Jurnal Pengelolaan Sumberdaya Alam dan Lingkungan Vol.
7 No.
3 (Desember 2.
: 195-203
ANALISIS DEFORESTASI MENGGUNAKAN REGRESI LOGISTIK
MODEL DI TAHURA SEKITAR TANJUNG PROVINSI JAMBI
Deforestation in Tahura Sekitar Tanjung Province Jambi Indri Febriania.
Lilik Budi Prasetyob.
Arya Hadi Dharmawanc Program Studi Ilmu Pengelolaan Sumberdaya Alam dan Lingkungan.
Sekolah Pascasarjana.
Institut Pertanian Bogor.
Kampus IPB Dramaga.
Bogor 16680 C indrifebriani2@gmail.
Departemen Konservasi Sumberdaya Hutan dan Ekowisata.
Fakultas Kehutanan.
Institut Pertanian Bogor.
Kampus IPB Darmaga.
Bogor 16680.
Departemen Komunikasi Pengembangan Masyarakat.
Fakultas Ekologi Manusia.
Institut Pertanian Bogor.
Kampus IPB Darmaga.
Bogor 16680.
Abstract.
Deforestation cause damage to the environment, climate change and greenhouse gas emissions.
Deforestation in Tahura was caused by ilegall logging and forest fire.
To reduce deforestation and greenhouse gas emissions.
Tahura can participate in REDD scheme.
REDD scheme is a scheme to reduce emissions from deforestation and forest degradation and provide incentives if it is able to reduce emissions.
Related to REDD was required information on forest cover change .
and predictions.
The method that used in the deforestation analysis, namely logistic regression.
This study shows that forest cover in Tahura has changed from 2000 to 2015.
Changes in forest cover into a bush is the biggest change with a percentage of 71%.
Factors which is tested in logistic regression method i.
the distance from the road, the distance from the river, the distance from the plantation and total population.
Based on the prediction of deforestation, forest area that deforested amount of 103 ha in 2030.
Keywords: Deforestation, logistic regression, tahura sekitar tanjung, (Diterima: 01-04-2017.
Disetujui: 13-06-2.
Pendahuluan Deforestasi merupakan perubahan secara permanen dari areal berhutan menjadi tidak berhutan yang diakibatkan oleh manusia (Permenhut, 2.
Deforestasi adalah salah satu penyebab utama kerusakan lingkungan dan dapat disebabkan faktor manusia serta dapat menyebabkan terjadinya perubahan iklim yaitu kekeringan berkepanjangan dan distribusi curah hujan yang tidak memadai tidak teratur dan tidak rata (Ghebrezgabher, 2.
Disamping itu.
Deforestasi memiliki dampak terhadap kehilangan spesies dan berkontribusi dalam menyumbang emisi karbon (Rosa, 2.
Deforestasi menyumbang 17% total emisi global yang dihasilkan oleh aktivitas manusia (IPCC, 2.
Dan perubahan tutupan hutan dapat meningkatkan frekuensi banjir (Tarigan, 2.
Penyebab terjadinya deforestasi dibagi menjadi dua yaitu penyebab terdekat .
roximate or direct driver.
dan penyebab yang mendasari .
nderlying or indirect Penyebab terdekat .
roximate or direct driver.
dari deforestasi dan degradasi hutan adalah aktivitas manusia dan tindakan yang berdampak langsung terhadap tutupan hutan dan menghasilkan hilangnya stok karbon.
Contoh dari penyebab terdekat .
roximate or direct driver.
adalah lahan pertanian, dimana lahan pertanian menjadi penyebab terdekat yang diperkirarakan sekitar 80% dari terjadinya deforestasi di seluruh dunia, infrastruktur, ekstraksi kayu, kegiatan logging .
, pengumpulan kayu bakar .
penyebab yang mendasari .
nderlying or doi: 10.
29244/jpsl.
indirect driver.
merupakan interaksi kompleks dari sosial, ekonomi, politik, budaya dan proses teknologi yang dapat mempengaruhi penyebab terdekat sehingga menyebabkan deforestasi atau degradasi hutan.
penyebab yang mendasari dari deforestasi dan degradasi hutan antara lain internasional .
asar,harga baran.
, nasional .
ertumbuhan penduduk,politik nasional, kebijakan dan keadaan lokal .
afkah hidup, kemiskina.
(Kissinger et al.
, 2.
Deforestasi di Tahura Sekitar Tanjung yang terletak di Provinsi Jambi terjadi melalui perambahan liar dan kebakaran hutan (Dishut Provinsi Jambi, 2.
Deforestasi Tahura Kondisi lahan kritis di Tahura seluas 18,600 ha, dimana 10,000 ha dari luas tersebut berada dalam kondisi sangat kritis .
idak ada tegakan dan hanya semak beluka.
setelah mengalami kebakaran (Nurjanah et al.
, 2.
Untuk menekan deforestasi dan mengurangi emisi deforestasi.
Tahura dapat ikut serta dalam skema REDD .
Skema REDD merupakan skema untuk mengurangi emisi dari deforestasi dan degradasi hutan.
REDD tidak hanya mengurangi emisi dari deforestasi dan degradasi namun juga memberi imbalan jika mampu menurunkan emisi.
(Angelsen, 2010.
Satgas REDD , 2.
Untuk memperoleh dana dari REDD perlu mengembangkan salah satu elemen REDD yaitu FREL (Forest reference emission leve.
Dimana FREL digunakan sebagai keperluan pembayaran atas pelaksanaan REDD (UNFCC, 2.
Informasi yang ISSN 2086-4639 | e-ISSN 2460-5824 JPSL Vol.
: 195-203
penting dalam pembangungan FREL adalah data historis, pola perubahan hutan, dan penyebab yang mendasari dari deforestasi (Kissinger et al.
, 2.
Salah satu cara dalam menganalisis pola perubahan hutan .
, memprediksi deforestasi, dan menguji faktor yang menyebabkan terjadinya deforestasi dapat menggunakan metode regresi logistik.
Regresi logistik merupakan teknik yang telah digunakan untuk membangun model spasial dan menganalisis deforestasi (Prasetyo, 2009.
Wyman.
Arekhi, 2011.
Setiawan, 2.
Regresi logistik digunakan dengan tujuan untuk menilai tingkat pengaruh dari peubah penjelas/peubah bebas terhadap perubahan hutan dan untuk memprediksi kemungkinan terjadinya deforestasi (Kumar et al.
, 2.
Faktorfaktor penyebab deforestasi yaitu penyebab terdekat dan penyebab yang mendasari terjadinya deforestasi menjadi peubah bebas dari sebuah model spasial pada regresi logistik (Prasetyo, 2009.
Wyman, 2010.
Arekhi.
Setiawan, 2.
Faktor deforestasi yang disebabkan oleh aktivitas manusia dipengaruhi oleh peubah-peubah dari faktor terdekat antara lain jarak hutan dari jalan .
, jarak dari pemukiman dan pusat-pusat pemukiman, serta infrastruktur transportasi berupa jalan dan jaringan sungai (Geist dan Lambin, 2.
Sehingga dengan analisis deforestasi menggunakan regresi logistik diharapkan dapat memberi informasi mengenai lokasi yang diprediksi mengalami deforestasi dan luas deforestasi di Tahura Tujuan dari penelitian antara lain .
untuk menganalisis perubahan tutupan hutan, .
menguji faktor berpengaruh terhadap terjadinya deforestasi, .
memprediksi terjadinya deforestasi dimasa yang akan Metodologi Lokasi Penelitian Penelitian ini dilakukan Tahura Sekitar Tanjung dengan luas areal 21,160 Ha.
Secara administratif Tahura Sekitar Tanjung terletak di Kabupaten Muaro Jambi dan Kabupaten Tanjung Jabung Timur.
Penelitian dilakukan mulai bulan Agustus 2015 sampai Oktober 2016.
Peta daerah penelitian disajikan pada Gambar 1.
Gambar 1.
Lokasi Penelitian Data yang digunakan Peralatan yang digunakan dalam penelitian ini adalah .
Seperangkat komputer dengan perangkat lunak ArcGIS 10.
Erdas9.
SPSS.
Microsoft excel dan Microsoft Office .
GPS.
Data yang digunakan dalam penelitian ini dibagi kedalam 2 kelompok yaitu .
data satelit, .
data Data satelit meliputi data citra tahun 2000 LT512506120002555BKT00, tahun 2009 landsat 5 dengan scene id: LT51250612009151BKT01 dan tahun 2015 landsat 8 dengan scene id:
LC81250612015184LGN00 yang didownload melalui Data pendukung antara lain data ground check dan data dari google earth untuk kelas tutupan lahan, batas administrasi desa di sekitar Tahura Sekitar Tanjung.
Ground check berbentuk data point yang dikumpulkan menggunakan GPS pada bulan Agustus.
Titik groundchek digunakan sebagai referensi .
dalam melakukan training area pada masingmasing kelas tutupan lahan.
JPSL Vol.
: 195-203.
Desember 2017 Metode Analisis Data Peta penutupan Lahan Peta penutupan lahan dibangun berdasarkan data citra satelit multiwaktu yaitu 2000, 2009 dan 2015.
Data diproses menggunakan Erdas 9.
1 untuk layer stacking, pemotongan citra .
citra berdasarkan Area of Interest (AOI), klasifikasi supervised dam akurasi assesment.
Klasifikasi terbimbing .
upervised classificatio.
adalah klasifikasi yang dilakukan dengan arahan analisis .
Kriteria pengelompokan kelas ditetapkan berdasarkan penciri kelas .
elas signatur.
yang diperoleh analis melalui pembuatan training area (Jaya, 2.
Training area diperoleh dengan menggunakan tools AOI pada Erdas dengan menetukan area contoh pada masing-masing kelas tutupan lahan dengan mempertimbangan kesamaan piksel diksekitarnya.
Jumlah training area tahun 2000 sebanyak 186, tahun 2009 sebanyak 213 dan tahun 2015 sebanyak 279.
Kelas tutupan lahan yang digunakan pada penelitian ini mengacu pada SNI 7645:2010 dan kelas penutupan lahan berdasarkan Departemen Kehutanan.
Algoritma maximum likelihood digunakan untuk klasifikasi supervised pada citra.
Metode ini adalah metode yang paling umum digunakan, dan ini biasanya Metode mempertimbangkan berbagai faktor, diantaranya adalah peluang dari suatu piksel untuk dikelaskan ke dalam kelas atau kategori tertentu.
Peluang ini sering disebut dengan prior probability, dapat dihitung dengan menghitung presentase tutupan pada citra yang akan diklasifikasi.
Jika peluang ini tidak diketahui maka besarnya peluang dinyatakan sama untuk semua kelas .
atu per jumlah kelas yang dibua.
(Jaya, 2.
Uji akurasi klasifikasi tutupan lahan dilakukan terhadap data pada tahun 2015.
Data reference yang digunakan pada penelitian ini adalah 255 point yang ditentukan secara acak mengikuti ground chek pada saat dilapangan dan mewakili masing masing kelas tutupan lahan.
selain data lapang, data reference diperoleh melalui google earth.
Perbandingan dari data ground chek lapang dan google earth dengan hasil klasifikasi tutupan lahan dilakukan secara statistic dan menghasilkan error matrik.
Error matrik yang dihasilkan digunakan sebagai teknik analisa statistika.
Analisis statistik yang digunakan adalah Kappa akurasi dan overall accuracy .
ser dan producer accurac.
Menurut Landis dan Koch .
menyatakan bahwa range yang mungkin pada Kappa dibagi kedalam tiga grup yaitu: >0.
%) menyatakan strong agreement, 4 Ae 0.
%-80%) menyatakan moderate agreement, < 0.
%) menyatakan poor agreement.
Analisis Perubahan Lahan Analisis perubahan lahan dilakukan dengan perhitungan luas area dan presentase perubahan tutupan lahan pada setiap citra terklasifikasi.
Disamping itu, analisis perubahan lahan juga dilakukan dengan menumpang tindihkan .
antara dua citra hasil klasifikasi yang telah dilengkapi atribut luas.
Fokus penelitian ini adalah perubahan tutupan hutan menjadi penggunaan lain.
Model Spasial Deforestasi Regresi Logistik.
Model untuk memprediksi deforestasi dilakukan dengan menggunakan regresi Regresi logistik digunakan untuk menjelaskan hubungan antara variabel respon yang berupa data dikotomik/biner dengan variabel bebas yang berupa data berskala ratio dan atau kategorik (Hosmer dan Lemeshow, 2.
Variabel respon/dependent dalam penelitian ini adalah 0 dimana tidak ada kejadian deforestasi dan 1 merupakan terjadi deforestasi.
Jumlah pengamatan pada masing-masing terjadi deforestasi dan tidak terjadi deforestasi sebanyak 200 titik.
Adapun variabel independent/bebas yang digunakan dalam penelitian tersaji pada Tabel Tabel 1.
Variabel independent/bebas yang digunakan dalam Variabel Satuan Sumber Teknik Ekstraksi Data Digitasi pada citra.
Analisis (Euclidean Digitasi pada citra.
Analisis (Euclidean distan.
Jarak dari Meter Citra jalan 2000a.
Landsat 2009b, 2015c (X.
2 Jarak dari Meter Citra sungai 2000a.
Landsat
2009 , 2015
(X.
3 Jarak dari Meter Peta Analisis (Euclidean 2000a, 2009b, 2015c (X.
4 Jumlah Jiwa
BPS
Analisis Penduduk .
nterpolasi 2009a, 2015b, pusat des.
2030c (X.
Ket: a = data untuk membangun model 2000-2009, b = data untuk implementasi model 2009-2015, c= data untuk prediksi model 2030.
Multikolineraitas merupakan masalah yang muncul ketika variabel independet saling berkorelasi dengan variabel independent lainnya.
Pada regresi logistik sebaiknya tidak terjadi multikolinearitas (Menard.
Cara untuk melihat terjadinya multikolinearitas menggunakan uji multikolinearitas.
Uji multikolinearitas dilakukan untuk melihat adanya hubungan linear satu variable bebas dan variable bebas yang lain (Menard, 2.
Menurut OAobrien .
menyatakan bahwa Variance Inflation Factor (VIF) adalah salah satu cara dalam mendeteksi adanya multikolinearitas.
VIF dirumuskan sebagai (VIF)n= 1OeycI 2 ycu Dimana: (VIF)n = VIF dari variable bebas Xn.
R2n= koefisien determinasi dari variable bebas Xn.
Jika nilai VIF lebih 10 maka mengindikasikan adanya masalah multikolinearitas yang serius (Menard.
Jika variable bebas terdapat multikolinearitas maka perlu dieliminasi.
Setelah melalui tahap uji multikolinearitas dilanjutkan dengan analisis regresi Secara umum persamaan regresi logistic dirumuskan sebagai berikut:
ISSN 2086-4639 | e-ISSN 2460-5824 JPSL Vol.
: 195-203
deforestasi kategori nonforest tergolong menjadi nondeforestasi sehingga dikeluarkan menjadi kategori sendiri yaitu nonforest menggunakan model maker pada Erdas.
Menurut Prasetyo et al.
, hasil model regresi logistic dikatakan sukses jika peluang prediksi yaitu p > 0.
5 sesuai dengan terjadinya deforestasi dan nilai p < 0.
5 dengan tidak terjadi deforestasi.
Validasi model dilakukan antara peta model deforestasi 2009-2015 dengan peta aktual deforestasi 2009-2015 sehingga menghasilkan nilai overall accuracy, producer accuracy dan user accuracy.
Persamaan model yang sama digunakan untuk memprediksi terjadinya deforestasi di tahun 2030 dengan peta variabel bebas berdasarkan tahun 2015 dengan jumlah penduduk di tahun 2030.
Dimana : Pi = peluang perubahan lahan.
Xn= Variabel prediktor ke-n, n= koefisien dari variable Xn, = konstanta regresi, exp= eksponensial.
Uji Kelayakan Model Uji kelayakan model dilakukan untuk mengetahui apakah model layak untuk digunakan dalam membangun model deforestasi.
Uji kelayakan dilakukan menggunakan uji Hosmer and Lemeshow menggunakan aplikasi SPSS.
Model dikatakan layak jika nilai uji Hosmer and Lemeshow mempunyai nilai signifikasi lebih dari 0.
05 (Hosmer dan Lemeshow.
Sedangkan R2 merupakan indikator yang penting yang menjelaskan proporsi variabel indepenent terhadap variabel dependen.
Semakin tinggi nilai proporsi maka semakin kuat variabel independent dalam menjelaskan variabel dependen (Menard, 2.
Hasil dan Pembahasan Perubahan Tutupan Lahan Hutan Berdasarkan hasil klasifikasi supervised diperoleh tutupan lahan sebanyak tujuh kelas yang terdiri atas sungai, hutan, semak dan rumput, perkebunan kelapa sawit, pertanian lahan kering dan sawah, lahan terbangun .
emukiman dan jalan utam.
, serta lahan terbuka .
alan setapak sawit dan jalan dengan kondisi tidak diaspal yang dibuka untuk akses menuju Tahur.
Uji akurasi klasifikasi tutupan lahan yang dilakukan terhadap data tahun 2015 diperoleh tingkat ketelitian overall accuracy sebesar 88.
44 % dan Kappa accuracy sebesar 85 %.
Hal ini telah memenuhi persyaratan minimal nilai overall accuracy berdasarkan Jensen .
, bahwa overall accuracy pada peta tutupan lahan dalam pengelolaan sumberdaya alam sebaikya tidak kurang dari 85%.
Berdasarkan Landis dan Kosch .
hasil kappa accuracy tergolong strong agreement karena lebih dari 80%.
Validasi dan Prediksi Model Deforestasi Validasi model dilakukan untuk melihat ketepatan Persamaan model regresi logistik yang dibangun berdasarkan deforestasi 2000-2009 digunakan untuk membangun model deforestasi 2009-2015 dengan mengintegrasikan dengan peta variable bebas terpilih sehingga mengasilkan peta model peluang deforestasi Peta peluang deforestasi yang dihasilkan diklasifikasikan menjadi tiga kategori yaitu deforestasi, non deforestasi dan nonforest agar hasil model peluang deforesasi dapat dibandingkan dengan kondisi aktual.
Klasifikasi peta peluang deforestasi dilakukan menggunakan nilai p, jika nilai p < 0.
5 tidak terjadi deforestasi dan jika nilai p > 0.
5 terjadi Berdasarkan Tabel 2.
Perubahan Tutupan Lahan Hutan Tahun 2000 Kelas Tahun 2009 Luas .
Luas .
Tahun 2015 Luas .
Sungai 2,775.
2,756.
2,750.
Hutan 39,144.
33,889.
31,215.
Semak dan rumput 59,060.
56,929.
34,160.
Perkebunan kelapa sawit 2,149.
8,991.
29,977.
Lahan pertanian 2,027.
2,027.
3,803.
Lahan terbangun 3,243.
Lahan terbuka Total 105,456.
Berdasarkan Tabel 2 telah terjadi perubahan lahan dari tahun 2000 sampai 2015.
Tutupan lahan tahun 2000 didominasi oleh 2 kelas tutupan lahan yaitu pertama semak dan rumput sebesar 56.
01%, kedua didominasi oleh hutan sebesar 37.
Kondisi yang sama terjadi pada tutupan lahan 2009 didominasi oleh semak dan rumput sebesar 56.
01% dan hutan sebesar Sedangkan kondisi tutupan lahan tahun 2015 105,456.
105,456.
didominasi oleh tiga tutupan lahan yaitu, semak, dan rumput sebesar 32.
39%, hutan 29.
60% dan perkebunan Perubahan lahan dari tahun 2000 sampai 2015 menunjukan bahwa kelas semak dan rumput serta kelas hutan mengalami tren yang terus menurun.
Hal ini berbanding terbalik dengan luas kelas tutupan perkebunan kelapa sawit yang selalu meningkat dari tahun 2000 sampai 2015 sebesar 2.
04% menjadi 8.
JPSL Vol.
: 195-203.
Desember 2017 pada tahun 2009 dan meningkat drastis menjadi 43% pada tahun 2015.
Perubahan tutupan lahan dari tahun 2000 sampai 2015 tersaji pada tabel 2.
Berdasarkan hasil klasifikasi tutupan lahan tahun 2000 dan 2015 menghasilkan bahwa 21% atau 8.
041 ha hutan hilang.
Luas hutan yang hilang didominasi oleh perubahan hutan menjadi semak dan rumput, serta perubahan hutan menjadi perkebunan.
Perubahan hutan menjadi semak dan rumput memiliki presentase paling besar yaitu 71%.
Hal ini mengindikasikan bahwa areal deforestasi dibiarkan saja setelah diambil kayunya.
Perubahan hutan menjadi perkebunan menempati posisi kedua tersebar dalam perubahan hutan dengan presentase 24%.
Hal ini menunjukkan bahwa perluasan kelapa sawit telah mengurangi luas tutupan hutan.
Dan jika tidak dikendalikan akan berpengaruh terhadap luas Perubahan hutan menjadi sungai dari tahun 2000-2015 disebabkan karena pada citra tahun 2000 rona sungai kecil .
tidak begitu jelas dan cenderung ke rona hutan sehingga pada tahun 2000 terklasifikasi sebagai hutan.
sedangkan citra pada tahun 2015 rona sungai terlihat lebih jelas berwarna hitam sehingga terklasifikasi sebagai sungai.
Presentase perubahan hutan menjadi tutupan dan penggunaan lahan lain tersaji pada Gambar 2.
Analisis Deforestasi Regresi Logistik Hasil uji VIF menunjukkan bahwa antar variable tidak mengalami multikolinearitas karena nilai VIF yang dihasilkan < 10 seperti tersaji pada Tabel 2.
Tabel 3.
Hasil uji multikolinearitas antar variable penduga Variabel Jarak dari jalan (X.
Jarak dari sungai (X.
Jarak dari kebun (X.
Jumlah_penduduk (X.
Tolerance Collinearity Statistics Hasil persamaan regresi logistic tersaji pada persamaan 1 dan tabel goodness of fit test dapat dilihat pada tabel yce (Oe0.
56045Oe0.
00053OycU1Oe0.
00001OycU2Oe0.
00017OycU3 0.
00202OycU.
1 yce (Oe0.
56045Oe0.
00053OycU1Oe0.
00001OycU2Oe0.
00017OycU3 0.
00202OycU.
Perubahan tutupan lahan hutan menjadi tutupan/penggunaan lain 70,59% 24,33% 0,96% badan air
2,43%
1,64%
0,05%
Gambar 2.
Perubahan tutupan lahan hutan menjaditutupan/penggunaan lain 2000-2015.
Tabel 4.
Goodness of fit test Variabel Wald Jarak dari jalan Jarak dari sungai Jarak dari kebun Jumlah Penduduk Constant Sig.
Exp(B) Dimana B = koefisien estimasi.
E = koefisien standar error, df: derajat bebas.
Wald = [B/S.
E] 2, sig= koefisien tingkat signifikan.
Exp(B) odd ratio koefisien individu.
Jarak dari jalan.
Berdasarkan hasil Goodness of fit bahwa jarak dari jalan memberikan nilai negative pada kejadian Hal ini dapat diartikan bahwa semakin jauh dari jalan maka peluang deforestasi semakin kecil.
real deforestasi terjadi didekat jalan termasuk jalan sarad dan dapat disimpulkan bahwa jalan merupakan akses yang digunakan untuk membuka hutan di Tahura.
Berdasarkan penampakan citra landsat jalan sarad sudah memasuki di berbagai wilayah Tahura.
Variabel ini sejalan dengan Setiawan .
, bahwa jarak dari mempengaruhi peluang deforestasi.
Di Amazon ISSN 2086-4639 | e-ISSN 2460-5824 JPSL Vol.
: 195-203
deforestasi terjadi lebih besar di dekat jalan dan sungai dibanding tempat lain, hampir 95% deforestasi terjadi pada jarak 5.
5 km dari jalan atau 1 km dari sungai (Barber et al.
, 2.
Jarak dari sungai.
Berdasarkan hasil Goodness of fit bahwa jarak dari sungai memberikan nilai negatif.
Hal ini dapat diartikan bahwa semakin jauh dari sungai maka peluangkejadian deforestasi semakin kecil.
Lokasi terjadi deforestasi terletak didekat dengan batas sungai.
Pada saat musim hujan sungai dijadikan akses untuk mengeluarkan kayu dari hutan.
Variabel ini sejalan dengan Setiawan .
, bahwa jarak dari sungai merupakan peubah yang signifikan mempengaruhi peluang deforestasi.
Jarak dari kebun Berdasarkan hasil Goodness of fit bahwa jarak dari jalan memberikan nilai negative pada kejadian Hal ini dapat diartikan bahwa semakin jauh dari kebun maka peluang deforestasi semakin Berdasarkan hasil klasifikasi tutupan lahan 2000 sampai 2015, areal perkebunan semakin mendekati areal hutan dan telah terjadi konversi hutan menjadi Sehingga hal ini dapat memudahkan dalam memasuki areal hutan.
Variabel ini sejalan dengan Wijaya .
, jarak dari kebun merupakan faktor yang mempengaruhi deforestasi di Jambi.
Jumlah penduduk Berdasarkan hasil Goodness of fit bahwa jumlah memberikan nilai positif.
Hal ini dapat diartikan bahwa semakin meningkat jumlah penduduk maka kejadian deforestasi besar.
Chakravarty et al.
menyataan merupakan hal penting dalam mengurangi deforestasi di negara berkembang.
Semakin meningkatnya jumlah penduduk maka kebutuhan lahan akan semakin Sehingga konversi hutan menjadi penggunaan lahan lainnya menjadi salah satu pilihan dalam memenuhi kebutuhan lahan.
Disamping itu meningkatnya jumlah penduduk akan meningkatkan kebutuhan produk hutan.
Meskipun hubungan antara kepadatan penduduk dengan deforestasi rendah, namun terdapat sepertiga deforestasi yang terjadi di Amazon berkaitan dengan 1.
5% dari jumlah penduduk (Tritsch.
Uji Kelayakan Model Model peluang deforestasi yang dibangun berdasarkan persamaan regresi logistik layak untuk digunakan karena telah melewati persyaratan dalam membangun model yaitu uji Hosmer Lemeshow.
Hasil uji Hosmer Lemeshow adalah 0.
063 > 0.
05 dari yang ditetapkan sehingga model cocok .
untuk digunakan.
Sedangkan nilai Nagelkerke R2 diperoleh sebesar 3%, hal ini menggambarkan bahwa 37.
3% variable bebas dapat menjelaskan model, sedangkan sisanya dijelaskan variable lain diluar model.
Validasi Model Persamaan yang telah dibangun disimulasikan kedalam peta model deforestasi 2009-2015.
Validasi model dilakukan dengan membandingkan peta model deforestasi 2009-2015 dengan peta deforestasi aktual Peta deforestasi actual 2009-2015 tersaji pada Gambar 3 sedangkan peta model deforestasi 2009-2015 tersaji pada Gambar 4.
Hasil uji validasi model diperoleh overall acc sebesar 61% dengan user accuracy sebesar 26% dan producer accuracy 91% untuk deforestasi, seperti tersaji pada tabel 4.
Terdapat berbagai faktor alam yang menyebabkan terjadinya deforestasi dan tidak terdapat dalam model seperti terjadinya kebakaran.
Kebakaran yang berada di sekitar Tahura mempengaruhi terjadinya deforestasi di Tahura.
Sehingga hal ini menghasilkan nilai uji validasi sebesar Huang .
menyatakan bahwa cukup sulit untuk mendapatkan model dengan akurasi diatas 85%.
Hal ini dikarenakan kompleksitas kejadian perubahan Tabel 5.
Hasil validasi model Model Deforestasi 2009-2015 Tidak terdeforestasi Deforestasi Jumlah Producer Accuracy 732,27 667,59 339,86 147,17 083,89 231,06 User Accuracy Overall Accuracy Tidak terdeforestasi Deforestasi Jumlah JPSL Vol.
: 195-203.
Desember 2017 Gambar 3.
Peta deforestasi aktual 2009-2015 Gambar 4.
Peta Model Deforestasi 2009-2015 ISSN 2086-4639 | e-ISSN 2460-5824 JPSL Vol.
: 195-203
Gambar 5.
Peta model prediksi deforestasi 2015-2030 5 Prediksi Model Deforestasi Kesimpulan Prediksi model deforestasi dilakukan dengan mengintegrasikan variabel independent .
terpilih tahun 2015 (Gambar .
Hasil prediksi bahwa hutan akan terdeforestasi sebesar 103 ha pada tahun 2030.
Terdapat tumpang tindih antara batas administrasi tahura dengan delapan batas administrasi desa disekitar Delapan desa yang mengalami tumpang tindih dan deforestasi yaitu desa simpang, hutan, sungai aur, jebus, gedung karya, kumpeh, kelurahan tanjung, sogo, dan seponjen.
Secara rinci luas dan lokasi deforestasi tersaji pada Gambar 6.
Tutupan lahan hutan di Tahura Sekitar Tanjung telah mengalami perubahan dari tahun 2000 sampai tahun Perubahan tutupan hutan terbesar dikarenakan berubahnya hutan menjadi semak dan rumput sebesar Terdapat empat faktor yang diuji untuk memprediksi deforestasi yaitu jarak dari jalan, jarak dari sungai, jarak dari kebun dan faktor ini berkorelasi terhadap terjadinya deforestasi.
Berdasarkan prediksi deforestasi, luas hutan yang terdeforestasi sebesar 103 ha pada tahun 2030.
Prediksi Luas Deforestasi per desa
Daftar Pustaka