digilib.unhas.ac.iddigilib.unhas.ac.id/uploaded_files/temporary/digital...skripsi scbagai satu...

MODEL SPASIAL DEFORESTASI BERDASARKAN ASPEK

SOSIAL DI SULAWESI SELATAN DAN SULAWESI BARAT

PERIODE 1990-2016

Oleh:

NISMA YANI

M111 14 517

PROGRAM STUDI KEHUTANAN

FAKULTAS KEHUTANAN

UNIVERSITAS HASANUDDIN

MAKASSAR

2018

iii

ABSTRAK

Nisma Yani (M111 14 517) Model Spasial Deforestasi Berdasarkan Aspek Sosial DiSulawesi Selatan Dan Sulawesi Barat Periode 1990-2016 dibawah bimbingan SyamsuRijal dan M.Asar Said Mahbub.

Wilayah yang mengalami deforestasi cukup besar di Sulawesi Selatan dan Sulawesi Barat.Faktor sosial berkontribusi lebih besar terhadap terjadinya deforestasi, karena itulahpenelitian ini diarahkan untuk mengkaji mengenai faktor sosial yang mendorong terjadinyadeforestasi. Lokasi penelitian di pilih berdasarkan kunci kerawanan profil deforestasi.Dalam penelitian ini menggunakan profil cukup rawan dan profil rawan. Metode spasialdeforestasi dalam penelitian ini menggunakan Metode PCA (Principal ComponentAnalysis). Hasil penelitian menjelaskan bahwa Model Spasial Deforestasi (MSD) diSulawesi Selatan dan Sulawesi Barat memiliki perbedaan berdasarkan profil tingkatkerawananya. Profil deforestasi yang dominan mempengaruhi adalah kepadatanpenduduk, umur produktif dan pekerjaan. Kepadatan penduduk memberikan pengaruhterhadap deforestasi khususnya pada profil rawan. Umur produktif dan pekerjaan jugamemberikan pengaruh yang cukup signifikan. Pendidikan kurang memberikan pengaruhterhadap deforestasi di Sulawesi Selatan dan Sulawesi Barat periode 1990-2016.

Kata kunci: Deforestasi, Aspek Sosial, PCA, Profil, Sulawesi Selatan dan SulawesiBarat

iv

KATA PENGANTAR

Puji dan syukur kepada Allah SWT atas limpahan anugerah, rahmat dan

karunianya sehingga penulis dapat dapat menyelesaikan kegiatan penelitian dan

penyusunan skripsi ini dengan judul “Model Spasial Deforestasi Berdasarkan Aspek

Sosial di Sulawesi Selatan dan Sulawesi Barat pada Periode 1990-2016”. Shalawat dan

salam juga penulis panjatkan kepada Baginda Rasulullah SAW yang membawa ajaran

yang paling benar dan sangat memuliakan yang namanya menuntut ilmu.

Pada kesempatan ini penulis dengan tulus mengucapkan banyak terima kasih yang

sebesar-besarnya kepada semua pihak yang telah membantu dalam proses penelitian

maupun saat penyusunan skripsi ini, terutama kepada Dr. Ir. Syamsu Rijal, S.Hut, M.Si.

IPM dan Dr.Ir.M.Asar Said Mahbub, M.P selaku pembimbing yang telah meluangkan

waktu, tenaga dan pemikiran dalam membantu dan mengarahkan penulis dalam

menyelesaikan skripsi ini. Selain itu, penulis juga menyampaikan terima kasih dan

penghargaan kepada:

1. Bapak Dr.Ir.Roland A. Barkey., ibu Makkarennu, S.Hut.M.Si.Ph.D., dan ibu Ira

Taskirawati, S.Hut.M.Si. Ph.D selaku penguji yang telah membantu dalam

memberikan saran, guna perbaikan skripsi ini.

2. Ketua Program Studi Kehutanan Bapak Dr. Ir. Syamsuddin Millang, M.S dan

Sekertaris Jurusan Bapak Dr. Ir. Baharudiin, M.P, serta Bapak/Ibu Dosen dan seluruh

staff administrasi Fakultas Kehutanan Universitas Hasanuddin atas segala bantuannya.

3. Teman seperjuangan AKAR-14, terkhusus A. Asryadi Pratama S.Hut, Tirza

Tirsayu, Ferdiansyah Prawira Rosa S.Hut, Safriyatun Senuk, Syakura Ismah R,

Fitriani Indah Sari dan Fitrah atas segala bantuan, motivasi dan kerjasamanya

sampai panulis bisa menyelesaikan skripsi ini.

4. Kakak-Kakak, serta teman-teman Laboratorium Perencanaan dan Sisitem Informasi

Kehutanan, terkhusus Ardisthamudi Ilyas, A.M.Imam Al-gifary, Dini Albertin

Mandy, S.Hut, Chairil A, S.Hut, Muhammad Dahri Syahbani R S.Hut, Try

Ardiansyah, Anugrah Andininasir, S.Hut.M.Si. dan Azhari Ramadhan S.Hut atas

egala bantuan dikala penulis mendapat kendala salama penelitian dan penyusunan

skripsi ini.

v

Terkhusus, penulis mengahaturkan terima kasih kepada Bapak dan Ibu tercinta

Husaini dan Mastiama atas doa, kasih sayang, perhatian, dan pengorbanan serta motivasi

dalam mendidik dan membesarkan penulis, serta saudara tercinta Jumaris, Jusman, Sabri

Anto S.Pd, Nasril dan Rizaldy atas dukungan serta doanya.

Penulis

Nisma Yani

vi

DAFTAR ISI

Halaman

HALAMAN JUDUL ........................................................................................................ i

HALAMAN PENGESAHAN ......................................................................................... ii

ABSTRAK...................................................................................................................... iii

KATA PENGANTAR .................................................................................................... iv

DAFTAR ISI................................................................................................................... vi

DAFTAR TABEL......................................................................................................... viii

DAFTAR GAMBAR ...................................................................................................... ix

DAFTAR LAMPIRAN.....................................................................................................x

I. PENDAHULUAN ......................................................................................................1

1.1 Latar Belakang ......................................................................................................1

1.2 Tujuan dan Kegunaan Penelitian ..........................................................................3

II. TINJAUAN PUSTAKA .............................................................................................4

2.1 Model Spasial Deorestasi......................................................................................4

2.2 Penggunaan Lahan ................................................................................................5

2.3 Dinamika Transformasi Penggunaan Lahan.........................................................7

2.4 Indeks Pembangunan Manusia .............................................................................8

2.4.1 Umur Produktif ............................................................................................8

2.4.2 Tingkat Pendidikan ......................................................................................8

2.5 Principal Component Analisis ..............................................................................9

2.6 Tinjauan Studi-studi Terdahulu ..........................................................................11

III. METODE PENELITIAN..........................................................................................14

3.1 Waktu dan Tempat..............................................................................................14

3.2 Alat dan Bahan....................................................................................................15

3.2.1 Alat.............................................................................................................15

3.2.2 Bahan .........................................................................................................15

3.3 Metode Pengumpulan Data.................................................................................15

3.3.1 Pengumpulan Data .....................................................................................15

3.3.2 Prosedur Penelitian ....................................................................................16

3.3.3 Analisis Data..............................................................................................19

IV. HASIL DAN PEMBAHASAN.................................................................................22

4.1 Luas Wilayah dan Luas Hutan Lokasi Penelitian ...............................................22

vii

4.2 Faktor Pendorong................................................................................................22

4.2.1 Kepadatan Penduduk .................................................................................22

4.2.2 Umur Produktif ..........................................................................................23

4.2.3 Pekerjaan pada Profil Pewakil ...................................................................24

4.2.4 Pendidikan pada Profil Pewakil .................................................................25

4.3 Pemodelan Spasial Deforestasi ...........................................................................26

4.3.1 Model Deforestasi pada Profil Rawan di Sulawesi Selatan.......................28

4.3.2 Model Deforestasi pada Profil Cukup Rawan di Sulawesi Selatan ..........30

4.3.3 Model Deforestasi pada Profil Cukup Rawan di Sulawesi Selatan ..........31

V. KESIMPULAN DAN SARAN...............................................................................33

5.1 Kesimpulan .........................................................................................................33

5.2 Saran ...................................................................................................................33

DAFTAR PUSTAKA ..............................................................................................34

LAMPIRAN..............................................................................................................40

viii

DAFTAR TABEL

Tabel Judul Halaman

Tabel 1. Profil Deforestasi Sulawesi Selatan dan Sulawesi Barat .........................16

Tabel 2. Luas Wilayah dan Luas Hutan Lokasi Penelitian ....................................22

Tabel 3. Jumlah Penduduk Profil Pewakil .............................................................23

Tabel 4. Kepadatan Penduduk Profil Pewakil .......................................................24

Tabel 5. Umur Produktif Penduduk Profil Pewakil ...............................................24

Tabel 6. Pekerjaan Penduduk Profil Pewakil.........................................................25

Tabel 7. Jumlah Pelajar Profil Pewakil..................................................................26

Tabel 8. Hasil Eigen Value Berdasarkan PCA.......................................................27

Tabel 9. Hasil Pembobotan Berdasarkan Analisis PCA ........................................27

ix

DAFTAR GAMBAR

Gambar Judul Halaman

Gambar 1. Peta Sebaran Profil deforestasi di Sulawesi Selatan dan Sulawesi Barat

................................................................................................................ 11

Gambar. Peta Lokasi Penelitian.............................................................................. 14

x

DAFTAR LAMPIRAN

Lampiran Judul Halaman

Lampiran 1. Pekerjaan di Kabupaten Kepulauan Selayar .....................................40

Lampiran 2.Pekerjaan di Kota Makassar ...............................................................40

Lampiran 3. Pekerjaan di Kabupaten Polewali Mandar ........................................40

Lampiran 4. Pekerjaan di Kabupaten Mamasa ......................................................41

Lampiran 5. Pekerjaan di Kabupaten Mamuju ......................................................41

Lampiran 6. Pekerjaan di Kabupaten Luwu Utara.................................................41

Lampiran 7.Hasil Analisis PCA Kabupaten Kepulauan Selayar ...........................41

Lampiran 8. Hasil Analisis PCA Kota Makassar...................................................42

Lampiran 9. Hasil Analisis PCA Kabupaten Polewali Mandar .............................42

Lampiran 10. Hasil Analisis PCA Kabupaten Mamasa.........................................42

Lampiran 11. Hasil Analisis PCA Kabupaten Mamuju.........................................42

Lampiran 12. Hasil Analisis PCA Kabupaten Luwu Utara ...................................43

1

I. PENDAHULUAN

1.1 Latar Belakang

Indonesia tercatat sebagai salah satu negara dengan laju deforestasi yang

tinggi (Sitorus, 2011). Direktorat Jenderal Planologi Kehutanan Kementerian

Kehutanan (2009) melaporkan bahwa laju deforestasi pada tahun 1990–1996

sekitar 1.91 juta ha per tahun, dan kemudian meningkat tajam menjadi 3.5 juta

ha/tahun pada periode 1996–2000. Pada periode 2000–2003 laju deforestasi

menurun tajam menjadi 1.1 juta ha/tahun namun kemudian meningkat kembali

menjadi 1.2 juta ha/tahun pada periode 2003–2006 dari luas hutan Indonesia 120.1

juta ha.

Deforestasi ini terjadi pada hampir semua pulau di Indonesia termasuk

Sulawesi. Laju deforestasi tahunan di Sulawesi sebesar 2.7% dari total luas hutan

di Sulawesi atau dengan kata lain terjadi deforestasi 331.822 ha/th dari luasan hutan

12 juta ha. Data tersebut menjadikan Sulawesi nomor 2 (dua) terbesar

deforestasinya setelah Kalimantan yang memiliki laju deforestasi tahunan terbesar

(7%) Selama periode 2000-2009 (Dirjen Planologi 2009). Wilayah yang mengalami

deforestasi cukup besar yaitu Sulawesi Selatan dan Sulawesi Barat. Menurut

penelitian Ramadhan (2016) luas deforestasi terbesar di Sulawesi Selatan dan

Sulawesi Barat selama periode 1990 hingga 2016 terjadi di Kabupaten Mamuju

Provinsi Sulawesi Barat. Luas deforestasi pada Kabupaten Mamuju dengan luas

66,804.31 ha. Berdasarkan analisis tutupan lahan menggunakan data tutupan lahan

Baplan 2013, diperoleh luas hutan tertinggi kabupaten pada awal pengamatan

(tahun 1990) di Kabupaten Luwu Utara, dengan luas 530.889,40 ha, Namun pada

akhir pengamatan (tahun 2016) menurun menjadi 400.358,90 ha.

Kejadian deforestasi dipengaruhi oleh berbagai faktor dan sangat kompleks.

Nawir et al (2008) mengelompokkan dua faktor penyebab deforestasi di Indonesia,

yakni faktor langsung dan tidak langsung. Penyebab langsung adalah kegiatan

penebangan hutan dengan manajemen yang tidak baik, penebangan liar, dan

kebakaran hutan. Penyebab tidak langsung yaitu persoalan sosial-ekonomi dan

2

politik. Semua hal tersebut tidak terlepas dari kepadatan penduduk yang merupakan

penjelasan fundamental akan masalah deforestasi di Indonesia (Sunderlin dan

Resosudarmo 1996). Aktivitas masyarakat seiring dengan pembangunan daerah

membuat kebutuhan akan lahan semakin meningkat, sehingga lahan hutan akan

menjadi pilihan untuk di eksploitasi. Faktor kepadatan penduduk, ekonomi dan

kebijakan memberi pengaruh yang besar terhadap sebaran deforestasi. Penduduk

yang terus bertambah berperan dalam mempengaruhi tingkat konektivitas lanskap

hutan (Liu dan Samsuri, 2014). Faktor sosial berkontribusi lebih besar terhadap

terjadinya deforestasi.

Hasil penelitian Ramadhan (2017) menunjukkan bahwa model spasial

deforestasi merupakan salah satu tahapan untuk mengetahui dan melengkapi

pengetahuan permasalahan penelitian sebagai upaya untuk mengenali lebih dalam

permasalahan deforestasi. Informasi yang dibutuhkan untuk melengkapi informasi

profil ini adalah model spasial deforestasi yang dibangun berdasarkan faktor

pemicu terjadinya deforestasi (Rijal, 2016). Aspek yang penting untuk dikaji

informasinya adalah aspek sosial, karena aspek inilah yang menjadi pendorong

utama masyarakat memanfaatkan sumberdaya alam termasuk sumberdaya hutan.

Tersedianya data yang akurat dan representatif merupakan modal utama dalam

menyusun perencanaan pengelolaan hutan.

Upaya yang dapat dilakukan untuk mendapatkan data sosial sesuai situasi dan

kondisi terkini adalah dengan melakukan penelitian. Karena itulah penelitian ini

diarahkan untuk mengkaji “Model Spasial Deforestasi Berdasarkan Aspek

Sosial di Sulawesi Selatan dan Sulawesi Barat Periode 1990-2016”. Rentang

waktu antara tahun 1990-2016 ditetapkan sebagai rentang waktu penelitian karena

pada rentang itulah terjadinya deforestasi Sulawesi Selatan dan Sulawesi Barat

dengan laju 2% per tahun dan menempati urutan kedua setelah Kalimantan

(7%/tahun).

3

1.2 Tujuan dan Kegunaan

Tujuan dari penelitian ini adalah, Menganalisis keterkaitan antara faktor

pendorong aspek sosial dengan kejadian deforestasi di Sulawesi Selatan dan

Sulawesi Barat periode 1990-2016.

Adapun kegunaan dari penelitian ini, diharapkan dapat memberikan

penjelasan terkait faktor pendorong dari aspek sosial terhadap laju deforestasi di

Sulawesi Selatan dan Sulawesi Barat periode 1990-2016.

4

II. TINJAUAN PUSTAKA

2.1 Model Spasial Deforestasi

Model spasial deforestasi merupakan penelitian yang bertujuan untuk

mengidentifikasi dan mengenali faktor pendorong (driving force) terjadinya

deforestasi pada tiap profil deforestasi (Rijal, 2016). Faktor pendorong deforestasi

setiap profil/wilayah berbeda. Faktor pendorong juga mempengaruhi intensitas

deforestasi yang berbeda pada tiap wilayah (Ferraz et al. 2009). Penelitian terkait

deforestasi, pemicu utama deforestasi adalah pertanian, perkebunan dan peternakan

(Houghton 2012). Intensitas deforestasi dipengaruhi oleh jalan dan aktifitas

ekonomi (Ferraz et al. 2009). Kebijakan pengembangan wilayah yang berbeda juga

mendorong terjadinya deforestasi (Ma dan Ru 2010). Deforestasi disebabkan pula

oleh kegiatan konversi hutan menjadi perkebunan (Morton et al. 2007). Perbedaan

kondisi sosial, ekonomi, dan kondisi geografis mempengaruhi intensitas deforestasi

(Ferraz et al. 2009).

Pemodelan spasial deforestasi yaitu pembangunan sebuah model deforestasi

dengan peubah-peubah yang berkaitan dengan faktor-faktor penyebab terjadinya

deforestasi. Beberapa teknik pemodelan yang telah digunakan dalam studi

deforestasi antara lain celluler automata (Entwisle et al. 2008), model regresi

logistik (Mulyanto dan Jaya 2004; Prasetyo et al. 2009; Kumar et al. 2014; Shehzad

et al. 2014), dan OLS regression (Romijn et al. 2013).

Pendekatan berbasis spasial juga bisa digunakan untuk memprediksi

perubahan penggunaan lahan khususnya hutan menjadi non hutan. Perubahan

penggunaan lahan di kawasan hutan sebagai interaksi masyarakat dengan hutan dan

faktor pendorongnya harus diketahui. Perubahan penggunaan lahan dapat

diprediksi secara kuantitatif dengan memasukkan faktor-faktor fisik, sosial,

ekonomi dan kebijakan (Munibah et al. 2010). Pendekatan ini bisa menggunakan

pemodelan regresi logistik. Pemodelan ini sering digunakan untuk memprediksi

deforestasi seperti yang dilakukan oleh Shamsuddin dan Yakup (2007) di Seremban

District Malaysia, serta Prasetyo et al. (2009) untuk memprediksi deforestasi di

5

Pulau jawa dengan memanfaatkan data penginderaan jauh (remote sensing) berupa

citra satelit multitemporal.

Penelitian-penelitian tentang deforestasi telah banyak dilakukan oleh penulis-

penulis sebelumnya (Lukman 2004; Hartanti 2004). Akan tetapi kegiatan penelitian

yang terkait pemodelan spasial logistik masih belum banyak dilakukan. Beberapa

prediksi deforestasi dapat dilihat pada penelitian Lukman (2004) tentang analisis

spasial degradasi hutan dan deforestasi, dan Anita (2004) tentang monitoring dan

modeling penebangan liar guna mendukung proses sertifikasi hutan. Pada

penelitian ini dikaji lebih lanjut tentang deforestasi melalui pembangunan model

spasial prediksi deforestasi.

2.2 Penggunaan Lahan

Penggunaan lahan termasuk dalam komponen sosial budaya karena

penggunaan lahan mencerminkan hasil kegiatan manusia atas lahan serta statusnya

(Bakosurtanal, 2007). Aktifitas manusia dalam menjalankan kehidupan ekonomi,

sosial dan budaya sehari-hari berdampak pada perubahan penutup/penggunaan

lahan. Diperkotaan, perubahan umumnya mempunyai pola yang relatif sama, yaitu

bergantinya penggunaan lahan lain menjadi lahan urban. Perubahan penggunaan

lahan yang pesat terjadi apabila adanya investasi di bidang pertanian atau

perkebunan (Sitorus, 2006). Harjanti (2002) mengatakan ada berbagai macam

aktivitas yang menjadi ciri perkotaan, antara lain permukiman, industri, komersial,

dan lain -lain. Perkembangannya tiap aktivitas tersebut memiliki karakteristik yang

berbeda-beda, sehingga mempengaruhi pemilihan ruang dan lokasi aktivitasnya.

Kondisi ini akan terjadi perubahan lahan hutan, semak, ataupun alang-alang

menjadi lahan perkebunan. Perubahan yang dilakukan oleh masyarakat terjadi

dalam skala kecil (Sitorus, 2006).

Perubahan vegetasi penutupan lahan mempunyai dampak yang sangat berarti

bagi lestarinya lingkungan sekitar. Perubahan penutupan lahan yang terjadi,

terutama perubahan kawasan hutan menjadi penutupan yang lain, akan mengancam

kondisi DAS dalam menjalankan fungsi ekologi, ekonomi, dan sosial budaya

6

(Dwiprabowo, 2014). Perubahan areal pertanian menjadi kawasan pemukiman atau

lahan terbangun termasuk di dalamnya industri, selain dapat mengurangi daerah

resapan air, juga adanya limbah yang dibuang pabrik-pabrik ataupun limbah rumah

tangga. Pihak lainnya adanya kerusakan vegetasi terutama di wilayah hulu dan

ancaman pendangkalan mengakibatkan kondisi ekologis DAS. Dampak yang

terjadi yaitu pada saat curah hujan tinggi, badan air (sungai) tidak mampu

menampung curahan air hujan sehingga seringkali menyebabkan banjir pada daerah

sekitar (Sitorus, 2006). Pemerintah telah menetapkan dan mempertahankan

kecukupan luas kawasan hutan secara proporsional dan penutupan hutan untuk

setiap daerah aliran sungai dan pulau yaitu minimal 30%, pada pasal 18 UU No. 41

tahun 1999. Kawasan hutan dimaksud kemudian dideliniasi sesuai dengan

fungsinya, yaitu sebagai hutan konservasi, lindung atau produksi (Dephut, 2008).

Long (2006), mengatakan akhir-akhir ini, isu yang berhubungan dengan

penggunaan lahan dan perubahan penggunaan lahan (Land Use Land Use Change,

LULC) telah menarik perhatian dari berbagai bidang penelitian. Industrialisasi,

pertambahan penduduk dan perpindahan penduduk ke Kota dinilai sebagai faktor

yang paling berkontribusi dalam perubahan penggunaan lahan dalam skala global.

Pertumbuhan penduduk, urbanisasi dan industrialisasi berkontribusi besar terhadap

penurunan luas hutan di beberapa daerah dan sebaliknya penambahan luas hutan di

beberapa kawasan lain membentuk pola umum perubahan luas tutupan hutan

seiring dengan pembangunan ekonomi. Tiga dekade terakhir, pola perubahan

tutupan hutan di Indonesia sangat terkait dengan laju pertumbuhan pembangunan

sosial dan ekonomi, semakin tinggi laju pertumbuhan sosial ekonomi mendorong

penurunan tutupan hutan. Meskipun demikian, di sejumlah wilayah justru dengan

semakin tingginya laju pertumbuhan pembangunan ekonomi cenderung

mengurangi laju kehilangan tutupan hutan akibat deforestasi dan bahkan bisa

meningkatkan tutupan hutan seperti yang disampaikan Yackulic (2011).

Berdasarkan uraian dari Utoyo (2012) fenomena terjadinya perubahan

struktur penggunaan lahan perkotaan tidak dipungkiri juga sangat dipengaruhi oleh

pertambahan jumlah penduduk dan perkembangan ekonomi. Geist dan Lambin

(2002) menyatakan aktivitas manusia pada tingkat lokal yang meliputi: 1) Perluasan

7

infrastruktur, 2) perluasan kawasan pertanian, dan 3) ekstraksi kayu. Kasus faktor

penyebab deforestasi yang terjadi di Asia berdasarkan Arifin dkk (2009) pertama

faktor kelembagaan, kedua faktor teknologi, ketiga faktor sosial budaya dan politik,

keempat faktor ekonomi, dan kelima faktor demografis. Contoh penyebab

deforestasi adalah akibat dapat berbentuk pemukiman, lahan pertanian/perkebunan,

atau pertambangan.

2.3 Dinamika Transformasi Penggunaan Lahan

Utoyo (2012) mengatakan perubahan struktur penggunaan lahan bukanlah

semata-mata fenomena fisik berkurangnya luasan lahan tertentu dan meningkatnya

penggunaan lahan untuk penggunaan lainnya, melainkan mempunyai kaitan erat

dengan perubahan orientasi ekonomi, sosial, budaya dan politik masyarakat.

Perubahan orientasi tersebut berkait dengan terjadinya proses transformasi struktur

perekonomian yang dicirikan semakin menurunnya pangsa relatif sektor primer

(pertanian dan pertambangan) dan semakin meningkatnya pangsa relative sektor

sekunder dan tersier (industri dan jasa). Dengan demikian, pembangunan ekonomi

diarahkan untuk mengurangi ketergantungan perekonomian suatu wilayah terhadap

sektor primer yang mempunyai nilai tambah (value added) yang lebih rendah

dibandingkan dengan sektor sekunder dan tersier.

Penggunaan lahan terdiri dari penggunaan lahan di pedesaan dan penggunaan

lahan di perkotaan. Contoh penggunaan lahan di pedesaan di antaranya adalah

hutan, sawah, maupun pertanian dan peternakan. Kegiatan pengelolaan hutan

contohnya adalah program hutan rakyat. Hutan Rakyat (HR) merupakan salah satu

program Kementerian Kehutanan yang tujuannya selain untuk menyokong

kebutuhan kayu industri/pertukangan, juga sebagai upaya untuk peningkatan

pendapatan masyarakat serta meningkatkan manfaat ekologis dari lahan masyarakat

karena ditanami komoditas kehutanan (Sitorus, 2006). Definisi HR menurut

Peraturan Menteri Kehutanan No.P.03/Menhut-V/2004 adalah hutan yang tumbuh

di atas tanah yang dibebani hak milik maupun hak lainnya dengan ketentuan luas

minimum 0.25 ha, penutupan tajuk tanaman kayu-kayuan dan tanaman lainnya

lebih dari 50%. Sasaran pengembangan hutan rakyat diarahkan pada lahan milik

8

rakyat, tanah adat atau lahan di luar kawasan hutan yang memiliki potensi untuk

pengembangan hutan rakyat dapat berupa lahan tegalan dan lahan pekarangan yang

luasnya memenuhi syarat sebagai hutan rakyat (Rahmayanti, 2012).

2.4 Indeks Pembangunan Manusia (IPM)

Pembangunan Manusia (IPM) diukur melalui kualitas tingkat pendidikan,

kesehatan dan ekonomi (daya beli) (Mirza, 2012). Ukuran kualitas hidup, IPM

dibangun melalui pendekatan tiga dimensi dasar. Dimensi tersebut mencakup umur

panjang dan sehat; pengetahuan dan kehidupan yang layak. Kedua dimensi tersebut

memiliki pengertian sangat luas karena terkait banyak faktor didalamnya (Susetyo,

2011). Untuk mengukur dimensi kesehatan, digunakan angka umur harapan hidup.

Kedua dimensi ini dapat dijelaskan sebagai berikut (Setiawan, 2013):

2.4.1 Umur Produktif

Penduduk umur produktif adalah penduduk umur kerja yang sudah bisa

menghasilkan barang dan jasa (Susetyo, 2011). Badan Pusat Statistik (BPS)

mengambil penduduk umur 10 tahun ke atas sebagai kelompok umur kerja. Akan

tetapi sejak tahun 1998 mulai menggunakan umur 15 tahun ke atas atau lebih tua

dari batas umur kerja pada periode sebelumnya. Kelompok penduduk umur 0-14

tahun dianggap sebagai kelompok penduduk yang belum produktif secara

ekonomis, kelompok penduduk umur 15-64 tahun sebagai kelompok penduduk

yang produktif, dan kelompok penduduk umur 64 tahun ke atas sebagai kelompok

yang tidak lagi produktif. Berbicara tentang penduduk umur produktif sangat erat

kaitannya dengan tenaga kerja dan angkatan kerja (Setiawan, 2013).

2.4.2 Tingkat Pendidikan

Untuk mengukur dimensi pengetahuan penduduk digunakan dua indikator,

yaitu rata-rata lama sekolah (means years schooling) dan angka melek huruf.

Selanjutnya rata-rata lama sekolah menggambarkan jumlah tahun yang digunakan

oleh penduduk umur 15 tahun ke atas dalam menjalani pendidikan formal.

Sedangkan angka melek huruf adalah persentase penduduk umur 15 tahun ke atas

yang dapat membaca dan menulis huruf latin dan atau huruf lainnya (Patta, 2012).

9

2.5 Principal Component Regression (PCA)

Principal Component Regression bertujuan untuk menyederhanakan variabel

yang diamati dengan cara mereduksi dimensinya. Hal ini dilakukan dengan

menghilangkan korelasi variabel melalui transformasi variabel asal ke variabel baru

yang tidak berkorelasi (Jolliffe, 2002). PCA atau Analisis Komponen Utama (AKU)

bertujuan untuk mengubah sebagian besar variabel asli yang digunakan yang saling

berkorelasi satu dengan yang lainnya, menjadi satu set variabel baru yang lebih

kecil dan saling bebas (tidak berkorelasi lagi), dan merupakan kombinasi linier dari

variabel asal. Selanjutnya variabel baru ini dinamakan komponen utama (principal

component). Secara umum tujuan dari analisis komponen utama adalah mereduksi

dimensi data sehingga lebih mudah untuk menginterpretasikan data-data tersebut.

Hal ini dilakukan dengan menghilangkan korelasi variabel melalui transformasi

variabel asal ke variabel baru (Gaspersz, 1992).

Metode regresi komponen utama (Principal Component Regression)

merupakan salah satu teknik dalam mengatasi multikolinearitas dengan cara

mereduksi variabel–variabel yang ada menjadi beberapa variabel baru yang saling

bebas dan merupakan kombinasi linier dari variabel asal (Montgomery, 1991).

Dalam menentukan komponen utama pada metode Regresi Komponen Utama

yakni melalui tahapan Principal Component Analysis (PCA). Analisis komponen

utama yang berdasarkan matriks varian kovarian sangat sensitif terhadap adanya

pencilan pada data pengamatan, sehingga untuk mengatasi masalah pencilan

diperlukan suatu metode penduga yang tegar terhadap pencilan. ROBPCA (Robust

Principal Component Analysis) adalah suatu metode yang kuat (robust) untuk PCA

terhadap keberadaan pencilan pada data, untuk mendapatkan komponen utama

yang robust diperlukan penggabungkan konsep (Notiragayu. 2008).

Proses mereduksi, diperoleh variabel yang lebih sedikit akan tetapi masih

mengandung informasi yang termuat dalam data asli/awal. Variabel hasil

mereduksi tersebut dinamakan faktor yang juga disebut komponen atau faktor

komponen. Secara teknis, analisis komponen utama merupakan suatu teknik

mereduksi data multivariat (multivariable) yang mengubah (mentranformasi) suatu

10

matriks data/asli menjadi suatu set kombinasi linier yang lebih sedikit akan tetapi

menyerap sebagian besar jumlah varian dari data awal (Jolliffe, 2002). Dalam

model analisis faktor pada SPSS terdapat beberapa metode yang dapat digunakan,

diantaranya adalah principal components, unweighted least squares, generalized

least squares, maximum likelihood, principal axis factoring, alpha factoring, dan

image factoring (Simamora, 2004). Namun metode pendugaan parameter yang

umum digunakan dalam model analisis faktor adalah metode komponen utama

(principal component analysis/method=PCA) dan metode kemungkinan maksimum

(maximum likelihood method) karena menurut Rahardi (2006), metode principal

component analysis dapat mengatasi masalah multikolinearitas ,sementara menurut

Priyanto (2008), metode maximum likelihood merupakan salah satu metode untuk

memperoleh pendugaan yang memberikan hasil yang baik.

Pada penelitian-penelitian sebelumnya, seperti penelitian Wibowo dengan

judul “Pengenalan Wajah Menggunakan Analisis Komponen Utama (Principal

Component Analysis)” menunjukkan bahwa hasil pengenalan wajah cukup baik

dengan menggunakan pengujian 4 citra latih yaitu tiga kesalahan pengenalan dari

60 pengujian. Pada penelitian lain yaitu penelitian Abiyanto yang berjudul

“Pengenalan Gigi Menggunakan Analisis Komponen Utama (Principal Component

Analysis)” menunjukkan bahwa hasil pengenalan gigi cukup baik dengan

menggunakan program yang memiliki parameter-parameter 7 buah citra latih,

ukuran citra 200x60 pixel, 20% komponen utama, didapatkan 4 hasil pengenalan

yang benar dari 55 pengenalan, sehingga persentase kebenaran pengenalan sebesar

92,73%. Sementara pada pendugaan parameter maximum likelihood, tingkat

kesalahan (error) yang ditimbulkan lebih kecil dibandingkan dengan metode

komponen utama yang sering digunakan (Dwipurwani, 2009). Pada penelitian-

penelitian sebelumnya seperti penelitian Dwipurwarni (2009) menunjukkan hasil

bahwa varians total yang mampu dijelaskan oleh faktor-faktor yang terbentuk

dengan metode maximum likelihood adalah 64%, yang artinya kebaikan model

sudah terpenuhi.

11

Tujuan utamanya ialah menjelaskan sebanyak mungkin jumlah varian data

asli dengan sedikit mungkin komponen utama yang disebut faktor. Analisis

Komponen Utama biasanya digunakan sebagai berikut (Jolliffe, 2002):

1. Identifikasi peubah baru yang mendasari data peubah ganda

2. Mengurangi banyaknya dimensi himpunan peubah yang biasanya terdiri atas

peubah yang banyak dan saling berkolerasi dengan mempertahankan sebanyak

mungkin keragaman dalam himpunan data tersebut, dan

3. Menghilangkan peubah-peubah asal yang mempunyai sumbangan informasi

yang relatif kecil.

2.6 Tinjauan Studi-studi Terdahulu

Faktor kepadatan penduduk, ekonomi dan kebijakan memberi pengaruh yang

besar terhadap sebaran deforestasi. Penduduk yang terus bertambah sangat berperan

dalam mempengaruhi tingkat konektivitas lanskap hutan. Aktifitas manusia

memberikan tekanan tersendiri dan cenderung menyebabkan fragmentasi hutan.

Tingkat kesejahteraan masyarakat yang meningkat mendorong bertambahnya

jumlah pemukiman (Rijal, 2016).

Berdasarkan analisis terhadap luas hutan pada tiap kabupaten/kota di

Provinsi Sulawesi Selatan dan Sulawesi Barat ditemukan bahwa seluruh

kabupaten/kota pada tahun awal pengamatan (1990) masih memiliki hutan.

Kabupaten yang memiliki luas hutan paling kecil yaitu Kota Makassar. Luas

deforestasi terbesar di Sulawesi Selatan dan Sulawesi Barat selama periode 1990

hingga 2016 terjadi di Kabupaen Mamuju Provinsi Sulawesi Barat. Luas

deforestasi pada kabupaten Mamuju dengan luas 66,804.31 ha atau rata-rata

508,597.43 ha/tahun (Ramadhan, 2016).

Total luas lahan yang mengalami perubahan tutupan hutan pada Provinsi

Sulawesi Barat pada tahun 1990–2016 yaitu 190.891,57 ha yang beralih fungsi

menjadi penutupan bukan hutan. Luas hutan Provinsi Sulawesi Selatan yang

beralih fungsi menjadi penutupan bukan hutan sejak periode awal pengamatan

12

(1990) hingga akhir periode pengamatan (2016) yaitu 181.385,77 ha. Hasil

analisis sebaran kejadian deforestasi memperlihatkan peta sebaran deforestasi

yang terjadi selama periode 1990—2016 Gambar 1.

Gambar 1. Peta sebaran profil deforestasi di Sulawesi Selatan dan Sulawesi

Barat (Ramadhan, 2017)

13

Faktor biofisik dan aksesibilitas, deforestasi pada tipologi 1 dan 2 juga

dipengaruhi oleh faktor kepadatan penduduk. Peluang deforestasi pada tipologi 1

semakin tinggi pada daerah dengan kepadatan penduduk yang relative rendah.

Tipologi 2 menunjukkan hasil yang berbeda dengan tipologi 1 yaitu peluang

deforestasi semakin tinggi pada daerah dengan kepadatan penduduk yang tinggi.

Beberapa hasil studi lain menunjukkan hal yang sama bahwa peluang deforestasi

semakin tinggi apabila semakin meningkatnya kepadatan penduduk (Entwisle et al.

2008; Prasetyo et al. 2009). Pengaruh wilayah berkembang pada tipologi 1

membuat semakin meluasnya wilayah perkantoran dan perdagangan sehingga

peluang kerja semakin tinggi. Peluang pekerjaan di perkotaan menjadikan dorongan

terhadap hutan semakin berkurang.

Kepadatan penduduk yang meningkat drastis akan menyebabkan peluang

deforestasi juga meningkat secara drastis. Pada tipologi ini, deforestasi yang tinggi

terjadi pada wilayah-wilayah dengan elevasi yang rendah tetapi pada konfigurasi

lahan yang relatif curam (tanda aljabar negative untuk peubah elevasi dan positif

untuk slope). Oleh karena ini tergolong pada wilayah tipologi dengan laju

deforestasi yang rendah, maka peningkatan laju deforestasi yang disebabkan karena

kepadatan penduduk tidak akan terlalu tinggi (Wijaya, 2015).

14

III. METODE PENELITIAN

3.1 Waktu dan Tempat

Penelitian ini dilakukan selama lima bulan, mulai November 2017 hingga

Maret 2018 dengan dua tahap kegiatan, yaitu tahap persiapan, mengumpulkan data

yang tersedia di badan pusat statistik Sulawesi Selatan dan Sulawesi Barat ataupun

melalui internet, buku, dokumen, jurnal, artikel, karya ilmiah dan lain-lain. Tahap

akhir dengan melakukan kegiatan analisis data yang dilakukan di Laboratorium

Perencanaan dan Sistem Informasi Spasial Kehutanan Universitas Hasanuddin.

Peta lokasi penelitian seperti tersaji pada Gambar 2 berikut:

Gambar 2. Peta Lokasi Penelitian

15

3.2 Alat dan Bahan

3.2.1 Alat

Alat – alat yang digunakan dalam penelitian ini berupa:

1. Laptop, yang memiliki aplikasi Sistem Informasi Geografis (SIG) dan

PCA; Aplikasi GIS berfungsi untuk membantu dalam pembuatan peta

deforestasi sedangkan Software SPSS adalah Aplikasi yang digunakan

untuk pengolahan data menggunakan metode PCA.

2. Kamera; befungsi untuk memudahkan dalam mendokumentasikan data.

3. Alat tulis menulis; Digunakan untuk pencatatan data.

3.2.2 Bahan

Bahan yang digunakan dalam penelitian ini adalah data profil deforestasi di

Provinsi Sulawesi Selatan dan Sulawesi Barat (Ramadhan, 2017), data sosial BPS

Sulawesi Selatan dan Sulawesi Barat berupa data jumlah penduduk, usia produktif,

pekerjaan dan pendidikan.

3.3 Metode Pengumpulan Data

3.3.1 Pengumpulan Data

Jenis data yang digunakan pada penelitian ini yaitu data sekunder yang

diperoleh dari telahan terhadap beberapa dokumen perencanaan, data BPS Sulawesi

Selatan dan Sulawesi Barat, mengutip dari berbagai sumber tertentu (jurnal,

makalah dan karya tulis ilmiah), instansi-instansi terkait dan dilakukan dengan

menggunakan literatur yang sudah ada dalam kepustakaan yang berkaitan dengan

penelitian yang dikaji. Data yang diperoleh dari proses ini yaitu data jumlah

penduduk, umur produktif, pekerjaan dan pendidikan. Penelitian ini menggunakan

2 kategori profil deforestasi di Sulawesi Selatan dan Sulawesi Barat, dimana profil

tersebut termasuk kategori “cukup rawan” dan “rawan”.

16

3.3.2 Prosedur Penelitian

Data Profil

Profil deforestasi menjelaskan bahwa nilai laju yang tinggi pada suatu

Kabupaten/Kota tidak selalu linear dengan luas hutan yang terdeforestasi. Temuan

lainnya adalah tentang nilai laju terhadap kondisi hutan suatu daerah. Nilai laju

yang rendah tidak selalu mencerminkan keadaan hutan yang lebih baik dibanding

laju yang tinggi. Laju deforestasi yang rendah pada beberapa Kabupaten/Kota di

kedua provinsi ini juga disebabkan oleh luas hutan awal yang kecil. Profil

deforestasi telah mampu menjelaskan dan mendeskripsikan kejadian deforestasi

secara lebih baik pada suatu daerah atau wilayah dibanding sebelumnya, apalagi

disertai dengan informasi model spasial deforestasi. Profil deforestasi menjadi

ukuran penilaian yang lebih baik dari penilaian selama ini (Rijal dkk, 2016). Profil

deforestasi Sulawesi Selatan dan Sulawesi Barat dapat dilihat pada Tabel 1.

Tabel 1. Profil deforestasi Sulawesi Selatan dan Sulawesi Barat

Kabupaten/Kota

LuasHuan (LH)

KejadianDeforestasi (KD)

Laju Rata-rataDeforesasi (LD)

Profil

Bulukumba 1 1 1 1-1-1

Bantaeng 1 3 1 1-3-1

Maros 1 3 1 1-3-1

Enrekang 1 1 2 1-1-2

Jeneponto 1 1 2 1-1-2

Bone 1 3 2 1-3-2

Gowa 1 3 2 1-3-2

Makassar 1 3 2 1-3-2

Pangkajene DanKepulauan 1 1 1 1-1-1

Parepare 1 3 1 1-3-1

Pinrang 1 3 1 1-3-1

Sidenreng Rappang 1 1 1 1-1-1

17

Tabel Lanjutan

Kabupaten/ Kota LuasHuan (LH)

KejadianDeforestasi (KD)

Laju Rata-rataDeforesasi (LD)

Profil

Sinjai 1 3 1 1-3-1

Soppeng 1 3 1 1-3-1

Takalar 1 1 3 1-1-1

Tana Toraja 1 3 1 1-3-1

Wajo 1 1 3 1-1-3

Barru 1 1 2 1-1-2

Luwu 2 1 1 2-1-1

Kepulauan Selayar 2 3 3 2-3-3

Polewali Mandar 2 1 2 2-1-2

Majene 2 1 1 2-1-1

Palopo 2 2 1 2-2-1

Toraja Utara 2 3 1 2-3-1

Mamuju Utara 3 1 1 3-1-1

Luwu Timur 3 1 1 3-1-1

Mamasa 3 2 1 3-2-1

Luwu Utara 3 2 1 3-2-1

Mamuju 3 3 1 3-3-1

Sumber : Ramadhan, 2017

Keterangan :

Profil Deforestasi : 1-2-3; 1 = LH 2 = KD 3 = LDLuas Hutan : 1 = Kecil; 2 = Sedang; 3 = Besar

Kejadian Deforestasi : 1 = Periode I (Pra Reformasi); 2 = Periodepertengahan kedua periode; 3 = Periode III(Pasca Reformasi)

Laju Rata-rata Deforestasi (LD): 1 = Rendah; 2 = Sedang; 3 = Tinggi

18

Penentuan Tingkat Kerawanan

Tingkat kerawanan dalam penelitian ini dibagi berdasarkan tiga kelas, yaitu

tidak rawan, cukup rawan dan rawan. Tingkat kerawanan dijadikan sebagai dasar

untuk pengambilan profil pewakil dalam penelitian ini. Pembagian tingkat

kerawanan ini berdasarkan kunci kerawanan seperti penjelasan dibawah ini :

1. Profil Rawan

Profil rawan adalah proporsi hutan rendah dengan kejadian deforestasi di

akhir pengamatan dengan laju yang tinggi. Berdasarkan kunci kerawanan profil

deforestasi yang tergolong rawan di Sulawesi Selatan yaitu profil 1-3-2 (Bone,

Gowa, Makassar) dan 2-3-3 (Kepulauan Selayar). Penelitian ini memilih Kota

Makassar dan Kabupaten Kepualauan Selayar sebagai profil pewakil rawan.

2. Cukup Rawan

Cukup Rawan adalah proporsi hutan sedang dengan kejadian deforestasi di

periode pertenagahan pengamatan dengan laju deforestasi yang sedang.

Berdasarkan kunci kerawanan profil deforestasi Sulawesi Selatan dan Sulawesi

Barat yang tergolong kategori cukup rawan berjumlah 17 Kabupaten yaitu kode

profil 1-3-1 (Bantaeng, Maros, Pare-pare, Pinrang, Sinjai, Soppeng, Tana Toraja),

kode profil 1-1-2 (Enrekang, Jeneponto, Barru), kode profil 2-1-2 (Polewali

Mandar), kode profil 2-2-1 (Polopo), kode profil 2-3-1 (Tana Toraja), 3-2-1

(Mamasa dan Luwu Utara), 3-3-1 (Mamuju).

Sulawesi Selatan memilih 1 profil pewakil yaitu Kabupaten Luwu Utara,

dengan alasan untuk dijadikan sebagai profil perbandingan dengan profil lainnya.

Sulawesi Barat memilih 3 profil pewakil yaitu Kabupaten Polewali Mandar,

Mamasa dan Mamuju. Pemilihan profil tersebut berdasarkan pada tujuan penelitian

yang ingin menganalisis kejadian deforestasinya, berhubung karena Sulawesi Barat

hanya tergolong di kategori cukup rawan dan tidak rawan, sehingga untuk profil

pewakil ketiganya diakili dari profil yang berkategorikan cukup rawan.

19

3. Profil Tidak Rawan

Profil Tidak Rawan adalah Proporsi hutan besar dengan kejadian

deforestasi di periode awal pengamatan dengan laju deforestasi yang rendah.

Berdasarkan kunci kerawanan profil deforestasi yang tergolong kategori tidak

rawan yaitu kode profil 1-1-1 (Blukumba, Pangkajene dan Kepulauan, Sidenreng

Rappang, Takalar), kode profil 2-1-1 (Luwu dan Majene), 3-1-1 (Mamuju Utara

dan Luwu Timur). Penelitian ini tidak memilih profil pewakil yang berkategorikan

tidak rawan, karena hanya berfokus pada lokasi yang memiliki tingkat deforestasi

yang perlu penanganan yang lebih.

Penentuan Pewakil Profil Deforestasi Berdasarkan Tingkat Kerawanan

Penelitian ini memilih kabupaten yang termasuk kategori “cukup rawan”

dan “rawan”. Pemilihan pewakil profil tersebut sebenarnya telah menjelaskan

terkait model deforestasi spasial yang memiliki kategori yang sama. Provinsi

Sulawesi Selatan memilih 3 profil pewakil yaitu Kabupaten/Kota Makassar, Luwu

Utara dan Kepulauan Selayar. Lokasi di Sulawesi Barat yaitu Kabupaten Mamasa,

Polewali Mandar dan Mamuju. Penelitian ini tidak memilih lokasi kategori yang

“tidak rawan” karena penelitian ini berfokus pada lokasi yang mengalami

deforestasi yang pengaruhnya berdampak cukup besar pada lokasi tersebut.

3.3.2 Analisis Data

Lokasi yang termasuk kategori “cukup rawan” dan “rawan” tersebut,

variabelnya (Jumlah penduduk, umur produktif, pekerjaan dan pendidikan) di

skoring. Skoring ini bertujuan untuk memudahkan dalam proses pengimputan data

dengan melakukan penyederhanaan data (Simbol), adapun hasil dari skoring

tersebut merupakan data yang hanya sekedar contoh dan tidak menggambarkan

lokasi tertentu. Metode Skoring menggunakan persamaan regresi yang nilainya

kemudian di standarisasi sehingga nilai skor berkisar antara 1 sampai 9. Nilai total

yang terbentuk per sub variabel distandarisasi dengan Metode Skoring (Jaya, 2009

dalam Rijal, 2016):

Score Std =( ( − ) + 1................ (1)

20

Keterangan:

Score Std : nilai standarisasi

Score input : skor input ke-i;

Score min : skor minimum

Score max : skor maksimum

Score stdmax : nilai baru maksimum

Score stdmin : nilai baru minimum

Selanjutnya data hasil skoring diolah dengan menggunakan metode PCA

(Principal Component Analysis), dan terakhir penentuan bobot masing-masing

variabel. Penentuan bobot dengan PCA mengikuti persamaan:

= . /∑ ..................................................................... (2)

Keterangan : Wj : Bobot variabel ke –j

Ei : Eigen value PC ke-i

Vij : Eigen vector PC ke –i variabel ke -j

Bobot masing-masing variabel di rescaling hingga total terbentuk untuk

semua variabel adalah 1. Nilai skor dan bobot yang terbentuk tiap variabel

digunakan untuk membentuk model spasial multikriteria deforestasi berdasarkan

fungsi matematis. Model spasial deforestasi dirumuskan sebagai berikut:

Y = f (KP, UP, PK, PDK) ............................................................................ (3)

Y = ∑bi xi .................................................................................................... (4)

MDS = W1. KP + W2. UP + W3. PK + W4.PDK .......................................(5)

Keterangan:

Wn : Bobot ke-i

MDS : Model Defrestasi Spasial

KP : Kepadatan penduduk

UP : Umur Produktif

PK : Pekerjaan

PDK : Pendidikan

21

Model spasial deforestasi tiap profil akan membentuk variasi bobot tiap

variabel yang berbeda. Bobot tersebut menjelaskan bahwa variabel berpengaruh

atau menjadi salah satu faktor pendorong yang mendukung terjadinya deforestasi.

Nilai Eigen Value yang akan menentukan model spasial.

22

IV. HASIL DAN PEMBAHASAN

4.1 Luas Wilayah dan Luas Hutan Lokasi Penelitian

Provinsi Sulawesi Selatan dan Sulawesi Barat pada tahun 1990 memiliki

luas hutan 3.550.946.13 ha dan luas wilayah 6.216.776.43 ha. Adapun luas wilayah

dan luas hutan lokasi penelitian dapat di lihat pada Tabel 2.

Tabel 2. Luas Wilayah dan Luas Hutan lokasi penelitian

No Kabupaten/Kota Luas Wilayah (Ha) Luas Hutan (Ha)Sulawesi Selatan

1 Kepulauan Selayar 117.700,21 29.177,812 Makassar 179.00,45 101,123 Luwu Utara 759.100,82 460.875,90

Sulawesi Barat4 Mamuju 801.400,44 45.3317,215 Polewali Mandar 202.200,38 34.930,756 Mamasa 297.200,12 143.967,75

Sumber : Ramadhan, 2017

4.2 Faktor Pendorong

Faktor penyebab deforestasi yang tidak langsung disebut faktor pendorong

(Rijal, 2016). Menurut Nawir (2008) penyebab deforestasi yang tidak langsung

salah satunya adalah persoalan sosial. Sumberdaya manusia merupakan faktor

utama yang berperan dalam proses pengubah lahan hutan (deforestasi). Hal ini

sejalan dengan pernyataan Carr dan Suter (2005) yang menyatakan bahwa peran

penduduk merupakan faktor pemicu dari deforestasi. Perlu diketahui bersama

bahwa pengertian sosial dalam ilmu sosial menunjuk pada objeknya yaitu

masyarakat. Dalam Kamus Besar Bahasa Indonesia, kata sosial berarti segala

sesuatu yang berkenaan dengan masyarakat (KBBI,1996).

Penelitian ini menggunakan 4 variabel yaitu jumlah penduduk, umur

produktif, pekerjaan dan pendidikan, hal ini dikuatkan oleh beberapa penelitian

sebelumnya. Variebel tersebut merupakan faktor sosial. Variabel diatas pernah

dijadikan faktor pendorong pada penelitian tentang model deforestasi. Misalnya,

Penelitian Wijaya (2015) yang menjadikan jumlah penduduk, pekerjaan dan

23

pendidikan sebagai variabel dalam penelitiannya, dan hasil akhirnya kedua variabel

tersebut sangat berpengaruh dibandingkan variabel lainnya. Penelitian Setiawan

(2015) mengungkapkan bahwa yang mendominasi terjadinya deforestasi adalah

faktor sosial. Rijal (2016) dalam penelitiannya mengenai model deforestasi

menghasilkan bahwa faktor sosial lebih mempengaruhi dari pada faktor biofisik,

variabel sosial yang digunakan adalah jumlah penduduk dan umur produktif.

4.2.1 Kepadatan Penduduk

Kepadatan Penduduk adalah perbandingan antara jumlah penduduk dan luas

wilayah. Jumlah penduduk di Sulawesi Selatan dan Sulawesi Barat selalu

mengalami peningkatan, data jumlah penduduk dapat dilihat pada tabel 3. Namun,

untuk mengukur tingkat kerawanan deforestasi yang lebih tepat dijadikan variabel

adalah kepadatan penduduk, karena kapadatan penduduk adalah variabel yang di

analisis berdasarkan luasan wilayahnya, sehingga akan jelas terlihat pengaruhnya

anatara peningkatan jumlah penduduk dan ketersediaan lahan. Data kepadatan

penduduk dapat dilihat pada Tabel 4.

Tabel 3. Jumlah Penduduk Profil Pewakil

Jumlah Penduduk

Kabupaten/Kota 1990 2000 2010 2016

Polewali Mandar 343.792 351.673 396.120 427.484

Mamasa 64.584 65.178 140.080 151.830

Luwu Utara 194.949 442.472 287.472 302.687

Mamuju 179.530 289.647 336.973 372.258

Makassar 944.372 1.100.019 1.338.663 1.449.242

Kepulauan Selayar 98.489 103.596 122.055 131.605

Sumber : Badan Pusat Statistika Sulawesi Selatan dan Sulawesi Barat

Sulawesi Selatan yang memiliki jumlah penduduk yang tinggi yaitu Kota

Makassar dimana mencapai lebih 1 juta penduduk. Hal ini disebabkan karena Kota

Makassar adalah daerah Ibu Kota di Sulawesi Selatan, dengan tingkat pendidikan

terbaik di Indonesia Timur dan Kota pusat perekonomian. Berbeda dengan

Sulawesi Barat yang memiliki jumlah penduduk yang tinggi yaitu di Polewali

24

Mandar, karena lokasi ini merupakan daerah imigrasi antara Sulawesi Selatan dan

Sulawesi Barat.

Tabel 4. Kepadatan Penduduk Profil Pewakil

Profil PewakilKepadatan Penduduk

1990 2000 2010 2016


Makassar 52.76 61.45 74.78 80.95

Luwu Utara 0.25 0.58 0.37 0.49

Mamasa 0.21 0.22 0.45 0.51

Mamuju 0.22 0.36 0.42 0.46

Polewali Mandar 1.7 1.74 1.95 2.11

Wilayah Sulawesi Selatan yang memiliki kepadatan penduduk yang sangat

tinggi adalah Kota Makassar. Hal ini disebabkan oleh tidak kesimbangan antara

jumlah penduduk dan luas wilayahnya. Profil Pewakil lainnya menjelaskan bahwa

jumlah penduduk masih diimbangi dengan luas wilayah pada lokasi tersebut.

4.2.2 Umur Produktif

Umur produktif ditandai dengan usia 15-64 tahun. Pengelompokkan usia

tersebut berdasarkan penduduk yang telah mampu menghasilkan barang dan jasa

(Susetyo, 2011). Sejak tahun pengamatan 1990-2016, umur produktif Sulawesi

Selatan dan Sulawesi Barat berdasarkan pengamatan pada profil pewakil, beberapa

lokasi mengalami peningkatan. Data umur produktif dapat dilihat pada Tabel 5.

Tabel 5. Umur Produktif Profil Pewakil

Umur Produktif

Kabupaten/Kota 1990 2000 2010 2016

Polewali Mandar 199.321 214272 240155 278144

Mamasa 46.982 47.852 87.004 92.431

Luwu Utara 35.322 58.870 135.553 189.138

Mamuju 160.550 221.274 219.318 176.892

Makassar 501.775 611.007 723.310 940.129


Sumber : Badan Pusat Statistika Sulawesi Selatan Sulawesi Barat

25

Profil pewakil di Sulawesi Selatan selalu mengamalami peningkatan umur

produktif. Jumlah umur produktif di Luwu Utara periode 1990 dan 2000 terbilang

sangat kecil karena pada periode tersebut Luwu Utara masih menyatu dengan

Kabupaten Luwu (belum pemekaran). Sedangkan Profil pewakil di Sulawesi Barat

terlihat Kabupaten Mamaju mengalami penurunan jumlah umur produktif pada

periode akhir tahun 2016.

4.2.3 Pekerjaan

Jumlah pekerja di Sulawesi Selatan dan Sulawesi Barat merupakan salah

satu aspek sosial yang mempengaruhi deforestasi. Pekerjaan yang terdapat di

Sulawesi Selatan dan Sulawesi Barat memiliki berbagai macam keberagaman, ini

tergantung dengan sumberdaya alam dan potensi dari penduduk lokasi tersebut.

Adapun data jumlah pekerja dapat dilihat pada Tabel 6 dibawah ini.

Tabel 6. Tabel Pekerjaan pada Profil Pewakil

PEKERJAAN

Profil Pewakil 1990 2000 2010 2016


Makasar 180.225 209.039 421.346 661.971

Luwu Utara 36.333 40.873 67.299 76.004

PolewaliMandar 183.908 175.193 185.941 193.339

Mamasa 132.977 132.03 128.996 103.196

Mamuju 157.768 162.691 171.62 182.926

Sumber : Badan Pusat Statistika Sulawesi Selatan Sulawesi Barat

Nilai dari jumlah pekerja di setiap profil pewakil merupakan hasil

perjumlahan dari berbagai perkerjaan, yaitu pekerjaan di bidang Pertanian,

Kehutanan, Perburuan dan Perikanan, Industri Pengelohan, Pedagang (enceran dan

rumah makan), perhotelan dan jasa kemasyarakatan. Data jumlah pekerja yang

menampilkan secara khusus bidang pekerjaan dapat dilihat pada lampiran 1.

26

4.2.4 Pendidikan

Pendidikan menjadi salah satu aspek sosial yang dijadikan variabel, dengan

tujuan menganalisis pengaruhnya dengan kejadian deforestasi. Jumlah pelajar di

profil pewakil dapat diliat pada tabel 7, sebagai berikut:

Tabel 7. Tabel Jumlah Pelajar pada Profil Pewakil

Profil PewakilJumlah Pelajar

1990 2000 2010 2016


Makassar 218.453 204.747 279.734 818.455

Luwu Utara 19.28 21.684 40.078 35.708

Polewali Mandar 68.155 48.472 75.115 74.863

Mamasa 56.568 19.255 48.493 51.566

Mamuju 34.643 10.308 79.44 56.181

Sumber : Sumber : Badan Pusat Statistika Sulawesi Selatan Sulawesi Barat

Data di atas merupakan hasil perjumlahan dari pelajar SD, SMP, SMA.

Dimana rata-rata jumlah pelajar terbanyak berada pada jenjang pendidikan sekolah

dasar, disusul dengan Sekolah Menengah Bawah. Jumlah Siswa Sekolah Menengah

Atas lebih sedikit. Namun perlu diketahui bahwa jumlah pelajar beberapa profil

mengalami peningkatan.

4.3 Pemodelan Spasial Deforestasi

Model spasial deforestasi merupakan salah satu tahapan untuk mengetahui

dan melengkapi pengetahuan terhadap permasalahan penelitian sebagai upaya

untuk mengenali lebih dalam tentang permasalahan deforestasi. Model spasial

deforestasi yang dibangun mempertimbangkan faktor sosial yang menyebabkan

deforestasi. Pembahasan terkait model spasial jika dikaitkan dengan wilayah

provinsi Sulawesi Selatan dan Sulawesi Barat tidak akan lepas dengan pembahasan

mengenai profil. Sama halnya dengan penelitian ini, bukan merujuk kepada

kabupaten tertentu, namun membahas secara keseluruhan yang memiliki profil

yang sama. Terkhusus kepada profil yang ketegori cukup rawan dan rawan. Adapun

model spasial deforestasi dapat diketahui berdasarkan perhitungan nilai eigen. Nilai

27

eigen setiap lokasi berbeda-beda. Nilai eigen dalam penelitian ini dapat dilihat pada

tabel 8 dibawah ini.

Tabel 8. Tabel Hasil Nilai Eigen Value berdasarkan PCA.

Profil PewakilNilai Eigen

KP UP PK PDK

Makassar 8.917 3.0955 1.893 0.0002


Polewali Mandar 1.131 5.6194 2.015 0.00004

Mamasa 0.576 4.719835 1.003 0.00001

Mamuju 1.6027 7.423996 3.045 0.0006

Luwu Utara 0.2054 3.097123 1.7671 0.00084

Keterangan : KP : Kepadatan Penduduk

Up : Umur Produktif

PK : Pekerjaan

PDK : Pendidikan

Setelah mengetahui nilai eigen dari data yang telah dianalisis menggunakan

metode PCA, maka dilakukan proses pembobotan, penentuan bobot masing-masing

variabel di lihat berdasarkan nilai eigen. Hasil pembobotan dapat dilihat pada tabel

9 dibawah ini.

Tabel 9. Tabel Hasil pembombotan berdasarkan analisis PCA

Profil PewakilBobot

KP UP PK PDK

Makassar 0.641248 0.222607 0.136131 0.00001

Kepulauan Selayar 0.223339 0.54105 0.235579 0.00004Polewali Mandar 0.129029 0.641086 0.22988 0.00004Mamasa 0.091445 0.749318 0.159236 0.000006Mamuju 0.132759 0.614961 0.25223 0.00004

Luwu Utara 0.040509 0.610817 0.348509 0.000166

28

Model spasial deforestasi dapat dilihat dari nilai bobot di atas. Hasil

pembobotan didapatkan dari pengolahan menggunakan metode analisis 2 yang

telah dijelaskan sebelumnya, yaitu perbandingan keseluruhan nilai eigen dengan

nilai eigen setiap periode, sehingga jumlah bobot setiap lokasi akan berjumlah 1.

4.4.1 Model Deforestasi pada Profil Rawan di Sulawesi Selatan

Profil pewakil rawan di Sulawesi Selatan terdiri atas 2 pewakil, pemilihan

ini berdasrkan kunci tingkat kerawanan deforestasi berdasrkan profil. Kedua Profil

rawan ini memiliki proporsi hutan, kejadian deforestasi, dan laju deforestasi yang

berbeda, namun keduanya termasuk kategori rawan, sehingga itulah sebabnya profil

ini dipilih menjadi profil pewakil rawan. Profil pewakil Rawan I yaitu Kabupaten

Kepulauan Selayar dan Profil Pewakil Rawan II adalah Kota Makassar. Penjelasan

terkait model spasial deforestasi kedua profil pewakil rawan akan di uraikan

dibawah ini. Berdasarkan teknik pembobotan dengan PCA tersebut maka diperoleh

model spasial deforestasi yang terbangun pada profil pewakil I dan profil pewakil

II adalah:

MDS I = 0.223339 KP + 0.541050 JP + 0.235579 PK + 0.00004 PDK

MDS II =0.641248 KP + 0.222607 UP + 0.136131 PK + 0.00001 PDK

Keterangan :

MSD I : Model Spasial Deforestasi di Profil Pewakil Rawan I

MSD II : Model Spasial Deforestasi di Profil Pewakil Rawan II

Model deforestasi spasial di atas menjelaskan bahwa MSD I dan MSD II

memiliki karasteristik model yang berbeda. MSD I mengungkapkan bahwa yang

sangat berpengaruh adalah umur produktif. Hal ini tidak dapat dipungkiri, bahwa

kenyataannya lokasi tersebut memiliki penduduk yang dominan secara fisik, tenaga

kerja dan finansial mampu mempengaruhi kejadian deforestasi, sehingga dapat

dikatakan bahwa deforestasi di MSD I tidak akan lepas keterhubungannya dengan

penduduk yang berusia produktif. Dsisi lain, MSD II tidak lepas kaitannya dengan

29

bidang pekerjaan. Adapun pendidikan menjadi variabel yang tidak terlalu

berpengaruh.

Berbeda dengan MSD II yang kenyataannya lebih dipengaruhi oleh

kepadatan penduduknya di bandingkan variabel lain. Hal ini dapat terjadi karena

luas wilayah tidak berbanding lurus dengan jumlah penduduk, sehingga penduduk

MSD II terbilang sangat padat, hal inilah yang menyebabkan deforestasi, karena

kepadatan penduduk menyebabkan banyaknya permintaan lahan untuk

pemukiman. Umur produktif juga menjadi variabel yang berpengaruh, karena

seperti penjelasan sebelumnya, bahwa umur produktif adalah penduduk yang

mampu bekerja dengan potensi yang baik. Pekerjaan menjadi variabel ketiga yang

berpengaruh, karena perlu diketahui berasama di MSD II bidang pekerjaannya

bergerak pada pembangunan infrastruktur, dengan hal itu bisa saja menyebabkan

beberapa luasan hutan yang masih tersisa diubah menjadi areal pembangunan.

Variabel pendidikan sama dengan MSD I yang tidak menjadi variabel yang terlalu

berpengaruh.

Penjelasan di atas dapat disimpulkan bahwa, Provinsi Sulawesi Selatan

yang termasuk rawan yang berada pada wilayah kota, pada umumnya faktor

pendorongnya dipengaruhi oleh pembangunan. Berbeda dengan wilayah kategori

rawan yang berada pada daerah luar Ibukota pada umumnya dipengaruhi oleh

pertanian, kehutanan (pembalakan liar) dan industri kayu yang manajemen

pengelolaannya kurang baik, hal ini bisa berbeda karena kedua wilayah tersebut

memiliki latar belakang luasan hutan yang berbeda.

4.4.2 Model Deforestasi pada Profil Cukup Rawan di Sulawesi Selatan

Profil deforestasi di Sulawesi Selatan yang termasuk kategori cukup rawan yaitu

berjumlah 13 kabupaten. Pada profil cukup rawan telah dipilih 1 profil pewakil yaitu

Kabupaten Luwu Utara. Pemilihan Luwu Utara berdasarkan kode profilnya dan

ketersediaan data pada lokasi tersebut. Berdasarkan teknik pembobotan dengan PCA maka

diperoleh model spasial deforestasi yang terbangun pada profil pewakil cukup rawan di

Sulawesi Selatan adalah:

MSD = 0.040509 KP+0.610817 UP+0.348509 PK+ 0.000016 PDK

30

Model deforestasi pada profil pewakil cukup rawan ini, ternyata lebih

dipengaruhi oleh umur produktif. Data umur produktif di profil pewakil ini dapat

dilihat pada Tabel 5. Data tersebut menjelaskan bahwa umur produktif selalu

mengalami peningkatan. Umur yang dominan adalah 15-59 tahun (BPS, 2016).

Variabel kedua yang mempengaruhi adalah pekerjaan. Perlu diketahui bersama

bahwa, pekerjaan yang mendominasi pada MSD ini adalah di bidang pertanian

(terkhusus pada perkebunan kelapa sawit). Kepadatan penduduk menjadi variabel

ketiga yang mempengaruhi deforestasi. Pengaruhnya belum terlalu besar untuk

deforestasi di MSD ini, karena masih tersedianya cukup lahan untuk pemukiman.

Namun, perlu diketahui bersama, bahwa jumlah penduduk di setiap profil akan

selalu mengalami peningkatan, dengan hal itu, mampu mempengaruhi kepadatan

penduduknya dan mempengaruhi pula penggunaan lahan kedepannya. Pendidikan

hampir tidak mempengaruhi deforestasi. Namun, pendidikan harus tetap

diperhatikan karena variabel ini mempengaruhi latar belakang pekerjaan.

4.4.3 Model Deforestasi pada Profil Cukup Rawan di Sulawesi Barat

Profil deforestasi di Sulawesi Barat yang termasuk kategori cukup rawan

yaitu berjumlah 3 Kabupaten. Pada profil cukup rawan semua kabupaten dijadikan

sebagai profil pewakil. Hal ini secara kebetulan sesuai dengan perencanaan

penelitian yang ingin memilih masing-masing 3 profil pewakil di Sulawesi Selatan

maupun Sulawesi Barat. Berhubung karena penelitian ini tidak memilih kategori

tidak rawan, sehingga untuk profil pewakil di Sulawesi Barat semuanya termasuk

kategori cukup rawan. Profil pewakil cukup rawan I yaitu Kabupaten Polewali

Mandar, Profil pewakil cukup rawan II yaitu Kabupaten Mamasa, dan Profil

pewakil cukup rawan III yaitu Kabupaten Mamuju.

Berdasarkan teknik pembobotan dengan PCA maka diperoleh model spasial

deforestasi yang terbangun pada Profil Pewakil Cukup Rawan I adalah:

MSD I = 0.129029 KP + 0.641086 UP + 0.22988 PK + 0.00004 PDK

MSD II =0.884738 JP +0.110560 UP + 0.04697 PK + 0.000003 PDK

MSD III =0.132759 KP +0.614961 UP +0.25223 PK + 0.00004 PDK

31

MSD I, MDS II dan MDS III menjelaskan bahwa ketiga variabel (umur

produktif, pekerjaan dan kepadatan penduduk) memberikan pengaruh atau tekanan

terhadap kejadian deforestasi. Namun, yang sangat berpengaruh adalah umur

produktif. Hal ini disebabkan karena lokasi tersebut didominasi oleh penduduk

yang berumur produktif, yaitu MSD I didominasi usia 15-44 tahun, MSD II

dominan usia 15-59 tahun dan MSD III 15-42 tahun. Setiawan (2013)

mengemukakan bahwa apabila berbicara tentang penduduk umur produktif sangat

erat kaitannya dengan keahlian tenaga kerjanya. Sehingga semakin banyak umur

produktif akan lebih memungkinan deforestsi bisa terjadi. Disamping itu variabel

pekerjaan juga mempengaruhi deforestasi, dapat dilihat pada hasil MSD diatas,

pekerjaan menjadi variabel kedua yang berpengaruh setelah umur produktif.

Wilayah Provinsi Sulawesi Barat pada umumnya memiliki hutan yang luas,

sehingga memudahkan untuk terjadinya deforestasi, apalagi wilayah tersebut

didukung dengan kegiatan pembangunan. Perlu diketahui bahwa Provinsi Sulawesi

Barat merupakan Wilayah pemekaran yang saat ini proses pengembangannya

bukan hanya berpusat pada sektor pertanian, namun sangat aktif dalam proses

pembangunan Infrastuktur. Penting adanya aturan penggunaan lahan yang baik,

karena luasan hutan yang besar akan berubah dengan cepat jika manajemen

penggunaan lahannya yang tidak baik.

32

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan dalam penilitian ini yaitu pada profil yang rawan faktor yang sangat

mempengaruhi adalah kepadatan penduduk dan umur produktif. Profil cukup rawan

yang mendominasi terjadinya deforestasi adalah umur produktif, kepadatan

penduduk dan pekerjaan. Pendidikan tidak terlalu memberikan pengaruh secara

signifikan.

5.2 Saran

Berdasarkan hasil penelitian ini maka dapat disarankan hal berikut:

Pemodelan deforestasi sebaiknya dikembangkan berdasarkan aspek ekonomi,

kebijakan ataupun terkait dengan biofisik.

33

DAFTAR PUSTAKA

Anjani, V. 2010. Dinamika Penggunaan Lahan dan Penataan Ruang Kabupaten

Bekasi. [Skripsi]. Jurusan Ilmu Tanah dan Sumberdaya Lahan. Fakultas

Pertanian. Institut Pertanian Bogor

Bakosurtanal, 2007, Peta Provinsi Jawa Barat skala 1:1.000.000, Bakosurtanal:

Bogor

Biro Perencanaan Sekertaris Jendral Kementrian Kehutanan. 2013. Profil

Kehutanan 33 provinsi. Buku. Biro Perencanaan Kementrian Kehutanan.

Jakarta. 632 p.

BKKBN. 1999. Pemanfaatan data hasil pendataan keluarga dalam program

pembangunan. BKKBN. Jakarta

BPS (Badan Pusat Statistik). 2011. Sulawesi Selatan dalam Angka. Badan Pusat

Statistik Sulawesi Selatan, Makassar.

BPS (Badan Pusat Statistik). 2011. Sulawesi Barat dalam Angka. Badan Pusat

Statistik Sulawesi Barat, Makassar.



BPS (Badan Pusat Statistik). 2017. Sulawesi Barat dalam Angka. Badan Pusat

Statistik Sulawesi Barat, Makassar.





Departemen Kehutanan. 2008. Rekalkulasi Penutupan Lahan Indonesia Tahun

2008. Pusat Inventarisasi dan Perpetaan Kehutanan. Badan Planologi

Kehutanan. Departemen Kehutanan. Jakarta.

Dwiprabowo, H, dkk. 2014. Dinamika Tutupan Lahan: Pengaruh Faktor Sosial

Ekonomi. Buku. PT. Kanisius. Yogyakarta. 140 p.

Dwipurwani, O., dkk. 2009. Penerapan Analisis Faktor Dalam Membentuk Faktor

Laten Yang Mempengaruhi Prestasi Mahasiswa Di Jurusan Matematika.

34

FMIPA Universitas Sriwijaya. Jurnal Penelitian Sains.

http://eprints.unsri.ac.id/975/1/jps mipaunsri-v12-no3-01-a-oki.pdf. Diakses

16 Maret 2018.

Entwisle B, Rindfuss RR, Walsh SJ, Page PH. 2008. Population growth and its

spatial distribution as factors in the deforestation of Nang Rong, Thailand.

Geoforum. 39(2): 8 −8 .

FAO. 1990. Situation and Outlook of the Forestry Sector in Indonesia. Volume 1:

issues, findings and opportunities. Ministry of Forestry, Government of

Indonesia; Food and Agriculture Organization of the United Nations, Jakarta.

FAO. 2010. Global forest resources assessment 2010 country report Indonesia.

Forest Resource Assessment, 2010/095. Food and Agriculture Organization

of the United Nations, Rome.

Ferraz SFdB, Vettorazzi CA, Theobald DM. 2009. Using indocators deforestation

and land-use dynamics to support conservation strategies: A case study of

central Rondonia, Brazil. Forest Ecology and Management. 257(2009): 1586

– 1595.

Fraser, A.I. 1996. Social, economic and political aspects of forest clearance and

land-use planning in Indonesia. Unpublished manuscript.

Geist HJ, Lambin EF. 2002. Proximate causes and underlying driving forces of

tropical deforestation. BioScience. 52(2):143–150.

Gaspersz,Vincent. 1992. Teknik Analisis Dalam Penelitian Percobaan Edisi 2.

Bandung: Torasito

Harjanti, A. 2002. Identifikasi faktor – faktor penyebab perubahan penggunaan

lahan permukiman menjadi komersial di kawasan Kemang Jakarta Selatan.

https://core.ac.uk/download/files/379/11706182.pdf. Diakses pada tanggal

13 September 2017.

Houghton RA. 2012. Carbon emissions and the driver deforestation and forest

degradation in the tropics. Current Opinion in Environmental Sustainability.

4: 1-7.

35

Jaya INS. 2009. Teknik-Teknik Pemodelan Spasial Dalam Pengelolaan

Sumberdaya Alam dan Lingkungan. Bogor. Fakultas Kehutanan, Institut

Pertanian Bogor.

Jolliffe, I.T. 2002. Principal Component Analysis, Second Edition. US: Springer.

Jundi, M.A. 2014. Analisis faktor yang mempengaruhi tingkat kemiskinan provinsi-

provinsi di Indonesia. Skripsi. Universitas Diponegoro. Semarang. 123 p.

Kementerian Kehutanan. 2010. Rencana strategis nasional REDD+. Jakarta.

Kumar R, Nandy S, Agarwal R, Kushwaha SPS. 2014. Forest cover dynamics

analysis and prediction modeling using logistic regression model. Ecological

Indicators. 45: 444-455. doi: 10.1016/j.ecolind.2014.05.003

Lisdayanti. 2017. Peran sektor pertanian terhadap pengembangan wilayah

Kabupaten Bone. Skripsi. UIN Alauiddin Makassar. Makassar.

Liu J, Zhang Z, Xu X, Kuang W, Zhou W, Zhang S, Li R, Yan C, Yu D, Wu S,

Jiang N. 2010. Spatial patterns and Driving forces of land use change in

China during the early 21st century. Journal of Geographical Sciences. 20(4):

483–494.

Liu S, Dong Y, Deng L, Liu Q, Zhao H, Dong S. 2014. Ecological Indicators.

36(2014): 160–168. Forest fragmentation and landscape connectivity change

associatedwith road network extension and city expansion: A case study in

the Lancang River Valley.

Long, H.L, Cai, Y.L, and Wan, J. 2006. Sustainability evaluation of land use in

development zones: the case of Kunshan. ActaGeographicaSinica 55, 719-

728.

Ma Y, Xu R. 2010. Remote sensing monitoring and Driving force analysis of urban

expansion in Guangzhou City, China. Journal Habitat International. 34: 228–

235

Mirza, D.S. 2012. Pengaruh kemiskinan, pertumbuhan ekonomi, dan belanja modal

terhadap indeks pembangunan manusia di Jawa Tengah tahun 20062009.

Economics Development Analysis Journal. 1(1): 1—15.

Montgomery, D.C. dan Peck, E.A. 1991. Introduction to Linear Regression

Analysis, 2nd edition. A Wiley-Interscience, New York.

36

Morton DC, DeFries RS, Shimabukuro YE, Anderson LO, Arai E, Espirito-Santo

FB, Freitas R, Morisette J. 2007. Cropland expansion changes deforestation

dynamics in the Southern Barazilian Amazon. Proceeding of the National

Academy of Sciences of the United States of America. 103: 14637–14641.

Mulyani, Ani. 2010. Pengaruh Posisi Katup Limbah Dan Kantong Udara

Terhadap Posisi Katup Limbah Dan Debit Air. Tugas Akhir Universitas

Muhammadiyah Surakarta.

Mulyanto L. 2004. Pemodelan Spasial Perubahan Tutupan Hutan Menggunakan

Citra Landsat TM dan Sistem Informasi Geografis: Studi kasus di HPH PT.

Duta Maju Timber Provinsi Sumatera Barat. [Tesis] unpublished. Bogor.

Program Pascasarjana, Institut Pertanian Bogor.

Munibah, K., Sitorus, S.R.P., Rustiadi, E., Gandasasmita, K., dan Hartrisari, H.

2010. Dampak Perubahan Penggunaan Lahan Terhadap Erosi di DAS

Cidanau, Banten. Jurnal Tanah dan Ilkim 32 : 55-69.

Nawir AA, Muniarti dan Lukas Rumboko. 2008. Rehabilitasi Hutan di Indonesia.

CIFOR. Bogor.

Notoatmodjo, Soekidjo. 2012. Pendidikan dan Perilaku Kesehatan. Jakarta.

Rineka Cipta. h. 3

Notiragayu. 2008. Pembandingan Beberapa Metode Analisis Regresi Komponen

Utama Robust. Prosiding Seminar Hasil Penelitian dan Pengabdian kepada

Masyarakat, Universitas Lampung.

Patta, D. 2012. Analisis faktor – faktor yang mempengaruhi indeks pembangunan

manusia di Sulawesi Selatan Periode 2001 – 2010. Skripsi. Universitas

Hasanuddin. Makasar. 87 p.

Prasetyo, LB, Kartodiharjo H, Adiwibowo S, Okarda B, Setiawan Y. 2009. Spasial

Model Approach on Deforestation of Java Island, Indonesia. Journal of

Integrated Field Science, 6:37- 44.

Priyanto, A. 2008. Pendugaan Parameter Model Faktor Dengan Menggunakan

Metode Maksimum Likelihood. Jakarta: Mathematics Departement State

University. http://adia08.files.wordpress.com/2008/06/jurnal-agus-

priyanto.pdf, diakses 16 Maret 2018 Irwanto, dkk. 2002

37

Rahmayanti, S. 2012. Respon masyarakat terhadap pola agroforestri pada hutan

rakyat penghasil kayu pulp. Jurnal Mitra Hutan Tanaman. 7(2): 39—50.

Ramdani, M. 2015. Determinan kemiskinan di Indonesia tahun 1982-2012.

Economics Development Analysis Journal. 4(1): 97—104.

Rahayu, Dwi. 2007. Analisis Perubahan Penggunaan Lahan di Kecamatan

Karangmalang Kabupaten Sragen Propinsi Jawa Tengah Antara Tahun 1999

dan Tahun 2003. Skripsi. Surakarta: Universitas Muhammadiyah Surakarta.

Rahardi, D. 2006. Principal Component Analysis (PCA) Sebagai Metode Jitu Untuk

Mengatasi Masalah Multikolinearitas. http://dickyrahardi.blogspot.com/

2006/12/principal component analysis pca.html. Diakses 16 november 2018

Sunoto., 2012.

Ramadhan, Azhari. 2017. Profil Deforestasi di Sulawesi Selatan dan Sulawesi

Barat. Skripsi. Makassar : Universitas Hasanuddin

Rijal, S. 2016. Pola Spasial, Teporal dan Perilaku Deforestasi di Sumatera.

Disertasi. Bogor : Institut Pertanian Bogor.

Romijn E, Ainembabazi JH, Wijaya A, Herold M, Angelsen A et al. 2013.

Exploring different forest definitions and their impact on developing

REDD+ reference emission levels: A case study for Indonesia.

Environmental Science & Policy. 33:246-259.

Ruswandi, A., Rustiadi, E., Mudikjo, K. 2007. Konversi Lahan Pertanian dan

Dinamika Perubahan Penggunaan Lahan di Kawasan Bandung Utara.

Jurnal Tanah dan Lingkungan. 9(2): 63-70

Samsuri. 2014. Model Spasial Indeks Restorasi Lanskap Hutan Tropis

Terdegradasi Daerah Aliran Sungai Batang Toru Sumatera Utara. Institut

Pertanian Bogor. Bogor

Shamsudin S, Yakup A. 2007. Predicting and Simulating Future Land Use Pattern:

A case Study of Seremban District. Jurnal Alam Bina, jilid 09, No: 01.

Department of Urban and Regional Planning, University Teknologi Malaysia,

Skudai, Johor, Malaysia.

Simamora, B. 2004. Analisis Multivariat Pemasaran. Jakarta: PT. Gramedia

Pustaka Utama Dinas Kesehatan Propinsi Riau., 2011

38

Setiawan, M.B. dan A. Hakim. 2013. Indeks pembangunan manusia Indonesia.

Jurnal Economia. 9(1): 18—26.

Shehzad K, Qamer F, Murthy MSR, Abbas S, Bhatta L. 2014. Deforestation trends

and spatial modelling of its drivers in the dry temperate forests of northern

Pakistan a case study of Chitral. J. Mt. Sci. 11(5): 1192-1207.

Sitorus, S.R.P., W. Aurelia, dan D.R. Panuju. 2011. Analisis perubahan luas ruang

terbuka hijau dan faktor-faktor yang mempengaruhinya di Jakarta Selatan.

Jurnal Landskap Indonesia, 3:15-20.

Sunderlin WD dan Ida Aju PR. 1996. Laju dan Penyebab Deforestasi di Indonesia:

Penelaahan Kerancuan dan penyelesaiannya. Paper No (9).

Susetyo, D. 2011. Analisis pengaruh tingkat investasi, aglomerasi, tenaga kerja

dan indeks pembangunan manusia terhadap pertumbuhan ekonomi

Kabupaten/Kota di Jawa Tengah. Skripsi. Universitas Diponegoro.

Semarang. 70 p.

Utoyo, S.B. 2012. Dinamika penggunaan lahan di wilayah perkotaan (studi di Kota

Bandar Lampung). Prosiding Seminar Hasil Hasil Penelitian dan Pengabdian

Kepada Masyarakat Dies Natalis FISIP Unila Tahun 2012. 142—155.

WijanarkoV. 2013. Faktor- faktor yang mempengaruhi kemiskinan di Kecamatan

Jelbuk Kabupaten Jember. Skripsi. Universitas Jember. Jawa Timur. 88 p.

39

LAMPIRAN

Lampiran 1. Tabel Pekerjaan Kabupaten Kepulauan Selayar

PEKERJAAN

Lapangan Pekerjaan Utama 1990 2000 2010 2016

Pertanian, Kehutanan, Perburuan dan Perikanan 28.104 28.929 29.475 25.240Industri Pengelohan 2.867 2.855 2.648 6.038Perdagangan besar, Eceran, Rumah makan dan hotel 4.616 4.178 6.188 6.212

Jasa Masyarakatan 4.260 5.361 9.499 13.789

Lainnya 1.713 2.749 4.413 2.499

Jumlah 41.560 44.072 52.223 53.778

Lampiran 2. Tabel Pekerjaan di Kota Makassar

PEKERJAAN


Pertanian, Kehutanan, Perburuan dan Perikanan 24.001 25.057 25.531 24.381

Industri Pengelohan 38.069 53.312 268.477 431.981Perdagangan besar, Eceran, Rumah makan dan hotel 32.874 34.290 65.90 88.452


Lainnya 32.091 43.190 58.755 52.906

Jumlah 180.225 209.039 421.346 661.971

Lampiran 3. Tabel Pekerjaan di Polewali Mandar

PEKERJAAN



Industri Pengelohan 12.474 12.198 10.798 18.319

Perdagangan besar, Eceran, Rumah makan dan hotel 32.504 29.434 30.037 34.476


Lainnya 13.959 18.598 19.813 16.506

Jumlah 183.908 175.193 185.941 193.339

40

Lampiran 4. Tabel Pekerjaan di Kabupaten Mamasa

PEKERJAAN

Lapangan Usaha 2010 2016 2000 1990

Pertanian, Kehutanan, Perburuan, Perikanan 79.066 80.568 75.297 60.237

Industri Pengolahan 6.463 5.618 6.690 5.352

Perdagangan Besar, Eceran, Rumah Makan, Hotel 21.893 16.016 23.599 18.879

Jasa Kemasyarakatan, Sosial, dan Perorangan 15.845 19.656 13.809 11.047

Lainnya* 9.710 10.172 9.601 7.680

Jumlah 132.977 132.030 128.996 103.196

Lampiran 5. Tabel Pekerjaan di Kabupaten Mamuju

PEKERJAAN



Industri Pengelohan 8.481 10.352 9.804 9.157



Lainnya 11.534 12.268 11.701 15.676

Jumlah 157.768 162.691 171.620 182.926

Lampiran 6. Tabel Pekerjaan di Kabupaten Luwu Utara

PEKERJAANLapangan Pekerjaan Utama 1990 2000 2010 2016


Industri Pengelohan 196 233.28 378 432



Linnya 2.128 2.168 3.942 43.28

Jumlah 36.333 40.873 67.299 76.004

Lampiran 7. Tabel Hasil Analisis PCA Kabupaten Kepulauan Selayar

VariabelNilai Eigen Vector

Nilai Eigen BobotPC1

KP 0.995201 2.88300 0.22339

UP -0.10847 6.984217 0.54105

PK 0.893956 3.041290 0.23537

PDK -0.01446 0.00040 0.00004

Total 12.988907 1

41

Lampiran 8. Tabel Hasil Analisis PCA Kota Makassar



KP 0.971523 8.91700 0.641124UP -0.50176 3.09550 0.222607PK 0.418331 1.39320 0.136131PDK -0.004581 0.00020 0.000001

Total 13.4029 1

Lampiran 9. Tabel Hasil Analisis PCA Kabupaten Polewali Mandar



KP 0.995201 1.310493 0.129029

UP 0.109174 5.619400 0.641086

PK -0.62153 2.015000 0.229880

PDK 0.109174 0.00004 0.000004

Total 8.94493 1

Lampiran 10. Tabel Hasil Analisis PCA Kabupaten Mamasa


NILAI EIGEN BobotPC1

KP 0.89721 0.576032 0.091445

UP 0.377326 4.719835 0.749318

PK 0.086645 1.003000 0.159236

PDK -0.30745 0.00001 0.000006

Total 6.299887 1

Lampiran 11. Tabel Hasil Analisis PCA Kabupaten Mamuju



KP 0.995201 1.60270 0.132759

UP -0.10847 07.42239 0.614961

PK 0.893956 3.045000 0.252330

PDK -0.01446 0.000060 0.000040

Total 12.9070 1

42

Lampiran 12. Tabel Hasil Analisis PCA Kabupaten Luwu Utara



KP 0.99821 0.20540 0.040509

UP 0.100492 3.097123 0.610817PK 0.99274 1.79671 0.348509PDK -0.12826 0.00084 0.000166

Total 5.10073 1

digilib.unhas.ac.iddigilib.unhas.ac.id/uploaded_files/temporary/digital...skripsi scbagai satu...

Documents