Pengembangan Model Penilaian Cepat Kerusakan Hutan dan Lahan Pasca Kebakaran (Studi Kasus di Kabupaten Pelalawan, Riau)

Abstract

Tesis ini mengembangkan model penilaian cepat kerusakan hutan dan lahan pasca kebakaran dengan studi kasus di Kabupaten Pelalawan, Riau, menggunakan kombinasi citra Sentinel-2 tahun 2020–2021, variabel biofisik, dan variabel sosial-ekonomi. Penelitian memanfaatkan pendekatan change vector analysis (CVA) untuk menurunkan variabel spektral magnitude dan direction dari indeks NDVI, NBR, NDBI, serta menggunakan NRGI dan NDWI yang kemudian dimodelkan dengan dua algoritma utama decision tree dan regresi logistik. Kajian ini menunjukkan bahwa decision tree mampu mengklasifikasikan enam kelas perubahan tutupan lahan termasuk kelas kebakaran hutan/non-hutan dengan overall accuracy 97,6% dan kappa 97%. Regresi logistik menghasilkan model dua kelas (terbakar–tidak terbakar) dengan overall accuracy 94,8% dan kappa 85% memberikan probabilitas kejadian kebakaran berbasis kombinasi faktor spektral dan sosial-ekonomi. Analisis tingkat kepentingan variabel mengungkapkan bahwa pada decision tree faktor paling berpengaruh adalah direction, dNRGI, dNDWI, dan magnitude yang menggambarkan perubahan kondisi vegetasi, sedangkan pada regresi logistik variabel dominan justru berasal dari aspek sosial-ekonomi seperti persentase penduduk berpendidikan SD, SMP, serta proporsi petani. Variabel spektral berasosiasi positif dengan peningkatan risiko dan tingkat keparahan kebakaran, sedangkan beberapa variabel sosial seperti kepadatan penduduk dan kedekatan dengan permukiman justru berpengaruh negatif terhadap peluang kebakaran karena area tersebut lebih terkelola dan terpantau. Penelitian menyimpulkan bahwa model decision tree lebih unggul untuk penilaian cepat dan pemetaan kerusakan pasca Karhutla, sementara regresi logistik efektif untuk memetakan zona kerawanan dengan interpretasi hubungan antar variabel. Kedua model bersama-sama memberikan dasar ilmiah bagi implementasi Permen LHK No. P.32/2016 dalam penanganan pasca kebakaran, terutama untuk perencanaan rehabilitasi, penentuan prioritas lokasi pemulihan, dan penguatan sistem peringatan dini kebakaran hutan dan lahan di Kabupaten Pelalawan dan wilayah serupa. Kata kunci: change vector analysis, decision tree, kebakaran hutan, machine learning, regresi logistik.