I. PENDAHULUAN
1.1. Latar Belakang
Berdasarkan data dari Departemen Kehutanan (DEPHUT) hingga tahun 2000, luas lahan kritis yang mengalami kerusakan parah di seluruh Indonesia mencapai ± 8.136.646 ha untuk kawasan hutan dan ± 21.944.595,70 ha untuk lahan di luar kawasan hutan. Pada tahun yang sama, kemampuan pemerintah untuk melakukan rehabilitasi hutan dan lahan (RHL) hanya mencapai 12.952 ha untuk lahan hutan dan 326.973 ha untuk lahan di luar hutan. Dengan demikian pemulihan lahan kritis ke kawasan hutan kembali sulit tercapai, mengingat kemampuan pemerintah yang sangat minim yaitu di bawah 2% untuk melakukan rehabilitasi. Lahan kritis adalah lahan yang telah mengalami kerusakan sehingga kehilangan atau berkurang fungsinya sampai pada batas toleransi. (DEPHUT, 2004).
Menurut Haeruman (1989), laju pertumbuhan lahan kritis mencapai 900 ribu ha/tahun yang disebabkan oleh kegiatan perluasan perkebunan (500 ribu ha/tahun), kegiatan proyek-proyek pembangunan (250 ribu ha/tahun), kegiatan logging (80 ribu ha/tahun), dan kebakaran (70 ribu ha/tahun). Menurut data Badan Planologi Kehutanan dan Perkebunan (1998), selama 12 tahun (1985-1997) angka degradasi dan deforestasi untuk pulau Sumatera, Kalimantan dan Sulawesi adalah 1,6 juta ha/tahun sebagai akibat penebangan liar, pencurian kayu, perambahan hutan, kebakaran hutan, lahan dan kebun serta sistem pengelolaan hutan yang kurang tepat. Menurut DEPHUT (2004), laju pertumbuhan lahan kritis untuk pulau Sumatera, Kalimantan dan Sulawesi telah melebihi angka 2,5 juta ha/tahun. Hasil inventarisasi di atas, menunjukan bahwa laju pertumbuhan lahan kritis mengalami peningkatan dalam setiap tahunnya.
Jika membandingkan antara usaha pemerintah dalam kegiatan RHL dengan laju pertumbuhan lahan kritis menunjukan hasil yang sangat tidak sebanding. Oleh sebab itu kegiatan RHL harus dilakukan sesegera mungkin dan seoptimal mungkin. Sasaran kegiatan RHL yaitu yang mempunyai fungsi kawasan hutan lindung, fungsi kawasan hutan lindung di luar kawasan hutan dan fungsi kawasan budidaya untuk usaha pertanian melalui kegiatan rehabilitasi dan penghijauan (CIPOR, 2003).
Kegiatan RHL akan dapat terlaksana dengan baik jika informasi obyektif kondisi hutan dan lahan dapat teridentifikasi menyeluruh. Berbagai penilaian kritis terhadap program penanganan lahan kritis melalui Inpres Penghijauan dan Reboisasi sejak tahun 1975 menunjukan bahwa dukungan data dan informasi lahan kritis yang tidak memadai justru merupakan salah satu sebab utama timbulnya masalah. Selain itu berimplikasi terhadap validitas data atribut lahan kritis yang sebagian besar timbul kesalahan dalam pemrosesan yang bersifat manual (human error). Dalam mengembalikan fungsi hutan dan lahan diperlukan suatu informasi daerah kritis yaitu dengan bantuan menggunakan sistem informasi geografis (SIG) lahan kritis (DEPHUT, 2004).
SIG adalah sistem komputer yang digunakan untuk memasukan, menyimpan, memeriksa, mengintegrasikan, memanipulasi, menganalisa, dan menampilkan data yang berhubungan dengan posisi-posisi permukaan bumi (Denny dan Irma, 2004). SIG ini merupakan salah satu komponen yang dapat digunakan untuk pembuatan model pendukung sistem pengambil keputusan. Kemampuan SIG yang paling menonjol adalah kemampuan dalam pengolahan data spasial antara lain teknik “overlay” (tumpang-susun), dapat melibatkan banyak parameter disebut dengan MCDM (multicriteria decesion making). Jenis MCDM terbagi kedalam dua bagian yaitu: MODM (multiobject decesion making), analisis dilakukan terhadap bentuk objek peta (struktur data geografis berhubungan dengan vektor); dan MADM (multiattribute decesion making), analisis terhadap kandungan nilai dari atribut peta (struktur data geografis berhubungan dengan raster).
SIG mempresentasikan keadaan pada dunia nyata kedalam suatu model, baik yang bersifat lokasional maupun atribut, merupakan suatu pendekatan dari objek yang dipresentasikannya untuk memudahkan dalam analisis dan identifikasi. Tetapi hasil yang ditampilkan model tersebut seringkali menimbulkan ketidakpastian (uncertainty). Ketidakpastian dalam SIG merupakan tidak/kurang tepatnya suatu informasi yang tersaji dalam SIG dengan keadaan sebenarnya dilapangan. Ketidakpastian informasi disebabkan adanya kekurangan/ketidaksempurnaan dalam pengambilan sumber data, pengolahan data, atau dalam pengambilan model (Wiweka, 1995). Jika ketidakpastian semakin besar, maka informasi yang dihasilkan semakin menjauhi keadaan sebenarnya atau tidak realistik. Menurut Bedard (1987) dalam Wiweka (1995), ketidakpastian dapat digolongkan kedalam 4 jenis yaitu:

1. Ketidakpastian identifikasi, ketidakpastian ini terjadi karena proses identifikasi yang berpengaruh pada saat pengklasifikasian objek. Contohnya: proses pengklasifikasikan objek menggunakan pengelompokan secara diskrit/konvensional/tegas.
2. Ketidakpastian kuantitatif, merupakan nilai ketidakjelasan presisi terhadap ruang sebenarnya. Contohnya: ketidakpastian posisi suatu SPAS (stasiun pengamat aliran sungai) pada peta, karena kesalahan penggunaan datum ; misalnya data menggunakan WGS 72 (world global system), sedangkan pada peta menggunakan datum WGS 84.
3. Ketidakpastian kualitatif, merupakan nilai ketidakjelasan atas suatu nilai atau karakteristik suatu objek. Contohnya: ketidakpastian suatu area/poligon dalam menentukan arahan fungsi kawasan pada suatu DAS, karena adanya kesalahan dalam mengidentifikasikan jenis tanah dilapangan atau pada peta.
4. Meta-ketidakpastian, merupakan ketidakpastian yang merujuk derajat ketidakpastian yang telah diketahui. Contohnya: ketidakpastian tingkat kekritisan lahan akibat ketidakpastian pada TBE (tingkat bahaya erosi) yang diakibatkan kesalahan data jenis tanah dan jenis vegetasi lahan.
Penentuan kekritisan dengan SIG saat ini, diatur berdasarkan Peraturan Direktur Jendral Rehabilitasi Lahan dan Perhutanan Sosial - DEPHUT, SK.167/V-SET/2004. Dalam aplikasinya, tiap parameter diolah menggunakan metode skoring/WLC (weight linier combaining) yang mengidentifikasi kriteria himpunan tiap parameter kekritisan lahan kedalam skor dan bernilai kualitatif, seperti; himpunan kemiringan lereng yang dinyatakan dengan himpunan; skor 5 “Datar” (0-8 %), skor 4 “Landai” (9-16%), skor 3 “Agak Curam” (17-25 %), skor 2 “Curam” (26-40 %), dan skor 1 “Sangat Curam” (> 40 %). Pengelompokan seperti ini merupakan klasifikasi Boolean, dimana batasannya dinyatakan secara diskrit/tegas/crisp. Dengan melihat penggolongan ketidakpastian Bedard, maka adanya ketidakpastian identifikasi dan kualitatif dan meta-ketidakpastian pada kriteria kekritisan DEPHUT.
Salah satu cara untuk mengurangi masalah ketidakpastian antara lain, menggunakan pendekatan metode probabilitik dan fuzzy. Menurut Fisher (1994) dalam Malczewski (1999), dengan membandingkan hasil probabilistik antara hasil fuzzy, maka operasi fuzzy akan menghasilkan hasil yang lebih masuk akal. Sebagai contoh: asumsi X adalah pixel dari raster data layer, memiliki nilai atribut A untuk himpunan fuzzy kemiringan lereng = 0,9; dan memiliki nilai atribut B untuk himpunan fuzzy erosi = 0,9. Maka hasil dari operasi probabbilistik adalah PA?B = PA(x) PB(x) = 0,81; dan hasil operasi fuzzy adalah ? A?B (x) = MIN [? A(x),?B(x)] = 0,9. Hasil dari probabilistik lebih kecil dari kedua nilai tersebut. Dapat disimpulkan bahwa hasil operasi probabilistik berlawanan dengan intuisi.
Logika Fuzzy adalah pengembangan dari logika Boolean/klasik, dimana logika Boolean menyatakan bahwa segala hal diekspresikan dalam istilah binari (seperti: 0 atau 1, hitam atau putih, ya atau tidak), sedangkan logika fuzzy menyatakan segala hal diekpresikan dalam istilah derajat keanggotaan (seperti: antara 0 hingga 1; “tingkat keabuan”, “hitam” dan “putih”; "sedikit", "lumayan", dan "sangat"). Logika fuzzy diperkenalkan oleh Dr. Lotfi Zadeh dari Universitas California, Berkeley pada tahun 1965. Aplikasi penggunaan metode fuzzy dalam penentuan kekritisan, dilakukan pada proses manipulasi data dengan menggunakan pendekatan klasifikasi fuzzy-fungsi keanggotaan Kainz dan proses analisis data dengan menggunakan pendekatan metode FIS Mamdani (fuzzy inference system).
Masalah ketidakpastian yang timbul dalam SIG sangat komplek, sehingga selalu membutuhkan pengkajian menyeluruh. Dengan segala keterbatasan peneliti, pada penelitian ini pengkajian hanya dilakukan terhadap manipulasi dan analisis data dengan menggunakan pendekatan klasifikasi fuzzy-fungsi keanggotaan Kainz dan FIS Mamdani.

1.2. Identifikasi Masalah
Berdasarkan uraian pada latar belakang, maka permasalahan dapat diidentifikasikan sebagai berikut:
1. Metode skoring dalam aplikasi penentuan kekritisan lahan, menggunakan klasifikasi diskrit yang menyebabkan ketidakpastian identifikasi dan ketidakpastian kualitatif.
2. Ketidakpastian parameter pembentuk kekritisan menyebabkan ketidakpastian pada informasi SIG kekritisan/meta-ketidakpastian .

1.3. Pembatasan Penelitian
Pembatasan perlu dilakukan agar penelitian ini lebih fokus, berdasarkan uraian pada latar belakang, batasan masalah pada penelitian ini adalah:
1. Penelitian hanya dilakukan pada manipulasi dan analisis data penentuan keritisan lahan, dimana komponen dan prosesnya mengikuti kriteria kekritisan lahan DEPHUT.
2. Penelitian dilakukan untuk meminimalisasi masalah ketidakpastian identifikasi dan kualitatif, dengan menggunakan pendekatan metode fuzzy
3. Penelitian dilakukan hanya pada atribut SIG, sesuai dengan dengan adanya ketidakpastian kualitatif.
4. Pengambilan keputusan kekritisan lahan (MADM), menggunakan pendekatan analisis data FIS Mamdani.

1.4. Tujuan Penelitian
1. Menghasilkan informasi SIG kekritisan lahan yang lebih mendekati keadaan sebenarnya kekritisan lahan dilapangan.
2. Mengatasi permasalahan akibat ketidakpastian identifikasi, ketidakpastian kualitatif, meta-ketidakpastian dalam SIG kekritisan lahan.

1.5. Kegunaan Penelitian
1. Pengambilan keputusan dalam menentukan kekritisan lahan yang lebih tepat, akan menghasilkan kegiatan RHL yang sesuai dengan yang dibutuhkan lahan.
2. Sebagai metode rujukan dalam penentuan kekritisan lahan, seperti instansi-instansi yang membuat dan menggunakan informasi kekritisan lahan adalah sebagai berikut; BPDAS-DEPHUT (Balai Pengelolaan Daerah Aliran Sungai), BAPPEDA (Balai Perencanaan Pemerintah Daerah), PERUM PERHUTANI, Dinas Pertanian, dan Dinas Kehutanan dan Perkebunan, dan instansi-instansi terkait lainnya.
3. Sebagai salah satu rujukan untuk penelitian lainnya, dalam memecahkan permasalahan ketidakpastian dalam SIG yang sangat komplek.