Model Kerawanan Spasial Berbasis Pembelajaran Mesin Untuk Konflik Manusia-Gajah Di Kabupaten Pidie, Aceh

Abstract

Konflik manusia-gajah (HEC) adalah salah satu tantangan utama dalam upaya konservasi satwa liar, karena gajah Sumatera menghadapi tekanan serius akibat tumpang tindih penggunaan ruang oleh manusia dengan area jelajah gajah, termasuk area pertanian, perkebunan, dan permukiman. Memetakan kerawanan HEC, memerlukan pemodelan yang lebih adaptif terhadap berbagai faktor (peubah) yang perlu dipertimbangkan, dan mampu menangkap dinamika ekologis dan antropogenik yang kompleks. Penelitian ini mengembangkan model kerawanan spasial untuk HEC di Kabupaten Pidie, Provinsi Aceh, Indonesia, dengan membandingkan pendekatan parametrik dan non-parametrik. Kajian ini bertujuan untuk mengembangkan model kelas kerawanan berdasarkan Estimasi Kepadatan Kernel (KDE) dan model pembelajaran mesin (machine learning) berbasis faktor kondisi biofisik dan antropogenik. Kajian ini juga mempunyai beberapa tujuan khusus, yaitu: (1) membangun kelas-kelas HEC, (2) mengidentifikasi peubah-peubah kunci yang paling signifikan memengaruhi HEC, dan (3) mengevaluasi kinerja model yang dibangun dibandingkan dengan pendekatan parametrik menggunakan model Regresi Linier Berganda (MLR). Peubah-peubah yang dipertimbangkan mencakup elevasi, kemiringan lereng (slope), kedekatan sungai, kedekatan dengan permukiman, tutupan lahan, dan indeks-indeks citra multitemporal. Hasil perbandingan kelas kerawanan ini menunjukkan bahwa Decision Tree Machine Learning mencapai akurasi 92,1%, jauh melebihi Regresi Linier Berganda yang mencapai 57,1%, sehingga menunjukkan kemampuan model non-parametrik dalam menangkap hubungan ekologis dan spasial yang nonlinier. DTML juga mengidentifikasi empat peubah biofisik, yaitu ketinggian, kemiringan lereng, jarak dari sungai, dan NDVI, yang secara kolektif mendefinisikan kelas kerawanan HEC dan sesuai dengan kondisi ekologis yang disukai oleh pergerakan dan pencarian makan gajah. Temuan ini menyoroti keunggulan pendekatan pembelajaran mesin yang fleksibel dan mudah diinterpretasikan untuk memetakan kerawanan HEC serta memitigasi konflik HEC.