Model Evaluasi Multi-Kriteria Berbasis SIG untuk Mengidentifikasi Lokasi yang Layak Bagi Budidaya Kerang Jepang di Teluk

Funka, Hokkaido, Jepang.

Latar Belakang Produksi dari budidaya kerang Jepang (Mizuhopecten yessoensis) mengalami peningkatan dan mendukung masyarakat pesisir. Industri ini memainkan peran penting dalam kesejahteraan ekonomi dan sosial masyarakat pesisir dan telah berkembang menjadi usaha budidaya kerang laut paling sukses di Jepang (Shumway, 1991; Bourne, 2000.). Saat ini, lebih dari 40% dari produksi kerang di Jepang adalah dari hasil budidaya (FAO, 2007). Area budidaya utama terletak di bagian utara Pulau Honshu dan Pulau Hokkaido. Menurut Departemen Pertanian, Kehutanan, dan Perikanan (2005), Hokkaido memberikan kontribusi hampir 80% dari produksi kerang di Jepang selama 1991-2002. Daerah budidaya utama di Hokkaido adalah Laut Okhotsk, Danau Saroma, dan Teluk Funka. Di daerah ini, metode budidaya utama yang digunakan adalah kombinasi dari benih dasar dan teknik budidaya suspensi (penangguhan). Meskipun pertumbuhannya cepat, pengembangan akuakultur terus terhalang oleh sejumlah kendala. Hal ini termasuk terbatasnya lokasi yang sesuai, kekhawatiran mengenai dampak-dampak terhadap lingkungan, dan konflik pemakaian bersama. Pembangunan akuakultur yang tidak benar dapat mengakibatkan eksploitasi berlebih dan tidak berkelanjutan pada penggunaan sumber daya alam. Untuk mencegah masalah tersebut, peningkatan stok telah dilakukan yang telah disesuaikan dengan kondisi lingkungan dan jelas tercermin dalam peningkatan produksi (Uki, 2006). Di sisi lain, menemukan tempat yang sesuai untuk budidaya merupakan langkah penting dalam setiap operasi yang mempengaruhi keberhasilan budidaya dan pembangunan berkelanjutan. Pembangunan akuakultur pada lokasi yang tepat akan meminimalkan risiko dampak lingkungan, memaksimalkan laba ekonomi secara keseluruhan, dan mengurangi konflik antara akuakultur dan pemakaian sumberdaya lainnya (GESAMP, 2001). Budidaya harus dimasukkan ke dalam rencana pengelolaan pesisir dan harus mengurangi dampak negatif pada pengguna sumber daya lainnya di lokasi yang sama (Stead et al., 2002). Analisis kelayakan lokasi dapat menjadi dasar sebagai kontrol dan manajemen pembangunan akuakultur. Analisis tersebut yang dapat dibangun berdasarkan kriteria khusus, termasuk karakteristik lingkungan (faktor fisik, biologis dan ekologis), ekonomi sosial, dan fasilitas pendukung. Menggunakan Sumber Daya dan pengembangan memiliki dimensi spasial eksplisit. Untuk membuat pembangunan berkelanjutan, maka perlu untuk mengembangkan suatu kerangka analisis yang dapat menggabungkan dimensi spasial (dan temporal) dari parameter yang mempengaruhi keberlanjutan (Frankic,

2003). Sistem Informasi Geografis (SIG) dan penginderaan jarak jauh memiliki peran untuk bermain dalam semua aspek geografis dan spasial pengembangan dan pengelolaan akuakultur. Baik SIG dan teknologi penginderaan jauh juga digunakan untuk mendefinisikan kerangka geografis, menentukan kendala lingkungan, dan mengidentifikasi keterbatasan sumber daya (Stead et al., 2002.). Pada aplikasi umum, penginderaan jauh telah menjadi sumber penting dari data yang digunakan dalam analisis SIG. Menggunakan teknologi ini dapat mengurangi jumlah sampling lapangan dan meningkatkan cakupan spasial dan temporal dari estimasi. Sejalan dengan perkembangan ini, SIG dapat meningkatkan kemampuan kita untuk menyimpan, menganalisa dan mengkomunikasikan informasi ini. Elemen pusat dari SIG adalah penggunaan sistem referensi lokasi sehingga data tentang lokasi tertentu serta atribut-atributnya dapat dibandingkan dengan lokasi yang lain (Burrough dan McDonnell, 1998). Kemampuan perkembangan SIG dan penginderaan jarak jauh memberikan suatu perangkat canggih untuk manajemen yang efektif dan biaya yang efisien bagi budidaya yang berkelanjutan. Teknologi ini juga berguna untuk memfasilitasi proses pengambilan keputusan bagi para perencana wilayah pesisir dalam kaitannya dengan budidaya. Penggunaan SIG dan penginderaan jauh dalam perencanaan untuk pengembangan budidaya, bersama dengan kasus-kasus yang dipilih telah didokumentasikan (misalnya, Meaden dan Kapetsky, 1991; Nath et al., 2000;. Kapetsky dan Anguilar-Manjarrez, 2007.). Aplikasi GIS dalam pemilihan lokasi untuk berbagai industri akuakultur yang berbeda telah dilaporkan seperti budidaya kerang keras di Florida (Arnold et al., 2000), budidaya kerang di Teluk Sungo, Cina (Bacher et al., 2003), peternakan udang dan kepiting di Bangladesh (Salam et al., 2003), budidaya keramba ikan laut di Tenerife, Canary Islands (Prez et al., 2005), dan budidaya tiram rakit mangrove di Pulau Margarita, Venezuela (Buitrago et al., 2005). Teluk Funka merupakan area yang penting untuk pengembangan budidaya kerang. Kerang budidaya secara ekonomi penting bagi masyarakat pesisir di sekitar teluk. Budidaya kerang di teluk ini telah meningkat sekitar 1,6 kali lipat dari tahun 1982 (12% kawasan budidaya) sampai tahun 2003 (19% kawasan budidaya) (Miyazono, 2006). Namun, dengan pesatnya perkembangan budidaya kerang, konsep-konsep seperti daya dukung dan jejak ekologi perlu dipertimbangkan sehubungan dengan kegiatan budidaya yang berkelanjutan. Banyak penelitian telah dilakukan di Teluk Funka. Sebagian besar menekankan pada karakteristik lingkungan (misalnya, Ohtani dan Kido, 1980; Kudo dan Matsunaga, 1999; Sasaki et al., 2005;. Takahashi et al., 2005;. Radiarta dan Saitoh, 2008.) dan pengaruh faktor lingkungan terhadap biota budidaya (misalnya, Kurata et al., 1996;. Shimada et al., 2000.). Makalah ini menyajikan evaluasi multi-kriteria berbasis SIG (MCE) yang menggunakan data penginderaan jauh dan data lapangan verifikasi untuk mengidentifikasi lokasi paling cocok untuk menggantungkan pengembangan budidaya kerang Jepang di Teluk Funka. Bahan dan Metode

Studi Area Teluk Funka adalah teluk semi tertutup di barat daya Hokkaido. Sumbu memanjang teluk disejajarkan dengan arah barat laut-tenggara yang terletak antara 4200 '- 4235' Lintang Utara dan 14018 '- 14100' Bujur Timur, dengan kedalaman rata-rata dan maksimum 38 m dan 107 m. Masing-masing. teluk ini memiliki luas permukaan 2.315 km2 dan garis pantai 195 km, dan terhubung ke barat laut Samudera Pasifik melalui 30 km ambang lebar dangkal di bagian timur teluk.

Karena sebuah teluk semi tertutup, fisik dan kondisi biologis diatur oleh lingkungan laut di teluk. Air di teluk diganti dua kali setahun oleh aliran arus Tsuguru hangat dari musim gugur ke musim dingin dan arus Oyashio (massa air samudera subartic) dari musim semi ke musim panas (Ohtani, 1971; Ohtani dan Kido, 1980.). Setiap kali penggantian membutuhkan waktu sekitar 2 bulan (Miyake et al., 1988). Suhu permukaan laut di teluk bervariasi dari 5 C di bulan Maret hingga 20 C pada bulan Agustus-September (Shimada et al., 2000). Salinitas relatif stabil, berkisar 31-34 o/oo. Tingkat klorofil-a sangat tinggi selama musim semi di bulan Maret, tetapi relatif rendah (<1 g l-1) selama musim panas (Shimada et al., 2000;. Odate dan Imai, 2003.). Kondisi angin bervariasi musiman, angin bertiup ke arah tenggara pada musim panas dan ke arah barat laut pada musim dingin (Inoeu et al., 2000). Teluk Funka juga dipengaruhi oleh bahan-bahan terestrial, seperti dari debit sungai, dan limbah perkotaan dan industri (Sasaki et al., 2005). Debit sungai

Sebagian besar berasal dari Sungai Yurappu yang terletak di Yakumo, bersama dengan beberapa sungai yang lebih kecil antara Noboribetsu dan Shikabe. Teluk Funka memiliki kondisi lingkungan yang menguntungkan untuk budidaya dan merupakan salah satu daerah akuakultur yang paling penting di Hokkaido. Kerang dan rumput laut juga banyak dibudidayakan oleh individu, perusahaan, dan asosiasi nelayan. Software dan Hardware yang Digunakan Perangkat lunak penginderaan jauh dan SIG yang digunakan dalam penelitian ini adalah SeaDAS 4.9 (GSFC/NASA, USA), ERDAS Imagine 9.1 (ERDAS Atlanta, GA, USA) dan ArcGIS 9.2 (Environmental System Research Institute, USA). Pengolahan data dan pemodelan dilakukan terutama dengan ArcGIS 9.2, sedangkan SeaDAS 4.9 dan ERDAS Imagine 9.1 digunakan untuk pengolahan citra satelit. ArcGIS 9.2 dioperasikan pada komputer dengan spesifikasi Pentium Celeron 2.80 GHz, RAM 1 GB, dan harddisk 160 GB serta monitor DELL berwarna ukuran 17 inchi. Identifikasi Kriteria dan Pengumpulan Data Meskipun banyak faktor yang harus dipertimbangkan untuk mengembangkan budidaya kerang (Hardy, 1991;. Kingzet et al., 2002.), yang paling penting adalah tergantung pada sistem budaya yang digunakan oleh petani. Pengaruh suhu laut, ketersediaan pangan (diukur sebagai klorofil-a) endapan sedimen, dan batimetri terhadap pertumbuhan kerang telah didokumentasikan dengan baik, terutama untuk kerang kipas (misalnya, MacDonald dan Thompson, 1985; Bacheretal, 2003.) dan remis (misalnya, Hatcher et al., 1994; Ellis et al., 2002). Selain itu, faktor sosial dan infrastruktur juga mempengaruhi operasi (Nathetal., 2000; Kingzet et al., 2002.). Jadi, parameter ini digunakan untuk mengidentifikasi lokasi yang cocok untuk budidaya kerang di Teluk Funka (Tabel 1).

Sumber data primer yang digunakan termasuk multi-sensor penginderaan jauh data (Sea-viewing Wide Field-of-view Sensor (SeaWiFS), Moderate Resolution Imaging Spectroradiometer (MODIS), dan Advanced Land Observing Satellite (ALOS)), grafik hidrografi, dan data Global Positioning System (GPS). Data suhu permukaan laut berasal dari sensor MODIS-Aqua sebagai data tingkat-2 dengan resolusi 1 km dari Distribution Active Archive Centre Goddard Space Flight Centre National Aeronautic dan Space Administration (DAAC / GSFC / NASA) (Savtchenko et al., 2004 ). Sebanyak 287 gambar dengan cakupan yang baik dikumpulkan dari bulan Juni 2002 sampai Agustus 2004. Semua gambar digabungkan untuk menghasilkan sebuah peta komposit, yang digunakan untuk menghasilkan nilai rata-rata suhu laut. Lalu gambar ini telah dikelompokkan dengan skor yang sesuai. Data harian SeaWiFS tingkat 2 dengan resolusi 1 km dari Februari 1998 hingga Agustus 2004 diperoleh dari DAAC/GSFC/NASA (Acker et al., 2002). Setiap file data yang diperoleh berasal klorofil-a dan enam sinar yang melewati air (nLw, lihat http://oceancolor.gsfc.nasa.gov/ PRODUCTS/SW_nlw.html). Gambar klorofil-a diolah menggunakan klorofil SeaWiFS algoritma Ocean Color 4 versi 4 (OC4v4) (O'Reilly et al., 1998). Sebanyak 307 gambar dengan cakupan yang baik dipilih. Semua gambar digabungkan untuk menghasilkan sebuah peta komposit, yang digunakan untuk menghasilkan nilai rata-rata klorofil-a. Lalu gambar ini telah dikelompokkan dengan skor yang sesuai. L Dari data harian SeaWiFS yang didownload (dijelaskan dalam paragraf sebelumnya), nLw (555) data diekstraksi. Rata-rata bulanan dari gambar nLw (555) yang digunakan untuk menghitung penampakan sedimentasi (Suspended Sediment) (g m-3) mengikuti persamaan Ahn's (Ahn et al., 2001.): SS = 3.18*nLw(555)0,95 dimana nLw (555) dinormalkan sinar yang melewati air pada 555 nm. Semua gambar digabungkan untuk menghasilkan sebuah peta komposit, yang digunakan untuk menghasilkan nilai rata-rata endapan sedimen. Lalu gambar ini telah dikelompokkan dengan skor yang sesuai. Sebuah grafik hidrografi dari peta survei dari Departemen Hidrografi Jepang (1:150.000) di-scan pada scanner (CanoScan FB62OU) Canon dengan resolusi 200 dpi, diedit dalam versi Adobe Photoshop 5.5 (format raster image-editing software), dan diimpor ke dalam perangkat lunak SIG. Gambar didigitalkan menggunakan digitalisasi on-screen untuk menghasilkan fitur batimetri (data titik). Teknik Triangulated Irregular Network (TIN) digunakan untuk membuat peta batimetrik lengkap, baik sebagai data raster atau data vektor (peta kontur). Kemudian peta ini telah dikelompokkan dengan skor yang sesuai. Data sosial-infrastruktur dan batasan yang diekstraksi dari gambar ALOS Advance Visible and Near Infrared Radiometer (AVNIR)-2 dengan resolusi 10 m, diperoleh pada tanggal 12 Agustus 2007. Gambar itu didownload dari website AUIG

(ALOS User Interface Gateway, https: / / auig.eoc.jaxa.jp / auigs / en / top / index.html) sebagai tingkat 1B2G (geocoded). Digitasi on-screen adalah teknik dipilih untuk menghasilkan fitur sosial-infrastruktur serta data batasan (Tabel 1). Langkah terakhir adalah untuk menjalankan analisis jarak (menggunakan analis spasial ArcGIS) untuk mengukur jarak dari setiap data (sosial-infrastruktur dan batasan) dan pengelompokkannya dengan skor yang sesuai. Sejak multi-sensor digunakan, petunjuk geografis citra-citra ini menjadi pedoman referensi spasial yang diperlukan untuk penyusunan secara akurat data spasial dalam analisis. Dengan demikian, garis pantai daerah penelitian, yang diperoleh dari The International Steering Committee for Global Mapping (http://www.iscgm.org/cgi-bin/fswiki/wiki.cgi) digunakan sebagai peta dasar untuk semua citra petunjuk geografis. Dalam semua kasus, beberapa titik kontrol diperlukan, dan akar kwadrat dijaga di bawah panjang satu pixel. Semua data spasial yang menggunakan model SIG dibangun di zona WGS 84 UTM sistem koordinat 54 Utara. Data pada parameter di atas dipersiapkan untuk input ke basis data SIG yang dibangun berdasarkan 10 10 m ukuran pixel (Ross et al, 1993;. Prez et al, 2005.). Database Generasi dan Prosedur Pembobotan Struktur model untuk mengidentifikasi lokasi yang cocok bagi budidaya kerang kipas di Teluk Funka dibangun berdasarkan struktur hirarkis (kadang-kadang disebut sebagai struktur nilai). Struktur hirarkis memecah seluruh kriteria menjadi kelompok yang lebih kecil (submodel). Tingkat tertinggi adalah tujuan paling umum yang dapat menjadi penentu lebih lanjut pada tingkat masih lebih rendah. Sedangkan tingkat terendah dari hirarki merupakan atribut-atribut (Malczewski, 2000). Gambar 2 menunjukkan analisis kesesuaian lahan untuk pemilihan lokasi budidaya kerang di Teluk Funka sebagai struktur hirarki. Studi ini mengidentifikasi 11 kriteria sesuai dengan dasar yang diperlukan untuk budidaya kerang di Teluk Funka. Kriteria tersebut dibagi dalam tiga submodel (biofisik, sosial-infrastruktur dan batasan), diwakili baik sebagai faktor atau batasan (Nath et al, 2000.). Faktornya adalah ukuran dari kesesuaian kriteria relatif terhadap aktivitas yang sedang dipertimbangkan. Batasannya adalah pembatasan yang berfungsi untuk membatasi alternatif yang dipertimbangkan, termasuk pelabuhan, kota/kawasan industri dan mulut sungai dan adalah format Boolean (yang mengandung salah satu atau nol).

Semua data terintegrasi ke dalam basis data spasial membutuhkan beberapa manipulasi dan reklasifikasi untuk menciptakan metode penilaian standar. Penilaian data mentah didasarkan pada kebutuhan sistem budaya kerang. Skor kesesuaian untuk setiap kriteria ditetapkan menurut al et Prez. (2005) menggunakan sistem penilaian 1-8, dengan 8 yang paling sesuai dan 1 adalah yang kurang cocok untuk mengembangkan budaya kerang. Tahap selanjutnya adalah menetapkan pembobotan untuk setiap kriteria dan faktor. Meskipun berbagai teknik pembobotan telah ada (Malczewski, 1999), metode perbandingan berpasangan yang dikembangkan oleh Saaty (1977) dalam konteks proses hirarki analisis (AHP) digunakan untuk mengembangkan sekelompok bobot relatif untuk setiap parameter dalam MCE. Oleh sebab itu, informasi tentang kepentingan relatif dari kriteria diperlukan. Pada tahap ini, preferensi pembuat keputusan berkenaan dengan kriteria evaluasi dimasukkan ke dalam model keputusan. Preferensi biasanya didefinisikan sebagai nilai yang diberikan untuk sebuah kriteria evaluasi yang mengindikasikan kepentingannya relatif terhadap kriteria lain berdasarkan pertimbangan. Kriteria dinilai sesuai dengan tinjauan literatur dan pendapat para pakar berdasarkan kepentingan relatifnya menggunakan metode perbandingan berpasangan (Tabel 2). Dengan membuat perbandingan berpasangan untuk masing-masing kriteria dan faktor, kita dapat mengembangkan bobot relatif, dalam rangka untuk memperhitungkan perubahan dalam kisaran variasi untuk masing-masing kriteria dan perbedaan derajat kepentingan yang melekat pada kisaran variasi tersebut (Malczewski, 1999). Dalam

perbandingan berpasangan, kepentingan relatif dari kriteria dievaluasi dalam skala kontinyu 17 poin dari yang kurang penting (1 / 9, 1 / 8, 1 / 7, ..., 1 / 2) untuk yang paling penting (1, 2, 3, ..., 9) untuk setiap kegiatan yang dievaluasi. Setelah perbandingan yang telah dibuat, vektor utama dari matriks perbandingan berpasangan dihitung untuk menghasilkan yang paling cocok untuk berat total 1. Keuntungan menggunakan AHP adalah kemampuannya untuk menghitung rasio konsistensi distribusi berat dan evaluasi konsekuensi atas proses pembobotan. Nilai ini menunjukkan kemungkinan bahwa peringkat ditetapkan secara acak. Sebuah rasio konsistensi 0,1 atau kurang dianggap dapat diterima dan menunjukkan konsistensi yang baik dalam penilaian (Saaty, 1977; Banai-Kashani, 1989).

Membangun model SIG Model kesesuaian lokasi telah diimplementasikan dengan menggunakan model builder ArcGIS. Hal ini dibangun berdasarkan prosedur MCE dikenal sebagai kombinasi linear tertimbang (Malczewski, 2000), di mana bobot kepentingan relatif diberikan untuk setiap kriteria dan skor total, V (xi), kemudian diperoleh untuk setiap kriteria dengan cara mengalikan bobot yang ditetapkan dengan nilai skala untuk kriteria tersebut, dan menjumlahkan produk terhadap semua parameter sebagai berikut: V(xi) = wj rij
j

dimana wj adalah berat normal, sehingga wj = 1, dan rij adalah atribut yang berubah menjadi skala yang sebanding. Bobot mewakili kepentingan relatif dari

atribut. Alternatif yang paling disukai dipilih dengan mengidentifikasi nilai maksimum V (xi) untuk i = 1,2,..., m. Peta Kesesuaian akhir dibuat dengan menggabungkan dua model yang berbeda. Model ini dihitung dengan menggunakan skenario bobot kepentingan relatif yang berbeda untuk submodel biofisik dan sosial-infrastruktur (Tabel 3). Tujuan umum dari analisis ini adalah untuk mengetahui pengaruh bobot kriteria yang berbeda pada pola spasial dari lokasi yang sesuai. Skenario bobot kepentingan relatif ditetapkan sesuai dengan situasi yang tidak hanya pada saat ini tetapi juga dalam jangka panjang. Kemudian hal tersebut dimungkinkan untuk mengubah bobot kriteria preferensi yang berbeda. Untuk setiap skenario, faktor keputusan yang berbeda diberikan kepentingan terbesar: biofisik > sosial-infrastruktur diatur sebagai model 1 dan sosial-infrastruktur > biofisik sebagai model 2. Analisis ini berguna dalam situasi seperti di mana adanya ketidakpastian dalam definisi pentingnya faktor-faktor yang berbeda (submodel). Dalam banyak kasus, hal tersebut juga penting untuk mengetahui bagaimana hasilnya akan berubah jika bobotnya berubah (Siddiqui et al, 1996;. Malczewski, 1999).

2.6. Verifikasi Model verifikasi adalah mutlak penting, baik untuk pengendalian kualitas data tertentu dan untuk menguji hasil dari model (Nath et al., 2000). Verifikasi model dilakukan dengan membuat perbandingan antara tempat yang sesuai dengan model dan kegiatan bududaya kerang yang ada. data GPS dari produksi budidaya kerang yang ada percobaan kegiatan perikanan di lingkungan sekitar dipetakan dan disalut tempat yang sesuai dengan model untuk menentukan seberapa banyak budaya kerang yang ada sesuai dengan tempat yang tepat. 3.Hasil 3.1. Areal distribusi submodels tempat dengan kedalaman air antara 15 dan 30 m adalah ideal untuk menggantung pemeliharaan, dimana tersedia fluktuasi pasang surut. Sangat penting untuk menghindari kontak dengan dasar laut untuk mencegah predator seperti bintang laut dan kepiting memakan kerang. Dalam model kami, untuk fokus pada area dengan perhatian yang maksimum untuk pengembangan budidaya kerang menggunakan teknik gantung, kami memilih 60m sebagai kedalaman maksimum untuk meminimalkan biaya operasi dan kesulitan dalam sistem penambatan. Meskipun kesesuaian peta untuk setiap parameter telah dibuat untuk seluruh teluk (sekitar 2.315 km2), area distribusi dari kesesuaian nilai untuk setiap criteria dihitung hanya untuk area di mana kedalaman air kurang dari 60 m (areal potensial sekitar 1.038 km2). Hasil dari tujuh Kriteria

(sebagai faktor) dan pembatasan lapisan disajikan secara terpisah dalam dua submodels, yaitu biofisik dan sosial-infrastruktur, memungkinkan analisis yang komprehensif. Klasifikasi daerah permukaan untuk masing-masing kriteria diringkas dalam Tabel 4, dan tata ruang yang sesuai distribusi tempat yang sesuai ditunjukkan pada Gambar. 3. Lokasi-lokasi potensial harus memiliki kesesuaian variasi biofisik termasuk habitat biologis dan parameter lingkungan fisik untuk memberikan kondisi optimum untuk pertumbuhan dan kelangsungan hidup biota dalam budidaya. Dalam model kami, suhu laut, klorofil, sedimen tersuspensi dan batimetri adalah merupakan criteria yang digunakan untuk memeriksa karakteristik biofisik. Sekitar dua puluh lima daerah potensial (42%) diidentifikasi dengan nilai 8 (paling cocok), dan area ini terletak di bagian barat tenggara dan timur laut wilayah (Gambar 3a). tidak ada area dengan skor 1 atau 2. Sekitar 67 - 75% dari daerah potensial memiliki skor 8 (paling cocok) untuk budidaya kerang dalam hal suhu laut, sedimen tersuspensi dan batimetri (Tabel 4). Sementara klorofil-a dicatat 32% untuk skor 8. Sosial-infrastruktur dapat digunakan sebagai alat untuk secara langsung meningkatkan produktivitas dan kualitas produk. Fator social-infrastruktur (jarak ke kota, dermaga dan fasilitas land-based) sangat mendukung untuk pembangunan budidaya kerang di daerah studi (Tabel 4), dengan akses mudah dan distribusi yang baik sebagai fasilitas. Sekitar 38% kawasan potensial diklasifikasikan sebagai nilai 8 (paling cocok) untuk budidaya kerang dalam pengertian faktor sosial-infrastruktur. Sekitar 9% memiliki nilai 7. Sekitar 20% dan 10% dari daerah potensial diklasifikasikan sebagai nilai tengah (jumlah skor 4, 5 dan 6) dan skor yang lebih rendah (jumlah skor 2 dan 3). Hanya 11% dari luas potensial diklasifikasikan sebagai skor 1 (paling cocok) yang sebagian besar terletak jauh dari fasilitas social-infrastruktur (Gambar 3b). pemberian batas untuk tempat yang sesuai bagi budidaya kerang. Area pelabuhan (dalam dan pintu masuk) yang berlokasi di Muroran, area dekat mulut sungai (misalnya, Yurrappu sungai di Yakumo dan sungai kecil lainnya) dan daerah dekat kota dan industri (Gbr. 1) dianggap sebagai kendala (skor 0). Mereka mencakup sekitar 12% dari luas potensial dalam model kami (Tabel 4). Perbedaan kepentingan yang relative dengan scenario yang berat diterapkan untuk dua submodels (biofisik dan sosial-infrastruktur), memungkinkan analisis sensitivitas untuk dipertimbangkan dalam proses produksi di tempat yang sesuai. Di sisi lain, untuk menyelidiki bagaimana mengubah bobot berbagai faktor mempengaruhi penentuan daerah yang lebih disukai. Tingkat kesesuaian yang berbeda untuk setiap model skenario disajikan pada Tabel 4, dan distribusi spasial yang sesuai dengan tempat ditunjukkan pada Gambar. 4. Dalam model 1,

biofisik diberikan kepentingan relatif besar (Gambar 4a). 23% dari daerah itu diidentifikasi sebagai skor 8 (paling cocok), sedangkan 29% memiliki nilai 7. Sekitar 36% dari potensi kawasan memiliki skor 5 dan 6. Tidak ada kawasan yang telah teridentifikasi skor rendah (skor 1, 2, 3 dan 4). Sedangkan, ketika sosial-infrastruktur diberikan kepentingan relatif terbesar (Gambar 4b), sekitar 30% dari daerah itu diidentifikasi sebagai nilai 8. Sebagian besar daerah yang cocok (skor 8) telah meningkat dibandingkan dengan model 1. Ini adalah terutama karena mudahnya akses dan penetapan yang baik dalam social-infrastruktur fasilitas di daerah ini. Hanya 19% dari wilayah itu nilai 7. Namun, 29% dan 10% dari wilayah itu menduduki peringkat nilai tengah (jumlah skor 4, 5 dan 6) dan skor yang lebih rendah (skor 3). Tidak ada daerah diidentifikasi sebagai skor 1 dan 2. Dalam hasil akhir untuk kesesuaian tempat budidaya kerang (Tabel 4 dan Gambar. 5) dimana kedalaman air kurang dari 60 m (daerah potensial tentang 1038 km2), model diklasifikasikan sekitar 36% dari potensi daerah ini memiliki skor 8 (paling cocok). Kawasan ini tampak seperti sabuk sepanjang garis pantai dari Shikabe ke Muroran yang memiliki kondisi ideal untuk criteria yang diuji. Sekitar 20% memiliki skor 7, sementara 32% dari luas wilayah menduduki peringkat nilai tengah (jumlah skor 4, 5 dan 6). meskipun, ada teridentifikasi skor rendah (skor 1, 2 dan 3). 3.2. Verifikasi model Verificasi dilakukan dengan membandingkan lokasi kegiatan budidaya kerang yang ada dan kesesuaian lokasi yang diperoleh dari model. Hasilnya ditunjukkan pada Tabel 5. Penting untuk dicatat bahwa beberapa daerah (1%) yang telah dikembangkan untuk budidaya kerang terletak di daerah output model. Ini terletak di wilayah timur laut daerah penelitian termasuk Muroran, Abuta danToyoura. Di wilayah ini, kerang sebagian besar dibudidayakan dekat pelabuhan atau perkampungan. Dua puluh lima persen paling sesuai (skor 8) dan 9% dari yang cocok (Skor 6 dan 7) keluaran model dicocokkan dengan yang ada kerang lokasi budidaya. Tidak ada lokasi budidaya kerang yang ada adalah ditemukan di bawah ini skor 6 (Tabel 5). Meskipun sebagian besar paling cocok Model keluaran (skor 8) telah digunakan untuk lokasi budaya kerang, masih sekitar 11% dari output model yang paling cocok yang tersedia yang terletak di luar lokasi budaya kerang yang ada. ada kawasan yang telah