Pengembangan Tipologi Desa Mangrove di Provinsi Sumatera Utara, Indonesia: Pendekatan Autokorelasi Spasial dan Analisis Multivariat

Abstract

Ekosistem mangrove di Provinsi Sumatera Utara menghadapi berbagai tekanan ekologis dan sosial-ekonomi yang memengaruhi keberlanjutan pengelolaannya. Keragaman karakteristik biofisik, sosial-ekonomi dan geografis antar desa menyebabkan pendekatan pengelolaan yang seragam menjadi kurang efektif. Oleh karena itu, diperlukan pendekatan tipologi untuk menyederhanakan karakteristik wilayah yang kompleks menjadi bentuk yang lebih mudah dipahami dan dikelola Penelitian ini mengembangkan tipologi desa mangrove melalui integrasi autokorelasi spasial dan analisis multivariat. Pendekatan ini mempertimbangkan karakteristik biofisik, sosial-ekonomi dan keterkaitan spasial antar desa. Variabel kunci yang digunakan terdiri atas 6 yaitu (1) Rata-Rata laju deforestasi mangrove (ha/tahun) (2) Jarak dari pusat desa ke ekosistem mangrove (km) (3) Luas mangrove baik per kapita (m2/jiwa) (4) Luas mangrove rusak per kapita (m2/jiwa) (5) Luas tambak per kapita (m2/jiwa) dan (6) Kepadatan petani dan nelayan (jiwa/km2). Keenam variabel tersebut dianalisis menggunakan autokorelasi spasial dan analisis klaster dan pencilan spasial (Anselin Local Moran’s I). Kemudian, pengembangan tipologi desa mangrove dilakukan menggunakan 12 variabel yang terdiri atas variabel atribut dan LISA dengan analisis multivariat menggunakan Agglomerative Hierarchical Clustering (AHC) dan analisis diskriminan. Hasil penelitian menunjukkan seluruh variabel membentuk klaster spasial yang positif dan signifikan (Indeks Moran’s = 0,12-0,39; p-value <0,0001). Tipologi desa mangrove terbaik terbentuk melalui kombinasi nonspasial (atribut) spasial (LISA) dengan akurasi keseluruhan validasi silang sebesar 96,9%. Variabel pembeda utama dibentuk oleh kombinasi nonspasial dan spasial. Variabel nonspasial terdiri dari luas mangrove baik per kapita (LMB), luas mangrove rusak per kapita (LMR) dan luas tambak per kapita (LTB) (Parsial R2 = 0,22-0,91; Wilks' Lambda = 0,03-0,09). Selain itu, variabel spasial terdiri dari asosiasi spasial lokal luas mangrove per kapita (LMB_LISA), rata-rata laju deforestasi mangrove (RLD_LISA), luas mangrove rusak per kapita (LMR_LISA) dan luas tambak per kapita (LTB_LISA) (Parsial R2 = 0,12-0,40; Wilks' Lambda = 0,02-0,06). Integrasi pendekatan autokorelasi spasial dan analisis multivariat berbasis nonspasial dan spasial berhasil membentuk 3 tipologi desa mangrove yang menunjukkan perbedaan karakteristik yaitu: 1) Tipologi 1 (Berorientasi konservasi dengan ekosistem mangrove yang luas); 2) Tipologi 2 (Tekanan ekonomi dan degradasi ekosistem mangrove tinggi) dan 3) Tipologi 3 (Kepadatan petani dan nelayan tinggi namun ekosistem mangrove terbatas). Penelitian ini dapat menjadi dasar untuk penyesuaian pengelolaan ekosistem mangrove, membantu dalam mengidentifikasi ancaman dan peluang, dan menunjukkan keterkaitan yang erat dengan pengukuran jejak ekologis.

Mangrove ecosystems in North Sumatra Province face various ecological and socio-economic pressures that impact the sustainability of their management. Diversity in biophysical, socio-economic, and geographic characteristics across villages makes a uniform management approach less effective. Therefore, a typological approach is needed to simplify complex regional characteristics into a form that is easier to understand and manage. This study develops a typology of mangrove villages by integrating spatial autocorrelation methods and multivariate analysis. This study specifically considers not only similarities in biophysical, social-economic characteristics but also spatial relationships between villages. The key variables used in this study consist of six key variables, namely: (1) the average rate of mangrove deforestation (ha/year), (2) the distance from the village center to the mangrove ecosystem (km), (3) area of healthy mangroves per capita (m2/person), (4) area of damaged mangroves per capita (m2/person), (5) pond area per capita (m2/person) and (6) density of farmers and fishermen (person/km2). The six variables were analyzed using spatial autocorrelation, cluster analysis, and spatial outliers (Anselin Local Moran’s I). Then, the development of the mangrove village typology was carried out using 12 variables, including attribute variables and LISA with multivariate analysis using Agglomerative Hierarchical Clustering (AHC) and discriminant analysis. The results of the study showed that all variables formed a positive and significant spatial cluster (Moran's Index = 0.12-0.39; p-value < 0.0001). The best mangrove village typology was formed by combining nonspatial (attribute) and spatial (LISA) methods, with an overall cross-validation accuracy of 96.9%. The main differentiating variables were a combination of nonspatial and spatial variables. The nonspatial variables consisted of the area of healthy mangroves per capita (LMB), the area of damaged mangroves per capita (LMR), and the area of ponds per capita (LTB) (Parsial R2 = 0.22-0.91; Wilks' Lambda = 0.03-0.09). In addition, the spatial variables consist of local spatial associations of mangrove area per capita (LMB_LISA), the average rate of mangrove deforestation (RLD_LISA), area of damaged mangroves per capita (LMR_LISA), and pond area per capita (LTB_LISA) (Parsial R2 = 0.12-0.40; Wilks' Lambda = 0.02-0.06). The integration of spatial autocorrelation and multivariate analysis resulted in three distinct typologies of mangrove villages: 1) Typology 1 (conservation-oriented with extensive mangrove ecosystems); 2) Typology 2 (high economic pressure and degradation of mangrove ecosystems), and 3) Typology 3 (high density of farmers and fishermen but limited mangrove ecosystems). Methodologically, these findings provide a foundation for adapting mangrove ecosystem management, identifying threats and opportunities, and illustrating the relationship with ecological footprint measurements.