V. HASIL DAN PEMBAHASAN
5.3 Model Perubahan Penggunaan Lahan dengan Metode Artificial Neural Network Neural Network
Pembuatan model perubahan penggunaan lahan pada penelitian ini menggunakan aplikasi Land Change Modeler pada software Idrisi Andes 15. Peta penggunaan lahan yang digunakan adalah peta penggunaan lahan tahun 2000 dan 2009. Berikut adalah hasil dari masing-masing tahap yang dilakukan:
0 50000 100000 150000 200000 250000 300000 350000 400000 450000 L ua s (H a ) Penggunaan Lahan
Perubahan Penggunaan Lahan Tahun 2006-2009
2006 (Ha) 2009 (Ha)
1. Tahap analisis perubahan (Change Analysis)
Pada tahap ini dihasilkan suatu grafik penambahan dan pengurangan luas tiap penggunaan lahan (Gambar 16). Warna hijau menunjukkan penambahan dan warna ungu menunjukkan pengurangan luas penggunaan lahan.
Gambar 16. Perubahan Luas Penggunaan Lahan Tahun 2000-2009
Pada Gambar 16 dapat dilihat bahwa perkebunan mengalami penambahan luas yang sangat besar yaitu 214.896 ha dan mengalami penurunan sebesar 36.747 ha. Hutan primer dan hutan sekunder mengalami penurunan luas yang cukup drastis masing-masing 210.605 ha dan 194.454 ha, namun penurunan luas hutan sekunder tersebut tidak sebanding dengan penambahan luasnya yang hanya sebesar 118.310 ha. Hutan tanaman mengalami penambahan luas sebesar 65.945 ha, sementara pemukiman luasnya hanya bertambah 591 ha. Pertambangan mengalami pengurangan cukup besar yaitu 19.331 ha, sementara luasnya hanya bertambah 52 ha.
2. Tahap penentuan kelas perubahan penggunaan lahan (Transition Potentials)
Pada periode 2000 – 2009 terjadi 21 kelas perubahan yang disajikan pada Gambar 17. Perubahan penggunaan lahan yang mendominasi pada periode 2000-2009 adalah perubahan hutan sekunder menjadi perkebunan yang ditunjukkan oleh poligon berwarna kuning. Perubahan tersebut sebagian besar terjadi di Kecamatan Bukit Batu, Siak Kecil dan Mandau. Sementara itu, perubahan hutan primer menjadi hutan sekunder juga mendominasi perubahan yang terjadi dan
28
ditunjukkan oleh poligon berwarna merah muda. Perubahan tersebut banyak terjadi di Kecamatan Pinggir, Bukit Batu dan Siak Kecil. Hutan primer juga mengalami perubahan yang cukup besar menjadi hutan tanaman, terutama terjadi di Kecamatan Rupat.
Gambar 17. Kelas Perubahan Penggunaan Lahan Tahun 2000-2009
3. Tahap penentuan input atau variabel pendorong dan pengujian nilai Cramer’s V
Beberapa variabel pendorong perubahan suatu penggunaan lahan diantaranya jarak ke jalan, jarak ke sungai, jarak ke pemukiman, kepadatan penduduk, pendapatan penduduk, lereng, tanah dan iklim. Jarak ke jalan, sungai dan pemukiman digunakan sebagai faktor perubahan dari segi budaya masyarakat, artinya semakin dekat penggunaan lahan terhadap jalan, sungai dan pemukiman maka semakin cepat perubahan penggunaan lahan yang terjadi. Kepadatan dan pendapatan penduduk termasuk ke dalam faktor sosial ekonomi yang mendorong perubahan, dimana faktor tersebut menggambarkan secara konkrit jumlah permintaan lahan pemukiman. Lereng, tanah dan iklim juga mempengaruhi berubahnya suatu penggunaan lahan. Dari beberapa variabel yang mempengaruhi perubahan penggunaan lahan, hanya 4 yang akan dimasukkan ke dalam model, yaitu jarak ke jalan, jarak ke sungai, jarak ke pemukiman, dan kepadatan penduduk (Gambar 18, 19, 20 dan 21). Lereng dan iklim tidak dimasukkan ke dalam model karena kondisi lereng dan iklim di Kabupaten Bengkalis cenderung
seragam. Sementara itu, pendapatan asli daerah tidak digunakan dalam model dikarenakan keterbatasan dalam memperoleh data.
Gambar 18. Jarak ke Jalan Gambar 19. Jarak ke Sungai
Gambar 20. Jarak ke Pemukiman Gambar 21. Kepadatan Penduduk
Keempat variabel diuji nilai Cramer’s V. Cramer’s V mengukur keterkaitan antara satu variabel dengan masing-masing penggunaan lahan dengan rentang nilai 0-1, dimana 0 menunjukkan tidak ada keterkaitan, sedangkan nilai 1 menunjukkan adanya keterkaitan erat antara variabel tersebut dengan penggunaan lahan. Adanya keterkaitan tersebut menunjukkan pengaruh masing-masing variabel untuk mendorong terjadinya perubahan penggunaan lahan. Nilai
Cramer’s V > 0,10 berarti variabel tersebut dapat digunakan dalam model. Nilai Cramer’s V masing-masing variabel dapat dilihat pada Lampiran 2. Terlihat bahwa keempat variabel tersebut memiliki nilai Cramer’s V lebih dari 0,1 sehingga variabel tersebut dapat dimasukkan ke dalam model.
30
Gambar 22. Pengujian Nilai Cramer’s V Variabel Jarak ke Pemukiman 4. Tahap menjalankan model
Sebelum menjalankan model, ANN akan menentukan dua kelas training sites, yaitu kelas yang berubah secara aktual (kelas 1), dan kelas yang memiliki syarat untuk berubah namun tidak pada kenyataannya (kelas 2). Masing-masing piksel dari kedua kelas tersebut akan di-training dan testing dengan bobot yang nilainya telah ditentukan secara acak (Lampiran 3 dan 4) dengan learning rate
dari 0,005 sampai 0,0001 (Gambar 23). Learning rate merupakan konstanta positif yang menunjukkan tingkat dari pembelajaran jaringan yang mengontrol seberapa besar perubahan bobot di setiap iterasi untuk mencapai nilai kesalahan sekecil mungkin.
Gambar 23. Kelas Training Sites Hutan Primer Menjadi Hutan Tanaman
Ketika model dijalankan, piksel yang telah ditentukan secara acak tersebut akan melalui tahap pembelajaran dan pengujian oleh jaringan sehingga model dapat menentukan hasil keluaran berupa peluang perubahan pada lokasi mana saja berdasarkan 4 variabel pendorong yang telah ditentukan. Grafik yang menunjukkan perbandingan antara RMS dan iterasi akan muncul. Dapat dilihat bahwa semakin meningkatnya iterasi atau ulangan, maka nilai kesalahan akan semakin menurun. Model akan berhenti apabila telah mencapai kondisi yang telah
ditentukan, yaitu iterasi 5000, RMS 0,0001 dan accuracy rate 100% (Gambar 24). Nilai iterasi 5000 merupakan nilai iterasi atau pengulangan terbaik yang disarankan dari software untuk mendapatkan hasil pemodelan yang baik. Nilai
RMS (Root Mean Square) merupakan nilai error atau kesalahan yang diharapkan sekecil mungkin yaitu mencapai 0,0001, sementara akurasi model sebesar 100% menunjukkan ketepatan model tersebut dalam memprediksi peluang perubahan penggunaan lahan yang terjadi. Walaupun keakuratan suatu model dengan kondisi dunia nyata tidak ada yang tepat 100%, dalam penelitian ini nilai tersebut diasumsikan sebagai nilai akurasi terbaik yang akan dihasilkan model.
Gambar 24. Grafik Perbandingan RMS dengan Iterasi dan Akurasi Model
Setelah kriteria model telah terpenuhi, maka tahap terakhir adalah menampilkan peta peluang perubahan. Peta peluang tersebut memiliki rentang nilai 0-1 dimana semakin mendekati 1 maka daerah tersebut berpeluang berubah menjadi penggunaan lahan lain. Berikut ini disajikan peta peluang perubahan hutan sekunder menjadi perkebunan, dimana daerah yang berwarna kuning sampai kemerahan memiliki nilai peluang cukup besar untuk berubah menjadi perkebunan.
32
Gambar 25. Peta Peluang Perubahan Hutan Sekunder Menjadi Perkebunan
Hasil pemodelan dari 21 kelas perubahan dapat dilihat secara rinci pada Lampiran 6. Berdasarkan hasil pemodelan, peluang hutan primer untuk berubah menjadi lahan terbuka dan perkebunan sangat kecil, yaitu kurang dari 0,11 untuk berubah menjadi lahan terbuka dan kurang dari 0,20 untuk berubah menjadi perkebunan. Hal ini disebabkan lokasi hutan primer tersebut sangat jauh dari akses jalan sehingga kurang efisien bila dimanfaatkan untuk perkebunan. Selain itu nilai Cramer’s V yang sangat rendah (bernilai = 0) pada variabel jarak ke jalan, sungai, pemukiman dan kepadatan penduduk menunjukkan bahwa tidak ada keterkaitan antara variabel tersebut dengan hutan primer untuk mendorong terjadinya perubahan (Lampiran 2). Berikut adalah gambar dari hasil pemodelan perubahan hutan primer dan lahan terbuka menjadi perkebunan.
(b)
Gambar 26. Hasil Pemodelan dan Peta Peluang Perubahan Hutan Primer Menjadi Lahan Terbuka (a) dan Perkebunan (b)
Walaupun nilai akurasi model cukup besar (89,50% dan 88,50%), belum tentu dapat menghasilkan nilai peluang perubahan yang cukup baik (antara ≥ 0,5 – 1). Fenomena ini kerap terjadi dalam pemodelan yang dinamakan over fitting. Sementara itu, pemodelan menunjukkan hasil akurasi yang baik pada perubahan hutan primer menjadi hutan sekunder, hutan tanaman dan semak belukar, yaitu 89,94%, 81,40% dan 95,29%.
Hasil pemodelan perubahan hutan sekunder menunjukkan akurasi model yang cukup baik, terutama untuk perubahan menjadi hutan tanaman dan perkebunan (97,62% dan 87,10%). Peluang perubahannya pun cukup besar, yaitu di beberapa lokasi mencapai nilai 0,99 untuk hutan tanaman dan perkebunan. Terlihat bahwa daerah yang berwara kuning sampai merah muda adalah daerah yang memiliki peluang cukup besar untuk berubah. Perubahan tersebut sebagian besar terjadi di kecamatan Pinggir, Siak Kecil dan Bukit Batu (Gambar 27).
(a) (b)
Gambar 27. Peta Peluang Perubahan Hutan Sekunder Menjadi Hutan Tanaman (a) dan Perkebunan (b)
34
Hal ini berkesesuaian dengan kondisi aktual dimana perubahan terbesar hutan sekunder adalah menjadi perkebunan dan hutan tanaman. Lokasinya yang dekat dengan akses jalan dan sungai memungkinkan terjadinya perubahan menjadi hutan tanaman dan perkebunan.
Sebagian besar arah atau pola perubahan di Kabupaten Bengkalis adalah menjadi perkebunan. Hasil pemodelan untuk lahan terbuka, pertanian dan semak belukar yang berubah menjadi perkebunan menunjukkan nilai akurasi dan nilai peluang yang cukup baik. Akurasi untuk perubahan lahan terbuka menjadi perkebunan adalah 80,60% dengan nilai peluang mencapai 0,99 pada lokasi tertentu, sedangkan nilai akurasi untuk pertanian dan semak belukar menjadi perkebunan berturut-turut 97,50% dan 87,00% dengan nilai peluang mencapai 0,98 dan 0,99 (Gambar 28). Hasil analisis keterkaitan menunjukkan bahwa perkebunan memiliki keterkaitan yang erat dengan kepadatan penduduk dan jarak ke pemukiman dengan nilai Cramer’s V 0,59 dan 0,28 (Lampiran 2). Terlihat bahwa perkebunan sebagian besar berada di kecamatan Pinggir, Bukit Batu, Rupat dan Siak Kecil dengan kepadatan penduduk kurang dari 40 jiwa per km2 dan jaraknya yang tidak terlalu dekat dengan pemukiman penduduk.
(a) (b)
(c)
Gambar 28. Peta Peluang Perubahan Lahan Terbuka (a), Pertanian (b) dan Semak Belukar (c) Menjadi Perkebunan
Peluang suatu penggunaan lahan untuk berubah menjadi penggunaan lahan lain juga ditentukan oleh besarnya ketersediaan lahan. Dari kondisi aktual, penggunaan lahan yang berubah menjadi perkebunan adalah hutan primer sebesar 25.007 ha, hutan sekunder 160.607 ha, lahan terbuka 16.438 ha, pertanian 8.451 ha dan semak belukar 4.392 ha. Apabila semua penggunaan lahan tersebut sudah tidak tersedia lagi, maka luasan perkebunan tidak akan bertambah pada tahun-tahun berikutnya akibat dari ketersediaan lahan yang dapat dikonversi telah habis. Besarnya luasan ketersediaan suatu lahan akan meningkatkan peluang terjadinya perubahan penggunaan lahan, begitu pula sebaliknya. Dalam penelitian ini, variabel ketersediaan lahan tidak dimasukkan ke dalam model karena pada hasil akhirnya tidak menunjukkan pengaruh yang berbeda pada akurasi model dan nilai peluang yang dihasilkan.