is also happened on the level of poles. It indicates that natural regeneration process of merbau is very low. Keywords: GIS, IDW, kriging, merbau potential, papua, spatial interpolation.

PEMANFAATAN SIG DALAM PEMETAAN POTENSI MERBAU DI AREAL IUPHHK-HA PT. WAPOGA MUTIARA TIMBER UNIT II PAPUA

HASTUTI DYAH PRAJNA PARAMITHASARI

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan pada Departemen Manajemen Hutan

DEPARTEMEN MANAJEMEN HUTAN FAKULTAS KEHUTANAN INSTITUT PERTANIAN BOGOR BOGOR 2013

Judul Skripsi : Pemanfaatan SIG dalam Pemetaan Potensi Merbau di Areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua Nama : Hastuti Dyah Prajna Paramithasari NIM : E14090024

Disetujui oleh

Dr. Ir. M. Buce Saleh, MS Pembimbing

Diketahui oleh

Dr. Ir. Ahmad Budiaman, M.Sc. F. Trop Ketua Departemen

Tanggal Lulus:

PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan April 2013 ini ialah potensi merbau, dengan judul “Pemanfaatan SIG dalam Pemetaan Potensi Merbau di Areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua”. Terima kasih penulis ucapkan kepada Bapak Dr. Ir. M. Buce Saleh, MS selaku pembimbing. Di samping itu, penghargaan penulis sampaikan kepada Ibu Susan Lilianti Sunarti selaku direktur utama PT. Wapoga Mutiara Timber Unit II Papua yang telah memberikan izin pelaksanaan penelitian pada perusahaan tersebut. Bapak Hengky selaku kepala cabang PT. Wapoga Mutiara Timber Unit II Papua, Bapak Widi, Bapak Jusmanto, dan Bapak Yance Kamelane yang telah membantu selama pengumpulan data, serta Bapak Uus yang telah memberikan arahan selama pengolahan data. Ungkapan terima kasih juga disampaikan kepada ayah (Supriyadi), ibu (Hertri Astuti), serta seluruh keluarga, atas segala dukungan, doa dan kasih sayangnya. Terima kasih kepada Dilla Faradina, Endita Dwi, Sisca Widiya, Dinial Lavi, M. Panji, Sofian Hadi, serta teman-teman DMNH angkatan 46 yang selalu memberikan dukungan dan bantuan sampai terselesaikannya karya ilmiah ini. Semoga karya ilmiah ini bermanfaat.

Bogor, November 2013 Penulis

DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian TINJAUAN PUSTAKA METODE PENELITIAN Waktu dan Lokasi Penelitian Data, Software dan Hardware Prosedur Penelitian HASIL DAN PEMBAHASAN Hasil Interpolasi Spasial Potensi Merbau Pengujian RMSPE pada metode Kriging Analisis Validasi Variabel PG, PN, dan PV Analisis Visual antara IDW dengan Kriging Analisis Visual Hasil Peta Terpilih Variabel PG, PN dan PV Penggabungan Kelas Potensi PG, PN dan PV Potensi Merbau di areal IUPHHK-HA PT. WMT-II Papua SIMPULAN DAN SARAN Simpulan Saran DAFTAR PUSTAKA LAMPIRAN RIWAYAT HIDUP

xii xii xii 1 1 2 2 2 2 4 4 4 5 11 11 14 14 16 17 20 20 22 22 22 22 24 37

DAFTAR TABEL 1 Contoh Matrik Kontingensi 2 Interval 4 kelas klasifikasi potensi merbau untuk parameter pohon dan tiang 3 Interval 6 kelas klasifikasi potensi merbau untuk parameter pohon dan tiang 4 Hasil perhitungan RMSPE pada metode kriging. 5 Hasil uji validasi metode interpolasi untuk parameter pohon 6 Hasil uji validasi metode interpolasi untuk parameter tiang 7 Hasil klasifikasi dengan pertimbangan 3 variabel PG, PN dan PV

9 14 13 14 15 15 20

DAFTAR GAMBAR 1 2 3 4 5 6

Peta lokasi penelitian Bagan alir tahapan penelitian Nilai tengah proporsi (%) untuk parameter G Nilai tengah proporsi (%) untuk parameter V Nilai tengah proporsi (%) untuk parameter N Hasil interpolasi dengan metode: (a) IDW dan (b) kriging-exponential pada tingkat pohon untuk variabel PG 7 Hasil interpolasi dengan metode: (a) IDW dan (b) kriging-exponential pada tingkat tiang untuk variabel PG 8 Peta model sebaran potensi merbau berdasarkan: (a) PG, (b) PN, dan (c) PV untuk tingkat pohon 9 Peta model sebaran potensi merbau berdasarkan: (a) PG, (b) PN, dan (c) PV untuk tingkat tiang 10 Peta potensi merbau tingkat pohon 11 Peta potensi merbau tingkat tiang

4 5 12 12 12 16 17 18 19 21 21

DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Hasil uji akurasi metode dengan 4 kelas klasifikasi Hasil uji akurasi metode dengan 6 kelas klasifikasi Hasil interpolasi metode Pohon-G-4 Hasil interpolasi metode Pohon-N-4 Hasil interpolasi metode Pohon-V-4 Hasil interpolasi metode Pohon-G-6 Hasil interpolasi metode Pohon-N-6 Hasil interpolasi metode Pohon-V-6 Hasil interpolasi metode Tiang-G-4 Hasil interpolasi metode Tiang-N-4 Hasil interpolasi metode Tiang-V-4 Hasil interpolasi metode Tiang-G-6 Hasil interpolasi metode Tiang-N-6 Hasil interpolasi metode Tiang-V-6

24 28 34 34 34 34 35 35 35 35 36 36 36 36

PENDAHULUAN Latar Belakang Papua merupakan bagian barat pulau besar Nugini. Luas wilayahnya 416.129 km2 dan mendukung hutan rimba tropis tua terluas yang masih ada di Asia Pasifik. (CI 2012). Berdasarkan penafsiran citra landsat BKPH X Jayapura (2007) yang diacu dalam Kemenhut (2008) persentase luas penutupan lahan papua terhadap luas total adalah sebagai berikut 66% berupa hutan primer, 10% berupa hutan sekunder, 17% berupa kawasan non hutan, 2% berupa badan air, dan 5% berupa tutupan awan. Luasnya kawasan hutan tersebut diikuti dengan keanekaragaman jenis kayu komersial yang ada di dalamnya. Kayu dari hutan Papua didominasi oleh merbau (Intsia spp.), matoa (Pometia spp.) dan kayu dari berbagai jenis lainnya (Dishut Papua 2001 diacu dalam CI 2012). Merbau merupakan jenis kayu komersial bernilai ekonomi tinggi dan telah dikenal dengan baik dalam perdagangan kayu dunia. Jenis ini termasuk dalam famili Fabaceae yang menyebar mulai dari Sumatera sampai Papua. Populasi merbau kini hanya tersisa di Papua dan sebagian Maluku dengan jumlah yang terus menurun karena intensitas penebangan yang cukup tinggi (Rimbawanto 2006 diacu dalam Lestari 2011). Penebangan merbau secara besar-besaran menimbulkan kecemasan akan kelestarian jenis ini. Oleh karena itu, beberapa pihak mengusulkan untuk memasukkan merbau ke dalam Appendix III CITES sehingga perdagangan merbau dapat terkontrol dengan baik. IUCN (2013) juga telah memasukkan jenis merbau (Intsia bijuga dan Intsia acuminata) ke dalam kategori rentan (vulnerable) sejak tahun 1998. Berdasarkan fakta tersebut, penelitian mengenai pemetaan potensi merbau perlu dilakukan. Hasil dari penelitian ini dapat digunakan sebagai sumber informasi dalam pemanfaatan suatu kawasan hutan supaya jenis tersebut tidak sampai punah. Potensi merbau pada areal Izin Usaha Pemanfaatan Hasil Hutan Kayu dalam Hutan Alam (IUPHHK-HA) dapat diketahui berdasarkan data Inventarisasi Hutan Menyeluruh Berkala (IHMB) yang diambil secara systematic sampling with random start dan menyebar mewakili seluruh areal hutan yang dimanfaatkan. Pelaksanaan IHMB dengan konsep sampling mengakibatkan pengukuran hanya dilakukan pada sebagian kecil dari total luas areal. Potensi merbau pada area yang tidak terwakili oleh plot contoh dapat diestimasi menggunakan interpolasi spasial. Menurut Prahasta (2009), SIG sangat membantu pekerjaan-pekerjaan yang erat kaitannya dengan bidang-bidang spasial dan geo-informasi. SIG dapat memberikan gambaran yang lengkap dan komprehensif terhadap suatu masalah nyata terkait spasial permukaan bumi. Semua unsur spasial yang dilibatkan dapat divisualkan untuk memberikan informasi yang diperlukan. Komponen sistem yang sangat mendukung untuk pengolahan data spasial sangat diperlukan di bidang kehutanan.

2 Perumusan Masalah 1.

2. 3.

Rumusan masalah dari penelitian ini antara lain: Apakah metode Inverse Distance Weight (IDW) lebih mewakili informasi dari data sebenarnya jika dibandingkan dengan metode Kriging dalam penggunaan metode interpolasi spasial? Apakah dengan menggunakan variabel interpolasi yang lebih dari satu akan menghasilkan peta potensi merbau yang lebih baik? Belum adanya peta yang menunjukkan potensi merbau di areal IUPHHKHA PT. Wapoga Mutiara Timber Unit II Papua. Tujuan Penelitian

1.

2.

3.

Penelitian ini bertujuan untuk: Menentukan metode interpolasi spasial yang paling teliti antara metode Inverse Distance Weight (IDW) dengan metode Kriging untuk menetapkan kelas klasifikasi potensi merbau di areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua. Menentukan penggunaan jumlah variabel yang paling baik antara penggunaan variabel PG (proporsi lbds/ha), PN (proporsi N/ha), PV (proporsi V/ha) dengan gabungan ketiga variabel tersebut untuk mendapatkan peta potensi merbau terbaik di areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua. Membuat peta potensi merbau yang ada di areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua. Manfaat Penelitian

1. 2.

Penelitian ini diharapkan dapat menjadi: Sumber informasi mengenai potensi merbau yang ada di areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua. Masukan bagi para pengambil keputusan agar dalam menentukan kebijakan pemanfaatan hutan juga memperhatikan aspek kelestarian jenis merbau.

TINJAUAN PUSTAKA Sistem Informasi Geografis ESRI (1990) dalam Prahasta (2002) menyatakan bahwa, SIG adalah kumpulan yang terorganisir dari perangkat keras komputer, perangkat lunak, data geografi dan personil yang dirancang secara efisien untuk memperoleh, menyimpan, mengupdate, memanipulasi, menganalisis dan menampilkan semua bentuk informasi yang bereferensi geografi. Jaya (2002) menyebutkan pada bidang kehutanan, SIG sangat diperlukan guna mendukung pengambilan keputusan untuk memecahkan masalah keruangan (spasial) mulai dari tahap perencanaan, pengelolaan sampai dengan pengawasan.

3 SIG sangat membantu memecahkan permasalahan yang menyangkut luasan (polygon), batas (line atau Arc) dan lokasi (point). Konsep IHMB adalah konsep ”sampling” dimana pengukuran dilakukan hanya pada sebagian (kecil) dari total area yang akan disurvei. Kegiatan ”sensus” dengan mengunjungi setiap unit contoh ”populasi” untuk melakukan pengukuran tinggi, diameter dan atau konsentrasi suatu kondisi hutan tertentu merupakan hal yang sangat sulit, mahal, membutuhkan waktu yang lama serta tidak praktis. Sebagai gantinya adalah dengan menggunakan data dari lokasi-lokasi titiktitik ”sample” input dari data yang telah diukur secara tersebar areal kerja. Dalam ilmu, analisis spasial, selanjutnya kondisi titik-titik lainnya yang terletak di antara titik-titik sampel tersebut diestimasi menggunakan metode ”interpolasi permukaan” (surface interpolation). Inverse Distance Weight (IDW) dan Kriging IDW adalah salah satu teknik interpolasi permukaan (surface interpolation) dengan prinsip titik inputnya dapat berupa titik pusat plot yang tersebar secara acak maupun tersebar merata. Metode bobot inverse distance atau jarak tertimbang terbalik (IDW) memperkirakan nilai-nilai atribut pada titik-titik yang tidak disampel menggunakan kombinasi linier dari nilai-nilai sampel tersebut dan ditimbang oleh fungsi terbalik dari jarak antar titik (Li 2008 diacu dalam Hayati 2012). Secara konseptual, jarak efektif dapat dianggap untuk memperpendek jarak antara titik contoh dan node diinterpolasi oleh faktor yang sama dengan rasio anisotropi (Tomczak 1998 diacu dalam Hayati 2012). Kriging adalah teknik interpolasi geostatistik yang menganggap baik jarak dan variasi antara data dari titik contoh saat memperkirakan nilai di daerah yang tidak diketahui. Estimasi yang dibuat oleh metode ini menggunakan kombinasi tertimbang linier dari nilai data di seluruh titik yang akan diprediksi (Bohling 2005 diacu dalam Hayati 2012). Metode kriging memiliki universal kriging dan ordinary kriging sebagai pendekatannya. Universal kriging termasuk ke dalam multivariate yakni metode yang mampu menggunakan informasi sekunder dan mengacu pada lebih dari satu variabel penjelas, sedangkan ordinary kriging termasuk ke dalam univariate yakni metode yang tidak menggunakan informasi sekunder (Li 2008 diacu dalam Hayati 2012). Potensi Hutan Potensi hutan adalah jumlah pohon jenis niagawi tiap hektar menurut kelas diameter pada suatu lokasi hutan tertentu yang dihitung berdasarkan rata-rata jumlah pohon pada suatu tegakan hutan alam. Jenis niagawi adalah jenis-jenis pohon yang laku untuk diperdagangkan (Kemenhut 2002). Merbau Merbau termasuk ke dalam famili Fabaceae dan subfamili Caesalpinoideae. Merbau merupakan nama perdagangan untuk genus Intsia spp. Merbau juga dikenal dengan nama “kwila/menau” di Papua New Guinea, “ipil” di Filipina, dan “praduu thale” di Thailand (Thaman et al. 2006). Tong et al. (2009) menyatakan bahwa terdapat 9 spesies merbau yang menyebar di beberapa belahan dunia.

4 Terdapat tiga spesies merbau di Indoneisa yaitu Intsia bijuga, I. palembanica dan I. acuminata. Ketiga spesies tersebut dapat ditemukan di Papua akan tetapi hanya jenis I. bijuga dan I. palembanica yang dieksploitasi secara komersial dan diketahui dengan baik. Jenis I. bijuga adalah yang paling sering ditemukan di Indonesia. Jenis I. bijuga dapat tumbuh pada ketinggian 0−450 mdpl. Jenis merbau secara umum dapat tumbuh baik pada curah hujan tahunan 1500−2300 mm, suhu 17−33oC serta pada tanah yang drainasenya baik dan pH tanah berkisar antara 6.1−7.4. Merbau saat dewasa dapat mencapai tinggi 40 m dengan pertambahan tinggi kurang dari 1.5 m per tahun. Jenis ini termasuk pada jenis yang pertumbuhannya lambat dan memasuki masa dewasa setelah berumur 75−80 tahun. Pohon dewasa memiliki banir yang lebar hingga mencapai 4 m. Batang merbau tumbuh lurus dengan tajuk yang lebar serta memiliki kemampuan selfpruning yang baik. Bunga merbau bersifat biseksual sehingga dalam satu bunga terdapat bunga jantan dan betina, mahkota bunganya berwarna merah atau terkadang merah jambu. Jenis ini berbunga sepanjang tahun walaupun memiliki musim berbunga puncak pada bulan tertentu yang berbeda pada setiap daerah. Buahnya berbentuk oblong dengan ukuran 8−23 cm x 4−8 cm. Daun merbau merupakan daun majemuk yang biasanya terdiri dari 4 anak daun dengan panjang 8−15 cm/anak daun. Daun berbentuk elips dan asimetris (Thaman et al. 2006).

METODE PENELITIAN Waktu dan Lokasi Penelitian Penelitian ini terdiri atas dua kegiatan, yakni pengumpulan dan pengolahan data. Kegiatan pengumpulan data sekunder dilaksanakan pada bulan April 2013 di PT. Wapoga Mutiara Timber Unit II (PT. WMT-II) Papua. Lokasi penelitian dapat dilihat pada Gambar 1. Pengolahan data dilakukan pada bulan Mei sampai dengan September 2013 di Laboratorium Fisik Remote Sensing dan GIS, Departemen Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor.

Gambar 1 Peta lokasi penelitian

5 Data, Software dan Hardware Data Data yang digunakan dalam penelitian ini adalah data hasil IHMB PT. WMT-II Papua. Luas IUPHHK-HA PT. WMT-II adalah 169170 ha, dengan kawasan lindung seluas 3978 ha dan luas tidak efektif IHMB lainnya sebesar 4797 ha. Berdasarkan data tersebut, luas efektif IHMB PT. WMT-II adalah 160395 ha. Jarak antar plot dalam jalur sepanjang 1340 meter. Pelaksanaan IHMB ini dilakukan pada 1214 plot yang berada pada areal efektif (PT. WMT-II 2012). Data pendukung lainnya yang digunakan yaitu tabel volume, peta petak kompartemen IHMB, peta titik plot IHMB, peta batas blok RKT, dan peta batas areal IUPHHK-HA. Software dan Hardware Software yang digunakan dalam penelitian ini antara lain ArcGIS versi 10 dan Microsoft Office 2007 (Word dan Excel). Hardware yang digunakan adalah seperangkat laptop dan printer. Prosedur Penelitian Tahapan penelitian Pemanfaatan SIG dalam Pemetaan Potensi Pohon Merbau di Areal IUPHHK-HA PT Wapoga Mutiara Timber Papua ini terdiri dari: 1) persiapan, 2) pengolahan data sekunder, 3) penentuan jumlah kelas dan interval kelas, 4) penyusunan model interpolasi spasial, 5) analisis nilai tengah, 6) uji RMSPE, 7) uji akurasi, 8) analisis hasil pengujian, 9) analisis visual hasil interpolasi, 10) pembuatan peta model, 11) analisis visual peta model, 12) keputusan perlu adanya penggabungan variabel atau tidak, 13) jika perlu, penyusunan kelas klasifikasi gabungan, 14) pembuatan peta potensi. Tahapan penelitian secara lengkap dapat dilihat pada Gambar 2.

Gambar 2 Bagan alir tahapan penelitian

6 Pengumpulan Data Pengumpulan data pada penelitian ini dilakukan dengan mengambil data sekunder dari file elektronik IHMB PT. WMT-II. Data yang diambil berupa tally sheet hasil IHMB, tabel volume, peta petak kompartemen IHMB, peta titik plot IHMB, peta batas blok RKT, peta jaringan sungai, dan peta batas areal IUPHHKHA. Data-data tersebut diberikan langsung oleh PT. WMT-II sebagai bahan penelitian ini. Pengolahan Data Sekunder 1. Perapihan data tingkat tiang pada tally sheet IHMB. 2. Penggabungan data sekunder antara tally sheet IHMB pohon kecil dengan pohon besar. 3. Perhitungan nilai variabel dari setiap parameter yang akan dipetakan untuk seluruh jenis yang ada di dalam plot. 3.1 Kerapatan berdasarkan jumlah pohon per hektar (N) N=

∑

Keterangan: N = kerapatan berdasarkan jumlah pohon (individu/ha) ∑ n = jumlah pohon dalam satu plot (individu) L = luas per hektar (ha) 3.2

Luas bidang dasar (lbds) masing-masing individu sering disebut juga basal area (g), dengan rumus sebagai berikut (Husch et al. 2003): g=

π

Keterangan: g = luas bidang dasar (m2) = phi (3.141592654) d = diameter (m) 3.3

Kerapatan berdasarkan luas bidang dasar per hektar (G) G =

∑

Keterangan: G = kerapatan berdasarkan lbds (m2/ha) g = lbds masing-masing individu (m2) L = luas plot (ha) 3.4

Volume masing-masing individu Volume masing-masing individu (y) dihitung menggunakan tabel volume PT. WMT-II (2012) dengan persamaan sebagai berikut: Dipterocarpaceae, y = 0.000178x2.377726 Non Dipterocarpaceae, y = 0.000137x2.457816

7 Keterangan: y = volume kayu (m3) x = diameter pohon (cm) 3.5

Kerapatan berdasarkan volume per hektar (V) V =

∑

Keterangan: Σyi = jumlah volume dalam plot (m3) LP = luas plot (ha) 4. 5.

Perhitungan nilai variabel N, G, dan V khusus untuk jenis merbau dari masing-masing plot dengan rumus yang sama. Perhitungan nilai proporsi merbau sama dengan nilai kerapatan relatif masing-masing variabel dengan rumus umum sebagai berikut: Proporsi =

6.



















x 100%

Perapihan hasil perhitungan proporsi merbau ke dalam tabel excel serta penambahan informasi koordinat XY untuk masing-masing plot.

Pembuatan Interval Kelas Klasifikasi Potensi Merbau Pada masing-masing metode interpolasi akan diklasifikasikan ulang menjadi 4 dan 6 kelas. Penentuan jumlah kelas ditentukan dengan cara purposive. Perbedaan jumlah kelas tersebut dipakai untuk mengetahui apakah semakin banyak jumlah kelas akan semakin akurat proses interpolasinya atau berkebalikan. Klasifikasi 4 kelas memberikan gambaran mengenai sebaran merbau dengan intensitas potensi merbau sangat rendah, rendah, sedang dan tinggi. Sedangkan pada klasifikasi 6 kelas memberikan gambaran mengenai potensi merbau dengan intensitas merbau sangat rendah sekali, sangat rendah, rendah, sedang, tinggi dan sangat tinggi. Pembuatan nilai interval masing-masing kelas dilakukan berdasarkan 100% data sekunder dengan metode natural break menggunakan software ArcGIS. Nilai interval kelas ini akan digunakan sebagai acuan interval kelas potensi merbau. Hasil interpolasi potensi merbau yang berjumlah 36 peta tersebut kemudian dikelaskan ke dalam 4 kelas dan 6 kelas dengan interval yang telah ditentukan tersebut, sehingga hasil dari proses interpolasi tersebut berupa 72 peta model sebaran merbau. Peta-peta tersebut akan diuji keakurasiannya untuk mendapatkan satu metode yang paling baik untuk masing-masing variabel potensi pohon dan tiang. Penyusunan Model Interpolasi Spasial Pembuatan peta sebaran potensi merbau menggunakan software ArcGIS versi 10. Basis data masukan berupa data shp titik yang berisi proporsi merbau untuk setiap variabel. Data shp yang dipakai sebagai model hanya 604 plot dari data total, sedangkan 610 plot lainnya dipakai sebagai data validasi dari model

8 yang telah dibuat. Pemisahan plot model dengan plot validasi pada awalnya masing-masing sebesar 50%, namun jumlah masing-masing plotnya berbeda karena penentuan plot saling silang. Proses pembuatan peta sebagian besar menggunakan pengaturan default dari ArcGIS, hanya ukuran selnya yang diubah yakni sebesar 125 m x 125 m. Model interpolasi yang digunakan pada penelitian ini terdiri dari 36 metode. Pada masing-masing metode akan diklasifikasikan ulang menjadi 4 dan 6 kelas. Rincian 36 metode tersebut sebagai berikut: 1. Parameter Tiang: 2. Parameter Pohon: 1.1. Proporsi N/ha (TN) 2.1. Proporsi N/ha (PN) 1.1.1. IDW 2.1.1. IDW 1.1.2. Kriging-circular 2.1.2. Kriging-circular 1.1.3. Kriging-exponential 2.1.3. Kriging-exponential 1.1.4. Kriging-gaussian 2.1.4. Kriging-gaussian 1.1.5. Kriging-linier 2.1.5. Kriging-linier 1.1.6. Kriging-spherical 2.1.6. Kriging-spherical 1.2. Proporsi Lbds/ha (TG) 2.2. Proporsi Lbds/ha (PG) 1.2.1. IDW 2.2.1. IDW 1.2.2. Kriging-circular 2.2.2. Kriging-circular 1.2.3. Kriging-exponential 2.2.3. Kriging-exponential 1.2.4. Kriging-gaussian 2.2.4. Kriging-gaussian 1.2.5. Kriging-linier 2.2.5. Kriging-linier 1.2.6. Kriging-spherical 2.2.6. Kriging-spherical 1.3. Proporsi V/ha (TV) 2.3. Proporsi V/ha (PV) 1.3.1. IDW 2.3.1. IDW 1.3.2. Kriging-circular 2.3.2. Kriging-circular 1.3.3. Kriging-exponential 2.3.3. Kriging-exponential 1.3.4. Kriging-gaussian 2.3.4. Kriging-gaussian 1.3.5. Kriging-linier 2.3.5. Kriging-linier 1.3.6. Kriging-spherical 2.3.6. Kriging-spherical Jumlah seluruh model interpolasi yang digunakan sebanyak 72 model. Selanjutnya, masing-masing variabel PN, PV, dan PG diinterpolasi menggunakan ke-72 model tersebut. Hasil interpolasi tersebut akan dibandingkan nilai tengahnya antara nilai aktual dengan prediksi. Analisis Nilai Tengah Aktual dengan Nilai Tengah Prediksi Nilai tengah aktual dihitung secara statistik menggunakan software microsoft excel dengan data input berupa data proporsi hasil pengolahan data sekunder. Nilai tengah prediksi dapat dilihat melalui software ArcGIS setelah proses interpolasi spasial dilakukan. Kedua nilai tersebut dibandingkan dan dilihat besarya gap pada masing-masing metode interpolasi. Metode yang menghasilkan nilai gap paling kecil dapat dikatakan sebagai metode yang paling mendekati kondisi aktual. Analisis ini dilakukan untuk menunjukkan bahwa metode interpolasi spasial merupakan metode dugaan yang nilainya tidak dapat 100% sama dengan kondisi aktual. Metode terbaik masih harus ditentukan dengan menggunakan pengujian akurasi menggunakan uji RMSPE untuk metode kriging serta uji akurasi menggunakan matriks kontingensi untuk metode kriging terbaik dan IDW.

9 Pemilihan Bentuk Model Prediksi dari Metode Kriging Menggunakan Pengujian Root Mean Square Prediction Error (RMSPE) Pengujian nilai RMSPE hanya dilakukan pada metode interpolasi kriging. Hal tersebut dikarenakan metode kriging mempunyai sub-metode yang lebih dari satu. Tujuan dilakukannya pengujian ini untuk mendapatkan satu metode kriging terbaik. Selain itu, dengan didapatkannya satu metode kriging terbaik akan mempermudah proses pengujian akurasi pada tahap selanjutnya. Nilai RMSPE adalah nilai yang dihitung dari nilai validasi silang dimana nilainya diperoleh melalui akar dari rata-rata jumlah kuadrat nisbah antara selisih nilai dugaan hasil interpolasi dengan nilai aktualnya pada titik plot validasi terhadap nilai aktual. Semakin kecil nilai RMSPE maka nilai dugaannya semakin mendekati akurat. Berikut rumus RMSPE yang digunakan:

Keterangan : Ti(m) = nilai dugaan ke i berdasarkan interpolasi Ti(a = nilai aktual hasil IHMB (Spurr 1952 dalam hayati 2012) n = jumlah plot validasi Setelah melakukan pengujian RMSPE ini didapatkan 24 hasil interpolasi terseleksi dengan model IDW dan kriging terpilih. Hasil tersebut yang akan diuji keakurasiannya untuk mendapatkan model terbaik pada masing-masing variabel. Uji Akurasi Pemetaan dengan Variabel PG, PN dan PV Akurasi sering dianalisis menggunakan suatu matriks kontingensi (Tabel 1), yaitu suatu matrik bujur sangkar yang memuat jumlah piksel yang diklasifikasi. Tabel 1 Contoh matrik kontingensi Data referensi

A B C D Jumlah User’s accuracy

Diklasifikasi ke kelas A X11 X21 X31 X41 X+1 X11/X+1

B X12 X22 X32 X42 X+2 X22/X+2

C X13 X23 X33 X43 X+3 X33/X+3

D X14 X24 X34 X44 X+4 X44/X+4

Jumlah

Producer’s accuracy

X1+ X2+ X3+ X4+ N

X11/X1+ X22/X2+ X33/X3+ X44/X4+

Menurut Jaya (2010), akurasi yang dihitung yaitu akurasi pembuat (producer’s accuracy), akurasi pengguna (user accuracy), akurasi keseluruhan (overall accuracy), dan akurasi kappa (kappa accuracy). Secara matematis rumus dari akurasi di atas dapat dinyatakan sebagai berikut:

10 Akurasi Pengguna =

x 100%

Akurasi Pembuat =

x 100%

Akurasi Keseluruhan = Akurasi Kappa =

∑

∑

∑ ∑

x 100% x100%

Keterangan: Xii = nilai diagonal dari matrik kontingensi baris ke-i dan kolom ke-i X+i = jumlah piksel dalam kolom ke-i X i+ = jumlah piksel dalam baris ke-i N = banyaknya piksel dalam contoh Analisis Hasil Pengujian Akurasi Berdasarkan hasil uji akurasi tersebut didapatkan nilai overall accuracy dan kappa accuracy. Nilai overall accuracy menunjukkan nilai akurasi secara keseluruhan, sedangkan nilai kappa accuracy menunjukkan nilai yang mempertimbangkan seluruh elemen yang diuji. Nilai kappa accuracy dinilai lebih reliable karena elemen yang digunakan lebih banyak dari pada nilai overall accuracy. Semakin tinggi nilai akurasi berarti semakin mendekati nilai sebenarnya. Model interpolasi terbaik ditunjukkan oleh nilai akurasi yang paling besar. Analisis Visual Hasil Interpolasi Analisis ini dilakukan untuk menambah keyakinan pemilihan metode terbaik. Hasil interpolasi antara metode IDW dengan kriging terpilih dibandingkan secara visual, kemudian dilihat metode mana yang paling relevan dengan kondisi aktual. Setelah melakukan analisis pengujian akurasi dan analisis visual hasil interpolasi, didapatkan 6 hasil interpolasi yang menggunakan metode interpolasi terbaik. Hasil tersebut yang akan digunakan untuk membuat peta model potensi merbau tingkat pohon dan tiang dengan variabel PN, PG, dan PV. Pembuatan Peta Model Potensi Merbau Peta model potensi merbau dibuat menggunakan metode interpolasi dan jumlah kelas terbaik. Hasil dari proses ini berupa 6 peta yang terdiri atas peta potensi merbau tingkat pohon dengan variabel PN, PG, dan PV, serta peta potensi merbau tingkat tiang dengan variabel PN, PG, dan PV. Analisis Visual Peta Model Potensi Merbau Keenam peta tersebut dianalisis secara visual untuk menentukan tahapan selanjutnya. Apabila dari hasil analisis didapatkan hasil bahwa dengan menggunakan ketiga variabel tersebut dihasilkan peta yang sama, maka tahapan selanjutnya adalah pembuatan peta sebaran potensi merbau menggunakan salah satu dari variabel tersebut dan penelitian selesai. Namun jika dari hasil analisis didapatkan hasil bahwa dengan menggunakan ketiga variabel tersebut dihasilkan

11 peta yang berbeda, maka pada tahapan selanjutnya perlu ada penggabugan ketiga variabel tersebut. Perbedaan peta yang dihasilkan menunjukkan bahwa masingmasing metode tersebut mempunyai peranan yang penting dalam pembuatan peta sebaran merbau. Penggabungan Data Variabel dan Pembuatan Kelas Klasifikasi Penggabungan data variabel menggunakan software ArcGIS dengan cara overlay. Setelah proses overlay berhasil, dilakukan pengklasifikasian ulang dengan melibatkan ketiga variabel tersebut. Proses klasifikasi dilakukan secara purposive dan variabel PV sebagai dasar klasifikasi. Proses klasifikasi ini dilakukan dengan cara manual menggunakan software microsoft excel 2007. Pembuatan Peta Interpolasi Spasial dengan Variabel Gabungan PG-PN-PV Proses pembuatan ini sama saja prosesnya dengan pembuatan peta interpolasi sebelumnya yang membedakan hanya proses klasifikasinya yang dikerjakan manual. Selain itu, data yang digunakan untuk interpolasi spasial langsung menggunakan 100% dari data sekunder, serta metode yang digunakan merupakan metode yang paling baik.

HASIL DAN PEMBAHASAN Hasil Interpolasi Spasial Potensi Merbau Nilai Tengah Hasil Interpolasi Spasial Peta sebaran merbau yang dihasilkan dari 36 metode interpolasi spasial sebanyak 72 peta. Peta-peta tersebut mempunyai komponen informasi yang berbeda satu sama lain. Metode interpolasi yang dipakai pun juga memiliki kelebihan dan kekurangan. Kelebihan dari proses interpolasi spasial adalah kemampuan pendugaan nilai untuk seluruh areal dari data yang diambil dengan sistem sampling. Hal tersebut menawarkan kemudahan bagi para surveyor karena tidak perlu melakukan pengambilan data dengan cara sensus. Kekurangan dari proses interpolasi ini, adanya gap antara nilai tengah aktual dengan pendugaan. Proses interpolasi spasial adalah proses pendugaan suatu variabel sehingga hasil yang didapatkan tidak akan 100% sesuai dengan kondisi aktual. Secara umum, pada pendugaan proporsi masing-masing variabel, nilai tengah yang dihasilkan pada setiap metode memberikan hasil yang kurang dari nilai aktualnya (underestimate). Nilai tengah aktual dihitung berdasarkan data plot model. Nilai tengah prediksi didapatkan dari informasi statistik setelah proses interpolasi dari data model dilakukan. Informasi proporsi masing-masing variabel dapat dilihat pada Gambar 3 sampai dengan 5.

Nilai tengah proporsi G (%)

12 9.60 9.40 9.20 9.00 8.80 8.60 8.40 8.20 8.00

9.40

8.50

IDW

8.59

K. Circular

8.59

8.60

K. Exponential K. Gaussian

8.60

8.59

K. Linear

K. Spherical

Metode interpolasi - - - - - Nilai tengah prediksi Nilai tengah aktual

Nilai tengah proporsi V (%)

Gambar 3 Nilai tengah proporsi (%) untuk parameter G

10.70

10.80 10.60 10.40 10.20 10.00 9.80

9.86

9.96

9.96

9.97

9.96

9.96

K. Linear

K. Spherical

9.60 9.40 IDW

K. Circular K Exponential K. Gaussian

Metode interpolasi

- - - - - Nilai tengah prediksi

Nilai tengah aktual

Nilai tengah proporsi N (%)

Gambar 4 Nilai tengah proporsi (%) untuk parameter V

3.80 3.60 3.40 3.20 3.00 2.80 2.60 2.40 2.20 2.00

3.67 3.08

3.08

3.10

3.08

3.08

K. Linear

K. Spherical

2.91

IDW

K. Circular K. Exponential K. Gaussian

Metode interpolasi - - - - - Nilai tengah prediksi Nilai tengah aktual

Gambar 5 Nilai tengah proporsi (%) untuk parameter N

13 Nilai tengah yang dihasilkan metode IDW cenderung lebih underestimate jika dibandingkan dengan metode kriging. Hasil interpolasi spasial dari metode IDW dipengaruhi oleh nilai power yang digunakan. Analisis nilai tengah hanya digunakan untuk menunjukkan adanya gap antara kondisi aktual dengan hasil interpolasi. Oleh karena itu, untuk mendapatkan metode terbaik harus melalui proses selanjutnya yaitu pengujian nilai RMSPE untuk metode kriging serta pengklasifikasian potensi merbau untuk mempermudah proses pengujian akurasi. Proses Klasifikasi Potensi Merbau Proses klasifikasi ini dilakukan supaya pengguna peta lebih mudah dalam memahami peta potensi merbau yang telah dibuat. Jumlah kelas yang dibuat mencerminkan kondisi dugaan potensi merbau. Kelas potensi merbau ditentukan sebanyak 6 kelas dan 4 kelas untuk masing-masing metode interpolasi. Selang kelas telah dihitung terlebih dahulu menggunakan 100% data sekunder. Nilai dari masing-masing kelas dapat dilihat pada Tabel 2 dan 3. Penggunaan 2 tipe jumlah kelas menjadi salah satu parameter pada pengujian akurasi. Interval kelas tersebut kemudian digunakan sebagai dasar pembuatan kelas klasifikasi potensi merbau dengan metode-metode interpolasi yang telah digunakan. Setelah hasil interpolasi dari model-model tersebut diklasifikasikan, proses selanjutnya adalah pengujian validasi. Pengujian validasi dilakukan untuk mendapatkan metode terbaik melalui peta potensi merbau yang telah dibangun dari data model. Tabel 2 Interval 6 kelas klasifikasi potensi merbau untuk parameter pohon dan tiang Potensi merbau Variabel

Sangat rendah sekali Sangat rendah Rendah Sedang Tinggi Sangat tinggi Sangat rendah sekali Sangat rendah Rendah Sedang Tinggi Sangat tinggi

PG (%) PN (%) PV (%) Interval kelas untuk parameter pohon 0.00-6.23 0.00-2.34 0.00-7.40 6.23-12.47 2.34-5.85 7.40-15.20 12.47-19.48 5.85-11.30 15.20-23.38 19.48-30.39 11.30-20.26 23.38-34.68 30.39-44.81 20.26-43.25 34.68-49.49 44.81-99.37 43.25-99.37 49.49-98.98 Interval kelas untuk parameter tiang 0.00-0.44 0.00-0.78 0.00-0.47 0.44-2.51 0.78-2.54 0.47-2.52 2.51-6.36 2.54-5.38 2.52-6.62 6.36-11.83 5.38-9.97 6.62-12.45 11.83-19.38 9.97-16.13 12.45-20.64 19.38-37.72 16.13-24.92 20.64-40.18

14 Tabel 3 Interval 4 kelas klasifikasi potensi merbau untuk parameter pohon dan tiang Potensi merbau Variabel

Sangat rendah Rendah Sedang Tinggi Sangat rendah Rendah Sedang Tinggi

PG (%) PN (%) PV (%) Interval kelas untuk parameter pohon 0.00-6.62 0.00-2.73 0.00-7.79 6.62-14.03 2.73-7.79 7.79-16.76 14.03-28.06 7.79-18.31 16.76-31.95 28.06-99.37 18.31-99.37 31.95-98.98 Interval kelas untuk parameter tiang 0.00-0.89 0.00-0.98 0.00-1.10 0.89-5.03 0.98-4.79 1.10-5.51 5.03-13.76 4.79-12.22 5.51-14.81 13.76-37.72 12.22-24.92 14.81-40.18

Pengujian RMSPE pada metode Kriging Pengujian nilai RMSPE hanya dilakukan pada metode interpolasi kriging. Hal tersebut dikarenakan metode kriging mempunyai sub-metode yang lebih dari satu. Hasil perhitungan RMSPE dapat dilihat pada Tabel 4. Tabel 4 Hasil perhitungan RMSPE pada metode kriging. Variabel Metode kriging PG PV PN TG TV TN Circular 1.0315 1.0735 0.7652 0.8496 0.8480 0.8528 Exponential *1.0253 *1.0697 *0.7634 *0.8488 *0.8470 0.8528 Gaussian 1.0456 1.0870 0.7799 0.8520 0.8513 0.8528 Linear 1.0327 1.0743 0.7641 0.8499 0.8482 0.8528 Spherical 1.0306 1.0727 0.7640 0.8490 0.8482 *0.8519 Keterangan *: metode kriging terpilih

Berdasarkan hasil tersebut telah terpilih metode kriging terbaik untuk masing-masing variabel. Metode kriging-exponential merupakan metode terbaik untuk variabel PG, PV, PN, TG dan TV. Sedangkan untuk variabel TN, metode kriging-spherical merupakan metode yang terbaik. Peta terbaik dari masingmasing variabel dapat dilihat pada Lampiran 3 sampai dengan 14. Penentuan metode terbaik tersebut berdasarkan nilai RMSPE yang paling kecil. Hasil tersebut yang akan digunakan pada tahapan selanjutnya yaitu pengujian akurasi. Analisis Validasi Variabel PG, PN, dan PV Pada penelitian ini, analisis validasi variabel tunggal menggunakan matriks kontingensi hanya dilihat dari nilai overall accuracy (OA) tanpa melihat nilai kappa accuracy (KA). Nilai kappa accuracy tidak diperhitungkan karena data input yang digunakan merupakan data yang diambil dengan cara systematic

15 sampling with random start tanpa adanya proses stratifikasi. Proses pengujian validasi juga menggunakan sistem cross validation yang menjadikan jarak antar titik plot semakin jauh sehingga nilai akurasi kappa yang didapatkan sangat kecil, seperti terlihat pada Tabel 5 dan 6. Proses interpolasi ini juga bersifat estimasi, sehingga keterlibatan komponen perbandingan yang dipakai cenderung dilihat secara umum. Tabel 5 Hasil uji validasi metode interpolasi untuk parameter pohon Variabel Metode 4 Kelas potensi 6 Kelas potensi OA (%) KA (%) OA (%) KA (%) PN IDW 41.80 2.85 37.87 4.55 Kriging-exponential 37.54 0.49 31.48 -0.76 PV IDW 40.66 5.74 37.87 4.71 Kriging-exponential 36.39 6.01 33.93 5.54 PG IDW 39.51 5.04 35.25 3.75 Kriging-exponential 35.41 4.66 33.61 6.36 Tabel 6 Hasil uji validasi metode interpolasi untuk parameter tiang Variabel Metode 4 Kelas potensi 6 Kelas potensi OA (%) KA (%) OA (%) KA (%) TN IDW 73.61 1.10 70.49 0.71 Kriging-spherical 60.66 1.04 60.66 1.04 TV IDW 74.59 1.07 65.08 0.95 Kriging-exponential 66.39 1.14 60.82 1.34 TG IDW 72.46 1.38 62.95 0.39 Kriging-exponential 62.30 1.56 60.66 1.04 Berdasarkan hasil tersebut, metode IDW dengan 4 kelas klasifikasi merupakan metode yang paling baik digunakan dalam interpolasi proporsi merbau tingkat pohon. Nilai overall accuracy metode IDW untuk variabel PN, PV, dan PG dengan 4 kelas klasifikasi berturut-turut sebesar 41.80%, 40.66%, serta 39.51%. Nilai overall accuracy metode IDW untuk variabel PN, PV dan PG dengan 6 kelas klasifikasi berturut-turut sebesar 37.87%, 37.87%, serta 35.25%. Nilai-nilai tersebut lebih tinggi dibandingkan dengan metode kriging yang memiliki nilai overall accuracy lebih rendah dan berbeda tipis satu sama lain. Berdasarkan hasil tersebut, metode dengan kelas klasifikasi sebanyak 4 kelas cenderung menghasilkan nilai akurasi yang lebih besar dibandingkan dengan 6 kelas interpolasi. Metode IDW dengan 4 kelas klasifikasi juga menjadi metode paling baik dalam interpolasi proporsi merbau tingkat tiang. Terlihat pada Tabel 5, nilai overall accuracy metode IDW untuk variabel PN, PV, dan PG dengan 4 kelas klasifikasi berturut-turut sebesar 73.61%, 74.59%, serta 72.46%. Nilai overall accuracy metode IDW untuk variabel PN, PV dan PG dengan 6 kelas klasifikasi berturut-turut sebesar 70.49%, 65.08%, serta 62.95%. Hasil uji validasi untuk metode kriging pada parameter tiang juga menunjukkan nilai overall accuracy

16 yang lebih rendah dari pada metode IDW. Metode interpolasi IDW dengan 4 kelas klasifikasi merupakan metode yang paling baik untuk tingkat pohon dan juga tiang merbau. Tabel perhitungan nilai validasi OA dan KA dapat dilihat pada Lampiran 1 dan 2. Hasil tersebut menunjukkan hasil yang sama dengan penelitian Fauziah (2012) dimana secara umum pada interpolasi volume dan biomassa tegakan yang menggunakan metode IDW memberikan ketelitian sedikit lebih baik dibandingkan dengan metode Kriging. Analisis Visual antara IDW dengan Kriging Berdasarkan pengujian validasi di atas telah terpilih metode IDW yang memiliki tingkat akurasi paling tinggi. Sebagai dasar penguat hasil pengujian dilakukan analisis visual yang membandingkan hasil interpolasi antara metode IDW dengan metode kriging. Jika dilihat dari peta yang dihasilkan, metode IDW terlihat lebih mendekati kondisi aktual jika dibadingkan dengan metode kriging. Perbedaan tersebut dapat dilihat dari Gambar 6 dan 7 yang menggambarkan perbedaan hasil antara IDW dengan kriging pada tingkat pohon dan tiang.

(a)

(b) Gambar 6 Hasil interpolasi dengan metode: (a) IDW dan (b) krigingexponential pada tingkat pohon untuk variabel PG

17

(a)

(b) Gambar 7 Hasil interpolasi dengan metode: (a) IDW dan (b) krigingexponential pada tingkat tiang untuk variabel PG Gambar 6 dan 7 merupakan hasil interpolasi dengan 4 kelas klasifikasi pada tingkat pohon dan tiang. Titik-titik yang tergambar pada hasil tersebut merupakan titik plot IHMB yang memiliki nilai PG 0% yang menandakan tidak adanya merbau pada plot tersebut. Pada Gambar 6(a) terlihat bahwa hasil klasifikasi menunjukkan relevansi kelas dengan data plot yang tidak ada informasi proporsi merbau. Sedangkan pada Gambar 6(b) terlihat bahwa klasifikasi yang dihasilkan kurang relevan dengan data plot yang tidak memiliki informasi proporsi merbau. Begitu juga dengan Gambar 7 juga menunjukkan hal yang sama. Berdasarkan analisis visual tersebut dapat dilihat bahwa penggunaan metode IDW lebih mencerminkan kondisi aktual dari data yang ada jika dibandingkan dengan metode kriging. Analisis Visual Hasil Peta Terpilih Variabel PG, PN dan PV Berdasarkan analisis hasil uji akurasi dan analisis visual, metode interpolasi IDW dengan 4 kelas klasifikasi potensi merbau merupakan metode yang paling baik. Metode ini kemudian digunakan untuk membuat peta model sebaran potensi merbau untuk tingkat tiang dan pohon. Gambar 8 dan 9 berikut ini merupakan hasil dari interpolasi potensi merbau untuk masing-masig variabel. Gambar 8 menunjukkan potensi merbau pada tingkat pohon, sedangkan Gambar 9 menunjukkan potensi merbau pada tingkat tiang. Peta tersebut dianalisis kembali secara visual untuk melihat kesamaan penyebaran potensinya.

18

(a)

(b)

(c) Gambar 8 Peta model sebaran potensi merbau berdasarkan: (a) PG, (b) PN, dan (c) PV untuk tingkat pohon

19

(a)

(b)

(c) Gambar 9 Peta model sebaran potensi merbau berdasarkan: (a) PG, (b) PN, dan (c) PV untuk tingkat tiang

20 Pengamatan visual berdasarkan Gambar 8 menunjukkan bahwa masingmasing variabel PG, PN, dan PV menghasilkan peta yang berbeda satu sama lain. Hasil pengamatan pada gambar 9 juga menghasilkan peta yang berbeda satu sama lain. Perbedaan tersebut menunjukkan bahwa masing-masing variabel ternyata memiliki peranan yang penting dalam pembuatan peta sebaran potensi merbau, dan tidak dapat langsung dipilih karena hasilnya yang berbeda. Sesuai dengan metode yang telah dicantumkan, langkah selanjutnya adalah melakukan penggabungan variabel PG, PN, dan PV dalam pembuatan peta sebaran potensi merbau. Penggabungan Kelas Potensi PG, PN dan PV Data variabel PG, PN, dan PV yang telah digabungkan kemudian digunakan sebagai data awal penyusunan peta interpolasi spasial gabungan variabel PG, PN, dan PV. Peta hasil penggabungan tersebut dapat dilihat pada Gambar 8 dan 9. Peta-peta tersebut menggunakan kelas klasifikasi yang telah mempertimbangkan ketiga variabel penyusunnya. Proses klasifikasi dilakukan secara purposive dengan pertimbangan prioritas pada variabel PV. Hasil klasifikasi tersebut dapat dilihat pada Tabel 7. Tabel 7 Hasil klasifikasi dengan pertimbangan 3 variabel PG, PN dan PV Kelas PG 1 Kelas PN 1 2 3 4 1 1 1 2 2 2 2 Kelas 2 2 2 2 2 2 PV 3 3 3 3 3 3 4 4 4 4 4 4 Keterangan: 1 = Sangat rendah 2 = Rendah

2 2 2 2 3 4

3 3 2 2 3 4

4 2 2 3 4

1 2 2 3 4

2 2 2 3 4

4 3 3 3 3 4

4 3 3 3 4

1 3 3 3 4

2 3 3 4 4

3 3 3 4 4

4 3 3 4 4

3 = Sedang 4 = Tinggi

Potensi Merbau di areal IUPHHK-HA PT. WMT-II Papua Potensi Merbau Tingkat Pohon Potensi merbau pada tingkat pohon dapat dilihat pada Gambar 10. Secara visual dapat dilihat bahwa potensi merbau yang ada di areal IUPHHK-HA PT. WMT-II Papua sangat kecil pada areal hutan sekunder dan masih cukup banyak di areal hutan primer. Secara keseluruhan, potensi merbau untuk tingkat pohon berada pada kelas sangat rendah pada ketiga variabel yang digunakan. Kelas potensi tidak ada merbau yang sebagian besar tercermin pada areal bekas tebangan menjadi indikasi bahwa jenis merbau dimanfaatkan secara besar-besaran. Melalui peta potensi merbau ini menunjukkan hasil yang mendukung penelitian Lestari (2011), bahwa pola sebaran spasial kedua jenis merbau sangat bergantung pada kondisi fisik lingkungannya. Pada lokasi yang memiliki ketinggian tempat lebih rendah, kedua jenis merbau cenderung membentuk pola sebaran seragam, sedangkan pada tempat yang lebih tinggi akan mengelompok.

21

Gambar 10 Peta potensi merbau tingkat pohon Potensi Merbau Tingkat Tiang Potensi merbau pada tingkat tiang dapat dilihat pada Gambar 11. Secara visual dapat dilihat bahwa potensi merbau tingkat tiang yang ada di areal IUPHHK-HA PT. WMT-II Papua menyebar di areal hutan sekunder. Potensi merbau untuk tingkat tiang didominasi oleh kelas potensi merbau sangat rendah. Kelas potensi sangat rendah yang sebagian besar tercermin pada areal hutan primer menjadi indikasi bahwa permudaan alami tingkat tiang pada hutan primer sangat kecil. Pada hutan sekunder mulai ditemukan permudaan tingkat tiang untuk jenis merbau.

Gambar 11 Peta potensi merbau tingkat tiang

22

SIMPULAN DAN SARAN Simpulan Berdasarkan pembahasan di atas, pembuatan peta potensi merbau untuk tingkat pohon dan tiang dapat menggunakan metode interpolasi spasial Inverse Distance Weight dengan 4 kelas potensi yaitu tidak ada merbau, rendah, sedang, dan tinggi. Penggunaan gabungan variabel PG-PN-PV dengan metode IDW merupakan metode yang terbaik dalam pembuatan peta potensi merbau baik tingkat tiang maupun pohon. Peta potensi merbau terdiri atas 2 jenis peta yang menggambarkan potensi merbau tingkat tiang dan potensi merbau tingkat pohon pada seluruh areal IUPHHK-HA PT. WMT-II. Secara umum potensi merbau tingkat pohon di areal IUPHHK PT. WMT-II lebih tinggi di hutan primer jika dibandingkan dengan potensi merbau tingkat pohon di hutan sekunder. Potensi merbau pada tingkat tiang menunjukkan bahwa proses regenerasi alami dari jenis merbau sangat rendah sehingga rawan kepunahan.

Saran Perlu dibuat kebijakan baru tentang pemanfaatan merbau baik dari pihak pemerintah maupun perusahaan supaya kelestarian jenis ini tetap terjaga. Melihat dari nilai akurasi yang masih jauh dari harapan, maka perlu dilakukan penelitian lanjutan. Selain itu, perlu juga dilakukan pengawasan yang ketat pada saat pelaksanaan risalah IHMB supaya data yang dihasilkan benar-benar menggambarkan potensi sumberdaya hutan yang tersedia.

DAFTAR PUSTAKA [CI] Conservation International (ID). 2012. Ekologi Papua. Kartikasari SN, Marshal AJ, Beehler BM, editor. Jakarta (ID): Yayasan Pustaka Obor Indonesia [IUCN] The International Union for Conservation of Nature. 2013. The IUCN Red List of Threatened Species [Internet]. [diunduh 2013 Februari 8]. Tersedia pada: http://www.iucnredlist.org/details/full/32310/0. Hayati FD. 2012. Pengujian teknik interpolasi sediaan tegakan dan biomassa berbasis IHMB pada hutan lahan kering PT Trisetia Intiga, Kabupaten Lamandau, Kalimantan Tengah [skripsi]. Bogor (ID): Institut Pertanian Bogor. Husch B, Thomas WB, John AK. 2003. Forest Mensuration Fourth Edition. Hoboken (US): John Wiley & Sons Inc. hlm 94-95. Jaya INS. 2002. Aplikasi Sistem Informasi Geografis untuk Kehutanan. Bogor (ID): Laboratorium Inventarisasi Hutan, Fakultas Kehutanan IPB. Jaya INS. 2010. Analisis Citra Digital: Perspektif Penginderaan Jauh untuk Pengelolaan Sumberdaya Alam. Bogor (ID): Fakultas Kehutanan IPB.

23 [Kemenhut] Kementerian Kehutanan (ID). 2002. Keputusan Menteri Kehutanan Nomor 8171/Kpts-II/2002 tentang Kriteria Potensi Hutan Alam pada Hutan Produksi yang Dapat Diberikan Izin Usaha Pemanfaatan Hasil Hutan Kayu (IUPHHK) pada Hutan Alam. Jakarta: Kemenhut. [Kemenhut] Kementerian Kehutanan (ID). 2008. Statistik Kehutanan Provinsi Papua [Internet]. [diunduh 2013 Februari 8]: Jayapura (ID).Tersedia pada: http://www.dephut.go.id/uploads/files/Statistik_Papua_2008.pdf Lestari DP. 2011. Pola sebaran spasial jenis merbau (Intsia spp.) pada hutan primer dan hutan bekas tebangan di areal IUPHHK-HA PT Mamberamo Alasmandiri, Provinsi Papua [skripsi]. Bogor (ID): Institut Pertanian Bogor. Prahasta E. 2002. Sistem Informasi Geografis Tutorial ArcView. Bandung (ID): Informatika Bandung. Prahasta E. 2009. Sistem Informasi Geografis Konsep-konsep Dasar. Bandung (ID): Informatika Bandung. Thaman RR, Thomson LAJ, DeMeo R, Areki F, Elevitch CR. 2006. Intsia bijuga (vesi). [Internet]. [diunduh 2013 Februari 8]. Tersedia pada: http://www.traditionaltree.org. Tong PS, Chen HK, Hewitt J, Afre A. 2009. Review of trade in merbau from major range state. [Internet]. [diunduh 2013 Februari 8]. Tersedia pada: http://www.traffic.org. [PT WMT-II] PT Wapoga Mutiara Timber Unit II. 2012. Laporan Akhir IHMB. Buku IV Alat Bantu IHMB. Sarmi (ID): PT WMT-II.

24 Lampiran 1 Hasil uji akurasi metode dengan 4 kelas klasifikasi 1.1

Parameter pohon, variabel proporsi G, metode IDW Data 1 2 3 4 Row total 1 198 111 65 2 376 2 40 19 13 0 72 3 40 37 20 0 97 4 12 26 23 4 65 Column Total 290 193 121 6 610 User's acc 68.28 9.84 16.53 66.67 Xii 241 Xi + Xi 135063 Overall acc 39.51 Kappa acc 5.04

Producer's acc 52.66 26.39 20.63 6.15

1.2

Parameter pohon, variabel proporsi G, metode kriging-exponential Data 1 2 3 4 row total producer's acc 1 171 146 59 0 376 45.48 2 30 26 16 0 72 36.11 3 31 47 19 0 97 19.59 4 8 26 31 0 65 0 Column Total 240 245 125 0 610 user's acc 15.2 71.25 10.61 Xii 216 Xi + Xi 120005 Overall acc 35.41 Kappa acc 4.66

1.3

Parameter pohon, variabel proporsi N, metode IDW V /P 1 2 3 4

1 2 3 4 Column Total user's acc Xii Xi + Xi Overall acc

204 62 20 8 294 69.39 255 149186 41.80

166 45 35 19 265 16.98

25 6 6 14 51 11.76

0 0 0 0 0

row producer's total acc 395 51.64 113 39.82 61 9.84 41 0 610

25 1.4 V

Parameter pohon, variabel proporsi N, metode kriging-exponential /P 1 2 3 4 row total producer's acc 1 171 204 20 0 395 43.29 2 57 52 4 0 113 46.02 3 22 33 6 0 61 9.84 4 5 22 14 0 41 0 Column Total 255 311 44 0 610 user's acc 67.06 16.72 13.64 Xii 229 Xi + Xi 138552 37.54 Overall acc 0.49 Kappa acc

1.5 V

Parameter pohon, variabel proporsi V, metode IDW, 4 kelas /P 1 2 3 4 row producer's total acc 1 216 117 57 5 395 54.6835443 2 30 11 13 0 54 20.37037037 3 35 39 17 0 91 18.68131868 4 14 27 25 4 70 5.714285714 Column Total 295 194 112 9 610 user's acc 73.22034 5.6701 15.1786 44.444 Xii 248 Xi + Xi 137823 Overall acc 40.65574 Kappa acc 5.744055

1.6 V

Parameter pohon, variabel proporsi V, metode kriging-exponential, 4 kelas /P 1 2 3 4 row producer's total acc 1 184 156 55 0 395 46.58227848 2 24 19 11 0 54 35.18518519 3 26 46 19 0 91 20.87912088 4 10 33 27 0 70 0 Column Total 244 254 112 0 610 user's acc 75.40984 7.480315 16.96429 Xii 222 Xi + Xi 120288 Overall acc 36.39344 Kappa acc 6.009245

26 1.7 Parameter tiang, variabel proporsi G, metode IDW, 4 kelas V /P 1 2 3 4 row producer's total acc 1 441 119 32 1 593 74.36762226 2 0 0 0 0 0 1 1 0 4 25 3 2 4 9 3 1 0 13 0 Column Total 452 123 34 1 610 user's acc 97.56637 0 2.94118 0 Xii 442 Xi + Xi 268185 Overall acc 72.45902 Kappa acc 1.380936

1.8 V

Parameter tiang, variabel proporsi G, metode kriging-exponential, 4 kelas /P 1 2 3 4 row producer's total acc 1 378 196 19 0 593 63.74367622 2 0 0 0 0 0 3 2 0 2 0 4 50 4 7 6 0 0 13 0 Column Total 387 202 21 0 610 0 9.52381 user's acc 97.67442 Xii 380 Xi + Xi 229575 Overall acc 62.29508 Kappa acc 1.56113

1.9 V

Parameter tiang, variabel proporsi N, metode IDW, 4 kelas /P 1 2 3 4 row producer's total acc 1 449 96 47 1 593 75.71669477 2 0 0 0 0 0 3 0 0 0 0 0 4 11 5 1 0 17 0 Column Total 460 101 48 1 610 user's acc 97.6087 0 0 0 Xii 449 Xi + Xi 272797 Overall acc 73.60656 Kappa acc 1.100672

27 1.10 V

Parameter tiang, variabel proporsi N, metode kriging-spherical, 4 kelas /P 1 2 3 4 row producer's total acc 1 370 206 17 0 593 62.39460371 2 0 0 0 0 0 0 0 0 0 3 0 4 8 8 1 0 17 0 Column Total 378 214 18 0 610 user's acc 97.8836 0 0 Xii 370 Xi + Xi 224154 Overall acc 60.65574 Kappa acc 1.044976

1.11 V

Parameter tiang, variabel proporsi V, metode IDW, 4 kelas /P 1 2 3 4 row producer's total acc 1 454 110 29 0 593 76.55986509 2 0 0 0 0 0 3 4 1 1 0 6 16.66666667 4 8 2 1 0 11 0 Column Total 466 113 31 0 610 0 3.22581 user's acc 97.42489 Xii 455 Xi + Xi 276524 Overall acc 74.59016 Kappa acc 1.073491

1.12 V

Parameter tiang, variabel proporsi V, metode kriging-exponential, 4 kelas /P 1 2 3 4 row producer's total acc 1 404 173 16 0 593 68.12816189 2 0 0 0 0 0 3 3 2 1 0 6 16.66666667 4 7 4 0 0 11 0 Column Total 414 179 17 0 610 user's acc 97.58454 0 5.882353 Xii 405 Xi + Xi 245604 Overall acc 66.39344 Kappa acc 1.143119

28 Lampiran 2 Hasil uji akurasi metode dengan 6 kelas klasifikasi 2 Parameter 2.1 Parameter pohon, variabel proporsi G, metode IDW, 6 kelas producer's V /P 1 2 3 4 5 6 row total acc 1 179 109 59 18 2 0 367 48.77384196 2 39 15 7 6 0 0 67 22.3880597 3 29 22 17 3 0 0 71 23.94366197 4 15 16 10 4 0 0 45 8.888888889 5 5 9 5 3 0 0 22 0 6 5 10 11 10 2 0 38 0 Column Total 272 181 109 44 4 0 610 user's acc 65.80882 8.28729 15.5963 9.0909 0 Xii Xi + Xi Overall acc Kappa acc

215 121758 35.2459 3.751668

2.2 V

Parameter pohon, variabel proporsi G, metode kriging-exponential, 6 kelas producer's /P 1 2 3 4 5 6 row total acc 1 155 136 65 11 0 0 367 42.23433243 2 30 26 7 4 0 0 67 38.80597015 3 20 27 23 1 0 0 71 32.3943662 4 12 21 11 1 0 0 45 2.222222222 5 3 10 6 3 0 0 22 0 6 5 8 17 8 0 0 38 0 Column 228 129 28 0 0 610 Total 225 user's acc 68.88889 11.4035 17.8295 3.5714

Xii Xi + Xi Overall acc Kappa acc

205 108270 33.60656 6.360156

29 2.3 V

Parameter pohon, variabel proporsi N, metode IDW, 6 kelas /P 1 2 3 4 5 6 row total 1 172 135 54 6 2 0 369 2 58 49 13 1 0 0 121 3 17 14 7 1 0 0 39 4 11 26 10 2 0 0 49 5 5 9 10 4 1 0 29 6 0 1 2 0 0 0 3 Column Total 263 234 96 14 3 0 610 user's acc 65.39924 20.94 7.291 14.28 33.33

Xii Xi + Xi Overall acc Kappa acc

producer's acc 46.61246612 40.49586777 17.94871795 4.081632653 3.448275862 0

231 129878 37.86885 4.5545

2.4 V

Parameter pohon, variabel proporsi N, metode kriging-exponential, 6 kelas producer's /P 1 2 3 4 5 6 row total acc 1 130 196 39 4 0 0 369 35.2303523 2 52 55 13 1 0 0 121 45.45454545 3 13 22 4 0 0 0 39 10.25641026 4 12 23 11 3 0 0 49 6.12244898 5 5 9 12 3 0 0 29 0 6 0 2 1 0 0 0 3 0 Column 307 80 11 0 0 610 Total 212 user's acc 61.32075 17.9153 5 27.273

Xii Xi + Xi Overall acc Kappa acc

192 119034 31.47541 -0.75632

30 2.5 V

Parameter pohon, variabel proporsi V, metode IDW, 6 kelas /P 1 2 3 4 5 6 row producer's total acc 1 207 109 57 19 0 0 392 52.80612245 2 29 9 7 5 0 0 50 18 3 25 20 13 4 0 0 62 20.96774194 4 13 17 9 2 0 0 41 4.87804878 5 7 10 7 4 0 0 28 0 6 6 11 11 7 2 0 37 0 Column Total 287 176 104 41 2 0 610 user's acc 72.12544 5.11364 12.5 4.878 0

Xii Xi + Xi Overall acc Kappa acc

231 129489 37.86885 4.707536

2.6 V

Parameter pohon, variabel proporsi V, metode kriging-exponential, 6 kelas /P 1 2 3 4 5 6 row producer's total acc 1 175 150 61 6 0 0 392 44.64285714 2 24 13 11 2 0 0 50 26 3 15 28 18 1 0 0 62 29.03225806 4 10 21 9 1 0 0 41 2.43902439 5 5 11 10 2 0 0 28 0 6 5 9 16 7 0 0 37 0 Column 232 125 19 0 0 610 Total 234 user's acc 74.78632 5.60345 14.4 5.2632

Xii Xi + Xi Overall acc Kappa acc

207 111857 33.93443 5.538285

31 2.7 V

Parameter tiang, variabel proporsi G, metode IDW, 6 kelas /P 1 2 3 4 5 6 row producer's total acc 1 384 126 57 25 1 0 593 64.75548061 2 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 4 1 1 0 0 0 0 2 0 5 5 1 0 1 0 0 7 0 6 4 3 1 0 0 0 8 0 Column Total 394 131 58 26 1 0 610 user's acc 97.46193 0 0 0 0

Xii Xi + Xi Overall acc Kappa acc

384 233701 62.95082 0.389454

2.8 V

Parameter tiang, variabel proporsi G, metode kriging-exponential, 6 kelas /P 1 2 3 4 5 6 row producer's total acc 1 370 138 82 3 0 0 593 62.39460371 2 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 4 1 0 1 0 0 0 2 0 5 3 2 2 0 0 0 7 0 6 4 4 0 0 0 0 8 0 Column 144 85 3 0 0 610 Total 378 user's acc 97.8836 0 0 0

Xii Xi + Xi Overall acc Kappa acc

370 224160 60.65574 1.040963

32 2.9 V

Parameter tiang, variabel proporsi N, metode IDW, 6 kelas /P 1 2 3 4 5 6 row producer's acc total 1 430 75 44 41 3 0 593 72.51264755 2 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 4 0 0 0 0 0 0 0 0 0 0 0 0 1 0 5 1 6 10 3 2 1 0 0 16 0 Column Total 441 78 46 42 3 0 610 user's acc 97.50567 0 0 0 0

Xii Xi + Xi Overall acc Kappa acc

430 261516 70.4918 0.708963

2.10 V

Parameter tiang, variabel proporsi N, metode kriging-spherical, 6 kelas /P 1 2 3 4 5 6 row producer's total acc 1 370 149 58 16 0 0 593 62.39460371 2 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 5 1 0 0 0 0 0 1 0 6 7 6 3 0 0 0 16 0 Column 155 61 16 0 0 610 Total 378 user's acc 97.8836 0 0 0

Xii Xi + Xi Overall acc Kappa acc

370 224154 60.65574 1.044976

33 2.11 V

Parameter tiang, variabel proporsi V, metode IDW, 6 kelas /P 1 2 3 4 5 6 row producer's acc total 1 396 121 51 24 1 0 593 66.77908938 2 0 0 0 0 0 0 0 3 1 1 0 0 0 0 2 0 4 1 0 0 1 0 0 2 50 5 5 1 0 0 0 0 6 0 6 3 3 1 0 0 0 7 0 Column Total 406 126 52 25 1 0 610 user's acc 97.53695 0 0 4 0

Xii Xi + Xi Overall acc Kappa acc

397 240918 65.08197 0.954399

2.12 V

Parameter tiang, variabel proporsi V, metode kriging-exponential, 6 kelas /P 1 2 3 4 5 6 row producer's total acc 1 370 138 82 3 0 0 593 62.39460371 2 0 0 0 0 0 0 0 3 1 0 1 0 0 0 2 50 4 1 0 1 0 0 0 2 0 5 3 2 1 0 0 0 6 0 6 3 4 0 0 0 0 7 0 Column 144 85 3 0 0 610 Total 378 user's acc 97.8836 0 1.17647 0

Xii Xi + Xi Overall acc Kappa acc

371 224330 60.81967 1.33992

34 Lampiran 3 Hasil interpolasi metode Pohon-G-4

IDW

Kriging-exponential

Lampiran 4 Hasil interpolasi metode Pohon-N-4

IDW

Kriging-exponential

Lampiran 5 Hasil interpolasi metode Pohon-V-4

IDW

Kriging-exponential

Lampiran 6 Hasil interpolasi metode Pohon-G-6

IDW

Kriging-exponential

35 Lampiran 7 Hasil interpolasi metode Pohon-N-6

IDW

Kriging-exponential

Lampiran 8 Hasil interpolasi metode Pohon-V-6

IDW

Kriging-exponential

Lampiran 9 Hasil interpolasi metode Tiang-G-4

IDW

Kriging-exponential

Lampiran 10 Hasil interpolasi metode Tiang-N-4

IDW

Kriging-spherical

36 Lampiran 11 Hasil interpolasi metode Tiang-V-4

IDW

Kriging-exponential

Lampiran 12 Hasil interpolasi metode Tiang-G-6

IDW

Kriging-exponential

Lampiran 13 Hasil interpolasi metode Tiang-N-6

IDW

Kriging-spherical

Lampiran 14 Hasil interpolasi metode Tiang-V-6

IDW

Kriging-exponential

37

RIWAYAT HIDUP Penulis dilahirkan di Kabupaten Magetan, Provinsi Jawa Timur pada tanggal 7 September 1991 sebagai anak tunggal pasangan Supriyadi dan Sri Indarti (Almh.). Penulis juga mempunyai 4 saudara dari Ibu Hertri Astuti. Riwayat pendidikan penulis adalah sebagai berikut: TK Usaha Tama (1996-1997), SD Negeri Kepolorejo 2 (19972001), SD Negeri Magetan 1 (2001-2003), SMP Negeri 1 Magetan (2003-2006) dan SMA Negeri 1 Magetan (2006-2009). Pada tahun 2009, penulis melanjutkan studi S-1 di Departemen Manajemen Hutan, Fakultas Kehutanan IPB melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama masa perkuliahan, penulis aktif mengikuti beberapa organisasi internal dan eksternal kampus. Organisasi kemahasiswaan internal kampus yang diikuti penulis yaitu: Dewan Perwakilan Mahasiswa Fakultas Kehutanan (DPM-E IPB) dewan Vavilov 2010/2011 sebagai sekretaris umum, Badan Eksekutif Mahasiswa Fakultas Kehutanan (BEM-E IPB) kabinet Optimis tahun 2011/2012 sebagai sekretaris umum, dan anggota kelompok studi perencanaan Forest Management Student Club (FMSC) tahun 2011-2012. Organisasi eksternal kampus yang diikuti penulis yaitu: Community of Madani Violin Handmade tahun 2011-2012, Community of Madani Violin Institute tahun 2010-2013, Youth-ESN community tahun 2012sekarang, Greenpreneurship Challenge Committee Komisi Nasional Indonesia untuk UNESCO (KNIU) tahun 2012-2013 dan Organisasi Mahasiswa Daerah Magetan (Impata) tahun 2009-2013. Praktik yang pernah diikuti penulis, yaitu: Praktik Pengenalan Ekosistem Hutan (PPEH) jalur Sancang Barat dan Gunung Kamojang Kabupaten Garut pada tahun 2011, Praktik Pengelolaan Hutan (PPH) di Hutan Pendidikan Gunung Walat Kabupaten Sukabumi pada tahun 2012, dan Praktik Kerja Lapang (PKL) di IUPHHKHA PT. Wapoga Mutiara Timber Unit II, Kabupaten Sarmi, Provinsi Papua pada tahun 2013. Penulis juga mengikuti kegiatan Ecological Social Mapping (ESM) di Hutan Pendidikan Gunung Walat Kabupaten Sukabumi pada tahun 2012, kegiatan IPB Carbon Sink tahun 2011. Penulis pernah mengikuti konferensi tingkat nasional NFEC (National Future Educators Conference) tetang pendidik muda pada tahun 2012. Selain itu, penulis juga pernah menjadi asisten pelatihan penyusunan model alometrik pendugaan biomassa dan stok karbon hutan dari Kementerian Kehutanan 2013. Kegiatan magang mandiri yang pernah diikuti penulis antara lain: sentra budidaya jamur tiram Sari Sehat Multifarm di daerah Ciampea Bogor tahun 2010, Dinas Kehutanan Kabupaten Nganjuk pada tahun 2011, dan BUMN Perhutani KPH Madiun pada tahun 2011. Skripsi berjudul Pemanfaatan SIG dalam Pemetaan Potensi Merbau di Areal IUPHHK-HA PT. Wapoga Mutiara Timber Unit II Papua merupakan karya penulis sebagai salah satu syarat untuk memperoleh gelar Sarjana Kehutanan (S.Hut.) pada Departemen Manajemen Hutan Fakultas Kehutanan IPB dibawah bimbingan Dr. Ir. M. Buce Saleh, MS.