Pemodelan Penentuan Hutan Lindung (HL) dengan Metode Pembobotan Perbandingan Berpasangan
-
Upload
bappeda-belitung-timur -
Category
Documents
-
view
1.375 -
download
3
Transcript of Pemodelan Penentuan Hutan Lindung (HL) dengan Metode Pembobotan Perbandingan Berpasangan
Studi Kasus Kawasan Hutan Lindung (HL) Pulau Belitung
Pembimbing:DR. Albertus Deliar, MT
DR. Agung Budi Harto, M.Eng
Ujian Tesis GD 6091
Fahrudin25111002
Nilai Strategis Hutan
1. Mega Biodiversity
2. Sistem Pendukung Kehidupan:
Ekologi
Ekonomi
Sosial
3. Mengatur Perubahan Iklim
LATAR BELAKANG
Kriteria Fisik yang diskoring :
1. Kelerengan
2. Kepekan Tanah (erodibilitas)
3. Intensitas Hujan
SK Mentan No. 837/Kpts/Um/11/1980
Kriteria Hutan Lindung (HL)Model Skoring
Hutan Lindung (HL) = (*Lereng + * 20) + (*Tanah+ * 15) + (*Hujan + * 10) ≥ 175
Model Kesesuaian Biner
• Dipakai untuk masalah yang sederhana – seperti query
• Klasifikasi layer ke dalam kelas baik ( 1 ) dan buruk ( 0 )- Kombinasi dengan AND,
penambahan dan perkalian:
Ski = [Snow] & [Slope] & [Sun]
• Keuntungannya adalah mudah digunakan
• Kerugiannya:1. Tidak ada situs terbaik berikutnya2. Semua layer dan kelas yang baik memiliki
kepentingan yang sama
Model Pembobotan
Digunakan untuk masalah yang kompleks
Layer diklasifikasi ke skala kesesuaian 1–9 (1= worst ; 9 = best)
1 9 5
1 5
9
Keuntungan : o Semua nilai dan layer mempunyai
kepentingan relatif
o Mengembalikan kesesuaian pada skala 1 – 9
1 9
5
5.0 6.6
1.8 4.2 9 7.0
Hutan Lindung = ([Slope]*0.2)+([DEM]*0.2)+([Non_Hutan]*0.2)+([Tubuh Air]*0.2)+([Tanah]*0.2)
Dibobotkan dan ditambah bersamaan
• Kerugian:Penilaian kepentingannya lebih sulit
Adanya pertimbanganprioritas relatif faktor-faktornya
Adanya Struktur Hierarki
Adanya skala baku
KEL
EBIH
AN
Pengelompokan kedalamlevel yang berbeda, denganisi berupa elemen-elemenyang sama
M e m a k a i s k a l a 1 - 9 u n t u kkeseragaman denganmempertimbangkan konsistensilogis (CR)
Dapat memi l ih a l ternat i fterbaik berdasarkan tujuanyang diinginkan
Input utama berupa persepsi seorang ahl i , tergantung pada subyektifitas sang ahli.
Alasan Memilih Metode Pairwise Comparison
sangat bergantungpada input utamanyaKEKURANGAN
PENELITIAN SEBELUMNYA
Analisis Risiko Aliran Piroklastik Gunung Merapi Semeru Jawa Timur, Menggunakan Metode Ranking dan
Perbandingan Berpasangan (Novie Noor Afatia)
A GIS-based multi-criteria decision making approach to forest conservation planning at a landscape
scale: a case study in the Kinabalu Area, Sabah, Malaysia
(Mui-How Phuaa, Mitsuhiro Minowab)
PERMASALAHAN
Bagaimana cara menentukan HL PulauBelitung metode pairwise comparison denganpembobotan yang konsisten (CR , 0,1).
Bagaimana cara menentukan model yangpaling potensi dari semua skenario yangdibuat.
“Pemodelan penentuan hutan lindung (HL) denganmetode pembobotan pairwise comparison”
TUJUAN PENELITIAN
RUANG LINGKUP PENELITIAN
1. Diasumsikan bahwa peta-peta yang digunakan dalampenelitian memiliki ketelitian geospasial yang sama,yaitu Peta Digital SK Menhut No. 357/Menhut -II/2004, peta RBI, peta kelerangan, peta ketinggian,peta vegetasi dan peta jenis tanah;
2. Layer yang dibuffer diberi batas jarak. Batas bufferpeta non hutan 100 m, batas buffer peta tubuh air500 m;
3. peta model direclass equal interval sebelumdicrosstab dengan peta hutan dan
4. Metode pembobotan untuk pemodelan adalahperbandingan berpasangan.
Diagram Alir MetodologiPENDEFINISIAN
MODEL
PEMILIHAN LAYER MODEL
PEMBOBOTAN PAIRWISE
COMPARISON
15 SKENARIO
LAYER
TERPILIH
HUTAN
PERBANDINGAN
NILAI KAPPA & AKURASI TINGGI
YA
PETA MODEL HL
MCE
15 PETA HASIL MCE
REKLASIFIKASI
REKLASIFIKASI
LAYER REKLASIFIKASI
HUTAN RC
PETA VEGETASI BELITUNG
KLASIFIKASI
BOBOT KRITERIA
Hutan Lindung adalah:“Kawasan hutan yang mempunyai fungsi pokok sebagai
perlindungan sistem penyangga kehidupan untuk:”
2. mencegahbanjir
3. mengendalikanerosi
4. mencegahintrusi air laut
5. memeliharakesuburan tanah
1. mengatur tata air
MEMILIH LAYER MODEL
1. Layer Kelerengan (Slope)2. Layer Ketinggian (DEM)3. Layer Non Hutan4. Layer Tubuh Air5. Layer Kepekaan Tanah
Menyamakan skala layer
1. Pertama semua nilai ditarik ke skala kesesuaian 1- 9,1= jelek; 9= terbaik
2. Kedua semua nilai ditarik ke daerah byte0 – 255 yang diassignment berdasarkan skala kesesuaian
Kesesuaian ketinggian1- Tidak potensi2- Potensi buruk3- Agak potensi4- Kurang potensi5- Potensi rata-rata6- Potensi sedang7- Potensi baik8- potensi sangat baik9- Potensi ekstrim
1. Skala KesesuaianKesesuaian ketinggian28 - Tidak potensi57 - Potensi buruk85 - Agak potensi113 - Kurang potensi142 -Potensi rata-rata170 -Potensi sedang198 -Potensi baik227 -potensi sangat baik255- Potensi ekstrim
2. Skala Byte
Struktur Hierarki Keputusan HL
LEVEL 1 : GOAL
LEVEL 3 : SKENARIO
HUTAN
LINDUNG (HL)
SLOPE DEM NON HUTAN TUBUH AIR TANAH
MODEL HL
SKENARIO 1
MODEL HL
SKENARIO 2
MODEL HL
SKENARIO 3
MODEL HL
SKENARIO 4
MODEL HL
SKENARIO 5-15
LEVEL 2 : KRITERIA
NILAI RASIO KONSISTENSI (CR) SETIAP SKENARIO
0.00
0.02
0.04
0.06
0.08
0.10
0.12
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
NILAI CONSISTENCY RATIO (CR) SETIAP SKENARIO
CR
No KriteriaBobot Kriteria Skenario ke-
9 10 11 12 13 14 15
1 Slope 0.3103 0.2432 0,1998 0.2642 0.3736 0.1039 0.5290
2 Dem 0.3103 0.2432 0,3142 0.4359 0.1026 0.3177 0.0755
3 Non HL 0.0345 0.2432 0,0996 0.1551 0.183 0.1466 0.1107
4 Tubuh Air 0.3103 0.2432 0,3337 0.0985 0.224 0.1511 0.2043
5 Tanah 0.0345 0.027 0,0527 0.0464 0.1169 0.2808 0.0805
No KriteriaBobot Kriteria Skenario ke-
1 2 3 4 5 6 7 8
1 Slope 0.2000 0.6923 0.0769 0.0769 0.0769 0.0769 0.0906 0.3103
2 Dem 0.2000 0.0769 0.6923 0.0769 0.0769 0.0769 0.0906 0.0345
3 Non HL 0.2000 0.0769 0.0769 0.6923 0.0769 0.0769 0.184 0.3103
4 Tubuh Air 0.2000 0.0769 0.0769 0.0769 0.6923 0.0769 0.3174 0.3103
5 Tanah 0.2000 0.0769 0.0769 0.0769 0.0769 0.6923 0.3174 0.0345
BOBOT KRITERIA
KETERANGAN BOBOT KRITERIA
1. Skenario 1 semua layer memiliki
kepentingan yang sama untuk melihat
tingkat kesesuaiannya pada uji
perbandingan.
2. Skenario 2 sampai 6 tingkat
kepentingannya diurut untuk melihat
kriteria manakah yang paling penting.
3. Skenario 7 sampai 15 dibuat
berdasarkan tingkat kepentingan
skenario 2 sampai 6.
Hutan Lindung = ([Slope]*0.2)+([DEM]*0.2)+([Non_Hutan]*0.2)+([Tubuh Air]*0.2)+([Tanah]*0.2).
PERSAMAAN MCE
BA
GA
N A
LIR
U
JI P
ER
BA
ND
ING
AN
OVERALL
KAPPA
OVERALL
ACCURACY
MODEL PALING
POTENSI
PETA HASIL
BOBOT
NILAI KAPPA &
AKURASI
TERTINGGI
PETA VEGETASI
BELITUNG
1 : 100.000
ANALISIS
SPASIAL
TRAINING SAMPLE
HUTAN
(0)= NON_HL; (1)= HL
NILAI
CROSSTAB
YA
RECLASSRECLASS EQUAL
INTERVAL
PETA RCLS EQUAL
(0)= NON_HL; (1)=HL
HUTAN UTM
48S
Cross-tabulation of hutan_48s_rc_2 tes
(columns) against skenario1_rc (rows)
0 1 Total
------------------------------
0 | 1550820 19589 | 1570409
1 | 17425 110010 | 127435
------------------------------
Total | 1568245 129599 | 1697844
Chi Square = 1210119.50000
df = 1
P-Level = 0.0000
Cramer's V = 0.8442
Proportional Crosstabulation
0 1 Total
------------------------------
0 | 0.9134 0.0115 | 0.9249
1 | 0.0103 0.0648 | 0.0751
------------------------------
Total | 0.9237 0.0763 | 1.0000
Overall Kappa = 0.8442
Overall Accuracy = 97.82%
NILAI VALIDASIHASIL PEMODELAN
SkenarioOverall
Kappa
Overall
Accuracy
Luas Hutan
(Ha)
1 0.8442 97.82% 109602.28
2 0.3400 93.57% 36397.92
3 0.4314 94.41% 37774.88
4 0.8967 98.59% 102976.35
5 0.0321 91.64% 17332.87
6 0.3738 82.97% 337214.84
7 0.7087 96.44% 79138.81
8 0.6588 96.16% 62419.16
9 0.2737 93.07% 32902.62
10 0.7782 97.28% 79364.15
11 0.3554 93.51% 41840.4
12 0.4684 94.65% 41943.61
13 0.7066 96.32% 84343.92
14 0.7918 96.95% 120920.73
15 0.4458 94.17% 49618.82
GRAFIK UJI VALIDASIHASIL PEMODELAN
0
0.2
0.4
0.6
0.8
1
1.2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Uji Validasi
Overall Kappa Overall Accuracy
KESIMPULAN
1. Pemodelan penentuan hutan lindung (HL) dapatdilakukan dengan menggunakan metode pembobotanperbandingan berpasangan.
2. Peta model HL diperoleh setelah bobot kriteriaperbandingan berpasangan dievaluasi dengan MCE danpemilihan model yang paling baik dengan ujiperbandingan.
3. Nilai KIA uji perbandingan berturut-turut adalah rendahpada model 5, rata-rata pada model 2, 6, 9, 11, sedangpada model 3, 12, 15, tinggi pada model 7, 8, 10, 13, 14dan hampir sempurna pada model 1, 4 dengan rata-ratanilai overall accuracy-nya 94,50%.
SARAN
1. Pemilihan input kriteria untuk pemodelan HL tidakhanya memperhatikan aspek umum tetapi juga harusmemperhatikan aspek lokal dari wilayah yang akanditunjuk menjadi HL.
2. Peta hasil pemodelan perlu dibandingkan dengan petaHL yang lebih valid agar didapatkan nilai perbandinganyang lebih baik.
3. Perlu dilakukan penelitian lanjut agar didapat metodebaru dengan kombinasi kriteria dan skenario yangberbeda.