Prof. Danang menjelaskan bahwa deforestasi yang terjadi secara cepat dan masif di wilayah daerah aliran sungai (DAS) berindikasi meningkatkan risiko bencana hidrometeorologi, khususnya banjir bandang dan tanah longsor. Karena itu, sistem pemantauan deforestasi sangat diperlukan untuk mengetahui lokasi kejadian deforestasi sebagai dasar mitigasi kebencanaan.
Penelitian ini bertujuan mengembangkan sistem pemetaan dan pemodelan deforestasi berbasis machine learning dan deep learning yang cepat, akurat, dan operasional. Hasil pemodelan kemudian diintegrasikan dengan analisis hidrologi untuk mengkaji keterkaitan deforestasi di wilayah hulu dengan kejadian banjir di hilir DAS. Sebagai hilirisasi, tim mengembangkan platform web-GIS monitoring deforestasi cepat yang terintegrasi dengan SIMONTANA, Sistem Monitoring Hutan Nasional milik Kementerian Kehutanan. Fokus penelitian ini berada di Provinsi Aceh, Sumatera Utara, dan Sumatera Barat.
Metode Deteksi Devegetasi dan Revegetasi
Tim peneliti mengembangkan metode otomatisasi deteksi devegetasi dan revegetasi menggunakan data mosaik Sentinel-2, baik secara tahunan maupun triwulanan. Metode ini melalui tahapan cloud masking, water masking menggunakan indeks NDWI, hingga penghitungan indeks vegetasi NDVI. Perubahan nilai NDVI (dNDVI) di bawah -0,2 dikategorikan sebagai devegetasi, sementara nilai di atas 0,2 dikategorikan sebagai revegetasi.
Metode ini telah diuji di berbagai wilayah, termasuk Kalimantan Tengah, Kalimantan Timur, Kalimantan Barat, dan Kalimantan Utara, serta divalidasi secara visual di Kabupaten Aceh Timur, Kabupaten Simalungun Sumatera Utara, dan Kabupaten Sijunjung Sumatera Barat. Hasil validasi menunjukkan bahwa metode yang digunakan memberikan hasil yang sesuai dengan kenampakan visual di lapangan. Prof. Danang juga memaparkan deteksi devegetasi pascabencana di wilayah Batang Toru dan Tapanuli Tengah Sumatera Utara, serta Aceh Tamiang, pada periode triwulan keempat 2025.
Pemodelan Deforestasi Menggunakan Machine Learning
Selain metode devegetasi dan revegetasi, tim juga mengembangkan model klasifikasi hutan dan non hutan menggunakan machine learning dengan algoritma Random Forest. Data input yang digunakan meliputi citra Landsat 8/9 dan Sentinel-1 SAR, dengan data referensi dari JRC Global Forest Cover dan Land Use Land Cover 23 kelas milik Kementerian Kehutanan tahun 2024.
Hasil pengujian menunjukkan tingkat akurasi keseluruhan yang tinggi, dengan akurasi untuk Pulau Sumatera mencapai 94,8 persen pada data latih dan 94,4 persen pada data uji. Secara nasional, akurasi rata rata mencapai 94,1 persen pada data latih dan 93,7 persen pada data uji. Prof. Danang menegaskan bahwa akurasi antara data latih dan data uji yang mirip menunjukkan model tidak mengalami overfitting, sehingga dapat diterapkan untuk tahun tahun berikutnya.
Analisis Hidrologi: Deforestasi Hulu dan Banjir Hilir
Tim turut melakukan analisis hidrologi untuk mengkaji keterkaitan antara deforestasi di wilayah hulu dengan dinamika aliran serta kejadian banjir di hilir DAS. Analisis ini memanfaatkan data DEMNAS dan batas DAS untuk menghasilkan arah aliran, akumulasi aliran, hingga orde sungai menggunakan metode Strahler. Sebagai studi kasus, tim memaparkan hasil analisis di DAS Krueng Geukueh, Provinsi Aceh, yang menunjukkan sebaran lokasi banjir yang berkorelasi dengan pola aliran sungai di wilayah tersebut.
Platform Monitoring Deforestasi
Sebagai bentuk hilirisasi, tim mengembangkan prototipe platform monitoring deforestasi yang dirancang agar dapat terintegrasi dengan platform SIMONTANA milik Kementerian Kehutanan dan GEOMIMO milik BRIN. Platform ini menggunakan sistem manajemen konten dengan basis data spasial, dilengkapi kontrol akses berbasis peran bagi admin dan kontributor, serta dapat diakses publik tanpa memerlukan kredensial login untuk melihat konten yang bersifat terbuka.
Leave a Reply