Pemodelan Kesesuaian Habitat Rangkong di Pulau Jawa

Abstract

Burung rangkong adalah kelompok burung yang dikelompokkan dalam famili Bucerotidae. Penyebaran burung rangkong terdapat pada beberapa pulau di Indonesia termasuk di pulau Jawa. Terdapat tiga jenis burung rangkong di pulau Jawa yaitu rangkong badak (Buceros rhinoceros), julang emas (Rhyticeros undulatus), dan kangkareng perut-putih (Anthracoceros albirostris). Kehilangan hutan dan fragmentasi habitat dapat mengancam kelestarian habitat rangkong di pulau Jawa. Kondisi tersebut menyebabkan perlu adanya upaya konservasi terhadap habitat dan populasi rangkong di pulau Jawa. Kesesuaian habitat dan faktor lingkungan merupakan informasi yang dibutuhkan untuk mendukung upaya konservasi rangkong. Informasi tersebut akan menjadi bahan pertimbangan dalam merumuskan strategi konservasi rangkong yang ada di pulau Jawa. Metode pemodelan kesesuaian habitat dianalisis dengan menggunakan pendekatan machine learning. Pendekatan tersebut telah banyak digunakan dalam berbagai macam pemodelan karena pendekatan machine learning menghasilkan model terbaik dengan akurasi tinggi. Metode machine learning yang digunakan dalam penelitian yaitu support vector regression (SVR) dan maximum entropy (MaxEnt), dan random forest (RF). Penelitian ini membandingkan ketiga algoritma tersebut yang bertujuan untuk menentukan algoritma yang menghasilkan akurasi tertinggi. Model kesesuaian habitat rangkong terbaik dari ketiga algoritma diharapkan menjadi bahan pertimbangan oleh pemangku kebijakan dalam upaya konservasi rangkong di pulau Jawa. Terdapat 63, 131, dan 129 titik kehadiran rangkong badak, kangkareng perut putih, dan julang emas secara berturut-turut yang digunakan dalam membangun model kesesuaian habitat. Variabel lingkungan yang digunakan berupa ketinggian, kemiringan lereng, suhu, curah hujan, normalized difference vegetation index (NDVI), penutupan lahan, jarak dari jalan, jarak dari sungai, jarak dari hutan, jarak dari lahan pertanian, jarak dari lahan perkebunan, jarak dari permukiman, dan jarak dari pohon pakan. Hasil seleksi variabel lingkungan yang menggunakan uji multikolinearitas menunjukkan bahwa ketinggian dan suhu menghasilkan nilai variance inflation factor (VIF) lebih dari 10 (>10), sehingga perlu adanya pemilihan salah satu dari kedua variabel tersebut. Variabel ketinggian dipilih karena semakin tinggi tempat, maka semakin rendah (dingin) suhu udaranya, begitupun sebaliknya. Hasil dari perbandingan akurasi dari ketiga algoritma yang digunakan menunjukkan bahwa algoritma RF menghasilkan rataan akurasi yang tinggi dibandingkan dengan SVR dan maxEnt. Algoritma RF pada rangkong badak menghasilkan variabel lingkungan yang penting yaitu jarak dari jalan (16,62%), jarak dari hutan (12,73%), dan penutupan lahan (12,47%). Algoritma RF pada kangkareng perut-putih menghasilkan variabel lingkungan yang penting yaitu jarak dari jalan (19,09%), jarak dari lahan pertanian (16,79%), dan jarak dari permukiman (16,12%). Algoritma RF pada julang emas menghasilkan variabel lingkungan yang penting yaitu jarak dari jalan (20,05%), ketinggian (17,72%), dan jarak dari hutan (17,08%). Peta kelas kesesuaian habitat pada ketiga jenis rangkong di pulau Jawa menunjukkan bahwa kelas kesesuaian tinggi menghasilkan luasan yang paling kecil. Kelas kesesuaian tinggi pada rangkong badak menghasilkan luasan sebesar 6.213,76 km2 (4,63%), pada kangkareng perut putih sebesar 6.229,14 km2 (4,64%), dan pada julang emas sebesar 9.638,02 km2 (7,18%). Kecilnya luasan pada kelas kesesuaian yang tinggi dapat menjadi ancaman yang cukup serius bagi habitat rangkong dan juga kelestarian rangkong yang ada di pulau Jawa.