Analisis Geospasial Perubahan Tutupan Lahan dan Kerapatan Vegetasi Dengan Memanfaatkan Google Earth Engine (Studi Kasus: Daerah Aliran Sungai (DAS) Barito)

Tingginya penggunaan lahan sebagai area industri terutama sebagai area konsesi pertambangan dan perkebunan di Kalimantan mengakibatkan adanya pembebasan lahan dan kerusakan hutan yang terjadi terus menerus setiap tahunnya dan mangakibatkan terjadinya perubahan tutupan lahan pada area Daerah Aliran Sungai (DAS). Perubahan tutupan lahan pada DAS dapat mengidentifikasi peristiwa lingkungan potensial yang terkait dengan urbanisasi yang cepat, konversi hutan, dan ekspansi pertanian (Drummond & Loveland,2010). Kerusakan DAS dapat ditandai dengan perubahan perilaku hidrologi, seperti tingginya frekuensi kejadian banjir dan meningkatnya proses erosi dan sedimentasi. Penilaian dan pemantauan perubahan tutupan lahan sangat penting untuk menyiapkan strategi pengelolaan sumber daya lahan dan air yang terintegrasi. Perubahan tutupan lahan dibuat dengan menggunakan algoritma Random Forest dengan memanfaatkan Google Earh Engine secara Time Series yaitu pada tahun 2013, 2016, dan 2020. Dari hasil pengolahan diperoleh kelas tutupan lahan sebanyak 15 kelas tutupan lahan, yang mana dari rentang 2013 sampai 2020 diketahui terjadi peningkatan tutupan lahan paling besar pada kelas perkebunan berkayu keras, sedangkan untuk penurunan terbesar terjadi pada kelas hutan lahan rendah. Selain itu juga dilakukan identifikasi terhadap kualitas Sub DAS pada DAS Barito berdasarkan pendekatan Persentase Penutupan Vegetasi (PPV) terdapat 26 SUB DAS yang tiap interval tahunnya terus memburuk dan hanya terdapat 5 Sub DAS yang kian membaik dari tahun 2013 hingga 2020, dan terakhir dilakukan analisis kerapatan vegetasi dengan menggunakan algoritma NDVI, hal ini dilakukan agar mempermudah pemerintah daerah dalam pengambilan kebijakan mengenai pengelolaan dan pengembalian wilayah hutan di daerah aliran sungai. Dari hasil penelitian juga diperoleh Overall Acuracy sebesar 90.07% pada 2013, 90.31% pada 2016 dan 89.18% pada 2020. Yang mana nilai akurasi tersebut telah memenuhi syarat >85% akurasi yang diperoleh dan menunjukkan bahwa hasil klasifikasi telah layak digunakan analisis lebih lanjut. ================================================================================================== The high use of land in Kalimantan as industrial areas, especially for mining and plantation concession areas, results in continuous land acquisition and forest destruction every year and subsequently results in land cover changes in river basins. Land cover changes in river basins can identify potential environmental events associated with rapid urbanization, forest conversion, and agricultural expansion (Drummond & Loveland, 2010). Damages in river basins can be characterized by changes in hydrological behavior, such as high frequency of flooding as well as increased erosion and sedimentation. Assessment and monitoring of land cover changes is essential for preparing an integrated land and water resource management strategies. Land cover changes were made using the Random Forest algorithm by using Google Earth Engine in Time Series, namely in 2013, 2016, and 2020. From the processing results, it was obtained that there were 15 land cover classes. From 2013 to 2020, it was found that the largest increase in land cover was in the hardwood plantation class, while the largest decrease occurred in the lowland forest class. In addition, quality identification of sub-river basins in Barito was done based on the Vegetation Cover Percentage approach, there were 26 sub-river basins which continued to deteriorate and there were only 5 sub- river basins that kept getting better from 2013 to 2020. Furthermore, a vegetation density analysis was carried out using the NDVI algorithm. This was done in order to facilitate the local government in issuing policies regarding the management and restoration of forest areas in the river basin. The research results also obtained an Overall Accuracy of 90.07% in 2013, 90.31% in 2016, and 89.18% in 2020. These accuracy values have met the requirements of >85% accuracy, indicating that the classification results were suitable for further analysis