PENGEMBANGAN INDEKS PERFORMA PADA BEBERAPA TIPE EKOSISTEM HUTAN ALAM

Abstract

ZULKARNAIN. Pengembangan Indeks Performa Hutan pada Beberapa Tipe Ekosistem Hutan Alam. Dibimbing oleh HERI PURNOMO, BUDI KUNCAHYO, TATANG TIRYANA dan NINING PUSPANINGSIH.

Pengelolaan hutan alam menghadapi tantangan serius, tidak hanya dari sisi luasan tutupan, tetapi lebih dalam lagi terkait degradasi kualitas ekosistem yang sulit terdeteksi secara dini akibat ketiadaan indikator evaluasi yang komprehensif dan kuantitatif. Ketergantungan pada pendekatan deskriptif satu dimensi dan keterbatasan sistem pemantauan berbasis survei lapangan telah menghambat pemahaman menyeluruh terhadap dinamika ekologis, terutama dalam skala spasial dan temporal yang luas. Oleh karena itu, dibutuhkan pendekatan baru yang mampu menyusun indikator performa hutan yang tidak hanya merepresentasikan kondisi saat ini, tetapi juga mampu menelusuri tren perubahan ekosistem secara adaptif dan berbasis data. Penelitian ini bertujuan mengembangkan sistem penilaian performa hutan yang terpadu, kuantitatif, dan berbasis spasial-temporal, dengan memanfaatkan integrasi data lapangan, citra penginderaan jauh, serta analisis statistik dan machine learning. Secara khusus, penelitian ini berupaya menyusun Indeks Kualitas Hutan (IKH) melalui integrasi indikator multidimensi, memetakannya ke dalam bentuk spasial yang terverifikasi di seluruh kawasan Taman Nasional Rawa Aopa Watumohai (TNRAW), serta mengembangkan model prediktif berbasis data multitemporal untuk mengevaluasi perubahan performa ekosistem hutan dalam lima tahun terakhir melalui pembentukan Indeks Performa Hutan (IPH). Model awal yang dikembangkan dalam penelitian ini adalah Indeks Kualitas Hutan (IKH) yang dirumuskan menggunakan Second-Order Confirmatory Factor Analysis (SOCFA). Model ini mengintegrasikan indikator dari enam dimensi ekosistem, yakni struktur hutan, produktivitas hutan, kesuburan tanah, tekanan antropogenik, faktor iklim, dan topografi. Namun, hasil validasi statistik menunjukkan bahwa hanya empat dimensi yang signifikan secara konstruk, yaitu produktivitas hutan, struktur hutan, faktor tanah, dan antropogenik. IKH diformulasikan secara matematis berdasarkan bobot standardized loading dari model CFA, sehingga dapat dioperasionalkan dalam bentuk spasial menggunakan citra satelit resolusi menengah. Dimensi-dimensi penyusun IKH kemudian dipetakan secara terpisah dan digabungkan ke dalam peta kualitas hutan tahun 2023 untuk seluruh wilayah TNRAW. Pemetaan spasial IKH tahun 2023 dilakukan dengan menggabungkan semua indikator IKH yang telah dispasialkan berdasarkan persamaan matematis yang telah dibangun sebelumnya, lalu diklasifikasi dalam lima kategori kelas IKH. Hasilnya menunjukkan bahwa lebih dari 70% kawasan TNRAW berada dalam kategori IKH sedang hingga tinggi, dengan konsentrasi nilai tertinggi berada di zona inti dan rimba, khususnya pada ekosistem dataran rendah dan mangrove. Sebaliknya, nilai IKH rendah banyak ditemukan di zona pemanfaatan dan ekosistem savana. Validasi model dengan menggunakan titik observasi lapangan menghasilkan nilai kappa accuracy sebesar 0,53, yang tergolong moderate agreement atau akurasi sedang. Meskipun belum mencapai tingkat akurasi tinggi, model ini tetap relevan untuk pemetaan awal kualitas hutan, analisis distribusi spasial, dan identifikasi area prioritas pengelolaan. Model ini bermanfaat terutama di wilayah dengan keterbatasan akses atau sumber daya data lapangan. Untuk kebutuhan yang lebih strategis dan berdampak jangka panjang, seperti penetapan zona konservasi, evaluasi program rehabilitasi, atau perumusan kebijakan pengelolaan hutan, pemanfaatannya memerlukan dukungan validasi tambahan, integrasi dengan data lapangan yang lebih representatif, serta kemungkinan penyempurnaan model melalui perbaikan fitur prediktor dan peningkatan resolusi spasial. Untuk mengevaluasi perubahan kualitas hutan dari waktu ke waktu, model prediksi IKH dibangun menggunakan algoritma Random Forest dengan data IKH tahun 2023 sebagai target, serta fitur citra Sentinel tahun 2019–2022 sebagai prediktor. Model ini menunjukkan kinerja terbaik dibanding model lainnya (R² = 0,9496; RMSE = 0,1852), dengan kanal merah (B4) dari Sentinel-2 sebagai fitur paling penting. Berdasarkan hasil prediksi tahunan, dilakukan evaluasi spasio-temporal perubahan kualitas hutan melalui perhitungan selisih antarperiode (?IKH), yang menjadi dasar perhitungan Indeks Performa Hutan (IPH). Evaluasi ini menunjukkan bahwa performa hutan di TNRAW mengalami fluktuasi selama lima tahun terakhir, dengan penurunan paling tajam terjadi pada periode 2022–2023. Penurunan performa terutama teridentifikasi di ekosistem hutan dataran rendah dan ekosistem rawa. Ekosistem mangrove menunjukan penurunan yang progresif, sedangkan savana relatif stabil. Secara keseluruhan, penelitian ini berhasil merumuskan pendekatan penilaian kualitas dan performa hutan yang menggabungkan kekuatan statistika multivariat, kecerdasan buatan, dan teknologi penginderaan jauh. IKH dan IPH yang dikembangkan mampu memberikan gambaran dan pendekatan operasional yang terukur atas kondisi serta dinamika mutu ekologis kawasan hutan. Pendekatan ini tidak hanya menawarkan kontribusi akademik dalam bentuk model konseptual dan metodologis baru, tetapi juga memberikan manfaat praktis bagi perencanaan pengelolaan, konservasi, restorasi ekosistem, dan pengambilan keputusan berbasis data spasial. Pendekatan yang telah dikembangkan bersifat fleksibel dan dapat direplikasi pada wilayah lain dengan penyesuaian pada karakteristik ekosistem wilayah yang dikaji, sehingga memperluas cakupan penerapan dan meningkatkan relevansi hasil dalam konteks yang lebih luas.

Kata kunci: Confirmatory Factor Analysis, Indeks Kualitas Hutan, Indeks Performa Hutan, Penginderaan Jauh, Sentinel, Random Forest, Taman Nasional Rawa Aopa Watumohai

ZULKARNAIN. Development of Forest Performance Index on Several Types of Natural Forest Ecosystem. Supervised by HERI PURNOMO of 1st, BUDI KUNCAHYO of 2nd, TATANG TIRYANA of 3rd and NINING PUSPANINGSIH of 4th SUPERVISOR.

Natural forest management faces serious challenges, not only in terms of cover area, but also in terms of ecosystem quality degradation that is difficult to detect early due to the absence of comprehensive and quantitative evaluation indicators. The reliance on a one-dimensional descriptive approach and the limitations of field survey-based monitoring systems have hampered a comprehensive understanding of ecological dynamics, especially at a wide spatial and temporal scale. Therefore, a new approach is needed that is able to compile forest performance indicators that not only represent current conditions but also are able to trace ecosystem change trends in an adaptive and data-driven manner. This research aims to develop an integrated, quantitative, and spatial-temporal-based forest performance assessment system, utilizing the integration of field data, remote sensing imagery, as well as statistical analysis and machine learning. In particular, this study seeks to compile the Forest Quality Index (IKH) through the integration of multidimensional indicators, mapping them into verified spatial forms across the entire Aopa Watumohai Swamp National Park (TNRAW) area, and developing a multitemporal data-based predictive model to evaluate changes in forest ecosystem performance in the past five years through the establishment of the Forest Performance Index (IPH). The initial model developed in this study is the Forest Quality Index (IKH), formulated using Second-Order Confirmatory Factor Analysis (SOCFA). This model integrates indicators from six ecosystem dimensions: forest structure, productivity, soil fertility, anthropogenic stress, climate factors, and topography. However, the results of statistical validation show that only four dimensions are constructively significant, namely forest productivity, forest structure, soil factors, and anthropogenic. The IKH is mathematically formulated based on the standardized loading weight of the CFA model so that it can be operationalized in a spatial form using medium-resolution satellite imagery. The dimensions that make up the IKH are then mapped separately and combined into the 2023 forest quality map for the entire TNRAW region. The spatial mapping of IKH in 2023 is carried out by combining all IKH indicators spatially based on mathematical equations built previously, then classified into five categories of IKH classes. The results showed that more than 70% of the TNRAW area was in the medium to high IKH category, with the highest concentration of values being in the core and jungle zones, particularly in lowland and mangrove ecosystems. In contrast, low IKH values are primarily found in utilization zones and savanna ecosystems. Model validation using field observation points resulted in a kappa accuracy value of 0.53, which is classified as moderate agreement or moderate accuracy. Although it has not yet achieved a high level of accuracy, it remains relevant for early mapping of forest quality, spatial distribution analysis, and identification of priority areas of management. This model is especially useful in areas with limited access or field data resources. For more strategic and long-term impacts, such as the establishment of conservation zones, the evaluation of rehabilitation programs, or the formulation of forest management policies, their utilization requires additional validation support, integration with more representative field data, and possible refinement of the model through improved predictor features and improved spatial resolution. To evaluate changes in forest quality over time, the IKH prediction model was built using the Random Forest algorithm with IKH data for 2023 as a target and the Sentinel image feature for 2019–2022 as a predictor. This model performs best compared to other models (R² = 0.9496; RMSE = 0.1852), with the red channel (B4) of Sentinel-2 as the most essential feature. Based on the results of the annual prediction, a spatio-temporal evaluation of forest quality changes was carried out by calculating inter-period differences (?IKH), which is the basis for calculating the Forest Performance Index (HI). This evaluation shows that forest performance in TNRAW has fluctuated over the past five years, with the sharpest decline occurring in 2022–2023. Degradation in performance is mainly identified in lowland forest ecosystems and swamp ecosystems. The mangrove ecosystem shows a progressive decrease, while the savanna is relatively stable. Overall, this study successfully formulated an approach to forest quality and performance assessment that combines the power of multivariate statistics, artificial intelligence, and remote sensing technology. The IKH and IPH developed are able to provide a measurable overview and operational approach to the conditions and dynamics of the ecological quality of forest areas. This approach offers academic contributions in the form of new conceptual and methodological models and provides practical benefits for management planning, conservation, ecosystem restoration, and spatial data-driven decision-making. The approach that has been developed is flexible and can be replicated in other regions with adjustments to the ecosystem characteristics of the region studied, thereby expanding the scope of implementation and increasing the relevance of results in a broader context.

Keywords: Confirmatory Factor Analysis, Forest Quality Index, Forest Performance, Random Forest, Remote Sensing, Rawa Aopa Watumohai National Park, Sentinel