Professional Documents
Culture Documents
285
Jurnal Hutan Tropis Volume 11 No. 3, Edisi September 2023
286
Pranata. A. H. et al. : Pendugaan Potensi Nekromassa ……. (11): 285-293
data dilapangan, pengolahan dan analisis akurasi model (plot testing area) (Mufidah
data, serta penulisan tesis. Asy’ari, 2021). (2) Pengambilan data
dilapangan pada tahap ini terdiri atas
Peralatan yang digunakan untuk
pengambilan semua serasah hasil produksi
melakukan penelitian ini adalah Software GIS
tegakan hutan berdasarkan lokasi yang
dan penginderaan jarak jauh,
sudah ditentukan, adapun tiap lokasi dibuat
Laptop/komputer, Kompas, GPS, Meteran,
petak ukur sebesar 0,5 m x 0,5 m, untuk
Tali, Patok, Karung, Timbangan, Alat oven
serasah yang diambil sebanyak luasan petak
serasah, dan Alat tulis (lengkap).
ukur ditiap lokasi untuk berat basah total, dan
Bahan yang digunakan untuk melakukan diambil sebanyak 300 gram tiap lokasi petak
penelitian ini adalah Peta Administrasi ukur sampel untuk berat basah sub contoh.
KHDTK Universitas Lambung Mangkurat, (3) Pengukuran dan analisis data penelitian
Citra Sentinel-2 MSI, Citra Landsat 8, Data ini meliputi : (a) Serasah yang sudah diambil
DEM / Ketinggian, Serasah Hasil Produksi kemudian diukur berat basah total dan berat
Tegakan Hutan basah sub sontoh, selanjutnya dikeringkan
kedalam oven pada suhu 105o C selama 24
Objek dari penelitian ini adalah serasah
jam untuk mendapatkan berat kering serasah
hasil produksi tegakan hutan memiliki
sub contoh. (b) Nekromassa serasah yang
korelasi dengan indeks vegetasi berdasarkan sudah diambil kemudian dihitung nilai total
kelas lereng dan suhu permukaan tanah, berat kering serasah, yaitu menggunakan
sehingga nantinya dengan menggunakan
persamaan sebagai berikut:
citra satelit seperti sentinel-2 MSI bisa
menghitung dan memetakan potensi
nekromassa. 𝑇𝑜𝑡𝑎𝑙 𝐵𝐾 (𝑔) = 𝐵𝐾 𝑠𝑢𝑏 𝑐𝑜𝑛𝑡𝑜ℎ (𝑔) 𝑥 𝐵𝐵 𝑇𝑜𝑡𝑎𝑙 (𝑔)
Prosedur penelitian meliputi: (1) 𝐵𝐵 𝑠𝑢𝑏 𝑐𝑜𝑛𝑡𝑜ℎ
persiapan diantaranya: (a) download bahan
mentahan citra sentinel-2 MSI dan Landsat 8
terbaru yang bersih dari gangguan atmosfer BK = berat kering dan BB = berat basah.
seperti awan tebal, (b) koreksi bahan mentah (Banuwa, 2013)
citra sentinel-2 MSI dan Landsat 8 agar dapat Berat kering nekromassa serasah
diakses ke software pemetaan dan dapat kemudian dikonversi sesuai ukuran piksel
dianalisis, (c) melakukan analisis Normalized satelit Sentinel-2 MSI untuk keperluan
Difference Vegetation Index (NDVI) dan perhitungan total berat kering serasah per
menentukan nilai klasifikasi NDVI, (d) hektar di kawasan lokasi pengambilan titik
melakukan analisis dan membuat peta kelas sampel menggunakan rumus:
kelerengan dari data DEM / ketinggian di
wilayah KHDTK ULM, (e) melakukan analisis
dan membuat peta LST (Land Surface 𝐵𝐾 𝑃𝑖𝑘𝑠𝑒𝑙 (𝑔)
Temperature) dari citra Landsat 8 di wilayah 𝑈𝑘𝑢𝑟𝑎𝑛 𝑃𝑖𝑘𝑠𝑒𝑙 (100 𝑚)
KHDTK ULM, (f) menentukan lokasi = 𝐵𝐾 𝐿𝑎𝑝𝑎𝑛𝑔𝑎𝑛 (𝑔) 𝑥
𝑈𝑘𝑢𝑟𝑎𝑛 𝑃𝑙𝑜𝑡 𝑈𝑘𝑢𝑟 (0,25 𝑚)
pengambilan data penelitian mengikuti
dengan jumlah lokasi sampel pengambilan
data dilapangan sebanyak 50 titik sampel, (c) Pengolahan analisis indeks vegetasi
yang mana dari 50 titik sampel ini 30 titik dari yang diimplementasikan pada penelitian ini
jumlah sampel digunakan untuk membangun menggunakan 10 indeks vegetasi, seluruh
model-model potensi sebaran nekromassa, indeks vegetasi ditransformasikan melalui
sementara sisanya yang 20 titik dari jumlah citra Sentinel-2 MSI. Adapun indeks vegetasi
sampel digunakan untuk validasi atau uji yang dipilih dalam penelitian ini antara lain.
287
Jurnal Hutan Tropis Volume 11 No. 3, Edisi September 2023
Transformed
𝑁𝐼𝑅 − 𝑅𝑒𝑑 Senseman
6 Normalized Difference 𝑇𝑁𝐷𝑉𝐼 = √ + 0,5 (1996)
Vegetation Index (TNDVI) 𝑁𝐼𝑅 + 𝑅𝑒𝑑
Keterangan:
(d) Pengukuran analisis korelasi
Blue : Blue band atau saluran 2 Citra antara nilai total berat kering nekromassa,
Sentinel-2 nilai indeks vegetasi, nilai kelerengan, dan
Green : Green band atau saluran 3 Citra nilai LST. Analisis data yang digunakan
Sentinel-2 menggukan statistik berupa regresi linear
Red : Red band atau saluran 4 Citra berganda. Rumus regresi linear berganda
Sentinel-2 adalah sebagai berikut.
RE1 : Red Edge 1 band atau Saluran 5 Citra
𝑌 = 𝑎𝑋1 + 𝑏𝑋2 + 𝑐𝑋3 + 𝐸
Sentinel-2
RE2 : Red Edge 2 band atau saluran 6 Citra Keterangan:
Sentinel-2
NIR : Near Infrared band atau saluran Y = Formula Model Potensi Spasial Estimasi
inframerah dekat atau saluran 8 Citra Nekromassa
Sentinel-2 a = Nilai Indeks Vegetasi
L : Canopy background adjustment b = Nilai Kelerengan (Slope)
factor yang bernilai 0,5 c = Nilai LST (Land Surface Temperature)
𝛾 : Aerosol factor, di dalam X1= Koefisien Model Indeks Vegetasi
X2= Koefisien Model Kelerengan
penelitian ini digunakan nilai 1
X3= Koefisien Model LST (Land Surface
Temperature)
E = Nilai Intercept (Faktor Koreksi Model
Korelasi). (Supranto, 2001)
288
Pranata. A. H. et al. : Pendugaan Potensi Nekromassa ……. (11): 285-293
a b
c
Gambar 2. (a) Peta NDVI, (b) Kelerengan dan (c) LST (Land Surface Temperature)
289
Jurnal Hutan Tropis Volume 11 No. 3, Edisi September 2023
Gambar 4. Citra Sentinel-2 MSI dan Hasil Transformasi Semua Indeks Vegetasi
290
Pranata. A. H. et al. : Pendugaan Potensi Nekromassa ……. (11): 285-293
Tabel 2. Hasil analisis model estimasi nekromassa menggunakan indeks – indeks vegetasi.
Berdasarkan Tabel 2 setiap indeks mendekati nilai 0,8. Apabila dilihat dari hasil
vegetasi memiliki karakteristik statistik koefisien korelasi dari 10 pemodelan, maka
tersendiri, terutama dalam korelasinya sebenarnya pemodelan yang digunakan
dengan indeks vegetasi, kelerengan dan masih banyak kesalahan error dalam analisis
LST. Hal ini berhubungan erat dengan data sehingga ketelitian dari semua model
saluran-saluran spektral yang digunakan masih jauh dari akurat. Akan tetapi hasil dari
oleh masing-masing indeks vegetasi, penelitian ini mencoba mengestimasi besar
kelerengan, dan LST tentu saja memiliki nekromassa serasah menggunakan hasil
model formula matematika tersendiri yang model yang paling akurat. Jika dinilai dari
digunakan. Sebagian besar metode model indeks vegetasi maka nilai koefisien
transformasi indeks vegetasi menggunakan korelasi yang paling mendekati yaitu indeks
pendekatan formula korelasi linier. Sehingga vegetasi GNDVI (Green Normalized
korelasi antara citra hasil transformasi indeks Difference Vegetation Index) dan ARVI
vegetasi, kelerengan, dan LST dengan (Atmospherically Resistant Vegetation Index)
nekromassa serasah pada umumnya dengan nilai 0,252. Model – model yang lain
nonlinier atau korelasi linier berganda. sebenarnya juga memberikan nilai yang
akurat, jika dilihat dari hasil koefisien korelasi
Berdasarkan 10 model korelasi linier,
selisih nilai antar model – model lain juga
seluruhnya tidak ada yang memberikan
tidak terlalu signifikan perbandingannya
model korelasi yang akurat. Hal ini
nilainya, dari hal tersebut perlu dihitung
disebabkan karena nilai dari koefisien
kembali nilai rata – rata dari Root Mean
korelasi (R2) dari semua model indeks
Square Error (RMSE). Adapun nilai RMSE
vegetasi masih dibawah dari standar atau
dapat dilihat pada Tabel 3.
291
Jurnal Hutan Tropis Volume 11 No. 3, Edisi September 2023
Tabel 3. Nilai Root Mean Square Error (RMSE) dari pemodelan korelasi indek vegetasi
NO Indeks Vegetasi RMSE
1 NDVI 46,716
2 SAVI 46,731
3 MSAVI 46,704
4 GNDVI 46,845
5 IPVI 46,744
6 TNDVI 46,807
7 ARVI 46,708
8 NDI45 46,828
9 IRECI 47,379
10 PSSRa 46,450
292
Pranata. A. H. et al. : Pendugaan Potensi Nekromassa ……. (11): 285-293
Frampton, W.J., Dash, J., Watmough, G., Supranto. J., 2001, Statistika Teori dan
and Milton, E.J. 2013. Evaluating the Aplikasi Edisi Ke-6 Jilid 2. Jakarta:
capabilities of Sentinel-2 for quantitative Erlangga
estimation of biophysical variables in
Trimanto, 2014, Analisis Vegetasi Dan
vegetation. ISPRS Journal of
Estimasi Biomassa Stok Karbon Pohon
Photogrammetry and Remote Sensing,
Pada Tujuh Hutan Gunung, Suaka Alam
82: 83-92
Pulau Bawean Jawa Timur. UPT BKT
Gitelson, A. and Merzlyak, M. 1998. Remote Kebun Raya Purwodadi-LIPI, Jawa Timur.
Sensing of Chlorophyll Concentration in
Higher Plant Leaves. Advances in Space
Research, 22: 689-692.
Hairiah, K., dan Rahayu, S, 2013,
Pengukuran Karbon Tersimpan di
Berbagai Macam Penggunaan Lahan.
World Agroforestry Centre, Bogor.
Huete, A. R. 1988. A soil-adjusted vegetation
index (SAVI). Remote Sensing of
Environment 25: 295-309.
Kaufman, Y.J. and Tanre, D. 1992.
Atmospherically resistant vegetation
index (ARVI) for EOS-MODIS. IEEE
Transactions on Geoscience and Remote
Sensing 30 (2): 261-270
Mufidah Asy’ari., 2021. Pemetaan Biomassa
Tegakan Hutan Hujan Tropis Di Bukit
Mandiangin Menggunakan Citra Sentinel-
2 Msi. Fakultas Kehutanan Universitas
Lambung Mangkurat. Banjarbaru.
Qi, J., Chehbouni, A., Huete, A.R., Kerr, Y.H.,
and Sorooshian, S. 1994. A modified soil
adjusted vegetation index. Remote
Sensing of Environment, 48 (2): 119-126.
Rouse, J.W., Haas, R.H., Schell, J.A.,
Deering, D. W. 1973. Monitoring
vegetation systems in the Great Plains
with ERTS. Third ERTS Symposium,
NASA SP-351 I: 309-317.
Safriani, H., Fajriah, R., Sapnaranda, S.,
Mirfa, S., dan Hidayat, M., 2017, Estimasi
biomassa serasah daun di gunung berapi
Seulawah Agam Kecamatan Seulimuem
Kabupaten Aceh Besar. Jurnal Ar-Raniry.
Senseman, G.M., Bagley, C.F., Tweddale,
S.A. 1996. Correlation of rangeland cover
measures to satellite-imagery-derived
vegetation indices. Geocarto International
11(3): 29-38.
293