a12kta

i

PEMODELAN PERUBAHAN PENGGUNAAN LAHAN DENGAN

PENDEKATAN ARTIFICIAL NEURAL NETWORK

(Studi Kasus: Kabupaten Bengkalis, Provinsi Riau)

KRISWINDYA TASHA

A14070030

PROGRAM STUDI MANAJEMEN SUMBERDAYA LAHAN

DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN

FAKULTAS PERTANIAN

INSTITUT PERTANIAN BOGOR

2012

ii

RINGKASAN

KRISWINDYA TASHA. Pemodelan Perubahan Penggunaan Lahan dengan

Pendekatan Artificial Neural Network (Studi Kasus: Kabupaten Bengkalis,

Provinsi Riau). Dibimbing oleh MUHAMMAD ARDIANSYAH dan

KOMARSA GANDASASMITA

Perubahan penggunaan lahan merupakan semua bentuk intervensi (campur

tangan) manusia terhadap lahan dalam rangka memenuhi kebutuhan hidup baik

materiil maupun spiritual. Perubahan tersebut akan terus berlangsung sejalan

dengan meningkatnya jumlah dan aktifitas penduduk dalam menjalankan

kehidupan ekonomi, sosial dan budaya. Sebagian besar penelitian untuk

menganalisis perubahan penggunaan lahan ke depan didasarkan pada penggunaan

suatu model. Pemodelan perubahan penggunaan lahan merupakan suatu metode

atau pendekatan yang dapat digunakan untuk memahami penyebab dan dampak

yang ditimbulkan dari perubahan yang bersifat dinamis tersebut. Metode Artificial

Neural Network (ANN) digunakan dalam penelitian ini untuk menentukan lokasi

atau daerah mana saja dari penggunaan lahan hutan dan semak belukar yang

berpotensi berubah menjadi perkebunan serta menguji kemampuan prediksi yang

akan dihasilkan model. Penelitian ini bertujuan (1) memprediksi penggunaan

lahan dan perubahan penggunaan lahan di Kabupaten Bengkalis pada tahun 2000,

2003, 2006 dan 2009, (2) membangun model perubahan penggunaan lahan

dengan metode ANN dan (3) proyeksi penggunaan lahan Kabupaten Bengkalis

tahun 2018.

Penggunaan lahan terbesar di Kabupaten Bengkalis adalah perkebunan dan

hutan sekunder. Luas perkebunan mencapai 403.770 ha (48%) pada tahun 2009,

sedangkan hutan sekunder memiliki luas 152.700 ha (18%). Pada periode 2000-

2003 hutan primer mengalami penurunan luas cukup besar yaitu 210.480 ha.

Hutan tanaman dan perkebunan meningkat sebesar 70.040 ha dan 16.100 ha pada

periode 2003-2006. Pada periode 2006-2009 hutan sekunder mengalami

penurunan luas sangat drastis (167.470 ha) sementara perkebunan dan pertanian

luasnya bertambah cukup signifikan berturut-turut 161.650 ha dan 48.190 ha.

Hasil pemodelan dengan ANN menunjukkan hasil akurasi yang cukup baik

dengan rata-rata 85%. Terlihat bahwa peluang hutan dan semak belukar untuk

berubah menjadi perkebunan cukup tinggi, bahkan mencapai nilai 0,99. Proyeksi

penggunaan lahan dengan Markov Chain menunjukkan bahwa pada tahun 2018

perkebunan mendominasi hampir 58% dari total luas wilayah di Kabupaten

Bengkalis.

Kata kunci: Penggunaan Lahan, Pemodelan Perubahan Penggunaan Lahan,

Artificial Neural Network

iii

SUMMARY

KRISWINDYA TASHA. Land Use Change Modelling using Artificial Neural

Network (A Case Study of Bengkalis District, Riau Province). Supervised by

MUHAMMAD ARDIANSYAH and KOMARSA GANDASASMITA

Land use change is the result of policy intervention or as by products of

other human actions or natural developments. Predicting land use and land use

change in the future basically based on the use of model. Land use change models

are important method for understanding the causes and consequences of land use

dynamics. The objectives of this research are (1) to detect land use and land use

change during 2000, 2003, 2006 and 2009, (2) to develop a land use change

model using Artificial Neural Network and (3) to predict the land use in Bengkalis

District in the year of 2018. Bengkalis district was dominated by plantation and

secondary forest. In 2009 plantation occupied up to 403.770 ha (48%) whereas

secondary forest occupied 152.700 ha (18%). During 2000-2003 primary forest

decreased dramatically for about 210.480 ha. Forest of crop and plantation are

increased for about 70.040 ha and 16.100 ha respectively. In the period 2006-2009

secondary forest decreased (up to 167.470 ha) whereas at the same time plantation

and agriculture increase significantly for about 161.650 ha and 48.190 ha. The

result of using Artificial Neural Network produced a fairly good accuracy by an

average of 85%. It shows that the opportunities for the forest and shrub to

transformed into plantation are quite high, up to 0,99. Prediction of land use using

Markov Chain in 2018 showed that plantation will dominate almost 58% of the

total area of Bengkalis District.

Keywords : Land Use, Land Use Change Modelling, Artificial Neural Network

iv

PEMODELAN PERUBAHAN PENGGUNAAN LAHAN DENGAN

PENDEKATAN ARTIFICIAL NEURAL NETWORK


Oleh:

KRISWINDYA TASHA

A14070030

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Pertanian pada Fakultas Pertanian

Institut Pertanian Bogor

PROGRAM STUDI MANAJEMEN SUMBERDAYA LAHAN

DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN

FAKULTAS PERTANIAN

INSTITUT PERTANIAN BOGOR

2012

v

Judul Skripsi : Pemodelan Perubahan Penggunaan Lahan dengan

Pendekatan Artificial Neural Network


Nama Mahasiswa : Kriswindya Tasha

Nomor Pokok : A14070030

Menyetujui,

Pembimbing I Pembimbing II

Dr. Ir. Muhammad Ardiansyah

NIP . 19630604 198811 1 001

Dr.Ir. Komarsa Gandasasmita, M. Sc

NIP. 19550111 197603 1 001

Mengetahui,

Ketua Departemen Ilmu Tanah dan Sumberdaya Lahan

Dr. Ir. Syaiful Anwar, M.Sc

NIP. 19621113 198703 1 003

Tanggal Lulus:

vi

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 5 Juli 1989 sebagai anak kedua

dari tiga bersaudara pasangan Kristianto dan Anie Kristiani. Penulis memulai

pendidikan formal pertama di Taman Kanak-kanak (TK) Khodijah Tomang,

Jakarta yang diselesaikan pada tahun 1995. Kemudian penulis melanjutkan

pendidikan ke SD Sumbangsih 2 Grogol dan lulus pada tahun 2001. Pada tahun

yang sama penulis melanjutkan pendidikan di SMP Sumbangsih 2 Grogol dan

menyelesaikan pendidikan pada tahun 2004. Selanjutnya penulis melanjutkan

pendidikan dari tahun 2004-2007 di SMUN 8 Jakarta. Pada tahun 2007 penulis

diterima di Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB

(USMI).

Selama masa perkuliahan, penulis terlibat aktif dalam kepengurusan Unit

Kegiatan Mahasiswa Paduan Suara Mahasiswa IPB Agria Swara periode 2008-

2009 dan 2009-2010 sebagai kepala divisi Pengembangan Sumberdaya Manusia.

Penulis juga aktif mengikuti berbagai perlombaan bersama PSM IPB Agria Swara

di Bandung, Jakarta dan Rimini, Italia. Penulis juga berkesempatan menjadi

asisten praktikum mata kuliah Penginderaan Jauh dan Interpretasi Citra.

vii

KATA PENGANTAR

Puji dan syukur ke hadirat Allah SWT yang telah melimpahkan rahmat

dan karunia-Nya sehingga penulis dapat menyelesaikan penelitian dan penulisan

skripsi ini. Penelitian ini berjudul Pemodelan Perubahan Penggunaan Lahan

dengan Pendekatan Artificial Neural Network (Studi Kasus: Kabupaten Bengkalis,

Provinsi Riau). Skripsi ini merupakan hasil penelitian sebagai salah satu syarat

untuk memperoleh gelar Sarjana Pertanian dari Departemen Ilmu Tanah dan

Sumberdaya Lahan, Fakultas Pertanian, Institut Pertanian Bogor.

Penulis menyadari bahwa dalam menyelesaikan skripsi ini tidak lepas dari

bantuan berbagai pihak. Pada kesempatan ini, penulis menyampaikan ucapan

terima kasih kepada:

1. Dr. Ir. Muhammad Ardiansyah selaku pembimbing I yang telah

memberikan arahan dan bimbingan selama kegiatan penelitian dan

penulisan skripsi.

2. Dr. Ir. Komarsa Gandasasmita, M. Sc selaku pembimbing II yang telah

memberikan motivasi dan masukan bagi penulis selama kegiatan

penelitian dan penulisan skripsi.

3. Dr. Khursatul Munibah, M. Sc selaku dosen penguji yang telah

memberikan masukan bagi penulis dalam penulisan skripsi.

4. Papa dan Mama tersayang, Kakak dan Adik tercinta atas doa, perhatian,

motivasi serta dukungan moral dan spiritual yang tak kunjung berhenti

kepada penulis.

5. Teman-teman seperjuangan (Ardita Oktaviana, Fitria Nisaul Hakim, Heny

Emilia, Ria Larastiti, Frizka Amalia, Aminia Novriani, Winda dan Milki)

atas dukungan dan motivasi yang telah diberikan.

6. Teman-teman PSM IPB Agria Swara (Novia, Nase, Fajri, Pipit, Fata, Vino,

Fikri, Yuli, Merry) atas dukungan yang telah diberikan serta Fariz AM

Kurniawan atas waktu, perhatian dan semangat selama ini kepada penulis.

7. Saudara-saudara SOIL 44 terutama teman seperjuangan di lab PPJ (Farid,

Ika, Hana, Tia, Adi, Herdianto, Herdian, Melin, Ranti, Aul, Roma) atas

saran dan motivasi kepada penulis.

viii

8. Kakak-kakak di CCROM (Kak Sisi, Kak Gito, Kak Ihsan) atas bantuan

dan saran kepada penulis.

9. Semua pihak yang turut membantu kegiatan penelitian dan penyusunan

skripsi ini yang tidak dapat disebutkan satu persatu.

Bogor, Maret 2012

Kriswindya Tasha

ix

DAFTAR ISI

Halaman

RINGKASAN... ii

SUMMARY... iii

RIWAYAT HIDUP...... vi

KATA PENGANTAR.......... vii

DAFTAR ISI.... ix

DAFTAR TABEL.... xi

DAFTAR GAMBAR.... xii

BAB I PENDAHULUAN. 1

1.1 Latar Belakang. 1

1.2 Tujuan Penelitian.......... 3

BAB II TINJAUAN PUSTAKA. 4

2.1 Penggunaan Lahan dan Perubahan Penggunaan Lahan....... 4

2.2 Pemodelan Perubahan Penggunaan Lahan.. 5

2.2.1 Pengertian Model.. 5

2.2.2 Pemodelan Perubahan Penggunaan Lahan dengan metode

ANN 6

2.3 Proyeksi menggunakan Markov Chain............................................ 7

BAB III METODOLOGI PENELITIAN.. 9

3.1 Waktu dan Tempat Penelitian...... 9

3.2 Bahan dan Alat. 9

3.3 Metode Penelitian. 9

3.3.1 Tahap Persiapan.. 10

3.3.2 Tahap Pengolahan Data... 10

3.3.3 Tahap Pembuatan Model dan Peta Proyeksi Penggunaan

Lahan...... 11

BAB IV KONDISI UMUM LOKASI PENELITIAN... 17

4.1 Letak Geografis 17

4.2 Topografi...... 18

4.3 Iklim. 18

4.4 Kependudukan. 19

4.5 Mata Pencaharian..... 20

x

4.6 Pendidikan.................... 20

BAB V HASIL DAN PEMBAHASAN... 22

5.1 Penggunaan Lahan di Kabupaten Bengkalis ... 22

5.2 Deteksi Perubahan Penggunaan Lahan Kabupaten Bengkalis. 23

5.2.1 Perubahan Penggunaan Lahan Tahun 2000-2003... 23

5.2.2 Perubahan Penggunaan Lahan Tahun 2003-2006... 24

5.2.3 Perubahan Penggunaan Lahan Tahun 2006-2009 25

5.3 Model Perubahan Penggunaan Lahan dengan Metode Artificial

Neural Network.... 26

5.4 Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018. 35

5.5 Validasi Model 39

BAB VI KESIMPULAN DAN SARAN. 42

6.1 Kesimpulan...... 42

6.2 Saran.... 42

DAFTAR PUSTAKA... 43

LAMPIRAN.. 46

xi

DAFTAR TABEL

No Halaman

Teks

1. Bahan yang digunakan dalam penelitian... 9

2. Software yang digunakan dalam penelitian... 9

3. Kepadatan Penduduk Bengkalis Menurut Kecamatan Tahun 2009.. 19

4. Sektor Mata Pencaharian Penduduk Kabupaten Bengkalis.. 20

5. Luas Penggunaan Lahan Kabupaten Bengkalis Tahun 2000, 2003,

2006 dan 2009................................................................................... 22

6. Luas Penggunaan Lahan Kabupaten Bengkalis Tahun 2018 39

Lampiran

1. Matriks Transisi Penggunaan Lahan Kabupaten Bengkalis Tahun 2000-2003 (Ha); 2003-2006 (Ha); 2006-2009 (Ha).. 47

2. Nilai Cramers V masing-masing variabel............... 49

3. Bobot antara input layer dan hidden layer (Wij) masing-masing kelas perubahan penggunaan lahan.. 51

4. Bobot antara hidden layer dan output layer (Wjk) masing-masing kelas perubahan penggunaan lahan.. 52

5. Klasifikasi Penggunaan Lahan Versi Badan Planologi Kementrian Kehutanan. 53

6. Kelas Training Sites, Hasil Pemodelan dan Peta Peluang Perubahan. 54

xii

DAFTAR GAMBAR

No. Halaman

Teks

1. Ilustrasi Multi-layer Perceptron 7

2. Tampilan Aplikasi Land Change Modeler................. 11

3. Tampilan Kelas Perubahan yang akan Dimodelkan 12

4. Tampilan Tahap Pengujian Nilai Cramers V.... 13

5. Tampilan Tahap Pemodelan dengan ANN... 13

6. Topologi Jaringan. 14

7. Tampilan Tahap Proyeksi Penggunaan Lahan. 14

8. Matriks Transisi....... 15

9. Diagram Alir Penelitian............................................................... 16

10. Peta Administrasi Kabupaten Bengkalis.. 18

11. Presentase Penyebaran Jumlah Penduduk Kabupaten Bengkalis Menurut Kecamatan Tahun 2009. 19

12. Banyaknya Sarana Pendidikan di Kabupaten Bengkalis Tahun 2009.. 21

13. Perubahan Penggunaan Lahan Tahun 2000-2003 24



16. Perubahan Luas Penggunaan Lahan Tahun 2000-2009... 27

17. Kelas Perubahan Penggunaan Lahan Tahun 2000-2009.. 28

18. Jarak ke Jalan... 29

19. Jarak ke Sungai.... 29

20. Jarak ke Pemukiman 29

21. Kepadatan Penduduk.... 29

22. Pengujian Nilai Cramers V Jarak ke Pemukiman... 30

23. Kelas Training Sites Hutan Primer Menjadi Hutan Tanaman. 30

24. Grafik Perbandingan RMS dengan Iterasi dan Akurasi Model... 30

25. Peta Peluang Perubahan Hutan Sekunder Menjadi Perkebunan.. 31

26. Hasil Pemodelan dan Peta Peluang Perubahan Hutan Primer Menjadi Lahan Terbuka (a) dan Perkebunan (b). 32

xiii

27. Peta Peluang Perubahan Hutan Sekunder Menjadi Hutan Tanaman (a) dan Perkebunan (b). 33

28. Peta Peluang Perubahan Lahan Terbuka (a), Pertanian (b) dan Semak Belukar (c) Menjadi Perkebunan.. 34

29. Matriks Peluang Perubahan Penggunaan Lahan (Skenario BAU) 35

30. Peta Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018 (Skenario BAU).. 37

31. Matriks Peluang Perubahan Penggunaan Lahan (Tidak ada konversi hutan primer dan sekunder)... 38

32. Peta proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018 (Tidak ada konversi hutan primer dan sekunder) 38

33. Peta Hasil Reklasifikasi Hutan Sekunder (a), Lahan Terbuka (b), Pertanian (c) dan Semak Belukar (d) menjadi Perkebunan... 40

34. Peta Peluang Perkebunan Hasil Pemodelan ANN... 40

35. Peta Perkebunan Tahun 2009... 40

36. Peta Hasil Overlay antara Peluang Perkebunan Hasil Pemodelan ANN dengan Peta Perkebunan Tahun 2018.. 40

37. Peta Hasil Overlay antara Peta Peluang Perkebunan Hasil Pemodelan ANN dan Peta Perkebunan Tahun 2010 41

Lampiran

7. Peta Penggunaan Lahan Kabupaten Bengkalis Tahun 2000, 2003, 2006 dan 2009 62

I. PENDAHULUAN

1.1 Latar Belakang

Perubahan penggunaan lahan merupakan semua bentuk intervensi (campur

tangan) manusia terhadap lahan dalam rangka memenuhi kebutuhan hidup baik

materiil maupun spiritual (Arsyad, 1989). Perubahan tersebut akan terus

berlangsung sejalan dengan meningkatnya jumlah dan aktifitas penduduk dalam

menjalankan kehidupan ekonomi, sosial dan budaya, yang pada akhirnya

berdampak positif maupun negatif akibat perubahan penggunaan lahan tersebut.

Perubahan penggunaan lahan dari hutan ke non-hutan misalnya, dapat

mengakibatkan menurunnya daya kemampuan hutan untuk menjalankan fungsi

ekologisnya sehingga dapat menimbulkan dampak pada lingkungan yang serius

seperti perubahan iklim, berkurangnya keanekaragaman hayati dan ketersediaan

sumber daya air serta terjadinya erosi tanah (Basyar, 1999).

Sebagian besar penelitian untuk menganalisis perubahan penggunaan

lahan didasarkan pada penggunaan suatu model (Lambin et al., 2000). Pemodelan

perubahan penggunaan lahan merupakan suatu teknik yang dapat digunakan untuk

memahami penyebab dan dampak yang ditimbulkan dari perubahan yang bersifat

dinamis tersebut (Veldkamp dan Lambin, 2001). Wijaya (2011) melakukan

pemodelan perubahan penggunaan lahan di Kabupaten Siak untuk memahami

proses dan pola perubahan yang terjadi serta faktor-faktor yang mendorong

perubahan tersebut. Veldkamp dan Fresco (1995) melakukan pemodelan dengan

tujuan untuk mengetahui dampak dari perubahan faktor demografi dan biofisik

pada penggunaan atau penutupan lahan di Costa Rica, termasuk timbal balik dari

penggunaan atau penutupan lahan itu sendiri terhadap faktor di atas. Selain itu,

model perubahan penggunaan lahan sering digunakan sebagai input atau masukan

dalam penelitian dampak lingkungan, misalnya digunakan sebagai input untuk

menghitung polusi udara, emisi, erosi, dan lain-lain (King et al., 1989). Hasil

analisis akhir dari pemodelan perubahan penggunaan lahan dapat digunakan untuk

mendukung perencanaan dan kebijakan penggunaan lahan di masa yang akan

datang.

2

Berbagai metode untuk melakukan pemodelan perubahan penggunaan

lahan telah diterapkan oleh beberapa peneliti. Wijaya (2011) melakukan

pemodelan dengan metode Multinomial Logistic Regression (MLR). Model yang

telah berhasil dibangun mampu menjelaskan sebagian besar variasi dari perubahan

penggunaan lahan di lokasi penelitian. Wu et al. (2006) menggunakan analisis

regresi untuk memodelkan perubahan penggunaan lahan di kota Beijing, Cina dan

melakukan prediksi 20 tahun ke depan dengan model Markov Chain. Model

CLUE (Conversion of Land Use and its Effects) digunakan oleh Veldkamp dan

Fresco (1995) untuk menganalisis perubahan penggunaan lahan di Costa Rica

pada skala lokal, regional dan nasional. Dengan menggunakan ukuran skala yang

berbeda, model ini menunjukkan bahwa pada skala lokal, regional dan nasional

dapat terjadi suatu pengaruh yang saling berlawanan.

Metode pemodelan lainnya yang dapat digunakan untuk memodelkan

suatu perubahan penggunaan lahan adalah metode Artificial Neural Network

(ANN). ANN atau dalam bahasa Indonesia mengandung arti jaringan syaraf

tiruan, merupakan suatu struktur komputasi yang dikembangkan berdasarkan

proses sistem jaringan syaraf biologi dalam otak. Penggunaan ANN telah

mengalami peningkatan yang cukup besar dalam beberapa tahun terakhir seiring

meningkatnya kinerja komputasi (Skapura, 1996). Tayyebi (2008)

mensimulasikan perubahan pemukiman di kawasan metropolitan Teheran, Iran

dengan Backpropagation Neural Network dan melihat bagaimana faktor jalan,

lereng, daerah administrasi, pusat pelayanan dan kawasan pemukiman

mempengaruhi perubahan yang terjadi. Sementara Pijanowski et al. (2002)

menggunakan ANN untuk memodelkan perubahan pemukiman di Michigan, baik

pada skala lokal maupun regional. Nilai akurasi model yang dihasilkan cukup baik

pada kedua skala tersebut.

ANN dalam penelitian ini digunakan untuk menentukan lokasi atau daerah

mana saja dari penggunaan lahan hutan dan semak belukar yang berpotensi untuk

berubah menjadi perkebunan. Sementara SIG digunakan untuk membangun suatu

aspek keruangan (spasial) dan membangun variabel-variabel pendorong yang

mempengaruhi perubahan. Beberapa variabel yang mendorong terjadinya suatu

perubahan penggunaan lahan adalah jarak ke jalan, jarak ke sungai, jarak ke

3

pemukiman, lereng, iklim, kepadatan penduduk dan pendapatan asli daerah.

Dalam penelitian ini hanya empat yang digunakan, yaitu jarak ke jalan, jarak ke

sungai, jarak ke pemukiman dan kepadatan penduduk. Oleh karena itu, dengan

memadukan metode ANN dengan SIG diharapkan mampu memberikan jawaban

yang lebih baik dalam memodelkan suatu perubahan penggunaan lahan.

1.2 Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut :

1. Memprediksi penggunaan lahan dan perubahan penggunaan lahan di

Kabupaten Bengkalis pada tahun 2000, 2003, 2006 dan 2009

2. Membangun model perubahan penggunaan lahan dengan metode Artificial

Neural Network

3. Proyeksi penggunaan lahan Kabupaten Bengkalis tahun 2018

II. TINJAUAN PUSTAKA

2.1 Penggunaan Lahan dan Perubahan Penggunaan Lahan

Definisi lahan menurut Sitorus (2004) merupakan bagian dari bentang

alam (landscape) yang mencakup pengertian lingkungan fisik termasuk iklim,

topografi atau relief, hidrologi termasuk keadaan vegetasi alami yang semuanya

secara potensial akan berpengaruh terhadap penggunaan lahan. Menurut

Hardjowigeno dan Widiatmaka (2001) lahan sebagai suatu wilayah di permukaan

bumi, mencakup semua komponen biosfer, termasuk atmosfer serta segala akibat

yang ditimbulkan oleh manusia di masa lalu dan sekarang.

Lillesand dan Kiefer (1997) mendefinisikan penggunaan lahan

berhubungan dengan kegiatan manusia pada suatu bidang lahan. Penggunaan

lahan dapat dikelompokkan dalam dua golongan besar yaitu penggunaan lahan

pertanian dan penggunaan lahan non-pertanian. Menurut Arsyad (1989)

penggunaan lahan pertanian dibedakan atas tegalan, sawah, kebun, padang rumput,

hutan produksi, hutan lindung dan sebagainya, sedangkan penggunaan lahan non-

pertanian dibedakan dalam penggunaan kota atau desa (pemukiman), industri,

rekreasi, pertambangan dan sebagainya.

Perubahan penggunaan lahan dapat diartikan sebagai suatu proses pilihan

pemanfaatan ruang guna memperoleh manfaat yang optimum, baik untuk

pertanian maupun non-pertanian (Junaedi, 2008). Menurut Kazaz dan Charles

(2001) dalam Munibah (2008) perubahan penggunaan lahan adalah perubahan

penggunaan atau aktivitas terhadap suatu lahan yang berbeda dari aktivitas

sebelumnya, baik untuk tujuan komersial maupun industri. Sementara menurut

Winoto et al. (1996), perubahan penggunaan lahan diartikan sebagai perubahan

dari penggunaan lahan sebelumnya ke penggunaan lahan lain yang dapat bersifat

permanen maupun sementara dan merupakan konsekuensi logis dari adanya

pertumbuhan dan transformasi perubahan struktur sosial ekonomi masyarakat

yang sedang berkembang. Apabila penggunaan lahan untuk sawah berubah

menjadi pemukiman atau industri maka perubahan penggunaan lahan ini bersifat

permanen dan tidak dapat kembali (irreversible), tetapi jika beralih guna menjadi

perkebunan biasanya bersifat sementara. Perubahan penggunaan lahan pertanian

5

berkaitan erat dengan perubahan orientasi ekonomi, sosial, budaya dan politik

masyarakat. Perubahan penggunaan lahan pada umumnya dapat diamati dengan

menggunakan data spasial dari peta penggunaan lahan dari beberapa titik tahun

yang berbeda. Data penginderaan jauh seperti citra satelit, radar, dan foto udara

sangat berguna dalam pengamatan perubahan penggunaan lahan.

Faktor utama penyebab terjadinya perubahan penggunaan lahan adalah

peningkatan jumlah penduduk. Peningkatan ini memiliki konsekuensi terhadap

perkembangan ekonomi yang menuntut kebutuhan lahan untuk pemukiman,

industri, infrastruktur dan jasa. Beberapa kajian dan penelitian telah dilakukan

untuk menganalisis faktor-faktor penyebab terjadinya perubahan penggunaan

lahan. Mansur (2001) menyebutkan tiga faktor yang berpengaruh yaitu

peningkatan jumlah penduduk, urbanisasi dan peningkatan jumlah anggota

kelompok pendapatan menengah ke atas di daerah perkotaan. Sementara Rustiadi

et al. (2007) menyatakan beberapa hal yang diduga sebagai penyebab proses

perubahan penggunaan lahan, antara lain:

1. Tingginya permintaan atas lahan sebagai akibat dari peningkatan jumlah

penduduk

2. Market failure: alih profesi bagi petani yang kemudian petani tersebut

menjual sawahnya, sebagai akibat dari pergeseran struktur dalam

perekonomian dan dinamika pembangunan

3. Government failure: kebijakan pemerintah, misalnya memberikan peluang

investasi di sektor industri namun tidak diikuti dengan kebijakan konversi

lahan

2.2 Pemodelan Perubahan Penggunaan Lahan

2.2.1 Pengertian Model

Model adalah penyederhanaan suatu sistem di dunia nyata (real world),

sementara sistem adalah mekanisme dimana berbagai macam komponen saling

berinteraksi dengan suatu cara tertentu untuk menunjukkan fungsinya di dunia

nyata (Handoko, 2005). Definisi lain yang berbasis spasial dikemukakan oleh

Berger et al. (2001), dimana model adalah abstraksi dari sistem dunia nyata yang

memiliki kedetilan masalah yang signifikan dengan masalah yang dipelajari, dan

6

juga memiliki tranparansi, sehingga mekanisme dan faktor kunci yang

mempengaruhi perubahan dapat diidentifikasi. Tujuan dari penggunaan model

adalah untuk memahami dengan mudah cara kerja sistem dengan

menyederhanakan prosesnya.

Model dapat digunakan untuk merepresentasikan suatu isu yang spesifik

pada ilmu yang berkaitan dengan sumberdaya alam, dan berbagai disiplin ilmu

lainnya. Pemodelan perubahan penggunaan lahan merupakan salah satu bentuk

pemodelan yang telah menarik perhatian beberapa peneliti di dunia. Mereka

mempelajari adanya suatu hubungan sebab akibat antara pengelolaan suatu lahan

dengan perubahan penggunaan lahan yang terjadi. Pemodelan perubahan

penggunaan lahan memiliki beberapa kegunaan, antara lain untuk mengeksplorasi

beragam aktifitas dimana terjadinya suatu perubahan penggunaan lahan yang

didorong oleh faktor sosial ekonomi (Batty dan Longley, 1994), memprediksi

dampak ekonomi dan lingkungan yang akan ditimbulkan dari perubahan tersebut

(Theobald dan Hobbs, 1998) serta mengevaluasi dampak dari kebijakan

pemerintah dalam menentukan suatu peruntukkan lahan dan pengelolaan lahan

(Bockstael et al., 1995). Diharapkan model perubahan penggunaan lahan yang

telah dikembangkan dapat memberikan pemahaman tentang proses perubahan

penggunaan lahan dan faktor-faktor yang mendorong terjadinya perubahan.

2.2.2 Pemodelan Perubahan Penggunaan Lahan dengan metode Artificial

Neural Network

Artificial Neural Network (ANN) merupakan suatu metode, teknik atau

pendekatan yang memiliki kemampuan untuk mengukur dan memodelkan suatu

perilaku dan pola yang kompleks. ANN telah digunakan di berbagai disiplin ilmu

seperti ekonomi, kesehatan, klasifikasi bentang lahan, pengenalan pola, prediksi

kondisi iklim, dan penginderaan jauh (Atkinson dan Tatnall, 1997).

Multi-layer Perceptron (MLP) adalah salah satu bentuk arsitektur jaringan

ANN yang paling banyak digunakan. MLP umumnya terdiri dari tiga jenis layer

dengan topologi jaringan seperti pada Gambar 1, yaitu lapisan masukan (input

layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer)

yang dapat digunakan untuk mengidentifikasi suatu hubungan non-linier di

kehidupan nyata (Rumelhart, Hinton dan Williams, 1986).

7

Gambar 1. Ilustrasi Multi-layer Perceptron (Pijanowski et al., 2002)

Tahap pelatihan dan pengujian pada ANN harus dilakukan dengan hati-

hati. Pada tahap pelatihan, nilai input akan dikalikan dengan suatu bobot yang

nilainya ditentukan secara acak. Pada tahap pengujian, data yang terpisah akan

disajikan untuk melatih jaringan secara independen dalam mengukur tingkat

kesalahan. ANN dapat diaplikasikan untuk memodelkan suatu perubahan

penggunaan lahan dalam empat tahap, yaitu (1) menentukan input dan arsitektur

jaringan, (2) melatih jaringan menggunakan sebagian piksel dari input, (3)

menguji jaringan menggunakan semua piksel dari input dan (4) menggunakan

informasi yang telah dihasilkan oleh jaringan untuk memprediksi perubahan

pengunaan lahan.

2.3 Proyeksi menggunakan Markov Chain

Metode Markov Chain pertama kali diperkenalkan sekitar tahun 1907 oleh

seorang ahli matematika bernama Andrei A. Markov yang berasal dari Rusia.

Metode Markov Chain akan berhubungan dengan suatu rangkaian proses dimana

kemungkinan terjadinya suatu kejadian, diasumsikan hanya tergantung pada

kondisi yang langsung mendahuluinya, dan tidak tergantung pada rangkaian

kejadian sebelumnya (non-aftereffect) (Veldkamp dan Lambin, 2001). Markov

Chain bisa diterapkan di berbagai bidang antara lain ekonomi, politik,

kependudukan, industri, pertanian dan lain-lain. Salah satu pemanfaatan dari

metode Markov Chain adalah untuk memproyeksi penggunaan lahan ke depan.

Peneliti Muller dan Middleton (1994) memanfaatkan metode ini dalam

mempelajari dinamika perubahan lahan di Ontario, Kanada. Peneliti lain yaitu

8

Vandeveer dan Drummond (1976) menggunakannya untuk mengkaji dampak

konstruksi sebuah reservoir. Markov Chain seringkali berperan menjadi konsep

dasar yang digunakan pada pengembangan lanjutan, seperti model CA-Markov.

Matriks peluang transisi akan dihasilkan dan dijadikan dasar untuk

melakukan proyeksi penggunaan lahan ke depan. Bentuk dari matriks transisi

tersebut adalah sebagai berikut.

P = (Pij) =

Pij merupakan nilai peluang perubahan penggunaan lahan i menjadi penggunaan

lahan j, dimana n menunjukkan jumlah kelas penggunaan lahan. Besarnya nilai Pij

harus memenuhi syarat yaitu

0 Pij 1 (i, j, = 1, 2, 3, ., n)

III. METODE PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian dilaksanakan mulai bulan Agustus 2011 sampai Januari 2012

dengan memilih Kabupaten Bengkalis, Provinsi Riau sebagai studi kasus

penelitian. Analisis data dilakukan di Laboratorium Penginderaan Jauh dan

Informasi Spasial, Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas

Pertanian, Institut Pertanian Bogor.

3.2 Bahan dan Alat

Bahan yang digunakan dalam penelitian ini dapat dilihat pada Tabel 1.

Tabel 1. Bahan yang digunakan dalam penelitian

No. Data Skala/

Resolusi

Sumber Keterangan

1. Citra Landsat TM 7

tahun 2000, 2003,

2006 dan 2009

30 x 30 m www.glovis.usgs

Interpretasi penggunaan

lahan

2. Peta Rupa Bumi

Indonesia (RBI)

1:50.000 Bakosurtanal Peta dasar, variabel atau

faktor pendorong

3.

Data kepadatan

penduduk Kabupaten

Bengkalis

-

Badan Pusat

Statistik

Kabupaten

Bengkalis

Variabel atau faktor

pendorong dalam

membangun model

Software yang digunakan dalam penelitian dapat dilihat pada Tabel 2.

Tabel 2. Software yang digunakan dalam penelitian

No. Software Fungsi

1. Idrisi Andes 15 Pemodelan perubahan penggunaan lahan

2. ArcGis 9.3 Interpretasi citra

3. Microsoft Excel

Pengolahan data atribut dari peta penggunaan

lahan

3.3 Metode Penelitian

Penelitian ini terdiri dari beberapa tahap, yaitu tahap persiapan, tahap

pengolahan data, tahap pembuatan model dan tahap pembuatan peta proyeksi

penggunaan lahan ke depan.

10

3.3.1 Tahap Persiapan

Tahap persiapan meliputi penentuan metode, studi literatur, dan

pengumpulan data yang dibutuhkan dalam penelitian. Studi literatur dilakukan

untuk menambah informasi yang berkaitan dengan penelitian dan memperdalam

pemahaman tentang metode ANN. Data yang diperlukan dalam penelitian ini

antara lain citra Landsat, peta RBI, dan data kepadatan penduduk Kabupaten

Bengkalis. Selain itu, pembelajaran metode ANN dengan software Idrisi Andes 15

juga dilakukan untuk lebih memahami proses kerja metode tersebut.

3.3.2 Tahap Pengolahan Data

Pada tahap awal dilakukan interpretasi citra Landsat tahun 2000, 2003,

2006 dan 2009. Hasil interpretasi menghasilkan suatu peta penggunaan lahan

tahun 2000, 2003, 2006 dan 2009 dengan kelas penggunaan lahan sebanyak 10

kelas berdasarkan klasifikasi Badan Planologi Kementrian Kehutanan (Lampiran

5). Software Idrisi Andes 15 membutuhkan data dengan format raster. Oleh

karena itu, format peta perlu dikonversi terlebih dahulu menjadi raster dengan

memilih ukuran piksel 50 x 50 m. Ukuran ini dipilih atas dasar pertimbangan yang

paling mendekati ukuran resolusi spasial citra Landsat. Tipe data yang digunakan

adalah dalam bentuk byte, yang menyatakan bilangan dengan nilai range 8 bit

biner (0-255) dan hanya berisi bilangan non-negatif.

Peta jalan dan sungai diperoleh dari peta RBI skala 1:50.000. Peta jarak ke

jalan, sungai, dan pemukiman dibuat dengan cara menjalankan modul Distance

pada software Idrisi Andes 15. Jarak dihitung berdasarkan Euclidean, yaitu jarak

dari satu objek ke objek yang lainnya. Sementara itu, peta jumlah penduduk

dibuat dengan asumsi bahwa populasi penduduk menyebar secara sirkular dengan

jari-jari 2 km dan populasi akan bertambah besar ketika mendekati pusatnya

(Muin, 2009). Rumus proporsi populasi yaitu:

P = 0.2402 * e (-0.9464 * (peta jarak ke pemukiman)/1000)

dimana jarak ke pemukiman dalam satuan meter. Peta kepadatan penduduk per

piksel dibuat dengan rumus :

11

Pd = * A * P * C

dimana

Pd : peta kepadatan penduduk per piksel

: kepadatan penduduk non-spasial (penduduk/km2)

A : luas wilayah penyebaran populasi (km2) = 3,14 * (2 km)

2 =

12,5 km2

P : proporsi populasi

C : faktor konversi, dari 1 km2 ke 1 piksel

3.3.3 Tahap Pembuatan Model dan Peta Proyeksi Penggunaan Lahan

Model yang digunakan dalam penelitian adalah model ANN dengan

arsitektur jaringan Multi-layer Perceptron (MLP) dan algoritma Backpropagation.

Model ANN ini dijalankan dengan menggunakan aplikasi LCM (Land Change

Modeler) yang telah tersedia pada software Idrisi Andes 15 (Gambar 2). Peta

penggunaan lahan yang digunakan hanya dua titik tahun, yaitu peta penggunaan

lahan tahun 2000 dan 2009.

Gambar 2. Tampilan Aplikasi Land Change Modeler

Aplikasi ini memiliki lima tahapan yang dapat digunakan untuk

memodelkan perubahan penggunaan lahan, namun yang dipakai dalam penelitian

hanya tiga tahapan yang disesuaikan dengan tujuan penelitian, yaitu :

12

1. Tahap analisis perubahan (Change Analysis) untuk menganalisis

perubahan penggunaan lahan yang telah terjadi selama dua titik tahun.

Grafik perubahan luas tiap penggunaan lahan akan disajikan pada tahap ini.

2. Tahap pemodelan perubahan penggunaan lahan (Transition Potentials).

- Masing-masing kelas perubahan penggunaan lahan akan dimodelkan

dengan tujuan memprediksi lokasi yang berpotensi untuk berubah

menjadi penggunaan lahan yang lain. Apabila menggunakan ANN,

perubahan-perubahan tersebut dapat dikelompokkan dengan asumsi

faktor yang mempengaruhi adalah sama. Dalam penelitian ini,

diasumsikan bahwa faktor pendorong tiap perubahan tidak sama,

sehingga tidak dilakukan pengelompokkan. Berikut adalah gambar

yang menunjukkan tampilan kelas perubahan yang akan dimodelkan.

Gambar 3. Tampilan Kelas Perubahan yang akan Dimodelkan

- Variabel pendorong atau input yang digunakan untuk membangun

model ditentukan pada tahap ini. Jumlah variabel pendorong yang

digunakan ada 4, yaitu jarak ke jalan, sungai, pemukiman dan

kepadatan penduduk. Masing-masing variabel diuji nilai Cramers V

untuk melihat keterkaitan antara variabel tersebut dengan 10 kelas

penggunaan lahan (Gambar 4).

13

Gambar 4. Tampilan Tahap Pengujian Nilai Cramers V

Rentang nilai yang dihasilkan berkisar antara 0-1, dimana nilai 0

menunjukkan tidak ada keterkaitan, sedangkan nilai 1 menunjukkan

adanya keterkaitan yang sangat erat antara variabel tersebut dengan

kelas penggunaan lahan yang mendorong terjadinya perubahan.

- Setelah semua variabel diuji nilai Cramers V, model dijalankan.

Model akan berhenti apabila telah mencapai kondisi yang telah

ditentukan, yaitu iterasi 5000, RMS 0,0001 dan akurasi model 100%.

Tampilan tahap pemodelan dapat dilihat pada gambar berikut ini.

Gambar 5. Tampilan Tahap Pemodelan dengan ANN

- Topologi jaringan yang dihasilkan adalah 4-3-2, yaitu 4 nodes pada

input layer, 3 nodes pada hidden layer dan 2 nodes pada output layer

yang menunjukkan 1 kelas yang berubah dan 1 kelas yang tidak

berubah (Gambar 6). Setiap nodes pada layer akan berhubungan

dengan nodes pada layer berikutnya. Hubungan atau jalur koneksi

14

Wij

tersebut mengandung bobot (W) berupa matriks yang ukurannya

tergantung dari jumlah input nodes, hidden nodes dan output nodes.

Jarak ke jalan

Jarak ke sungai

Jarak ke pemukiman

Kepadatan penduduk

Gambar 6. Topologi Jaringan

- Output yang dihasilkan dari model ini adalah peta peluang perubahan

(Potential Transition Map) yang memiliki nilai peluang antara 0-1,

dimana semakin mendekati 1 maka daerah tersebut memiliki peluang

yang tinggi untuk berubah menjadi penggunaan lahan lain. Masing-

masing peta potensi perubahan tersebut direklasifikasi dengan hanya

mengambil nilai peluang antara 0,5-1, dimana nilai < 0,5 dianggap

penggunaan lahan tersebut tidak berubah menjadi penggunaan lahan

yang lain.

- Uji validasi model dilakukan dengan cara menumpangtindihkan peta

peluang hasil pemodelan ANN dengan peta penggunaan lahan tahun

2009 hasil interpretasi.

3. Tahap proyeksi penggunaan lahan (Change Prediction).

Peta proyeksi penggunaan lahan dibuat dengan aplikasi yang sama, yaitu

Land Change Modeler. Metode yang digunakan adalah Markov Chain

dengan tahun proyeksi adalah 2018. Berikut adalah gambar dari tahap

proyeksi penggunaan lahan

Gambar 7. Tampilan Tahap Proyeksi Penggunaan Lahan

Wjk

15

Metode ini mengasumsikan bahwa perubahan yang terjadi di masa depan

memiliki pola dan peluang serupa dengan pola perubahan yang terjadi

selama periode waktu yang digunakan. Perlu diketahui bahwa dalam

menentukan tahun prediksi yang akan disimulasikan harus berada dalam

selisih rentang waktu dari tahun awal dan akhir yang digunakan. Oleh

karena itu, prediksi dilakukan untuk tahun 2018 yang berjarak 9 tahun dari

tahun 2009. Matriks transisi akan dihasilkan oleh Markov Chain sebagai

dasar untuk membuat peta proyeksi (Gambar 8).

Gambar 8. Matriks Transisi

Secara rinci, diagram alir penelitian ditunjukkan pada Gambar 9 berikut ini.

16

dimana:

LCM = Land Change Modeler

= data kepadatan penduduk non-spasial (penduduk/km2)

A = luas wilayah penyebaran populasi (km2)

P = peta proporsi

C = faktor konversi dari 1 km2 ke 1 piksel

Stopping criteria model =

Iterasi : 5000

RMS : 0,0001

Accuracy Rate : 100%

Gambar 9. Diagram Alir Penelitian

Peta Kepadatan

Penduduk

Proporsi=0.2402 * e (-0.9464 * (peta

jarak ke pemukiman)/1000)

Kepadatan penduduk

Pd = * A * P * C

Peta jarak ke

pemukiman tiap

kecamatan

Peta Proporsi

Image Calculator

Image Calculator

Peta Proyeksi

Tahun 2018

Reklasifikasi

Peta Peluang Perubahan

Validasi Model

Input model

LCM

Tentukan transisi Running Model

Interpretasi

Jarak ke Pemukiman Peta Penggunaan

Lahan 2009

Citra Landsat

Tahun 2009

Citra Landsat

Tahun 2006

Citra Landsat

Tahun 2003

Citra Landsat

Tahun 2000

Peta Penggunaan

Lahan 2006 Peta Penggunaan

Lahan 2003

Peta Penggunaan

Lahan 2000

Distance

Peta Jalan

Jarak ke Jalan

Peta Sungai

Jarak ke Sungai

Distance

IV. KONDISI UMUM LOKASI PENELITIAN

4.1 Letak Geografis

Kabupaten Bengkalis merupakan salah satu kabupaten di Provinsi Riau.

Wilayahnya mencakup daratan bagian pesisir timur Pulau Sumatera dan wilayah

kepulauan, dengan luas adalah 773.393 ha. Kabupaten Bengkalis secara geografis

terletak antara 230 Lintang Utara - 056 Lintang Utara dan 10052 Bujur

Timur - 10231 Bujur Timur. Kabupaten Bengkalis memiliki batas-batas wilayah

sebagai berikut :

- Sebelah utara berbatasan dengan Selat Malaka

- Sebelah selatan berbatasan dengan Kabupaten Siak dan Kabupaten

Meranti

- Sebelah barat berbatasan dengan Kota Dumai, Kabupaten Rokan Hilir dan

Kabupaten Rokan Hulu

- Sebelah timur berbatasan dengan Selat Malaka

Wilayah Kabupaten Bengkalis dialiri oleh beberapa sungai. Diantara

sungai yang ada di daerah ini yang sangat penting sebagai sarana perhubungan

utama dalam perekonomian penduduk adalah Sungai Siak dengan panjang 300 km,

Sungai Siak Kecil 90 km dan Sungai Mandau 87 km.

Secara administrasi Kabupaten Bengkalis terdiri dari 8 (delapan) wilayah

kecamatan yaitu Kecamatan Bengkalis (51.400 ha), Kecamatan Mandau (93.747

ha), Kecamatan Pinggir (250.300 ha), Kecamatan Bukit Batu (112.800 ha),

Kecamatan Siak Kecil (74.221 ha), Kecamatan Rupat (89.635 ha), Kecamatan

Rupat Utara (62.850 ha) dan Kecamatan Bantan (42.440 ha). Letak Kabupaten

Bengkalis sangat strategis, karena disamping berada di tepi jalur pelayaran

internasional Selat Malaka, juga berada pada kawasan segitiga pertumbuhan

ekonomi Indonesia-Malaysia-Singapura (IMS-SG) dan kawasan segitiga

pertumbuhan ekonomi Indonesia-Malaysia-Thailand (IMT-GT). Peta administrasi

Kabupaten Bengkalis disajikan pada Gambar 10 berikut ini.

18

Gambar 10. Peta Administrasi Kabupaten Bengkalis

4.2 Topografi

Wilayah Kabupaten Bengkalis merupakan dataran rendah dengan rata-rata

ketinggian antara 2 6,1 m di atas permukaan laut yang ditumbuhi hutan tropis,

pantai yang landai dan merupakan endapan lumpur sebagai hasil erosi sungai

terutama di Pulau Babi, Kecamatan Rupat Utara. Daerah perbukitan yang

tingginya lebih dari 25 m di atas permukaan laut hanya terletak di wilayah

kecamatan Mandau. Akibat berada pada ketinggian yang relatif rendah dari

permukaan laut, maka kelerengan topografi Kabupaten Bengkalis relatif landai.

4.3 Iklim

Kabupaten Bengkalis beriklim tropis yang sangat dipengaruhi oleh sifat

iklim laut, dengan temperatur berkisar antara 26 32 C. Musim hujan biasa

terjadi antara bulan September hingga Januari dengan curah hujan rata-rata

berkisar antara 809 4.078 mm/tahun. Periode musim kering (musim kemarau)

biasanya terjadi antara bulan Februari sampai dengan Agustus. Volume curah

hujan di daerah ini rata-rata 174,24 mm dengan rata-rata banyaknya hari hujan

selama 6 hari sampai 14 hari. Volume curah hujan rata-rata 17.171.000 m3 per

tahun, dimana 61,2% dari seluruh volume curah ini dimanfaatkan untuk keperluan

rumah tangga.

19

4.4 Kependudukan

Penduduk Kabupaten Bengkalis pada tahun 2009 tercatat sebanyak

484.757 jiwa yang terdiri dari 250.265 jiwa laki-laki dan 234.492 jiwa perempuan,

dengan rasio jenis kelamin yaitu 107 (Tabel 3). Kecamatan yang paling banyak

penduduknya adalah Kecamatan Mandau dengan tingkat kepadatan mencapai 323

jiwa per km2

dan kecamatan yang paling jarang penduduknya adalah Kecamatan

Rupat Utara dengan tingkat kepadatan 19 jiwa per km2. Sementara penyebaran

penduduk yang terbanyak adalah di Kecamatan Mandau yaitu 44,84% dan

penyebaran yang terendah di Kecamatan Rupat Utara yaitu 2,49% dari jumlah

penduduk di Kabupaten Bengkalis. Berikut adalah grafik yang menggambarkan

presentase penyebaran jumlah penduduk di Kabupaten Bengkalis.

Gambar 11. Presentase Penyebaran Jumlah Penduduk Kabupaten Bengkalis

Menurut Kecamatan Tahun 2009 (Sumber: Badan Pusat Statistik Kabupaten

Bengkalis, 2009)

Tabel 3. Kepadatan Penduduk Bengkalis Menurut Kecamatan Tahun 2009

Kecamatan Luas (km2) Penduduk Kepadatan per km

2

Mandau 937,47 217.355 232

Pinggir 2.503,00 77.398 31

Bukit Batu 1.128,00 28.011 25

Siak Kecil 742,21 17.432 23

Pinggir

15,97%

Bukit Batu

5,78%Rupat Utara

2,49%

Bengkalis

13,78%

Bantan

7,41%

Mandau

44,84%

Siak Kecil

3,60%

Rupat

6,14%

20

Tabel 3. Lanjutan

Kecamatan Luas (km 2) Penduduk Kepadatan per km

2

Rupat 896,35 29.758 33

Rupat Utara 628,50 12.071 19

Bengkalis 514,00 66.822 130

Bantan 424,40 35.91 85

Total 7.773,93 484.757 62

Sumber: Badan Pusat Statistik Kabupaten Bengkalis (2009)

4.5 Mata Pencaharian

Penduduk Kabupaten Bengkalis bermata pencaharian di sektor-sektor

sebagai berikut.

Tabel 4. Sektor Mata Pencaharian Penduduk Kabupaten Bengkalis

Sektor Jumlah (%)

Pertanian 57,80%

Pertambangan 4,17%

Perdagangan 9,01%

Industri 7,55%

Bangunan 4,03%

Angkutan 4,56%

Jasa 10,30%

Listrik, Gas dan Air minum 0,16%

Keuangan dan Asuransi 0,59%

Lain-lain 1,53%

4.6 Pendidikan

Pada tahun 2009 di Kabupaten Bengkalis terdapat sebanyak 120 Taman

Kanak-kanak, 317 Sekolah Dasar, 18 Madrasah Ibtidaiyah, 85 Sekolah Menengah

Pertama, 50 Madrasah Tsanawiyah, 36 Sekolah Menengah Atas, 26 Madrasah

Aliyah, dan 12 Sekolah Menengah Kejuruan. Tenaga pengajar di Kabupaten

Bengkalis sebanyak 653 orang guru Taman Kanak-kanak, 4.302 orang guru

Sekolah Dasar, 215 orang guru Madrasah Ibtidaiyah, 2.539 orang guru Sekolah

Menengah Pertama, 891 orang guru Madrasah Tsanawiyah, 1.143 orang guru

Sekolah Menengah Atas, 505 orang guru Madrasah Aliyah, dan 348 orang guru

Sekolah Menengah Kejuruan. Grafik berikut ini menggambarkan banyaknya

sarana pendidikan di Kabupaten Bengkalis tahun 2009.

21

Gambar 12. Banyaknya Sarana Pendidikan di Kabupaten Bengkalis Tahun 2009

(Sumber: Badan Pusat Statistik Kabupaten Bengkalis, 2009)

V. HASIL DAN PEMBAHASAN

5.1 Penggunaan Lahan di Kabupaten Bengkalis

Berdasarkan hasil klasifikasi, Kabupaten Bengkalis memiliki 10 kelas

penggunaan lahan yaitu hutan primer, hutan sekunder, hutan tanaman, lahan

terbuka, pemukiman, perkebunan, pertambangan, pertanian, semak belukar dan

tubuh air. Peta penggunaan lahan hasil klasifikasi dapat dilihat pada Lampiran 7

sementara luas masing-masing penggunaan lahan dapat dilihat pada Tabel 5

berikut ini.

Tabel 5. Luas Penggunaan Lahan Kabupaten Bengkalis Tahun 2000, 2003, 2006

dan 2009

Penggunaan Lahan 2000 2003 2006 2009

(Ha) (%) (Ha) (%) (Ha) (%) (Ha) (%)

Hutan Primer 212.206 25,20 1.717 0.20 1.654 0.20 1.634 0.19

Hutan Sekunder 228.851 27,18 408.600 49.18 320.177 38.68 152.705 18.79

Hutan Tanaman 40 0,005 18.880 2.24 88.929 10.56 65.984 7.84

Lahan Terbuka 26.984 3,02 32.339 3.84 17.763 2.11 25.676 3.05

Pemukiman 6.530 0,78 6.530 0.78 6.605 0.78 7.121 0.85

Perkebunan 225.624 26,80 226.014 26.84 242.115 28.76 403.773 47.96

Pertambangan 25.790 3,06 25.842 3,07 25.842 3.07 6.510 0.77

Pertanian 43.101 5,12 43.745 5,20 48.071 5.71 96.266 11.43

Semak Belukar 70.058 8,32 75.517 8,32 88.028 9.80 79.515 8.79

Tubuh Air 2.750 0,33 2.750 0,33 2.750 0.33 2.750 0.33

Total 841.934 100,00 841.934 100,00 841.934 100.00 841.934 100.00

Penggunaan lahan terbesar di Kabupaten Bengkalis pada tahun 2000, 2003,

2006 dan 2009 adalah perkebunan dan hutan sekunder. Perkebunan menempati

27% dari total luas wilayah pada tahun 2000 dan 2003. Peningkatan luas

perkebunan terus terjadi pada enam tahun berikutnya sehingga luasnya pada tahun

2009 adalah 403.770 ha atau menempati 48% dari total luas wilayah. Hutan

sekunder sebagai penggunaan lahan terbesar kedua mengalami peningkatan luas

pada tahun 2003, namun enam tahun berikutnya luasnya berkurang sampai

255.890 ha sehingga hanya menempati 19% dari total luas wilayah. Selain dua

penggunaan lahan tersebut, hutan primer juga memiliki luas yang cukup besar

pada tahun 2000 yaitu 212.200 ha (25%). Luasnya terus berkurang drastis, sampai

pada tahun 2009 hanya memiliki luas 1.630 ha (0,2%).

23

Pertanian, sebagai salah satu mata pencaharian utama penduduk

Kabupaten Bengkalis memiliki luas 43.100 ha pada tahun 2000 dan tahun 2009

luasnya mencapai 96.260 ha (11%). Pemukiman pada periode 2000-2003 tidak

mengalami perubahan luas, namun pada tahun 2006 luas pemukiman meningkat

sebesar 70 ha dan tahun 2009 meningkat sebesar 510 ha.

Hutan tanaman mengalami peningkatan luas yang signifikan pada periode

2000-2006. Luas hutan tanaman mengalami peningkatan sebesar 18.840 ha pada

tahun 2003 dan 70.040 ha pada tahun 2006, namun pada tahun 2009 luasnya

berkurang sebesar 22.940 ha, sehingga luas totalnya adalah 65.980 ha. Hal yang

sama terjadi pada penggunaan lahan semak belukar. Pada periode 2000-2006 luas

penggunaan lahan tersebut terus meningkat, namun mengalami penurunan pada

tahun 2009. Sementara itu, lahan terbuka mengalami perubahan cukup dinamis.

Pada tahun 2003 luasnya meningkat, namun menurun pada tahun 2006 dan

kembali meningkat pada tahun 2009.

5.2 Deteksi Perubahan Penggunaan Lahan Kabupaten Bengkalis

Deteksi perubahan penggunaan lahan dilakukan untuk mendapatkan

informasi mengenai transisi atau perubahan apa saja yang terjadi pada dua titik

tahun yang berbeda. Pada penelitian ini, deteksi perubahan dikelompokkan

menjadi tiga periode, yaitu 2000-2003, 2003-2006, dan 2006-2009. Tumpang

tindih dilakukan pada masing-masing peta, dan dilakukan tabulasi silang

(crosstab) untuk melihat pola perubahan penggunaan lahan yang terjadi.

5.2.1 Perubahan Penggunaan Lahan Tahun 2000-2003

Berdasarkan hasil tabulasi silang terdapat 15 transisi atau perubahan

penggunaan lahan yang disajikan dalam bentuk matriks pada Lampiran 1. Hutan

primer dan hutan sekunder mendominasi perubahan menjadi penggunaan lahan

lain pada periode 2000-2003. Hutan primer mengalami perubahan yang cukup

besar menjadi hutan sekunder sebanyak 210.290 ha dan lahan terbuka 190 ha.

Hutan sekunder mengalami perubahan menjadi hutan tanaman (13.840 ha), lahan

terbuka (10.860 ha), perkebunan (210 ha), pertanian (130 ha) dan semak belukar

(5.480 ha), sehingga luas total perubahan hutan sekunder adalah 30.540 ha. Lahan

terbuka juga mengalami perubahan ke penggunaan lahan lain sebanyak 5.960 ha,

24

yaitu menjadi hutan tanaman sebanyak 4.730 ha, pertambangan 50 ha, pertanian

180 ha dan semak belukar sebanyak 990 ha.

Hutan tanaman dan pertambangan tidak mengalami perubahan menjadi

penggunaan lahan lain pada periode ini, namun keduanya mengalami peningkatan

luas hasil perubahan dari penggunaan lahan lainnya. Hutan tanaman mengalami

penambahan luas sebesar 18.840 ha dari hutan sekunder, lahan terbuka dan

pertanian. Lain halnya dengan pemukiman, perubahan menjadi penggunaan lahan

lain tidak terjadi, begitu juga sebaliknya. Secara ringkas, grafik perubahan luas

penggunaan lahan pada periode 2000-2003 dapat dilihat pada Gambar 13 berikut

ini.

Gambar 13. Perubahan Penggunaan Lahan Tahun 2000-2003


Pada periode 2003-2006 terdapat 13 transisi atau perubahan penggunaan

lahan, dimana hutan sekunder mendominasi perubahan menjadi penggunaan lahan

lain (Lampiran 1). Hutan sekunder mengalami pengurangan luas sebesar 88.580

ha, yaitu menjadi hutan tanaman 57.110 ha, lahan terbuka 5.160 ha, perkebunan

13.870 ha, pertanian 730 ha dan semak belukar 11.580 ha. Selain hutan sekunder,

lahan terbuka dan semak belukar juga banyak mengalami perubahan ke bentuk

penggunaan lahan lain.

0

50000

100000

150000

200000

250000

300000

350000

400000

450000

Lu

as

(Ha

)

Penggunaan Lahan

Perubahan Penggunaan Lahan Tahun 2000-2003

2000 (Ha)

2003 (Ha)

25

Lain halnya dengan hutan tanaman dan perkebunan. Kedua penggunaan

lahan tersebut tidak banyak mengalami perubahan menjadi penggunaan lahan lain,

namun banyak penggunaan lahan lain yang berubah menjadi hutan tanaman dan

perkebunan sehingga luasnya bertambah masing-masing 70.040 ha dan 16.100 ha.

Hal yang sama juga terjadi pada penggunaan lahan pertanian. Pemukiman pada

periode ini tidak banyak mengalami penambahan luas, hanya bertambah 70 ha

dari semak belukar. Perubahan luas masing-masing penggunaan lahan yang terjadi

digambarkan pada grafik berikut ini.



Berdasarkan hasil tabulasi silang, transisi atau perubahan yang terjadi pada

periode ini sebanyak 23 transisi (Lampiran 1). Penggunaan lahan yang paling

banyak mengalami penurunan luas adalah hutan sekunder, hutan tanaman dan

semak belukar. Luasan hutan sekunder menurun karena berubah menjadi hutan

tanaman (63.770 ha), lahan terbuka (5.750 ha), pemukiman (20 ha), pertanian

(1.200 ha), semak belukar (13.910 ha) dan perubahan yang paling besar menjadi

perkebunan (82.800 ha). Hutan tanaman juga mengalami penurunan luas yang

cukup besar, yaitu menjadi perkebunan sebanyak 85.910 ha dan lahan terbuka

sebanyak 1.580 ha. Sementara semak belukar mengalami penurunan luas sebesar

0

50000

100000

150000

200000

250000

300000

350000

400000

450000

Lu

as

(Ha

)

Penggunaan Lahan


2003 (Ha)

2006 (Ha)

26

22.510 ha, dimana perubahan terbesar adalah menjadi perkebunan sebanyak

10.680 ha.

Luasan perkebunan pada periode ini mengalami peningkatan sangat besar,

yaitu 161.650 ha. Hal yang sama terjadi pada pertanian. Penambahan luas

pertanian berasal dari hutan sekunder (1.200 ha), perkebunan (26.060 ha),

pertambangan (19.230 ha), dan semak belukar (4.880 ha) dengan total perubahan

51.380 ha. Pemukiman mengalami penambahan luas lebih besar dari dua periode

sebelumnya, yaitu 510 ha. Penambahan luas tersebut berasal dari hutan sekunder

(20 ha), perkebunan (100 ha), pertanian (80 ha) dan semak belukar (300 ha).

Grafik berikut ini menggambarkan masing-masing perubahan luas penggunaan

lahan yang terjadi pada periode 2006-2009.


5.3 Model Perubahan Penggunaan Lahan dengan Metode Artificial

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

Lu

as

(Ha

)

Penggunaan Lahan


2006 (Ha)

2009 (Ha)

27

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

Cramers 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

29

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 Cramers V. Cramers 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

Cramers V > 0,10 berarti variabel tersebut dapat digunakan dalam model. Nilai

Cramers V masing-masing variabel dapat dilihat pada Lampiran 2. Terlihat

bahwa keempat variabel tersebut memiliki nilai Cramers V lebih dari 0,1

sehingga variabel tersebut dapat dimasukkan ke dalam model.

30

Gambar 22. Pengujian Nilai Cramers 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

31

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 Cramers 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.

(a)

33

(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 Cramers 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

35

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.

5.4 Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018

Metode yang digunakan untuk melakukan proyeksi adalah Markov Chain.

Pada penelitian ini dilakukan dua skenario, yaitu skenario Bisnis As Usual atau

perubahan mengikuti trend historis yang telah terjadi, dan skenario tidak ada

konversi hutan menjadi perkebunan. Matriks transisi untuk skenario BAU adalah

sebagai berikut.

Gambar 29. Matriks Peluang Perubahan Penggunaan Lahan

(Skenario BAU)

Nilai-nilai yang terdapat pada matriks tersebut adalah nilai peluang

perubahan yang memiliki rentang nilai 0-1. Pada komponen on-diagonal (kotak

merah) nilai yang mendekati 1 berarti penggunaan lahan tersebut memiliki

peluang yang besar untuk tidak berubah ke penggunaan lahan lainnya. Terlihat

36

bahwa peluang tubuh air pada komponen on-diagonal adalah 1 yang berarti tubuh

air cenderung tetap luasnya pada tahun 2018. Hutan tanaman dan pemukiman juga

memiliki nilai peluang yang cukup tinggi (0,92 dan 0,99), hal ini menunjukkan

peluang hutan tanaman dan pemukiman untuk berubah menjadi penggunaan lahan

cukup kecil. Sementara itu, nilai peluang hutan primer dan sekunder sangat kecil

dan mendekati 0. Dengan kata lain peluang hutan primer dan sekunder untuk

berubah menjadi penggunaan lahan lainnya cukup besar.

Nilai-nilai pada komponen off-diagonal (selain kotak merah) menunjukkan

peluang suatu penggunaan lahan untuk berubah menjadi penggunaan lahan lain.

Semakin mendekati 1, semakin besar peluangnya untuk berubah menjadi

penggunaan lahan lain. Hutan primer diprediksi akan mengalami perubahan

menjadi hutan sekunder, hutan tanaman, lahan terbuka, perkebunan, pertanian dan

semak belukar. Peluang perubahan hutan primer paling besar adalah menjadi

hutan sekunder, yaitu 0,55. Hutan sekunder juga akan mengalami perubahan

menjadi penggunaan lahan lain yaitu hutan tanaman, lahan terbuka, pemukiman,

perkebunan, pertanian dan semak belukar dimana peluang terbesar adalah menjadi

perkebunan (0,70). Lain halnya pada pemukiman, peluang pemukiman untuk

berubah menjadi penggunaan lahan lain sangat kecil bahkan mendekati 0,

misalnya pemukiman menjadi semak belukar adalah 0,0034.

Proyeksi penggunaan lahan kedepan menggunakan skenario BAU

memproyeksi bahwa pada tahun 2018 hampir 58% dari wilayah Kabupaten

Bengkalis adalah perkebunan (Gambar 30). Pertanian mengalami peningkatan

yang cukup merata di seluruh bagian kabupaten. Hutan tanaman cenderung tidak

berubah, hal ini disebabkan peluang hutan tanaman berubah menjadi penggunaan

lahan lainnya kecil seperti terlihat pada matriks transisi (Gambar 29). Sementara

itu, luas hutan primer dan sekunder semakin berkurang menjadi 29.998 ha atau

hanya menempati 3,60% dari total luas wilayah.

37

Gambar 30. Peta Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018

(Skenario BAU)

Menurut UU No.41 tahun 1999 tentang Kehutanan, luas kawasan hutan

yang harus dipertahankan minimal 30% dari luas daerah aliran sungai dan atau

pulau dengan sebaran yang proporsional. Berkurangnya luas hutan primer dan

sekunder dapat mengakibatkan hilangnya keanekaragaman hayati, ekosistem

hutan dan plasma nutfah (Soerjani et al., 2007). Selain itu juga akan

mengakibatkan hilangnya sejumlah sumber air, sehingga memicu terjadinya

kekeringan. Untuk menghindari pengaruh negatif perubahan penggunaan lahan ke

depan perlu dilakukan intervensi kebijakan yang mempertahankan hutan dalam

RTRW Provinsi atau Kabupaten. UU No. 27 tahun 2006 tentang penataan ruang

menyebutkan pula bahwa kawasan hutan perlu dipertahankan paling sedikit 30%

dari luas daerah sungai, baik kawasan hutan yang diperuntukkan untuk kawasan

lindung maupun kawasan budidaya, dalam rangka mewujudkan pelestarian

lingkungan. Dalam UU tersebut juga dikatakan penetapan proporsi luas kawasan

hutan terhadap daerah aliran sungai dimaksudkan untuk menjaga keseimbangan

tata air agar terhindar dari gangguan keseimbangan tata air seperti banjir, erosi,

sedimentasi dan kekurangan air. Selain itu, distribusi luas kawasan hutan pun

harus disesuaikan dengan kondisi morfologi jenis batuan serta bentuk pengairan

sungai dan anak sungai.

Dalam penelitian ini dilakukan skenario ke-2 dengan tetap

mempertahankan hutan primer dan sekunder. Berikut adalah matriks transisi dan

peta proyeksi dari skenario ke-2.

38

Gambar 31. Matriks Peluang Perubahan Penggunaan Lahan

(Tidak ada konversi hutan primer dan sekunder)

Gambar 32. Peta Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018

(Tidak ada konversi hutan primer dan sekunder)

Pada skenario ke-2 ini, perkebunan memiliki luas 378.467 ha atau

menempati 45% dari total luas wilayah dengan luas hutan primer dan sekunder

berturut-turut 205 ha (0,02%) dan 137.164 ha (16%). Kondisi ini diharapkan dapat

menjadi bahan pertimbangan bagi pihak pemerintah Kabupaten Bengkalis agar

arah pembangunan tidak hanya mengutamakan aspek ekonomi semata, namun

aspek lingkungan dan aspek berkelanjutan juga perlu dipertimbangkan. Dengan

mempertahankan hutan primer dan hutan sekunder 9 tahun yang akan datang,

maka ekosistem alami Kabupaten Bengkalis dapat terus terjaga kelestariannya dan

kemampuan hutan untuk menjalankan fungsi ekologisnya dapat terus

berkelanjutan. Secara rinci, luas masing-masing penggunaan lahan hasil proyeksi

skenario 1 dan 2 dapat dilihat pada Tabel 6 berikut ini.

39

Tabel 6. Luas Penggunaan Lahan Kabupaten Bengkalis Tahun 2018

Penggunaan Lahan 2018 (Skenario BAU) 2018 (Skenario tidak ada konversi hutan primer dan sekunder)

(Ha) (%) (Ha) (%)

Hutan Primer 74 0,01 205 0,02

Hutan Sekunder 29.924 3,55 137.164 16,29

Hutan Tanaman 67.860 8,06 67.860 8,06

Lahan Terbuka 23.482 2,79 23.482 2,79

Pemukiman 7.121 0,85 7.121 0,85

Perkebunan 485.838 57,70 378.467 44,95

Pertambangan 1.653 0,20 1.653 0,20

Pertanian 151.910 18,04 151.910 18,04

Semak Belukar 71.322 8,47 71.322 8,47

Tubuh Air 2.750 0,33 2.750 0,33

Total 841.934 100 841.934 100

5.5 Validasi Model

Validasi model dilakukan untuk melihat seberapa besar daerah perkebunan

match atau saling tumpang tindih antara perkebunan hasil pemodelan ANN

dengan perkebunan kondisi aktual. Berdasarkan hasil pemodelan, terdapat 4 kelas

perubahan penggunaan lahan yang memiliki peluang cukup tinggi untuk berubah

menjadi perkebunan (antara 0,5 1), yaitu perubahan dari hutan sekunder, lahan

terbuka, pertanian dan semak belukar menjadi perkebunan. Masing-masing dari

kelas tersebut direklasifikasi agar nilai peluang yang muncul hanya antara 0,5 1

(Gambar 33).

(a) (b)

40

overlay

(c) (d)

Gambar 33. Peta Hasil Reklasifikasi Hutan Sekunder (a), Lahan Terbuka (b),

Pertanian (c) dan Semak Belukar (d) menjadi Perkebunan

Selanjutnya keempat kelas tersebut di-overlay sehingga menghasilkan suatu peta

peluang perubahan perkebunan hasil dari pemodelan ANN (Gambar 34). Peta

peluang tersebut di-overlay dengan peta perkebunan tahun 2009 hasil interpretasi

(Gambar 35) untuk melihat ada atau tidaknya daerah yang saling tumpang tindih.

Gambar 34. Peta Peluang Perkebunan Gambar 35. Peta Perkebunan

Hasil Pemodelan ANN Tahun 2009

Gambar 36. Peta Hasil Overlay Peluang Perkebunan Hasil Pemodelan ANN

dengan Peta Perkebunan Tahun 2009

Pada Gambar 36 terlihat bahwa tidak ada daerah yang match atau saling

tumpang tindih antara peta peluang perkebunan dengan peta perkebunan tahun

2009. Hal ini menunjukkan bahwa peta peluang yang dihasilkan oleh metode

ANN merupakan peta peluang perubahan ke depan, sesuai dengan piksel yang di-

training dan testing pada tahap awal. Sebagai contoh perubahan dari hutan

sekunder menjadi perkebunan, berarti piksel yang di-training dan testing adalah

41

piksel hutan sekunder yang berubah secara aktual menjadi perkebunan dan piksel

hutan sekunder pada tahun 2009. Hal yang sama juga berlaku pada kelas

perubahan penggunaan lahan lainnya. Oleh karena itu, dilakukan overlay antara

peta peluang perkebunan hasil pemodelan ANN dengan peta proyeksi tahun 2018

skenario BAU untuk melihat ada tidaknya daerah yang saling tumpang tindih.

Berikut adalah peta yang dihasilkan.

Gambar 37. Peta Hasil Overlay antara Peta Peluang Perkebunan Hasil Pemodelan

ANN dan Peta Perkebunan Tahun 2018

Poligon berwarna putih menunjukkan daerah yang match atau saling tumpang

tindih antara peta peluang perkebunan hasil pemodelan ANN dengan peta

proyeksi perkebunan tahun 2018 skenario BAU. Luasan daerah yang saling

tumpang tindih hanya sekitar 19%. Nilai tersebut cukup kecil walaupun peluang

hasil pemodelan ANN cukup tinggi (mencapai 0,99).

VI. KESIMPULAN DAN SARAN

6.1 Kesimpulan

1. Perubahan penggunaan lahan yang terjadi pada periode 2000-2003, 2003-

2006 dan 2006-2009 didominasi oleh berkurangnya luasan hutan primer

dan hutan sekunder, dan bertambahnya luasan perkebunan dan hutan

tanaman.

2. Pemodelan perubahan penggunaan lahan menggunakan metode ANN pada

dua titik tahun (2000 dan 2009) dengan variabel pendorong jarak ke jalan,

sungai, pemukiman dan kepadatan penduduk menunjukkan hasil akurasi

model yang cukup baik (85%). Peluang hutan primer, hutan sekunder dan

semak belukar untuk berubah menjadi perkebunan cukup tinggi (0,99).

3. Proyeksi penggunaan lahan dengan skenario BAU menunjukkan bahwa

perkebunan akan mendominasi hampir 58% penggunaan lahan di

Kabupaten Bengkalis pada tahun 2018, sedangkan pada skenario tidak ada

konversi hutan primer dan sekunder luas perkebunan pada tahun 2018

mencapai 45% dengan luas hutan masih 16%.

6.2 Saran

Pemodelan perubahan penggunaan lahan dengan metode ANN dapat

dilakukan pada dua titik tahun yang rentangnya lebih panjang. Penggunaan

variabel pendorong perubahan perlu ditambah, seperti pendapatan asli daerah,

jarak terhadap lahan pertanian, untuk melihat pengaruhnya terhadap akurasi

model dan nilai peluang yang dihasilkan.

VII. DAFTAR PUSTAKA

Arsyad, S. 1989. Konservasi Tanah dan Air. Bogor: IPB Press

Ashish, D. 2002. Land-use Classification of Aerial Images Using Artificial Neural

Networks. USA: University of Georgia

Atkinson, P. and A. Tatnall. 1997. Neural Network in Remote Sensing.

International Journal of Remote Sensing. Vol. 18(4), p. 699-709

Basyar, A. H. 1999. Evaluasi Penerapan Kebijakan Konservasi Hutan untuk

Perkebunan Kelapa Sawit. http://www.bappenas.go.id/node/48/2333/eva

luasi-penerapan-kebijakan-konversi-hutan-untuk-perkebunan-besar-kelapa

-sawit-oleh-a-hakim-basyar-/ [diakses 15 September 2011]

Batty, M and P. A. Longley. 1994. Urban Modelling in Computer Graphic and

Geographic Information System Environments. Environment and

PlANNing. Vol. 19, p. 663-688

Berger, T., H. Coucleis, M. S. Manson and C. D. Parker. 2001. Introduction and

conceptual overview. Report and review of International Workshop.

October 4-7. California USA.

Bockstael, N. et al. 1995. Ecological Economic Modelling and Valuation of

Ecosystems. Ecological Economics. Vol. 14, p. 143-159

Handoko, I. 2005. Quantitative Modelling of Systems Dynamics for Natural

Resource Management. Bogor: SEAMEO BIOTROP

Hardjowigeno, S. dan Widiatmaka. 2001. Kesesuaian Lahan dan Perencanaan

Tataguna Tanah. Jurusan Tanah, Fakultas Pertanian, Institut Pertanian

Bogor. Bogor

Junaedi, A. 2008. Konsistensi dan Inkonsistensi Pemanfaatan Ruang dan

Implikasinya Terhadap Pelaksanaan Rencana Tata Ruang Wilayah

Kabupaten Sumedang. Tesis. Sekolah Pascasarjana Institut Pertanian

Bogor. Bogor

Kazaz and Charles. 2001. Contaminated Lands. Presentation of Bill 72

Establishing New Rules for the Protection and Rehabilitation of

Coantaminated Lands. http://www.fasken.com/WEB/FMDWEBSITE.NS

F/0/7A37D65E2B09BA185256B360077D436/$File/ENVIROBULLETIN

_FLASH_ANG.PDF?OpenElement [diakses 7 November 2011]

King, A. W., A. R. Johnson, R. V. ONeill and D. L. De Angelis. 1989. Using Ecosystem Models to Predict Regional CO2 Exchange Between The

Atmosphere and The Terrestrial Biosphere. Global Biogeochemical Cycles.

Vol. 3, p: 337-361

44

Lambin, E. F., M. Rounsevell and H. Geist. 2000. Are Current Agricultural Land

Use Models Able to Predict Changes in Land Use Intensity?. Agriculture,

Ecosystems and Environment. Vol. 1653, p: 1-11

Lillesand, T. M., dan R. W. Kiefer. 1997. Penginderaan Jauh dan Interpretasi

Citra. Yogyakarta: Gajah Mada University

Mansur, E. 2001. Pengendalian Konversi Sawah Beririgasi. http://pu.go.id/Sekjen

/Puskabijak/warta/e\web_001/kajian_3_ed1.htm [diakses 21 September

2011]

Muin, S. F. 2009. Analisis Perubahan Penggunaan Lahan Terhadap Limpasan

Permukaan (Surface Run Off) dan Kebutuhan Air DAS Cimanuk. Skripsi.

Departemen Geofisika dan Meteorologi. Fakultas Pertanian dan Ilmu

Pengetahuan Alam. Institut Pertanian Bogor. Bogor

Muiz, A. 2009. Analisis Perubahan Penggunaan Lahan di Kabupaten Sukabumi.

Tesis. Sekolah Pascasarjana Institut Pertanian Bogor. Bogor

Muller, M. R. and J. Middleton. 1994. A Markov Model of Land-use Change

Dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology.

Vol. 9(2), p: 161-167

Munibah, K. 2008. Model Penggunaan Lahan Berkelanjutan di DAS Cidanau,

Kabupaten Serang, Propinsi Banten. Disertasi. Sekolah Pascasarjana

Institut Pertanian Bogor. Bogor

Pijanowski, B. C., D. G. Brown, B. A. Shellito and G. A. Manik. 2002. Using

Neural Network and GIS to Forecast Land Use Changes: A Land

Transformation Model. Computers, Environment and Urban Systems. Vol.

26, p: 553-575

Wu, Q. et al. 2006. Monitoring and Predicting Land Use Change in Beijing Using

Remote Sensing. Landscape and Urban PlANNing. Vol. 78, p: 322-333

Rumelhart, D., G. Hinton and R. Williams. 1986. Learning Internal

Representations by Error Propagation. Parallel Distributed Processing:

Explorations in the Microstructures of Cognition. Vol. 1, p: 318-362

Rustiadi, E., S. Saefulhakim, dan D. R. Panuju. 2007. Perencanaan dan

Pengembangan Wilayah. Departemen Ilmu Tanah dan Sumberdaya Lahan,

Fakultas Pertanian, Institut Pertanian Bogor. Bogor

Skapura, D. 1996. Building Neural Networks. New York: ACM Press

Sitorus, S. R. P. 2004. Pengembangan Sumberdaya Lahan Berkelanjutan.

Laboratorium Pengembangan Wilayah. Jurusan Tanah, Fakultas Pertanian,

Institut Pertanian Bogor. Bogor

45

Tayyebi, A., M. R. Delavar, S. Saeedi, J. Amini and H. Alinia.2008. Monitoring

Land Use Change by Multi-temporal Landsat Remote Sensing Imagery.

The International Archives of Photogrammetry, Remote Sensing and

Spatial Information Sciences. Vol. 37, p: 1037-1042

Theobald, D. M. and N.T. Hobbs. 1998. Forecasting Rural Land Use Change: A

Comparison of Regression and Spatial Transition-based Models.

Geographical and Environmental Modelling. Vol. 2(1), p: 65-82

Vandeveer, L. R. and H. E. Drummond. 1976. Differential Land Use Change as

The Result of The Construction of The Keystone Reservoir. Oklahoma

Agricultural Experiment Station. Vol. 56, p: 153-158

Veldkamp, A. and E. F. Lambin. 2001. Editorial: Predicting Land Use Change.

Agriculture, Ecosystems and Environment. Vol. 85, p: 1-6

Veldkamp, A. and L. O Fresco. 1995. CLUE-CR : An Integrated Multi-scale

Model to Simulate Land Use Change Scenarios in Costa Rica. Ecological

Modelling. Vol. 91, p: 231-248

Wijaya, C. I. 2011. Land Use Change Modelling In Siak District , Riau Province,

Indonesia Using Multinomial Logistic Regression. Tesis. Sekolah

Pascasarjana Institut Pertanian Bogor. Bogor

Winoto, J. et al. 1996. Laporan Akhir Penelitian Alih Guna Tanah Pertanian.

Bogor: Lembaga Penelitian IPB bekerjasama dengan Proyek

Pengembangan Pengelolaan Sumberdaya Pertanahan BPN

LAMPIRAN

47

Lampiran 1. Matriks Transisi Penggunaan Lahan Kabupaten Bengkalis Tahun 2000-2003 (Ha)

Penggunaan Lahan 2003 Total 2000

2000 HP HS HT LT PM PK PT PTA SB TA

Hutan Primer (HP) 1.717 210.290 0 199 0 0 0 0 0 0 212.206

Hutan Sekunder (HS) 0 198.310 13.841 10.867 0 216 0 130 5.487 0 228.851

Hutan Tanaman (HT) 0 0 40 0 0 0 0 0 0 0 40

Lahan Terbuka (LT) 0 0 4.733 21.024 0 0 52 183 992 0 26.984

Pemukiman (PM) 0 0 0 0 6.530 0 0 0 0 0 6.530

Perkebunan (PK) 0 0 0 249 0 225.375 0 0 0 0 225.624

Pertambangan (PT) 0 0 0 0 0 0 25.790 0 0 0 25.790

Pertanian (PTA) 0 0 0 0 0 0 0 43.101 0 0 43.101

Semak Belukar (SB) 0 0 266 0 0 423 0 331 69.038 0 70.058

Tubuh Air (TA) 0 0 0 0 0 0 0 0 0 2.750 2.750

Total 2003 1.717 408.600 18.880 32.339 6.530 226.014 25.842 43.745 75.517 2.750 841.934

Matriks Transisi Penggunaan Lahan Kabupaten Bengkalis Tahun 2003-2006 (Ha)


2003 HP HS HT LT PM PK PT PTA SB TA

Hutan Primer (HP) 1.654 63 0 0 0 0 0 0 0 0 1.717

Hutan Sekunder (HS) 0 320.114 57.117 5.169 0 13.874 0 738 11.588 0 408.600

Hutan Tanaman (HT) 0 0 18.880 0 0 0 0 0 0 0 18.880

Lahan Terbuka (LT) 0 0 12.932 12.594 0 1.205 0 2.789 2.819 0 32.339

Pemukiman (PM) 0 0 0 0 6.530 0 0 0 0 0 6.530

Perkebunan (PK) 0 0 0 0 0 226.014 0 0 0 0 226.014

Pertambangan (PT) 0 0 0 0 0 0 25.842 0 0 0 25.842

Pertanian (PTA) 0 0 0 0 0 0 0 43.745 0 0 43.745

Semak Belukar (SB) 0 0 0 0 75 1.022 0 799 68.136 0 75.517

Tubuh Air (TA) 0 0 0 0 0 0 0 0 0 2.750 2.750

Total 2006 1.654 320.177 88.929 17.763 6.605 242.115 25.842 48.071 82.543 2.750 841.934

48

Matriks Transisi Penggunaan Lahan Kabupaten Bengkalis Tahun 2006-2009 (Ha)


2006 HP HS HT LT PM PK PT PTA S

a12kta

Documents