PROPOSAL PENELITIAN
Proposal Penelitian
Sebagai salah satu syarat untuk melaksanakan penelitian
Pada Program Studi Manajemen Hutan
Disetujui oleh:
Prof. Dr. Ir Muhammad Buce Saleh, MS Ir. Sri Lestari Munajati, M.Agr
Pembimbing I Pembimbing II
Diketahui Oleh:
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
I PENDAHULUAN
dan berimbas pada kemandirian pangan (Ayun et al. 2020), sedangkan deforestasi
dan degradasi menjadi penyebab utama perubahan iklim dan berkontribusi sebesar
15% polusi pemanasan global di seluruh dunia (Hultera 2019).
Kabupaten Bogor secara administratif maupun secara geografis berdekatan
dengan DKI Jakarta yang merupakan Ibu Kota Indonesia menjadikan Bogor
sebagai wilayah penyangga Ibu kota. Kondisi ini membawa pengaruh baik dari segi
perkembangan pembangunan, sosial ekonomi maupun kelembagaan yang akhirnya
membawa perubahan dinamis dalam hal pemanfaatan lahan di Kabupaten Bogor
(Fakhri 2021). Perkembangan infrastruktur berupa penambahan ruas jalan tol,
pemukiman warga, dan infrastruktur lainnya menyebabkan Kabupaten Bogor
sangat berpotensi mengalami alih fungsi lahan. Pengaruh ini harus diikuti dengan
manajemen kawasan penggunaan lahan yang efektif guna menentukan arah
pembangunan yang lebih bermanfaat dan mereduksi segala pengaruh dampak
negatif yang ditimbulkan.
Pemetaan dan proyeksi land use change (LUC) dalam penelitian ini dilakukan
n metode regresi logistik mampu membangun hubungan fungsional antara potensi
LUC dan pendorong perubahan, diwakili oleh serangkian faktor penjelas (Huang et
al. 2009). Pemodelan LUC menggunakan model Multonimial logit regression
(MLR) ini diharapkan akan mengembangkan Kabupaten Bogor dengan
memudahkan pemahaman proses LUC dan faktor-faktor yang relevan di lokasi
penelitian. Penggunaan/tutupan lahan di masa mendatang diharapkan juga dapat
diprediksi dengan mempertimbangkan kondisi eksisting dari faktor-faktor yang
relevan yang mendorong terjadinya LUC.
1.2 Rumusan Masalah
Pembangunan masif di era pasca reformasi, berimplikasi dengan perlu adanya
pengendalian perubahan/uttupan lahan (LUC). Terutama Lokasi Kabupaten Bogor
merupakan wilayah penyangga DKI Jakarta, Kabupaten Bogor menalami
perubahan penggunaan/tutupan lahan yang cepat selama kurang lebih 20 tahun
terkhir (Fajarini 2014). Perubahan lahan juga akn mengubah cadangan stok karbon,
dan akumulasi karbon di atmosfer akan menyebabkan pemanasan global dan lebih
jauhnya lagi fenomena perubahan iklim (Watson et al. 2000 dalam Wijaya 2011).
Salah satu cara dalam membuat kebijakan dan pengendalian adalah
mengidentifikasi faktor pendorong dan mensimulasikan LUC dimasa mendatang.
Oleh karena itu, penelitian ini memiliki rumusan masalah sebagai berikut:
1. Bagaimana pola perubahan penggunaan/tutupan lahan di Kabupaten
Bogor selama periode Tx – Ty?
2. Bagaimana cara mengetahui kondisi perubahan penggunaan/tutupan
lahan di Kabupaten Bogor?
3. Faktor-faktor pendorong apa saja yang menyebabkan terjadinya
perubahan penggunaan/tutupan lahan?
4. Bagaimana keadaan spasial Kabupaten Bogor dimasa mendatang?
8
II TINJAUAN PUSTAKA
Bukan lahan
Bukan lahan terbangun
terbangun
Pemukiman
Pemukiman pedesaan
pedesaan
Sawah irigasi
Sawah tadah hujan
Lahan bervegetasi diusahakan Sawah pasang surut
Tegalan
Perkebunan
Hutan lahan kering
Hutan lahan basah
Lahan bervegetasi tidak diusahakan Belukar
Semak
Daerah pedesaan
Rumput
Lahan terbuka
Lahar dan lava
Lahan tidak bervegetasi (lahan
Beting pantai
kosong)
Gosong sungai
Gemuk pasir
Danau
Waduk
Tubuh Perairan Tambak
Rawa
Sungai
Sumber: (BAKOSURNATAL, 2000 dalam Suryani 2012)
dikenal sebagai asumsi kemandirian dari alternatif (IIA) yang tidak relevan. Asumsi
ini adalah Batasan yang paling menonjol dari multinomial logit karena sangat
mungkin bahwa faktor-faktor yang tidak teramati dibagi oleh beberapa hasil.
Meskipun dengan keterbatasan ini, asumsi IIA membuat model MLR sangat
nyaman digunakan yang mana juga menjelaskan popularitas (Wijaya 2011).
Perubahan penggunaan lahan dan faktor pendorongnya dapat dikategorikan
sebagai biner, variabel kontinyu, atau variabel kategoris. Ada beberapa cara untuk
memodelkan biner, variabel kontinyu dan kategoris, dan model yang paling penting
untuk data respon kategoris adalah logit regression (Agresti 2002). Variabel
dependen regresi logistik dapat berupa variabel biner atau variabel kategoris,
sedangkan variabel bebasnya dapat berupa variabel kontinyu dan kategoris (Xie et
al. 2005), Model regresi logistik ini semakin beragam kegunaannya, termasuk
digunakan dalam LUC.
Pemodelan LUC mungkin mempertimbangkan beberapa faktor atau variabel di
dalam model yang mana akan disebut sebagai multivariate case. Multinomial Logit
Regression (MLR) menggunakan variabel hasil dengan sejumlah level untuk
mengilustrasikan perluasan model dan metode. Namun, detailnya yang paling
mudah diilustrasikan dengan 3 kategori. Untuk mengembangkan model, asumsikan
kita memiliki P covariate dan suku konstanta, dilambangkan dengan vektor, x,
dengan panjang p + 1 dimana x0=1.
Metode paling popular untuk mengestimasi parameter adalah Maximum
likelihood estimation. Tujuan dari analisis dengan mettode regresi logistic adalah
sama dengan bahwa model apapun dalam statistik: untuk menemukan yang paling
pas, namun model yang masuk akal secara biologis untuk menggambarkan
hubungan antara variabel hasil (variabel respons) dan satu set variabel independen
(variabel prediktor atau penjelas). Variabel hasil dalam regresi logistik adalah biner
atau dikotomis. Namun model dapat mudah dengan mudah dimodifikasi untuk
menangani kasus di mana variabel hasil nominal dengan lebih dari dua tingkat.
Metode tersebut menghasilkan nilai untuk parameter yang tidak diketahui, yang
mana memaksimalkan probabilitas dalam mendapatkan kumpulan data yang
diamatai. Untuk menerapkan metode Maximum likelihood, fungsi kemungkinan ini
mengungkapkan probabilitas dari data yang diamati sebagai fungsi dari parameter
yang tak diketahui (Hosmer dan Lemeshow 2000).
13
III METODE
3.1 Lokasi dan Waktu Penelitian
Penelitian dilakukan di Kabupaten Bogor, Provinsi Jawa Barat dengan
mencakup seluruh kecamatan yang berada di Kabupaten Bogor. Secara geografis
Kabupaten Bogor terletak pada 6°18’ 6°47’ 10 LS dan 106°23’45 - 107° 13’30 BT.
Kabupaten Bogor dipilih sebagai studi kasus penelitian karena berada dekat dengan
Ibukota yaitu DKI Jakarta, dimana berbagai penelitian sebelumnya menyebutkan
bahwa perubahan penggunaan/tutupan lahan sangat dinamis (Munajati et al. 2019;
Fajarini et al. 2015). Batas administrasi Kabupaten meliputi:
Utara : Kabupaten Tangerang, Kabupaten/Kota Bekasi, Kota Depok
Selatan : Kabupaten Sukabumi dan Cianjur
Timur : Kabupaten Cianjur dan Kabupaten Karawang
Barat : Provinsi Banten (Kabupaten Lebak)
Tengah : Kota Bogor
Pelaksanaan penelitian ini pada bulan 10 Januari 2022 sampai Februari 2022.
Analisis data dilakukan di Laboratorium GIS dan Remote sensing Departemen
Manajemen Hutan, Fakultas Kehutanan dan Lingkungan IPB University, Dramaga,
Kabupaten Bogor, Jawa Barat.
1. Software
• ArcGIS 10.8
• Terrset 2020
• Microsoft Office 2018
• Avenza Map
2. Hardware
• Laptop DELL G5
• Smartphone
• Kamera
Bahan yang digunakan dalam penelitian ini yaitu data spasial yang terdiri dari:
Citra ……… , Peta Rupa Bumi Indonesia (RBI) skala 1:25.000, Peta penggunaan
lahan Kabupaten Bogor tahun ….., Jarak ke pusat kota kecamatan dan jarak dari
jalan berdasarkan peta RBI, SRTM-DEM 30m Kabupaten Bogor, dan Peta jaringan
sungai. Data non spasial dalam penelitian ini berfungsi sebagai data pendukung
yang relevan terhadap faktor perubahan. Data non spasial yang digunakan adalah
data jumlah penduduk dan kepadatan kependuduk yang mewakilkan kondisi sosio-
ekonomi masyarakat yang tinggal di suatu wilayah. Jenis data dan sumber data
disajikan lengkap dalam Tabel 2.
Tabel 2 Jenis data dan sumber data
P (Y = 1 |x)
Y1 (𝑥𝑥) = 𝑙𝑙𝑙𝑙 � �
P (Y = 0 |x)
= 𝛽𝛽10+𝛽𝛽11𝑋𝑋1+ 𝛽𝛽12𝑋𝑋2+⋯+𝛽𝛽1𝑝𝑝𝑋𝑋𝑝𝑝=(1,𝑥𝑥′)𝛽𝛽1 Persamaan 1
P (Z = 2 |x)
Z2 (𝑥𝑥) = 𝑙𝑙𝑙𝑙 � �
P (Z = 0 |x)
= 𝛽𝛽20+𝛽𝛽21𝑋𝑋1+ 𝛽𝛽22𝑋𝑋2+⋯+𝛽𝛽2𝑝𝑝𝑋𝑋𝑝𝑝=(1,𝑥𝑥′)𝛽𝛽2 Persamaan 2
Dimana:
Y, Z = Variabel respon berupa jenis perubahan penggunan/tutupan lahan
β11, β12, ..., β1p = Koefisien
β10 = Intercept
𝑥𝑥1,𝑥𝑥2,𝑥𝑥3,…,𝑥𝑥𝑝𝑝 = Variabel penjelas seperti disajikan pada tabel 3
Secara lebih rinci, kelas untuk kedua variable respon adalah sebagai berikut:
Y Perubahan tutupan/lahan hutan ke tutupan/penggunaan non hutan
(Pemukiman, perkebunan, tegalan, sawah, dan lahan terbuka
Z Perubahan selain hutan (Perkebunan dan tegalan) ke peggunaan/tutupan
(Pemukiman, sawah, lahan terbuka)
3.3.2 MLR Modelling
Variabel dependen dan independent dalam permodelan MLR dataset dianalisis
menggunakan model MLR untuk menentukan variable yang signifikan dan
persamaan regresi logistik cache transisi tutupan/penggunaan lahan. Metode model
MLR yang digunakan dalam penelitian ini adalah Forward Stepwise. Metode ini
dimulai dengan model yang akan dipilih oleh metode entri maju. Dari titik itu,
algoritma alternatif antara eliminasi mundur pada suku bertahap dalam model dan
entri maju pada suku-suku yang tertinggal dari model. Hal tersebut berlanjut sampai
tidak ada item yang memenuhi kriteria entri atau penghapusan (Wijaya 2011).
Model MLR dikembangkan (tabel 3) Variabel bebas meliputi slope, jarak dari
setiap piksel individu ke jalan. Termasuk data demografi yang meliputi kepadatan
penduduk dan laju urbanisasi. Model MLR menyediakan, untuk setiap lokasi lahan
garapan yang unik di wilayah studi, kemungkinan transisi penggunaan/tutupan
lahan tertentu yang dimana akan mempertimbangkan 2 jalur transisi diantaranya:
1) Perubahan hutan mennjadi non hutan; 2) Perubahan selain hutan menjadi
perkebunan, tegalan, sawah, lahan terbuka, dan pemukiman.
18
DAFTAR PUSTAKA