Perpustakaan Digital ITB

Kawasan pegunungan merupakan ekosistem dengan heterogenitas spasial dan ekologis yang tinggi. Kompleksitas topografi, variasi vegetasi, dan dinamika penggunaan lahan memerlukan pendekatan penginderaan jauh yang mampu merepresentasikan keragaman lanskap melalui integrasi informasi spektral, indeks vegetasi, variabel topografi, tekstur citra, machine learning dan data lapangan berupa distribusi simpanan karbon. Gunung Argapura di Jawa Timur merupakan salah satu lanskap pegunungan yang mengalami tekanan dinamika penggunaan lahan akibat aktivitas antropogenik, sehingga diperlukan pemahaman yang komprehensif mengenai kondisi tutupan lahan, distribusi simpanan karbon, serta potensi perubahan lanskap dan simpanan karbon pada masa mendatang. Penelitian ini bertujuan membangun pemahaman dan kerangka prediktif mengenai keterkaitan antara struktur vegetasi, dinamika tutupan lahan, dan simpanan karbon di Gunung Argapura, sebagai dasar penilaian skenario pengelolaan tahun 2035 dan penetapan prioritas konservasi berbasis karbon. Secara khusus, penelitian ini menentukan metode klasifikasi terbaik antara Classification and Regression Tree (CART), Random Forest (RF), dan Support Vector Machine (SVM), menjelaskan variasi simpanan above-ground carbon/AGC, below-ground carbon/BGC, necromass carbon/NC, dan soil organic carbon/SOC berdasarkan struktur vegetasi dan regenerasi, menganalisis pola dinamika tutupan lahan periode 2002–2024 beserta dampaknya terhadap kapasitas simpanan karbon lanskap, mengidentifikasi faktor pendorong dan probabilitas transisi untuk membangun model perubahan spasial tervalidasi, menilai konsekuensi skenario business as usual (BAU) dan konservasi terhadap tutupan lahan dan simpanan karbon hingga tahun 2035, serta menyusun prioritas lokasi dan arah intervensi pengelolaan berbasis karbon. Hasil penelitian menunjukkan bahwa kinerja algoritma klasifikasi berbeda secara signifikan. RF memberikan akurasi tertinggi dengan Overall Accuracy/ OA 0,98 dan Kappa 0,97, diikuti CART dengan OA 0,97 dan Kappa 0,96 sedangkan SVM menunjukkan akurasi lebih rendah (OA 0,87; Kappa 0,82). Uji McNemar menegaskan perbedaan signifikan antar model, dengan RF secara konsisten mengungguli CART (?² = 8,76; p = 0,003) dan SVM (?² = 170,27; p < 0,001). Peta klasifikasi tahun 2024 kemudian digunakan sebagai dasar penentuan plot pengambilan data estimasi simpanan karbon (selain badan air). Peta tutupan lahan tahun 2024 menunjukkan dominasi hutan alam (32,12%), diikuti perkebunan (27,95%) dan hutan tanaman (27,94%). Estimasi simpanan karbon pada empat kompartemen AGC, BGC, NC, dan SOC menunjukkan total karbon tertinggi pada hutan alam (389,64 Mg C ha?¹) dan hutan tanaman (328,24 Mg C ha?¹), yang bersama-sama menyumbang 81,8% dari total 25,6 juta Mg C simpanan karbon lanskap meskipun hanya menempati 60,2% dari luas kawasan. Analisis struktur tegakan mengonfirmasi bahwa biomassa didominasi oleh sebagian kecil pohon berdiameter besar, sementara regenerasi alami hutan alam menunjukkan kapasitas rekrutmen yang bervariasi antar plot penelitian. Analisis dinamika tutupan lahan periode 2002–2024 mengungkap pola transisi yang tidak acak, terkonsentrasi pada zona transisi hutan dan lahan budidaya di bagian utara dan timur kawasan. Pemodelan Land Change Modeler (LCM) berbasis Multi-Layer Perceptron (MLP) dan CA-Markov, menggunakan enam variabel pendorong terpilih (lahan pertanian, ketinggian, jarak ke kawasan lindung, NDVI, kemiringan lereng, dan suhu) yang dikembangkan untuk periode 2002–2024 menunjukkan nilai dengan Po (proporsi kesesuaian teramati) sebesar 0,70; Pe (proporsi kesesuaian acak) sebesar 0,28; K_standard (Kappa keseluruhan) sebesar 0,58; K_quantity (Kappa kuantitas) sebesar 0,81; dan K_location (Kappa lokasi) sebesar 0,72, yang mengindikasikan tingkat kesesuaian moderate agreement. Proyeksi tahun 2035 menunjukkan bahwa simpanan karbon lanskap pada skenario BAU sedikit menurun dari 25,58 menjadi 25,55 juta Mg C (0,11%), sejalan dengan penurunan luas gabungan hutan alam dan hutan tanaman dari 57.950,46 menjadi 57.885,87 ha (0,11%). Sebaliknya, skenario konservasi meningkatkan simpanan karbon menjadi 28,09 juta Mg C (9,81%) dan luas hutan menjadi 67.458,65 ha (16,41%). Ekuivalen CO? pada BAU menurun dari 93,78 menjadi 93,68 juta Mg CO?-eq, sedangkan pada skenario konservasi meningkat menjadi 102,98 juta Mg CO?-eq, yang menunjukkan bahwa konservasi lebih efektif dalam mempertahankan tutupan hutan dan simpanan karbon. Integrasi penginderaan jauh, pengukuran empat kompartemen karbon, dan pemodelan LCM–MLP–CA–Markov menghasilkan gambaran komprehensif mengenai dinamika tutupan lahan dan distribusi karbon di Gunung Argapura. Penelitian ini menghadirkan kerangka kerja lokal beresolusi tinggi pertama untuk lanskap pegunungan tropis bertopografi kompleks serta mendukung pengelolaan konservasi melalui perlindungan tutupan hutan dan pohon berdiameter besar guna mempertahankan simpanan karbon dan ketahanan ekologis.