T-1
APLIKASI FUZZY SET DALAM EVALUASI KESESUAIAN LAHAN TANAMAN PADI
SAWAH BERBASIS SISTEM INFORMASI GEOGRAFIS
Tiwuk Widiastuti
Jurusan Ilmu Komputer, Fakultas Sains dan Teknik, Universitas Nusa Cendana Jl. Adisucipto-Penfui Kupang, Telp. (0380)8037977
ABSTRAK
Meningkatnya fungsi dan kemampuan geokomputasi, disertai dengan meningkatnya ketersediaan informasi tentang lahan menawarkan kesempatan penggunaan tools untuk manajemen yang efektif untuk keperluan perencanaan. Satu diantaranya adalah pengembangan model berbasis spasial yang dapat digunakan untuk melakukan penilaian kesesuaian lahan berdasarkan informasi yang tersedia. Penelitian ini mengevaluasi kesesuaian lahan dengan menggunakan pendekatan fuzzy set. Model fungsi yang digunakan untuk klasifikasi keanggotaan fuzzy dengan menggunakan pendekatan Semantic Import Model (SI) dengan kurva berbentuk lonceng. Tujuan dari penelitian ini adalah mengevaluasi kesesuaian lahan untuk tanaman padi sawah di DAS Samin Kabupaten Karanganyar dan Sukoharjo dengan menggunakan pendekatan fuzzy set. Analisa dilakukan berbasis Sistem Informasi Geografis. Hasil penelitian ini menunjukkan bahwa satuan lahan dengan kelas S1 (Sangat Sesuai) untuk kesesuaian pengembangan tanaman padi dengan luas 17,363 km2, kelas S2 (Cukup Sesuai) dengan luas satuan lahan 7.065 km2, sedangkan kelas S2 (Sesuai Marjinal) seluas 0,2507km2. Koefisien korelasi antara indeks kesesuaian lahan dan produktifitas sebesar 0.86
Kata Kunci: Kesesuaian Lahan, Fuzzy Set, Tanaman Padi, Sistem Informasi Geografi
1. PENDAHULUAN
Evaluasi lahan merupakan upaya penilaian atau penafsiran terhadap kinerja suatu lahan bila digunakan untuk suatu penggunaan. Evaluasi lahan digunakan untuk kepentingan perencanaan pembangunan dan pengembangan pertanian, data mengenai iklim, tanah dan sifat lingkungan fisik lainnya yang berpengaruh terhadap pertumbuhan tanaman. Penentuan jenis tanaman pangan yang sesuai ditanam pada lahan tertentu berdasarkan nilai-nilai karakteristik lahan sangat diperlukan sebagai pendukung pengambilan keputusan, koordinasi, dan pengendalian bagi para perencana penggunaan lahan. Produktivitas tanaman pangan tergantung pada kualitas lahan yang digunakan. Jika pada pemilihan lahan pada awal pembangunan tanaman evaluasi lahan tidak diperhatikan, maka kerugian (finansial) yang cukup besar akan terjadi nantinya.
Meningkatnya penggunaan dan kemampuan alat geocomputation, serta meningkatkan ketersediaan informasi sumberdaya lahan, menawarkan kesempatan untuk memanfaatkan alat tersebut untuk pengelolaan informasi yang efektif yang bertujuan untuk perencanaan. Satu di antaranya adalah pengembangan model berbasis spasial yang dapat digunakan untuk melakukan penilaian kesesuaian lahan berdasarkan informasi yang tersedia.
Evaluasi kesesuaian lahan berbasis Sistem Informasi Geografis (GIS) pada aplikasinya saat ini menggunakan faktor pembatas dengan menggunakan logika Boolean, dimana dalam logika ini hanya ada dua pilihan bobot dalam analisanya
yaitu 0 atau 1 sehingga akan dijumpai batas yang tegas antara satu kelas dengan yang lainnya.
Evaluasi tingkat kesesuaian lahan melalui pendekatan fuzzy set menggunakan nilai kuantitatif yang secara langsung dapat menggambarkan kondisi aktual mengenai tingkat produktivitas lahan yang dapat dicapai, sehingga dengan menggunakan pendekatan fuzzy set didapatkan nilai atau suatu ukuran yaitu, rentang antara 0 sampai 1 untuk suatu evaluasi kesesuaian lahan. Pemanfaatan GIS sangat efektif dalam evaluasi kesesuaian lahan yang melibatkan volume data yang besar dan format yang rumit, terutama dalam hal proses integrasinya. Dengan basis data yang terformat GIS memberikan fleksibilitas dalam pengelolaannya hingga dalam penyajian output mudah dimengerti oleh pengguna dan mudah dimutakhirkan. Tujuan penelitian ini adalah untuk menilai kesesuaian lahan tanaman padi sawah dengan metode fuzzy set di DAS Samin berdasarkan distribusi spasial.
2. METODE PENELITIAN
Evaluasi Kesesuaian Lahan dengan Pendekatan Fuzzy Set
Pada awal 1970 telah dilakukan pemodelan fuzzy spasial dengan menggunakan teori fuzzy set, terutama dalam analisa aplikasi GIS. Untuk mengatasi masalah ketidakpastian dan ketidaktepatan dalam GIS beberapa orang bereksperimen dengan menggunakan fuzzy set, diantaranya Burrough (1996), yang meneliti ketidakpastian dalam GIS dengan kasus khusus pada
batas tak tentu. Teori fuzzy set dapat mengatasi banyak masalah ketidakjelasan dan bahwa salah satu kekuatan dari fuzzy set adalah bahwa pendekatan fuzzy set dapat diterapkan dari banyak ketidakpastian yang ditemukan dalam sistem informasi spasial terutama GIS (Robinson,2003).
Ada beberapa cara untuk menghasilkan fungsi keanggotan pada fuzzy set. Menurut McBratney dan Odeh (1997); Baja, dkk (2006), untuk aplikasi lingkungan, ada dua pendekatan untuk mengelompokkan anggota ke dalam fuzzy set atau kelas . Pertama adalah Similarity Relation model (SR), dan yang kedua adalah berdasarkan Semantic Import Model (SIM).
Pendekatan fuzzy set dalam penelitian ini mengacu pada model impor semantik (SIM) yang digunakan dalam evaluasi lahan. Pendekatan fungsi dengan SIM menggunakan kurva bentuk lonceng (a bell-shape curve) untuk menilai kinerja (performance) karakteristik lahan dalam hubungannya dengan persyaratan tumbuh tanaman. Pendekatan dengan menggunakan kurva ini terdiri dari dua fungsi dasar yaitu fungsi simetrik (symmetric) dan fungsi tidak simetrik (asymmetric).
Kurva simetrik berlaku untuk karakteristik lahan yang memiliki kinerja optimum pada kisaran sedang, seperti pH dan tekstur tanah. Kurva simetrik terdiri dari dua jenis yang pertama digunakan pada atribut yang mempunyai satu nilai ideal. Persamaan yang digunakan adalah:
MFx i = [1/(1+{(xib)/d} 2
)]………...(1) dan 0 < MFxi < 1 dimana:
MFx : fungsi keanggotaan (membership function) setiap karakteristik lahan x yang ke i d : lebar zona transisi (yakni x pada MF = 0,5
atau pada crossover point, CP) xi : nilai x yang ke i
b : nilai ideal (ideal value) untuk karakteristik lahan xi
Kurva simetrik kedua berlaku untuk atribut yang mempunyai nilai ideal berupa rentang. Persamaan yang digunakan adalah:
MF(xi) = 1 if (LCP + d1) ≤ x1 ≥ (UCP – d2)...(2)
LCP : Lower Crossover Point UCP : Upper Crossover Point d1 : Lebar zona transisi 1 d2 : Lebar zona transisi 2
Kurva tidak simetrik (asymmetric) terdiri dari kurva tidak simetrik kiri dan tidak simetrik kanan. Kurva tidak simetrik kiri digunakan untuk menilai karakteristik lahan yang memiliki sifat semakin besar semakin baik (more is better) seperti kedalaman efektif, KTK, dll. Persamaan yang dipakai adalah:
MFxi = [1/(1 + {(xi – LCP-d1)/d1} 2
] jika xi < (LCP + d1)………….………. .. ... (3)
Kurva tidak simetrik kanan berlaku untuk karakteristik lahan yang memiliki sifat semakin kecil semakin baik (less is better), seperti lereng, batuan dipermukaan, dll. Persamaan yang dipakai:
MFxi = [1/(1 + {(xi – UCP+d2)/d2}2] jika xi > (UCP-
d2) ………...(4)
Gambar 1. Kurva Model Lonceng dalam Fuzzy Set
Perhitungan menggunakan formula fungsi keanggotaan (membership function) yang akan menentukan derajat keanggotaan dari x dalam A. Setelah itu perhitungan dilanjutkan dengan menghitung nilai fungsi keanggotaan group JMF (Joint Membership Function). Karena ada n karakteristik lahan yang dinilai, nilai-nilai MF dari karakteristik masing-masing lahan kemudian digabungkan menghasilkan JMF, Y sebagai berikut:
JMF (Y) MF ()
adalah bobot faktor untuk i pada MF parameter lahan x ke i.
Bobot faktor kriteria dengan menggunakan 2FD (2 Fold Difference) ditentukan menurut kepentingan dalam peringkat. Dalam pembobotan, atribut tanah dikelompokkan ke dalam kelas kategori peringkat menurut kepentingan dalam urutan.
T-3
Kerangka Kerja Penentuan Satuan Lahan
Gambar 2. Kerangka Kerja Penentuan Satuan Lahan
Pada tahap awal analisis ini untuk memproduksi peta tematik yang berupa satuan lahan. Teknik ini dilakukan dengan dengan cara menumpang susunkan (overlay) peta-peta dasar. Overlay merupakan proses integrasi data dari lapisan-lapisan layer yang berbeda. Secara analisa membutuhkan lebih dari satu layer yang akan ditumpang susun secara fisik agar bisa dianalisa secara visual. Peta satuan lahan diperoleh dengan cara menumpang susunkan peta-peta dasar antara lain peta lereng, peta tanah, peta geologi dan peta penggunaan lahan, yang bertujuan untuk mendapatkan peta satuan lahan yang digunakan sebagai satuan analisis data. Menghitung Indeks Kesesuaian Lahan
Komponen yang digunakan dalam membangun indeks kesesuan lahan:
1. Skenario penggunaan lahan
Skenario penggunaan lahan dalam penelitian ini adalah evaluasi tanaman padi sawah.
2. Persyaratan/pembatasan
Jenis persyaratan / pembatasan tergantung pada skenario penggunaan lahan yang dipilih. Kebutuhan akan mencakup serangkaian informasi seperti fisik, kimia tanah, topografi dan iklim.
Tabel 1. Karakteristik Lahan untuk Tanaman Padi Sawah No Karakteristik Lahan 1 Temperatur - Rata-rata tahunan 2 Ketersediaan air - Bulan kering - Curah hujan tahun 3 Media Perakaran - Drainase - Tekstur - Kedalaman Efektif (cm) 4 Retensi Hara - KTK - pH Tanah 5 Hara Tersedia - N Total - P2O5 - K2O 6 Terrain/Potensi Mekanisasi - Lereng - Batuan Permukaan - Singkapan Batuan Model Fungsi/ metode pengindeksan
Metode fuzzy set digunakan dalam membangun indeks kesesuaian lahan untuk tanaman padi sawah dan SIG digunakan untuk memfasilitasi hasil dari indeks kesesuaian lahan yang dibangun.
Gambar 3. Skema Penghitungan Indeks Kesesuaian Lahan
3. HASIL DAN DISKUSI 3.1 Satuan Lahan
Berdasarkan hasil analisis overlay atau tumpang susun peta dasar, dihasilkan 152 jenis satuan lahan yang tersebar di daerah penelitian. Satuan lahan sebagai satuan analisis, maka pada setiap satuan lahan yang ada dilakukan pengamatan di lapangan. Satuan lahan dengan penggunaan lahan berupa pemukiman dan sungai tidak dilakukan analisis, karena kemungkinan perubahan penggunaan lahan permukiman menjadi lahan pertanian sulit dilakukan. Sungai tidak dimasukkan dalam analisis karena tidak memungkinkan untuk ditanami sebagai lahan pertanian. Terdapat 33 satuan lahan dengan penggunaan lahan berupa pemukiman dan 3 satuan lahan dengan penggunaan lahan sungai. Sehingga satuan lahan yang dianalisis sejumlah 116 satuan lahan.
Pengukuran kualitas dan karakteristik fisik tanah tidak dilakukan pada setiap satuan lahan, tetapi hanya pada salah satu satuan lahan yang empunyai kesamaan unsur penyusun, yaitu kesamaan morfologi luar dan morfologi dalam. Pemberian nama untuk masing-masing satuan lahan adalah dengan menggunakan simbol dari setiap unsur yang menyusun satuan lahan secara berurutan mulai dari jenis tanah, jenis batuan, kemiringan lereng dan penggunaan lahan.
Gambar 3. Peta Satuan Lahan DAS Samin
Tabel 2 Kriteria Evaluasi Lahan dan Parameter Membership Function untuk Tanaman Padi Sawah
Tabel 3 Kategori Pengukuran Lahan dalam Skala Ordinal
Perhitungan dengan menggunakan fuzzy set sangat penting untuk memeriksa setiap parameter untuk model SI yang sesuai yang memenuhi setiap kriteria keputusan. Pemilihan model tergantung pada ‘trend of performance’ dari masing-masing atribut lahan (Baja, dkk.,2006). Model parameter dilihat pada Tabel dibawah ini termasuk LCP (Lower Crossover Point), b (titik ideal), UCP (Upper Crossover Point), dan d (lebar zona transisi). LCP dan UCP mewakili keadaan lahan yang dianalisa pada tingkat marjinal untuk tujuan tertentu. Misalnya temperatur rata-rata tahunan menggunakan bentuk model simetris yang mempunyai tingkat optimal dalam nilai rentang (Persamaan 2), direpresentasikan dalam bentuk cardinal (C) dengan tingkat optimal dalam kisaran 24-29, sementara LCP dan UCP ditetapkan sebesar 22 dan 32 (Gambar 4).
Gambar 4. MF untuk Temperatur Rata-Rata b
T-5
Bulan kering, yang disajikan dalam bentuk cardinal (C), Tabel 3, menggunakan fungsi asimetris kanan (Persamaan 4), karena performa lahan akan semakin baik dengan semakin kecilnya jumlah bulan kering. Nilai bulan kering optimal (b) adalah 3 bulan., sementara UCP (nilai marjinal) ditetapkan sebesar 9 bulan (Gambar 3), sedangkan untuk nilai KTK disajikan dalam bentuk skala ordinal yang terdiri dari lima kelas kategori: 1, 2, 3, 4 dan 5 yang mewakili sangat rendah, rendah, sedang, tinggi dan sangat tinggi. KTK menggunakan fungsi asimetris kiri (Persamaan 2), karena fungsi kualitas lahan akan semakin baik dengan meningkatnya nilai KTK. Nilai KTK optimal (b) pada kelas ke 3 dan nilai ambang batas (LCP) pada kelas 1 (Gambar 5).Gambar 5. MF untuk Bulan Kering
Gambar 6. MF untuk Kapasitas Tukar Kation
Setelah parameter model ditentukan langkah selanjutnya adalah menghitung JMF atribut gabungan, menetapkan bobot kriteria yang tepat untuk mendapatkan Indeks Kesesuaian Lahan yang dinyatakan dalam nilai kontinu, mulai dari 0 sampai 1. Bobot kriteria dengan menggunakan 2FD ditentukan menurut kepentingan dalam peringkat. Dalam pembobotan, atribut tanah dikelompokkan ke dalam kategori peringkat menurut kepentingan dalam urutan. Dalam peringkat menurut kepentingan dalam usaha tani padi sawah serta potensi produktivitas ditentukan oleh faktor-faktor yang dapat dikelompokkan ke dalam iklim, sifat-sifat fisik, kimia dan biologi tanah. Dalam penelitian ini atribut tanah dikelompokkan ke dalam tiga kategori urutan: kelompok I (Profil Tanah:
KTK, pH tanah, N total, P2O5, K2O), kelompok ini
relatif lebih mudah dikuasai oleh manusia, kekurangan unsur-unsur ini dapat diatasi dengan mudah dengan unsur; kelompok II (topografi: drainase tanah, tekstur, kedalaman efektif, batuan permukaan, singkapan batuan, lereng) faktor ini sampai batas-batas tertentu sudah dapat dikuasai manusia; dan kelompok III hara (iklim: temperatur, bulan kering, curah hujan) karena faktor ini belum dapat dikuasai oleh manusia (Soetriono, 2006:10). Kelompok I : profil tanah: KTK, pH tanah, N
total, P2O5, K2O
Kelompok II : topografi: drainase, tekstur, kedalaman efektif, lereng, batuan permukaan, singkapan batuan Kelompok III: iklim: temperatur, bulan kering, curah
hujan
Analisa sensitivitas Indeks Kesesuaian Lahan dan produktivitas padi dengan menggunakan regresi linier sederhana. Dalam pengumpulan data produktivitas tidak memperhatikan faktor biaya produksi, tetapi hanya mempertimbangkan pada hasil padi pada lahan sawah. Satuan lahan yang mempunyai penggunaan lahan berupa sawah adalah satuan analisis untuk memperoleh data. Berdasarkan pada hasil analisis data terdapat 28 satuan lahan yang mempunyai penggunaan lahan berupa sawah.
Dalam perhitungan produktivitas digunakan rumus berikut:
Q = Ci x Ls Keterangan:
Q : Produksi padi pertahun (ton/Ha/tahun) Ci : Intensitas Pertanaman (kali/tahun) Ls : Hasil produksi padi setiap kali panen
(ton/Ha) b = – = = 7,590
a =
- b = – !"#$% & = 6,411- 6,046 = 0,364 Y = a + b X Y = 0,364 + 7,590 XKoefisien korelasi (r): r = – '( )( )
=
*+ ,+ , = = 0,86Nilai r = 0,86 menunjukkan bahwa peubah X (LSI) dan Y (produktivitas) berkorelasi linier yang positif dan tinggi.
Koefisien determinasi (R): R = r2
R = (0,86)2 = 0,7356 = 74 %
Nilai R = 74% menjelaskan bahwa tingkat produktifitas sebesar 74% dipengaruhi oleh tingkat nilai Indeks Kesesuaian Lahan
4. SIMPULAN
Berdasarkan hasil penelitian, maka dapat disimpulkan:
1. Berdasarkan hasil penelitian berupa peta satuan lahan dengan indeks kesesuaian lahan tanaman
padi sawah di DAS Samin dengan metode fuzzy set didapat kelas kesesuaian lahan S3 (sesuai marjinal) dengan indeks fuzzy set 0.4 - 0.6 dengan luas 0,250730535 km2 , kelas kesesuaian lahan S2 (Cukup Sesuai) dengan indeks 0.6 -0.8 dengan luas satuan lahan 7.0655288 km2 dan kelas kesesuaian lahan S1(Sangat Sesuai) dengan indeks 0.8- 1.0 dengan luas total 17.3634453 km2
2. Dari perhitungan koefisien korelasi linier (r) didapat nilai r = 0.86 (korelasi positif). Nilai koefisien korelasi ini menunjukkan derajat keeratan hubungan antara Indeks Kesesuaian Lahan dan produktivitas padi, dan terdapat hubungan antara Indeks Kesesuaian Lahan dan tingkat produktifitas padi adalah kuat, dan bernilai positif. Hal ini menunjukkan bahwa hubungannya searah, semakin tinggi nilai Indeks Kesesuaian Lahan, semakin baik tingkat produktifitas padi.
3. Nilai koefisien determinasi R = 0.7356 = 0.74% menjelaskan bahwa tingkat produktifitas sebesar 74% dipengaruhi oleh tingkat nilai Indeks Kesesuaian Lahan.
T-7
DAFTAR PUSTAKA
Baja, S., Chapman, Dragovic, D. Fuzzy Modelling Of Environmental Suitability Index For Rural Land Use Systems: An Assessment Using A GIS. Environmental Management vol 29, 2006. pp. 647-661.
Baja, S., Ramli, M., dan Jayadi, M. Fuzzy Decision Analysis in Land Suitability Evaluation: A Tool For Precision Land Management Interpretation. Http//: www. GIS Development.net, diakses tgl 20 Desember 2010
BPPT Sulawesi Tengah. Teknologi Pendukung Pengembangan Agribisnis di Desa P4MI, Badan Pengembangan dan Pengkajian Penelitian Sulawesi Tengah. 2008.
Fereydoon, S., Fereydoon, K A., Rajabpour., dan Askari. Application of MCDM method in Fuzzy Modeling of Land Suitability Evaluation. 2010 19th World Congress of Soil Science, Soil Solutions for a Changing World 1 – 6 August 2010, Brisbane, Australia. 2010.
Jang, JSR., Sun ,C.T., dan Mizutani. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice-Hall International, Inc. 1997.
Kusumadewi., dan Purnomo H. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu. 2010.
Ritung, S., Wahyunto., Famuddin, A., dan Hidayat, H., Panduan Evaluasi Kesesuaian Lahan. Bogor: Balai Penelitian Tanah dan World Agroforestry Centre (ICRAF). 2007. Riyanto, E. PP., dan Indelarko, H. Pengembangan
Aplikasi Sistem Informasi Geografis, Yogyakarta: Penerbit Gava Media. 2009. Robinson, B. A Perspective on the Fundamentals of
Fuzzy sets and their Use in Geographic Information Systems. Transactions in GIS ,7(1): 3Ð30. 2003.
Rosmarkam, A., dan Yuwono, Nasih W. Ilmu Kesuburan Tanah. Yogyakarta: Penerbit Kanisius. 2002.
Samranpong, C., dan Pollino C. Comparison of two modelling approaches for an integrated crop economic model. 18th World IMACS / MODSIM Congress, Cairns, Australia 13-17 July 2009
Sitorus, S. R.P. Evaluasi Sumber Daya Lahan. Bandung: Tarsito. 1995.
