Jurnal Sosial dan Teknologi (SOSTECH)
Volume 1, Number 9, September 2021
p-ISSN 2774-5147 ; e-ISSN 2774-5155
How to cite:
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
. (2021). Strategi Pengelolaan
Kawasan Berpotensi Kebakaran Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro Jambi. Jurnal Sosial
dan Teknologi (SOSTECH), 1(9): 963-981
E-ISSN:
2774-5155
Published by:
https://greenvest.co.id/
STRATEGI PENGELOLAAN KAWASAN BERPOTENSI KEBAKARAN
HUTAN BERBASIS PEMODELAN SPASIAL DI KABUPATEN MUARO
JAMBI
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
Universitas Brawijaya
1,2 dan 3
bobyindrapurnawan@gmail.com
1
2
dan adip[email protected]
3
Diterima:
17 Agustus
2021
Direvisi:
20 Agustus
2021
Disetujui:
14 September
2021
Abstrak
Kebakaran hutan tahun 2019 pada Kabupaten Muaro Jambi telah menimbulkan
banyak kerugian baik dari segi ekonomi, sumberdaya alam dan kesehatan.
Penelitian ini bertujuan untuk mengidentifikasi daerah yang menjadi potensi
terjadi Karhutla dari yang tinggi sampai rendah di kabupaten dalam pemodelan
spasial, mencari variabel yang memiliki pengaruh yang kuat sebagai faktor
penyebab Karhutla di Kabupaten Muaro Jambi, membuat model spasial
kawasan berpotensi Karhutla, tidak berpotensi dan membuat skenario alternatif
strategi pencegahan berdasarkan pemodelan spasial dari analisis regresi logistik
sebagai acuan kepada pihak-pihak terkait dalam upaya meningkatkan upaya
pencegahan, ketepatan, kecepatan analisis dan penyampaian informasi terhadap
Karhutla. Adapun untuk membuat sebuah model statistik menggunakan regresi
logisitik yang varibelnya didapat dari hasil analisis model spasial. Penggunaan
aplikasi remote sensing dan sistem informasi geografis menjadi sangat penting
karena proses pengambilan data yang akurat dan sangat cepat untuk kemudian
dilakukan analisis sehingga hasil klasifikasi dapat dimodelkan dengan regresi
logistik. Regresi logistik digunakan untuk memodelkan kebakaran hutan karena
hasil akhir yang diharapkan untuk bisa memprediksi dan mengklasifikasi
daerah-daerah yang memiliki potensi kebakaran hutan dari tinggi sampai
rendah sebagai landasan untuk menyusun skenario strategi pengelolaan
kawasan berpotensi kebakaran hutan pada Kabupaten Muaro Jambi.
Kata kunci : Identifikasi Faktor Penyebab, Remote Sensing, Sistem
Informasi Geografis, Model Regresi Logistik, Skenario
Pengelolaan
Abstract
The 2019 forest fires in Muaro Jambi Regency have caused a lot of losses both
in terms of economy, natural resources and health. This study aims to identify
areas that have the potential for forest and land fires from high to low in the
district in spatial modeling, look for variables that have a strong influence as a
factor causing forest and land fires in Muaro Jambi district, create a spatial
model of areas with potential and no potential for forest and land fires and
create scenarios. Alternative prevention strategies based on spatial modeling
from logistic regression analysis as a reference to related parties in an effort to
improve prevention efforts, accuracy, speed of analysis and delivery of
information on forest and land fires. As for making a statistical model using
logistic regression, the variables are obtained from the results of the analysis
of the spatial model. The use of remote sensing applications and geographic
information systems is very important because the data collection process is
accurate and very fast for later analysis so that the classification results can be
modeled with logistic regression. Logistic regression is used to model forest
fires because the final result is expected to be able to predict and classify areas
with high to low forest fire potential as a basis for developing strategic
scenarios for managing forest fire potential areas in Muaro Jambi Regency.
Keywords : Identification of Causal Factors, Remote Sensing, Geographic
Information Systems, Logistic Regression Models, Management
Scenarios
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
964
PENDAHULUAN
Kebakaran hutan merupakan bencana alam yang sering terjadi di seluruh dunia dan
bencana tersebut merusak sumber daya hutan (Prawesthi, 2016), kehidupan manusia,
benda serta menimbulkan ancaman serius bagi ekosistem dan ketahanan kota (Zhang et
al., 2019). Salah satu pemicu terjadinya kebakaran adalah deforestasi (Febriani et al.,
2017), fenomena deforestasi yang terjadi di dunia menyumbang lebih dari sepuluh persen
emisi karbon global sehingga mengakibatkan peningkatan suhu global (Tasker & Arima,
2016). Fenomena El-nino yang terjadi pada tahun 2015 di Indonesia menyebabkan
kemarau panjang (Darlan et al., 2016) sehingga hutan yang telah mengalami deforestasi
menjadi sangat terbuka menyebabkan sinar matahari langsung diserap ke dalam tanah
(Sari Wahyudi et al., 2018) akibatnya lahan tersebut cepat kering dan lebih mudah
terbakar (Edwards et al., 2020).
Provinsi Jambi merupakan sebagian provinsi di Indonesia mengalami Karhutla
terparah sepanjang tahun 2015 sampai dengan tahun 2020, faktanya 98%. Karhutla ini
diawali oleh aktivitas manusia dengan sengaja dalam hal pembukaan lahan pertanian atau
ladang berpindah dengan metode dibakar kemudian ditanami tanaman dengan jenis
kelapa sawit (Karsa et al., 2018). Semenjak tahun 2015 sampai tahun 2020 luas lahan
yang terbakar di Provinsi Jambi adalah 182,803,51 Ha (Nurfitriani, 2020). Berdasarkan
data yang dicatat dari 11 Kabupaten dan Kota di Provinsi Jambi jumlah kasus kebakaran
dengan luas dan dampak yang paling parah adalah pada Kabupaten Muaro Jambi dengan
luas 210,70 Ha. Sektor perekonomian lumpuh, 1.000 lebih sekolah libur, 63.000 orang
terserang Infeksi Saluran Pernapasan Akut (ISPA), hilangnya hutan adat dan kerusakan
lingkungan serius serta sehingga menimbulkan fenomena langit orange serta perubahan
guna lahan pada ruang wilayah kabupaten.
Mengkaji penanganan kebakaran hutan harus mempelajari faktor penyebab
kebakaran hutan mulai bahan bakar sebagai faktor fisik yang menjadi pemicu timbulnya
kebakaran pada sebuah kawasan diantaranya melihat kemiringan lahan, curah hujan,
tutupan lahan, melihat indeks kehijauan vegetasi dan ketersediaan air pada sebuah
kawasan dan faktor sosial-ekonomi (Croft et al., 2016). Jika ingin memudahkan
mengidentifikasi tingkat kelerengan, kehijauan vegetasi dan ketersedian air tanah serta
tutupan lahan pada sebuah kawasan maka metode pengindraan jauh dan sistem informasi
geografis menjadi sebuah alasan yang tepat untuk mendapatkan variabel-variabel
penyebab dalam memodelkan tingkat kerawanan potensi kebakaran hutan mulai dari
tinggi sampai rendah (Chowdhury & Hassan, 2015). Hasil klasifikasi dari variabel dari
pengindraan jauh tersebut di analisis dalam sebuah regresi logistik untuk mengklasifikasi
dan memprediksi wilayah mana yang akan berpotensi kebakaran hutan dari tinggi sampai
rendah untuk dilakukan starategi pengelolaan kawasan tersebut.
Tujuan dari penelitian ini yaitu untuk mengidentifikasi faktor-faktor penyebab
Karhutla, memodelkan kawasan berpotensi Karhutla dan membuat skenario alternatif
strategi pengelolaan Kawasan berpotensi kerbakaran hutan. Manfaat penelitian yaitu
menjadi sarana untuk mengaplikasikan ilmu yang diperoleh selama proses studi dan
syarat untuk mendapat gelar Magister serta sebagai sumber keilmuan pengetahuan,
diharapkan mampu menjadi bahan diskusi dan dasar kajian lebih lanjut mengenai analisis
variabel yang berpengaruh menjadi penyebab kebakaran dan identifikasi potensi
kebakaran untuk upaya mitigasi, prediksi, pengelolaan kawasan di Kabupaten Muaro
Jambi dan menjadi masukan untuk memetakan kawasan berpotensi Karhutla, menemukan
variabel yang menjadi penyebab kebakaran hutan dan lahan dalam upaya pengelolaan dan
penataan ruang secara terarah dan terintegrasi di lingkungan pemerintahan Kabupaten
Vol. 1, No. 9, pp. 963-981, September 2021
965 http://sostech.greenvest.co.id
Muaro Jambi serta dapat memberikan rekomendasi strategi dalam meminimalkan
kejadian Karhutla di masa sekarang dan yang akan datang.
METODE PENELITIAN
Penelitian ini dilakukan pada Kabupaten Muaro Jambi memiliki 11 kecamatan
dengan 150 desa dan 5 kelurahan, berdasarkan data total 141 kecamatan, 1.339 desa dan
163 kelurahan yang ada di seluruh Provinsi Jambi. Tercatat di tahun 2019 jumlah
penduduk Kabupaten Muaro Jambi berkisar 365.700 jiwa dengan luas wilayah 5.306 Km
2
dengan sebaran penduduk 70 jiwa/Km
2
serta dengan tingkat pertumbuhan 3,93% /tahun.
Data yang dipergunakan pada penelitian ini dalah data fisik yang dibagi dalam dua
kelompok yaitu data satelit dan data pendukung. Data satelit meliputi data citra landsat 8
OLI tahun 2019 dan data DEM (Digital Elevation Model) yang di download melalui
www.usgsgovis.gov. Data pendukung antara lain data curah hujan diperoleh dari BMKG
stasiun klimatologi Kabupaten Muaro Jambi, data sosial-ekonomi diambil dari BPS,
BPN, KLHK dan DISBUN Kabupaten Muaro Jambi serta data sebaran titik api yang
diambil dari data real catatan Dinas BPBD Kabupaten Muaro Jambi. Metode kuantitatif
deskriptif ini digunakan untuk memodelkan secara spasial memakai metode spasial
dengan teknik analisis klasifikasi tutupan lahan terbimbing, analisis DEM untuk
Kelerengan, analisis NDVI untuk menentukan kerepatan vegetasi. Analisis NDWI untuk
menetukan tingkat kelembapan tanah atau ketersediaan air tujuannya untuk klasifikasi
adapaun untuk membuat sebuah model statistik menggunakan regresi logisitik yang
varibelnya didapat dari hasil analisis model spasial di atas setelah itu baru didapatkan
model dan ditemukan varibel yang signifikan maka disusun sebuah skenario untuk
meminimkan kejadian kebakakaran hutan dan untuk memanajemen kawasan-kawasan
berpotensi Karhutla dengan metode analisis skenario. Digital Elevation Model (DEM)
adalah suatu sistem, metode, model dan alat dalam pengumpulan, penyajian informasi
suatu medan, susunan dari nilai digital yang mewakili distribusi spasial oleh sistem
koordinat X dan Y serta karakteristik medan mewakili ketinggian dalam sistem disebut
dengan sistem koordinat Z.
Klasifikasi terbimbing adalah klasifikasi yang dilakukan dengan arahan analis
(supervised), dimana kriteria pengelompokkan kelas ditetapkan berdasarkan penciri kelas
(class signature) yang diperoleh melalui pembuatan area contoh (training area). Menurut
(Marini, 2014) metode supervised clasification diawali dengan membuat daerah contoh
sebagai penentuan dari penciri klasifikasi. Kegiatan tersebut merupakan suatu kegiatan
mengidentifikasi prototipe (cluster) dari sejumlah piksel yang mewakili masing-masing
kelas atau kategori yang diinginkan dengan menentukan posisi contoh di lapangan
dengan bantuan peta tutupan lahan sebagai referensi untuk setiap kelasnya.
Normalized Difference Vegetation Index (NDVI) adalah salah satu penghitungan
citra satelit untuk mendapatkan nilai indeks vegetasi (Gandhi et al., 2015). Persamaan
NDVI merupakan hasil dari pengurangan nilai piksel Band Near-Infrared terhadap Band
Red dibagi penjumlahan nilai piksel Band Near-Infrared terhadap Band Red. Input band
yang digunakan harus terlebih dahulu di koreksi secara radiometric. Persamaan NDVI
dirumuskan sebagai berikut.
Gambar 1. Persamaan NDVI
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
966
Normalized Difference Water Index (NDWI) merupakan perhitungan nilai
kelembapan tanah untuk menunjukkan dominasi daerah yang memiliki kadar air pada
wilayah yang direkam dengan menggunakan rasio reflektansi dari saluran NIR dan Green
untuk kalkulasi absorsi dan penetrasi cahaya pada permukaan tanah yang memiliki kadar
air (Arnanto, 2013).
Gambar 2. Persamaan NDWI
Produk NDWI tidak berdimensi dan bervariasi antara -1 hingga +1, tergantung
pada air daun konten tetapi juga pada jenis dan tutupan vegetasi. Nilai tinggi NDWI
(warna biru) sesuai dengan kadar air vegetasi yang tinggi dan tutupan fraksi vegetasi
yang tinggi. Regresi logistik adalah regresi berganda akan tetapi dengan variabel hasilnya
merupakan variabel kategori serta variabel prediktornya yang bersifat kontinu ataupun
kategoris. Berdasarkan bentuk yang sangat sederhana, kita dapat memprediksi yang mana
dari dua kategori yang kemungkinan dimiliki seseorang jika diberikan informasi tertentu
lainnya.
Gambar 3. Persamaan Peluang Perubahan
Dimana : P
i
= Peluang Perubahan, X
n
= Variabel Independen ke-n, β
n
= Koefisien Baku
dari variabel, X
n
, α= Konstanta Regresi Logistik, Exp= Eksponensial.
Multikolinearitas adalah suatu masalah yang terjadi pada saat variabel prediktor
saling berkorelasi antara satu dengan variabel prediktor yang lain. Hal ini dalam regresi
logistik tidak boleh adanya kejadian multikolinearitas. Berdasarkan melihat kejadian
multikolinearitas atara variabel prediktor dilakukan uji multikolinearitas dengan melihat
nilai Variance Inflation Factor (VIF) dengan persamaan sebagai berikut:
Gambar 4. Persamaan VIF
Dimana: (VIF)
n
= Nilai VIF dari variabel prediktor X
n
, R2
n
= Koefiseien determinasi dari
variabel prediktor X
n
.
Jika nilai VIF > 10 maka telah terjadi multikolinearitas yang serius dan variabel
tersebut harus dieliminasi. Setelah melakukan uji multikolinearitas barulah masuk ke
tahap regresi logistik. Uji Wald dapat digunakan untuk menguji, apakah masing-masing
variabel bebas, memiliki kontribusi pengaruh yang signifikan atau tidak, terhadap
variabel tidak bebas. Diketahui juga bahwa statistik Wald berdistribusi chi-square untuk
mengetahui apakah pengaruh dari masing-masing variabel bebas signifikan atau tidak,
dapat dilihat dari nilai pada kolom P-Value. Nilai P-Value tersebut dibandingkan dengan
tingkat signifikansi. Misalkan, tingkat signifikansi yang digunakan adalah 5% atau 0,05.
Vol. 1, No. 9, pp. 963-981, September 2021
967 http://sostech.greenvest.co.id
Gambar 5. Persamaan Wald
Secara umum uji Hosmers-lemeshow ini digunakan untuk menguji model pada
regresi logistic (Hosmer Jr et al., 2013). Tes Hosmer dan Lemeshow adalah ukuran
mutlak lainnya untuk menilai apakah probabilitas yang diprediksi cocok dengan
probabilitas yang diamati. Statistik uji yang digunakan adalah uji Hosmer dan Lemeshow
terdapat pada persamaan di bawah ini:
Gambar 6. Persamaan Uji Hosmer dan Lemeshow
Menilai Goodness-of-Fit dari Model Estimasi Kebaikan-of-fit untuk model regresi
logistik dapat dinilai dengan dua cara. Salah satu caranya adalah dengan menilai
kecocokan estimasi model dengan menggunakan nilai R “semu”, mirip dengan yang
ditemukan dalam regresi berganda. Pendekatan kedua adalah untuk menguji akurasi
prediksi (seperti matriks klasifikasi dalam analisis diskriminan). Langkah-langkah R
2
ini
agak rendah untuk tujuan signifikansi praktis, dalam regresi logistik, koefisien
determinasi Nagelkerke’s 𝑅𝑁
2
dapat digunakan untuk menguji kecocokkan model regresi
logistik. Nagelkerke’s 𝑅𝑁
2
yang semakin tinggi (dekat dengan nilai 1), semakin baik
kecocokkan model regresi logistik.
Analisis skenario merupakan sebuah analisis yang dapat memprediksi peristiwa yang
mungkin terjadi di masa depan dengan pertimbangan berbagai alternatif dari hasil
kemungkinan peristiwa yang bisa terjadi. Analisis ini terdiri dari proses prediksi dari
beberapa skenario yang digunakan untuk membuat persiapan strategi untuk menghadapi
berbagai kemungkinan yang akan terjadi.
HASIL DAN PEMBAHASAN
Daerah ini beriklim tropis dengan kelerengan cenderung datar hal ini dibuktikan
dari analisis kelerengan berdasarkan data DEM (Digital Elevation Model) Kabupaten
Muaro Jambi memiliki tiga pembagian kelas lereng yaitu 0-8% (datar), 8-15% (landai)
dan 15-25% agak curam. Apabila lebih jelasnya perhatikan peta dan tabel di bawah ini:
Tabel 1. Pembagian Kelas Lereng Kabupaten Muaro Jambi
Kecamatan
Luas Kelas Lereng (Ha)
Luas
Wilayah
0 - 8%
8 – 15%
15 -25%
Bahar Selatan
16.805,74
2.547,70
50,08
19.403,53
Bahar Utara
15.616,78
1.100,52
12,54
16.729,85
Jambi Luar
Kota
26.921,55
933,85
3,91
27.859,31
Kumpeh
170.082,81
877,74
10,54
170.971,10
Kumpeh Ulu
38.328,19
306,53
1,04
38.635,76
Maro Sebo
25.782,47
262,41
0,25
26.045,14
Mestong
44.655,45
2.629,76
42,56
47.327,77
Sekernan
56.343,10
10.038,65
449,15
66.830,90
Sungai Bahar
15.176,10
803,41
6,53
15.986,04
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
968
Sungai Gelam
64.659,63
683,74
1,58
65.344,96
Taman Rajo
35.293,75
253,28
3,49
35.550,51
Total 530.684,85
Sumber: Hasil Analisis, 2021.
Berdasarkan tabel di atas dapat diambil kesimpulan bahwa Kabupaten Muaro
Jambi sebagian besar daerahnya terletak pada daerah datar dengan kelerengan 0-8%
dengan total luas 500.000 Ha dari 11 kecamatan dan kecamatan yang paling luas berada
pada daerah datar tersebut adalah Kecamatan Kumpeh luas 170.082,81 Ha. Berdasarkan
untuk lebih jelasnya perhatikan gambar 1 di bawah ini:
Gambar 7. Klasifikasi Kelas Lereng
Tutupan lahan pada Kabupaten Muaro Jambi dianalisis dengan cara analisis
terbimbing dalam menentukan klasifikasi tutupan lahan tersebut, peneliti membagi
tutupan lahan menjadi 6 klasifikasi yaitu tutupan lahan terbangun, tutupan lahan
tebuka/kosong, badan air (digolongkan menjadi tutupan lahan abiotik), tutupan lahan
perkebunan, tutupan lahan semak/sawah dan tutupan lahan hutan. Klasifikasi tutupan
lahan ini diamati berdasarkan data citra 2019 dengan tujuan melihat klasifikasi tutupan
lahan karena berdasarkan data kejadian kebakaran hutan di Kabupaten Muaro Jambi
tertinggi dalam 5 tahun terakhir pada tahun 2019 dapat dilihat pada tabel dan gambar di
bawah ini:
Tabel 2. Analisis Tutupan Lahan Terbimbing Tahun 2019 Kabupaten Muaro Jambi
Kecamatan
Luas Kelas Tutupan Lahan Tahun 2019 (ha) per Kecamatan
Kawasan
Terbangu
n
Kawasan
Terbuka
Badan
Air
Perkebuana
n
Hutan
Semak
belukar
Luas
Wilayah
Bahar
20,19
3.005,13
0,11
16.441,92
74,39
0,21
19.541,94
Vol. 1, No. 9, pp. 963-981, September 2021
967 http://sostech.greenvest.co.id
Selatan
Bahar
Utara
170,23
1.878,90
1,14
13.839,38
872,35
34,93
16.796,92
Jambi
Luar Kota
3.216,35
5.155,37
463,66
17.636,71
1.465,87
47,43
27.985,40
Kumpeh
1.251,47
28.735,5
8
1.011,9
1
74.287,49
36.346,1
9
29.599,7
3
171.232,3
9
Kumpeh
Ulu
2.008,68
9.197,62
2,69
25.255,78
2.091,96
97,76
38.654,50
Maro Sebo
884,33
5.493,23
151,06
14.884,61
4.395,35
325,74
26.134,32
Mestong
1.667,58
5.660,96
0,89
36.272,37
3.756,41
71,01
47.429,21
Sekernan
1.995,24
7.906,21
927,91
45.882,08
8.822,50
1.562,82
67.096,76
Sungai
Bahar
126,83
2.666,65
0,08
12.928,95
309,05
10,62
16.042,19
Sungai
Gelam
3.510,63
7.426,51
4,50
47.171,88
6.971,05
390,74
65.475,31
Taman
Rajo
1.642,77
10.201,7
7
1.486,9
3
17.746,10
3.878,35
666,18
35.622,09
total
16.494,32
87.327,9
4
4.050,8
9
322.347,26
68.983,4
7
32.807,1
5
530.684,8
5
Sumber: Hasil Analisis, 2021.
Berdasarkan data analisis di atas dapat dilihat bahwa luas tutupan lahan
perkebunan mendominasi luas tutupan lahan di Kabupaten Muaro Jambi yaitu seluas
322.347,26 Ha sedangkan untuk tutupan lahan hutan hanya 32.807,15 Ha lebih sedikit
dibandingkan dengan tutupan lahan terbuka dengan luas 87.327,94 Ha. Artinya
kebakaran bisa saja terjadi pada tutupan lahan perkebunan dimana kegitan pengolahan
lahan pertanian masih sangat tradisional. Perhatikan gambar 2 di bawah ini:
Gambar 8. Klasifikasi Tutupan Lahan Tahun 2019
Pada analisis kerapan vegetasi atau disebut juga analisis NDVI yang dilakukan
berdasarkan citra tahun 2019 dapat digolongkan bahwa kerapatan vegetasi dibagi menjadi
4 kelas yaitu kelas 1 dengan nilai >0 (sangat rendah), kelas 2 dengan nilai 0 -0,1 (rendah),
969
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
970
kelas 3 dengan nilai 0,2-0,3 (sedang) kelas 4 dengan nilai 0,4-0,8 (tinggi). Jika ingin lebih
jelasnya perhatikan tabel di bawah ini:
Tabel 3. Luas Klasifikasi NDVI per Kecamatan Tahun 2019
Kecamatan
Luas Kelas NDVI
Luas Wilayah
1
2
3
4
Bahar Selatan
0
8.716,98
9.719,93
1.119,54
19.403,53
Bahar Utara
0
3.277,51
9.181,61
4.342,98
16.729,85
Jambi Luar
Kota
673,60
2.752,95
5.008,20
19.564,43
27.859,31
Kumpeh
1.834,07
27.940,47
92.387,88
49.120,72
170.971,10
Kumpeh Ulu
195,28
3.624,51
9.290,85
25.548,90
38.635,76
Maro Sebo
613,00
5.617,91
4.446,93
15.456,36
26.045,14
Mestong
22,97
2.240,08
13.400,07
31.780,91
47.327,77
Sekernan
1.386,52
2.205,84
6.424,86
57.113,39
66.830,90
Sungai Bahar
0
3.298,18
10.669,70
2.082,13
15.986,04
Sungai Gelam
34,92
7.583,55
27.218,82
30.675,81
65.344,96
Taman Rajo
1.969,21
14.193,71
11.933,11
7.526,06
35.550,51
Total
6.729,57
81.451,69
199.681,97
244.331,23
530.684,85
Sumber: Hasil Analisis, 2021
Berdasarakan tabel di atas terlihat bahwa luas wilayah nilai NDVI 0,4-0,8 (kelas 4)
adalah 2.44.331,23 Ha dengan berarti tingkat kerepatan vegetasi pada Kabupaten Muaro
Jambi masih didominasi oleh kerapatan vegetasi tinggi namun telah terjadi juga
peningkatan luas pada vegetasi dengan nilai 0-0,1 dan nilai 0,2-0,3 (kelas 2 dan kelas 3)
yaitu rendah dan sedang artinya telah terjadi penurunan kerapatan vegetasi pada tahun
2019 di Kabupaten Muaro Jambi sekitar 60.000 ha menjadi vegetasi rendah. Untuk lebih
jelasnya perhatikan gambar 3, di bawah ini:
Gambar 9. Klasifikasi NDVI Tahun 2019
Vol. 1, No. 9, pp. 963-981, September 2021
971 http://sostech.greenvest.co.id
Analisis tingkat kebasahan ini digunakan untuk mengukur tingkat kelembapan dan
ketersediaan air pada tanah atau vegetasi walaupun dalam analisis NDVI menyatakan
tingkat kerapatan vegetasi tersebut sangat tinggi belum tentu menunjukkan bahwa
kandungan air pada vegetasi tersebut adalah tinggi atau bisa diasumsikan bahwa vegetasi
dikawaan tersebut adalah sakit atau sedang mengalami kekeringan. Klasifikasi NDWI
menjadi 4 kelas yaitu kelas 1 dengan nilai <0,1 (sangat rendah), kelas 2 dengan nilai 0,1-
0,27 (rendah), kelas 3 dengan nilai 0,27-0,47 (sedang) kelas 4 dengan nilai 0,47-1
(tinggi). Jika untuk lebih jelasnya perhatikan pembagian daerahnya pada tabel di bawah
ini:
Tabel 4. Luas klasifikasi NDWI per Kecamatan Tahun 2019
Kecamatan
Luas Kelas NDWI (Ha)
Luas
Wilayah
1
2
3
4
Bahar Selatan
681,99
8.897,38
9.974,95
19.403,53
Bahar Utara
3.534,36
8.520,30
4.745,07
0,29
16.729,85
Jambi Luar
Kota
18.125,24
6.372,67
2.772,26
728,46
27.859,31
Kumpeh
35.186,69
91.370,65
42.277,94
2.443,93
170.971,10
Kumpeh Ulu
21.916,37
11.770,64
4.502,43
470,15
38.635,76
Maro Sebo
14.260,98
4.681,03
6.440,57
749,94
26.045,14
Mestong
28.134,94
16.426,20
2.867,43
13,52
47.327,77
Sekernan
54.791,77
8.787,61
2.108,61
1.441,41
66.830,90
Sungai Bahar
1.406,23
10.101,16
4.542,67
15.986,04
Sungai Gelam
26.749,37
27.488,81
11.228,81
46,75
65.344,96
Taman Rajo
5.629,40
12.024,92
15.770,48
2.197,06
35.550,51
Total
210.417,3
3
206.441,38
107.231,22
8.091,51
530.684,85
Sumber: Hasil Analisis, 2021
Berdasarakan tabel di atas terlihat bahwa luas wilayah nilai NDWI < 0 (kelas 1)
adalah 210.417,33 Ha dengan berarti tingkat kebasahan tanah atau vegetasi pada
Kabupaten Muaro Jambi tergolong sangat rendah sedangkan hanya sebagian kecil daerah
pada setiap kecamatan yang berada pada Kabupaten Muaro Jambi dengan tingkat
kebasahan yang tinggi yaitu seluas 8.091,51 Ha. Pada angka hasil analisis NDWI tahun
2019 menunjukkan lebih dari separuh luas wilayah pada Kabupaten Muaro Jambi
mengalami indeks kelembapan sangat rendah dan rendah hal ini memungkinkan vegetasi
menjadi kering dan menimbulkan kebakaran lahan.
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
972
Gambar 10. Klasifikasi NDWI Tahun 2019
Analisis regresi logistik digunakan dalam penelitian ini untuk mencari faktor
penyebab kabakaran hutan di Kabupaten Muaro Jambi berdasarkan variabel-variabel
independen atau prediktor yang telah dijabarkan sehingga memengaruhi variabel Y yaitu
jumlah hotspot atau titik api pada Kabupaten Muaro Jambi. Adapun penjebaran variabel-
variabel tersebut bisa dilihat pada tabel di bawah ini:
Tabel 5. Pengelompokkan Variabel Dependen dan Variabel Prediktor
Variabel
Dependen
Simbol
Satuan
Variabel
Prediktor
Demensi
Simbol
Satuan
Terjadinya
kebakaran
hutan dan
lahan yang
ditandai
dengan hostpot
pada 155 desa
dan kelurahan
1 = Terjadi
kebakaran
0= Tidak
terjadi
kebakaran
Y
Hotspot
Luas Kelas
Lereng Per
Desa dan
Kelurahan
Datar
X1
Hektar
Landai
X2
Hektar
Curam
X3
Hektar
Rata-rata Curah
Hujan pertahun
Rata-rata Curah
Hujan pertahun
perdesa
X4
Milimeter
Luas Tutupan
Lahan Abiotik
Perdesa dan
kelurahan
Lahan
Terbangun
X5
Hektar
Lahan Terbuka
X6
Hektar
Badan Air
X7
Hektar
Luas Tutupan
Lahan biotik
per desa dan
kelurahan
Perkebunan
X8
Hektar
Hutan
X9
Hektar
Semak Belukar
X10
Hektar
Luas Kelas
NDVI per desa
dan kelurahan
Sangat Rendah
X11
Hektar
Rendah
X12
Hektar
Sedang
X13
Hektar
Tinggi
X14
Hektar
Luas Kelas
NDWI Per desa
Sangat Rendah
X15
Hektar
Rendah
X16
Hektar
Vol. 1, No. 9, pp. 963-981, September 2021
971 http://sostech.greenvest.co.id
dan kelurahan
Sedang
X17
Hektar
Tinggi
X18
Hektar
Mata Pencarian
Bertani dan
Berkebun
Jarak rata-rata
pemukiman ke
Kawasan
perkebunan
X19
Kilometer
Luas
Kepemilikan
Lahan
Perkebunan
Perusahaan
(PT)
X20
Hektar
Swasta
X21
Hektar
Luas Konflik
Penggunaan
Lahan
Perkebunan per
desa
Luas Konflik
Penggunaan
Lahan
perkebunan
X22
Hektar
Sumber: Hasil Analisis, 2021
Setelah dikelompokkan analisis dari berbagai variabel perdiktor yang telah
dilakukan selanjutnya dilakukan analisis regresi logistik untuk melihat seberapa
berpengaruhnya variabel-variabel tersebut terhadap kejadian kebakaran hutan di
Kabupaten Muaro Jambi. Populasi yang digunakan berjumlah 155 yaitu luasan desa dan
kelurahan setiap variabel pertahunnya, untuk melihat perbandingan sigifikansi dan model
dari tahun 2019 maka analisis regresi logistik dilakukan pertahun dari data yang telah
didapatkan.
Berdasarkan regresi logistik untuk mengetahui hubungan korelasi tersebut salah
satu caranya adalah dengan Variance Inflation Factor (VIF). Berdasarkan jika melihat
hasilnya terdapat pada tabel di bawah ini:
Tabel 6. Uji Multikolinearitas Pada Data Tahun 2019
Coefficientsa
Model
Collinearity Statistics
Tolerance
VIF
11
(Constant)
X1
.772
129.531
X2
.038
26.453
X3
.058
17.183
X4
.589
1.697
X5
.667
1.500
X6
.695
1.477
X7
.067
14.907
X8
.121
8.249
X9
.081
12.308
X10
.235
4.264
X11
.005
194.087
X12
.002
656.358
X13
.038
26.541
X14
.002
529.006
X15
.003
357.169
X16
.014
73.014
X17
.061
16.443
X18
.077
12.916
X19
.480
2.085
X20
.309
3.240
973
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
972
X21
.742
1.353
X22
.760
1.315
a. Dependent Variable: Hotspot
Sumber: Hasil Analisis, 2021
Berdasarakan hasil uji multikolinearitas di atas ada beberapa variabel yang nilainya
Variance Inflation Factor (VIF) lebih tinggi dari > 10 maka variabel tersebut harus
dieliminasi karena terjadi multikolinearitas seperti yang telah terlihat pada tabel. sehingga
variabel yang bisa dilanjutkan ketahap regresi logistik selanjutnya adalah variabel X4,
X5, X6, X8, X10, X19, X20, X21 dan X22 dengan ditandai warna hijau.
Variabel yang tidak memiliki hubungan multikolinearitas selanjutnya akan
dilakukan uji signifikansi dengan tujuan untuk melihat sejauhmana variabel prediktor
memengaruhi variabel dependennya. Uji signifikan ini dilakukan dengan software SPSS
25.0 dengan hasil sebagai berikut:
Tabel 7. Uji Signifikansi Variabel Tahun 2019
Variables in the Equation
B
S.E.
Wald
df
Sig.
Exp
(B)
Step 1a
X4
-
1.502
.444
11.44
4
1
.001
.223
X5
.001
.002
.250
1
.545
1.00
1
X6
.011
.005
4.841
1
.041
1.01
1
X8
.302
.101
8.941
1
.018
1.35
3
X10
.036
.017
4.485
1
.043
1.03
6
X19
-.009
.004
5.063
1
.033
.991
X20
.001
.011
.008
1
.159
1.00
1
X21
.021
.009
5.444
1
.030
1.02
1
X22
.003
.122
.001
1
.053
1.00
3
Constant
-.958
.364
6.915
1
.009
.384
a. Variable(s) entered on step 1: X4, X5, X6, X8, X10, X19, X20, X21 dan X22
Sumber: Hasil Analisis, 2021
Berdasarkan hasil olah data SPSS di atas dapat dilihat bahwa nilai signifikansi X4,
X6, X8, X10, X19 dan X21 memiliki nilai probabilitas < dari nilai signifikansi (0,05)
yang artinya variabel tersebut memiliki pengaruh terhadap variabel depanden yaitu titik
api atau hotspot. Maka dapat disimpulkan pada tahun 2019 variabel yang memengaruhi
kebakaran hutan di Kabupaten Muaro Jambi adalah Curah Hujan, Luas Lahan Terbuka,
Luas Lahan Perkebunan, Luas Lahan Semak Belukar, Jarak Lokasi pemukiman ke Lokasi
Perkebunan dan Status Kepemilikan Lahan Perkebunan Pribadi.
Berdasarkan perhitungan yang telah dilakukan untuk melihat nilai Odd rasio
terdapat pada kolom Exp (B) yang ditandai dengan warna biru, pada kolom tersebut nilai
974
Vol. 1, No. 9, pp. 963-981, September 2021
975 http://sostech.greenvest.co.id
Odd rasio dari variabel X4 (curah hujan) paling tinggi yaitu 1,979 dan yang paling
rendah adalah X19 (Jarak) yaitu 0,645 dengan interpretasi sebagai berikut:
1. Jika semakin banyak lahan perkebunan (X8) maka kemungkinan terjadi kebakaran
hutan adalah 1,353 kali berdasarkan nilai probabilitasnya
2. Jika semakin luas Lahan Semak Belukar (X10) maka kemungkinan kebakaran hutan
akan terjadi yaitu 1,037 kali berdasarkan nilai probabilitasnya
3. Jika semakin luas status Kepemilikan lahan perkebunan pribadi (X21) maka
kemungkinan kebakaran hutan akan terjadi yaitu 1,021 kali berdasarkan nilai
probabilitasnya
4. Jika semakin luas lahan terbuka maka akan menunjukkan kemungkinan terjadi
kebakaran adalah 1,011 kali berdasarkan nilai probabilitasnya
5. Jika semakin dekat jarak (X19) antara perumahan dengan lokasi perkebunan maka
kemungkinan terjadi kebakaran hutan adalah 0,991 kali berdasarkan nilai
probabilitasnya
6. Jika semakin rendah curah hujan rata-rata tahunan (X4) atau musim kemarau maka
kemungkinan terjadi kebakaran hutan 0,223 kali berdasarkan nilai probabilitasnya.
Langkah selanjutnya adalah menguji kecocokan model dari regresi logistik dengan
uji Hosmer and Lemeshow test pada program SPSS. Hasil pengujian tersebut dapat dilihat
pada tabel di bawah ini:
Tabel 8. Uji Kesesuaian Model pada Data
Hosmer and Lemeshow Test
Step
Chi-square
df
Sig.
1
5.294
8
.726
Sumber: Hasil analisis SPPS, 2021
H0 = Model Sesuai
H1 = Model Tidak Sesuai
H0 ditolak Jika p < α, pada tabel uji hosmer and lemeshow test di atas dilihat bahwa nilai
p = 0,726 > α = 0,05 artinya H0 diterima dan model sesuai.
Langkah selanjutnya adalah menguji kecocokkan model dalam regresi logistik
dilihat dari hasil nilai Cox and Snell R Square dengan Nagelkerke R Square. Model yang
terbaik adalah model yang mendekati angka 1. Jika ingin lebih jelasnya perhatikan tabel
di bawah ini:
Tabel 9. Pengujian Kecocokan Model Regresi Logistik
Model Summary
Step
-2 Log likelihood
Cox and Snell R
Square
Nagelkerke R Square
1
153.871a
.321
.628
Sumber: Hasil Analisis SPPS, 2021
Berdasarakan hasil tabel analisis di atas terlihat bahwa Nagelkerke’s
𝑹𝑵
𝟐
sebagai
model cocok. Karena signifikansi dari nilai uji model Nagelkerke R adalah 0,628 atinya
bahwa variabel bebas yang signifikan (X4, X6, X8, X10, X19 dan X21) mampu
mejelaskan model 62,8% terhadap variabel kebakaran hutan dan sisanya dijelaskan oleh
variabel lain sebesar 37,3%. Maka persamaan regresi logistiknya adalah:
Pi= exp(-0,958-1,502X4+0,00X5+0,01X6+0,302X8+0,036X10-
0,009X19+0,001X20+0,021X21+0,003X22)
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
976
1+ exp(0,958-1,502X4+0,00X5+0,01X6+0,302X8+0,036X10-
0,009X19+0,001X20+0,021X21+0,003X22)
Berdasarkan model yang didapatkan dari hasil regresi logistik penyebab kebakaran
hutan di Kabupaten Muaro Jambi Tahun 2019 ditemukan beberapa variabel yang nilai
signifikansinya berpengaruh terhadap kebakaran hutan, di antara variabel yang sigifikan
tersebut yang paling berpengaruh adalah variabel luas perkebunan dengan nilai koefiesien
regresi logistiknya adalah 0,302 secara sederhana dapat di terjemahkan semakin luas
lahan perkebunan maka semakin berisiko terjadinya kebakaran hutan, hal ini dikarenakan
kebutuhan lahan meningkat pada perkebunan mendorong terjadinya konversi hutan
menjadi perkebunan, dapat dilihat dari perubahan tutupan lahan dari tahun ke tahun. Hal
ini merupakan sebuah ancaman dalam pengelolaan wilayah dan harus ada kebijakan dan
pengendalian terhadap kondisi yang terjadi pada Kabupaten Muaro Jambi.
Luas lahan terbuka menjadi variabel yang signifikan memengaruhi kebakaran
hutan di Kabupaten Muaro Jambi dengan nilai koefisien regresinya adalah 0,011 artinya
semakin luas lahan terbuka menandakan bahwa semakin luas terjadinya penebangan
hutan ataupun pembukaan lahan yang akan menjadikan lahan menjadi kering dan sangat
terbuka sehingga kayu-kayu tersebut menjadi bahan bakar dalam pemicu Karhutla. Luas
lahan semak belukar menjadi faktor signifikan dengan nilai 0,036 artinya lahan terbuka
yang dibiarkan tanpa ada pengelolaan kawasan maka akan ditumbuhi vegetasi semak
belukar yang pada musim kemarau mejadi kering dan menjadi bahan bakar pemicu
Karhutla.
Luas status kepemilikan lahan perkebunan pribadi menjadi variabel signifikan
dalam hal penyebab kebakaran hutan di Kabupaten Muaro Jambi dengan nilai koefisien
regresi logistiknya 0,021 artinya semakin luas perkebunan milik pribadi maka semakin
berisiko akan terjadinya kebakaran hutan karena pola perkebunan masyarakat yang masih
sangat tradisonal (ladang berpindah) dengan metode ditebang dan dibakar. Oleh karena
itu, edukasi dalam perkebunan menjadi sebuah solusi dalam mencegah dan
mengendalikan variabel ini.
Semakin banyak masyarakat yang bermata pencarian berkebun dalam sebuah desa
maka akan semakin dekat jarak perumahan dengan lahan perkebunan, sehingga akan
memudahkan akses masyarakat dalam pembukaan lahan perkebunan. Hal ini,
menyebabkan salah satu faktor yang memengaruhi kabakaran hutan dengan nilai
koefisein regresinya -0,009. Oleh sebab itu, perlu pengaturan jarak minimal antara lokasi
perkebunan dengan pemukiman di Kabupaten Muaro Jambi.
Faktor selanjutnya yang memengaruhi kebakaran hutan di Kabupaten Muaro Jambi
adalah curah hujan dengan koefisien regresi logisitiknya adalah -1,502 artinya curah
hujan yang sedikit pada musim kemarau menyababkan lahan mengering apalagi pada
lahan terbuka sehingga perlu kesigapan kewaspadaan dalam mengalami kondisi di musim
kemarau. Jika dilihat dari hasil perhitungan regresi logistiknya yang kemudian
diinterpretasikan pada sebuah peta dapat dilihat pada gambar 4, hasil regresi logistik
tersebut dibagi menjadi 3 kelompok agar dapat mengklasifikasi daerah mana yang
tergolong berpotensi kebakaran tinggi (Pi>0,5), sedang (Pi=0,25-0,49) dan rendah (Pi0,0-
0,24). Jika dilihat petanya dapat dilihat pada gambar di bawah ini:
Vol. 1, No. 9, pp. 963-981, September 2021
977 http://sostech.greenvest.co.id
Gambar 11. Klasifikasi NDWI Tahun 2019
Analisis ini terdiri dari proses prediksi yang ditelaah didapatkan dari model regresi
logistik kebakaran hutan dan telah didapatkan klasifikasi daerah yang berpotensi
kebakaran tinggi sampai dengan rendah kemudian disusun beberapa skenario yang
digunakan untuk membuat persiapan strategi untuk menghadapi berbagai kemungkinan
yang akan terjadi dimasa depan atau suatu bentuk pencegahan, pengelolaan dan
pengendalian dalam lingkup wilayah Kabupaten Muaro Jambi.
Berdasarkan model yang telah didapatkan dari analisis regresi logistik tahun 2019
serta variabel signifikan yang memengaruhi kejadian kebakaran hutan yaitu curah hujan,
luas lahan terbuka, luas lahan perkebunan, luas lahan semak belukar, jarak lokasi
pemukiman dengan perkebunan dan luas lahan perkebunan milik pribadi seperti yang
telah dijabarkan di atas kemudian di susun skenario berdasarkan wawancara kepada key
person yaitu Kepala Dinas Perkebunan, Kepala Dinas Kehutanan dan Lingkungan Hidup,
Kepala Badan Penanggulangan Bencana Daerah dan Ketua Kelompok Tani Kabupaten
Muaro Jambi dan teori dari aspek kebijakan, pemberdayaan dan manajemen bahan bakar
untuk daerah berpotensi tinggi, sedang dan rendah. Jika lebih jelasnya perhatikan tabel di
bawah ini:
Tabel 10. Analisis Skenario Strategi Pengelolaan Kawasan Berpotensi Kebakaran Hutan.
Strategi
Skenario Prioritas I
(Kawasan Berpotensi
Rendah)
Skenario Prioritas II
(Kawasan Berpotensi
Sedang)
Skenario Prioritas III
(Kawasan Berpotensi Tinggi)
Kebijakan
Peraturan Pembukaan
Lahan Tampa Bakar
serta tahapan dan
prosedurnya.
Membuat seleksi yang
ketat terhadap izin
usaha pembukaan
perkebunan dan
penerbitan sertifikat
tanah
Mengeluarkan Izin
Penggunaan Terbatas
untuk kegitan perkebunan
Membuat seleksi yang
ketat terhadap izin usaha
pembukaan perkebunan
dan penerbitan sertifikat
tanah dan harus melalui
verifikasi dinas KLHK
Kegitan replanting
Peraturan tentang melarang
mengeluarkan izin usaha
pembukaan lahan
perkebunan baik saik
swasta, pemerintah atau
pribadi
Tidak mengeluarkan
sertifikat tanah hak milik
jika digunakan untuk
perkebunan.
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
976
Strategi
Skenario Prioritas I
(Kawasan Berpotensi
Rendah)
Skenario Prioritas II
(Kawasan Berpotensi
Sedang)
Skenario Prioritas III
(Kawasan Berpotensi Tinggi)
Membuat persyaratan
atau perjanjian jika
mendapatkan izin
pembukaan lahan
Pemanfaatan teknologi
pengindaraan jauh
dalam pemantauan titik
api
perkebunan
diperbolehkan selama
musim kemarau jika
sesuai standarisi dan
prosedur dinas
perkebunan.
Pemanfaatan teknologi
pengindaraan jauh dalam
pemantauan titik api
Mencabut izin usaha dan
kepemilikan jika terjadi
kebakaran hutan pada areal
yang terbakar
Melarang kegitan replanting
perkebunan pada musim
kemarau.
Membuat peraturan larangan
pembuatan rumah atau
pemukiman jika jarak dari
perkebunan < 5km.
Pemberdayaan
Masyarakat
Kampaye jika terjadi
musim kemarau serta
patroli BPBD
Pemberian Insentif
kepada kelompk tani
yang sesuai prosedur
dan menjaga sebuah
kelompk
perkebunannya.
Penigkatan edukasi
Pembentukan Kampung
Tangguh
Kerjasama untuk
pengendalian oleh
kelompok tani kepada
pemerintah dan intansi
terkait
Kampaye sebelum dan
dimasa musim kemarau
serta patroli BPBD
Pemberian Insentif
Penigkatan edukasi
kepada kelompk tani
Pembentukan Kampung
Tangguh terhadap
bencana Karhutbnla dan
kabut asap
Menggalakkan semagat
gotong royang pada
dalam menjaga
lingkungan dan hutan.
Kerjasama untuk
pengendalian oleh
seluruh masyakat dan
pemerintah
Kampaye dilakukan setiap
bulannya pada kemlompk
tani dan perusahaan serta
patroli BPBD
Pemberian sanksi yang tegas
pada masyrakat yang tidak
sesuai dengan kebijakan
Karhutla yang telah
diteapkan.
Penanaman edukasi sejak
dini kepada anak sekolah
dan msyarakat
Pembentukan Kampung
tangguh Tangguh terhadap
bencana Karhutbnla dan
kabut asap
Perusahan Harus memiliki
alat pemadam yang lengkap
untuk Tindakan pertama
Manajemen
Bahan Bakar
Pengembangan Jenis
tanaman Agroforesty
Pengaturan Jarak Tanam
Pembuatan Sekat Bakar
Mengadakan Kerjasama
pengendalian bahan
bakar dengan perusahan
perkebunan
Mengganti tanaman
musiman dengan
tanaman tahunan
Menam Kembali areal
terbuka pada Kawasan
hutan dengan tanaman
berkanopi lebar
Pengaturan Jarak Tanam
Pembuatan Sekat Bakar
pada masing-masing
tanaman perkebunan.
Tidak diperbolehkan adanya
jenis semak belukar pada
aeral perkebunan
Pembuatan Sekat Bakar
pada tanaman sawit dan
didaerah lahan gambut
seperti parit gajah dll.
Pembuatan sumur
penampungan air pada lahan
perkebunan
Akses jalan untuk mobil
harus ada pada lokasi
perkebunan masyarakat dan
perusahaan
Sumber: Hasil Analisis Teori dan Wawancara dari Key Person
978
Vol. 1, No. 9, pp. 963-981, September 2021
979 http://sostech.greenvest.co.id
KESIMPULAN
Berdasarkan model yang didapatkan dari hasil regresi logistik penyebab kebakaran
hutan di Kabupaten Muaro Jambi dari tahun 2019 ditemukan beberapa variabel yang
signifikan terhadap kebakaran hutan di Kabupaten Muaro Jambi, di antara variabel yang
signifikan tersebut yang paling berpengaruh adalah variabel luas perkebunan artinya
semakin luas jumlah lahan perkebunan pada Kabupaten Muaro Jambi maka akan semakin
tinggi permintaan akan kebutuhan lahan perkebuanan hal ini mendorongnya
berkurangnya luasan hutan yang dapat dilihat dari perubahan tutupan lahan dari tahun ke
tahun. Kondisi ini merupakan sebuah ancaman dalam pengelolaan wilayah dan harus ada
kebijakan dan pengendalian terhadap kondisi yang terjadi pada Kabupaten Muaro Jambi.
Selanjutnya pada analisis regresi logistik di temukan bahwa luas status kepemilikan lahan
perkebunan milik pribadi menjadi variabel signifikan dalam hal penyebab kebakaran
hutan di Kabupaten Muaro Jambi artinya pola perkebunan yang masih tradisonal ini
menyebabkan puluhan hektar hutan berkurang setiap tahunnya sehingga mengakibatkan
lahan menjadi terbuka, lahan terbuka yang diakibatkan penebangan hutan akan menjadi
sangat berbahaya jika dibiarkan begitu saja tanpa ada pengawasan dan pengelolaan
selanjutnya. Hal ini terbukti dalam analisis regresi logistik yang dilakukan bahwa variabel
yang signifikan memengaruhi kebakaran hutan selanjutnya adalah luas lahan yang
terbuka pada Kabupaten Muaro Jambi artinya semakin tinggi lahan terbuka menandakan
bahwa semakin luas terjadinya penebangan hutan ataupun pembukaan lahan yang akan
menjadikan lahan menjadi kering dan sangat terbuka sehingga kayu-kayu tersebut
menjadi bahan bakar dalam pemicu kebakaran hutan di Kabupaten Muaro Jambi. Oleh
karenanya, edukasi dan regulasi dalam perkebunan menjadi sebuah solusi dalam
mencegah dan mengendalikan variabel ini. Lahan yang terbuka jika dibiarkan dalam
waktu yang lama akan sangat akan menyebabkan vegetasi semak belukar tumbuh,
diketahui vegetasi ini tidak menyerap panas dan akan mengering pada saat musim
kemarau hal ini menyebabkan banyaknya jumlah bahan bakar yang menjadi pemicu
kebakaran hutan. Apabila ingin megantisipasinya perlu aturan dan regulasi kepada
masyarakat agar segera mengolah lahan terbuka menjadi lahan perkebunan atau pertanian
sehingga tidak menyababkan meluasnya vegetasi semak belukar dalam sebuah wilayah
kabupaten. Semakin banyak masyarakat yang bermata pencarian berkebun dalam sebuah
desa maka akan semakin dekat jarak perumahan dengan lahan perkebunan, sehingga akan
meningkatkan kebutuhan akan lahan perkebunan. Hal ini menyebabkan salah satu faktor
yang memengaruhi kabakaran hutan. Oleh sebab itu, perlu pengaturan jarak minimal
antara lokasi perkebunan dengan pemukiman di Kabupaten Muaro Jambi. Faktor
selanjutnya yang memengaruhi kebakaran hutan di Kabupaten Muaro Jambi adalah curah
hujan artinya curah hujan yang sedikit pada musim kemarau menyababkan lahan
mengering serta vegetasi seperti semak belukar juga ikut mengering apalagi pada lahan
terbuka kayu-kayu hasil pembukaan lahan akan menjadi rentan terbakar dan menjalar
kepada wilayah sekitarnya. Berdasarkan pengelolaan kawasan faktor alam seperti curah
hujan ini sulit untuk dikendalikan sehingga perlu kesigapan kewaspadaan dan kerja sama
anatara masyarakat, pemerintah dan pihak swasta dalam mengalami kondisi di musim
kemarau. Berdasarkan uraian di atas strategi pengelolaan kawasan berpotensi kabakaran
hutan harus dimaksimalkan guna pencegahan dan pengendalian di masa yang akan datang
sebagai landasan perencanaan wilayah yang berketahanan terhadap adanya potensi
kebakaran hutan. Apabila ingin mengelola sebuah wilayah harus mengetahui aspek
potensi kebencanaan sehingga sebuah kebijakan terhadap wilayah tersebut tepat guna dan
tepat sasaran dengan tujuan meminimalkan kerugian ekonomi, meminimalkan kesehatan,
Strategi Pengelolaan Kawasan Berpotensi Kebakaran
Hutan Berbasis Pemodelan Spasial di Kabupaten Muaro
Jambi
e-ISSN 2774-5155
p-ISSN 2774-5147
Boby Indra Purnawan
1
, Abdul Wahid Hasyim
2
dan Adipandang Yudono
3
980
meminimalkan kerugian sosial dan meningkatkan kesejahteraan masyarakat dalam
sebuah kabupaten atau kota.
BIBLIOGRAFI
Arnanto, A. (2013). Pemanfaatan transformasi Normalized Difference Vegetation Index
(NDVI) citra Landsat TM untuk zonasi vegetasi di lereng Merapi bagian selatan.
Geomedia: Majalah Ilmiah Dan Informasi Kegeografian, 11(2).
Chowdhury, E. H., & Hassan, Q. K. (2015). Operational perspective of remote sensing-
based forest fire danger forecasting systems. ISPRS Journal of Photogrammetry and
Remote Sensing, 104, 224–236.
Croft, P., Hunter, J. T., & Reid, N. (2016). Forgotten fauna: habitat attributes of long-
unburnt open forests and woodlands dictate a rethink of fire management theory and
practice. Forest Ecology and Management, 366, 166–174.
Darlan, N. H., Pradiko, I., & Siregar, H. H. (2016). Dampak el nino 2015 terhadap
performa tanaman kelapa sawit di bagian selatan sumatera (effect of el nino 2015 on
oil palm performance in southeastern part of sumatera). Jurnal Tanah Dan Iklim,
40(2), 113–120.
Edwards, R. B., Naylor, R. L., Higgins, M. M., & Falcon, W. P. (2020). Causes of
Indonesia’s forest fires. World Development, 127, 104717.
Febriani, I., Prasetyo, L. B., & Dharmawan, A. H. (2017). Analisis deforestasi
menggunakan regresi logistik model di Tahura sekitar Tanjung Provinsi Jambi.
Jurnal Pengelolaan Sumberdaya Alam Dan Lingkungan (Journal of Natural
Resources and Environmental Management), 7(3), 195–203.
Gandhi, G. M., Parthiban, S., Thummalu, N., & Christy, A. (2015). Ndvi: Vegetation
change detection using remote sensing and gis–A case study of Vellore District.
Procedia Computer Science, 57, 1199–1210.
Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression
(Vol. 398). John Wiley & Sons.
Karsa, A., Sitorus, H., & Gabriel, T. (2018). Peran Satuan Komando Kewilayahan Dalam
Rangka Penanggulangan Kebakaran Hutan dan Lahan di Wilayah Kodim
0415/Batang Hari. Strategi Dan Kampanye Militer, 4(2).
Marini. (2014). Perbandingan Metode Klasifikasi Supervised Maximum Likelihood
Dengan Klasifikasi Berbasis Objek untuk Inventarisasi Lahan Tambak di Kabupaten
Maros. Seminar Nasional Penginderaan Jauh, 505.
Nurfitriani, S. (2020). Strategi Upt Pemadam Kebakaran (Damkar) Dalam
Menanggulangi Bencana Kebakaran Hutan Dan Lahan (Studi Kasus: Upt
Pemadam Kebakaran Duri Kecamatan Mandau Kabupaten Bengkalis). Universitas
Islam Negeri Sultan Syarif Kasim Riau.
Prawesthi, W. (2016). Politik Kehutanan dalam Penegakkan Hukum Lingkungan dan
Pengendalian Pengurangan Risiko Bencana. Politik Kehutanan Dalam Penegakkan
Hukum Lingkungan Dan Pengendalian Pengurangan Risiko Bencana, 12(1), 1781–
1792.
Sari Wahyudi, N. I., Sitawati, S., & Wicaksono, K. P. (2018). Perbandingan Kemampuan
Serapan Co2 dan Penurunan Suhu Udara dari Hutan Kota dan Taman Kota
Balikpapan. Jurnal Produksi Tanaman, 5(8).
Tasker, K. A., & Arima, E. Y. (2016). Fire regimes in Amazonia: The relative roles of
policy and precipitation. Anthropocene, 14, 46–57.
Zhang, C., Xue, W., & Xin, Y. (2019). Design and Application of an Intelligent Patrol
Algorithm for Forest Management and Protection Based on Global Positioning
System. Ingénierie Des Systèmes d’Information, 24(6).
