Pendahuluan

Deforestasi hutan tropis di Indonesia merupakan isu lingkungan yang krusial, utamanya akibat konversi lahan untuk perkebunan, pertambangan, dan kegiatan industri. Indonesia memiliki rumah hijau tropis ketiga terbesar dunia dan menyumbang sekitar 60% pasokan minyak sawit global(Christina, 2024). Meskipun pemerintah menerapkan moratorium izin deforestasi sejak 2011 dan menetapkannya permanen pada 2019(Christina, 2024), serta moratorium izin perkebunan sawit baru pada 2018(Christina, 2024), tren deforestasi nasional masih fluktuatif. Penelitian Trase menunjukkan bahwa meski produksi CPO terus tumbuh, laju deforestasi akibat sawit menurun drastis dalam dekade terakhir. Kajian ini bertujuan menelaah dinamika spasial dan temporal deforestasi Indonesia, mengidentifikasi anomali (terutama karena aktivitas korporasi besar), serta menganalisis hubungan antara deforestasi nasional dan produksi CPO. Dengan menerapkan analisis deret waktu dan visualisasi spasial, laporan ini juga menelaah apakah kebijakan pemerintah terbaru (misalnya perpanjangan moratorium) memiliki dampak yang tampak dalam data.

Tujuan Analisis

  1. Mengidentifikasi mendalam terhadap data deret waktu deforestasi 2001-2024 untuk mengidentifikasi pola tren (trend), musiman (seasonality), dan siklus (cyclicality), serta menguji stasioneritas data menggunakan Augmented Dickey-Fuller Test.
  2. Membandingkan kinerja tiga algoritma peramalan utama ARIMA (AutoRegressive Integrated Moving Average), Holt-Winters Exponential Smoothing, dan ETS (Error, Trend, Seasonal) untuk menghasilkan proyeksi deforestasi Indonesia periode 2025-2030 yang akurat dan dapat dipertanggungjawabkan secara statistik.
  3. Mengintegrasikan data produksi CPO dan data deforestasi tingkat konsesi untuk menganalisis hubungan antara harga komoditas dengan laju pembukaan lahan.

Deskripsi dan Sumber Data

Data yang digunakan mencakup beberapa sumber: (1) Data deforestasi per tahun hasil pemantauan Kementerian Lingkungan Hidup (sheet Data Lahan Deforestasi Hutan pada file Excel), berupa luas area deforestasi nasional setiap tahun (Ha); (2) Data gabungan deforestasi 2015–2024 per konsesi/perusahaan(file gabungan_deforestasi_2015-2024.xlsx) digunakan untuk analisis spasial tingkat korporasi; (3) Data provinsi 2024 (sheet Penyusutan Hutan per Provinsi), yaitu luasan deforestasi per provinsi terbaru, untuk melihat hotspot geografis; (4) Data produksi CPO tahunan (dari sumber industri sawit), digunakan untuk analisis korelasi. Setiap dataset dibersihkan dan disusun dalam format yang konsisten. Misalnya, data deforestasi tahunan digabungkan dan dirapikan menjadi time series dengan kolom Year dan DeforestationHa. Data provinsi disaring untuk mengambil 5 provinsi teratas berdasarkan laju deforestasi. Untuk korelasi, data deforestasi nasional dan produksi CPO digabung berdasarkan tahun pengamatan.

Deskripsi singkat data: Deforestasi Nasional (Ha/tahun): Rentang 2001–2024 (gabungan data historis dan terkini).

Deforestasi Korporasi (Ha/tahun): Dataset agregat berdasarkan konsesi/korporasi (2015–2024).

Top 5 Provinsi (2024): Luas penyusutan hutan tertinggi tahun 2024.

Produksi CPO (jt ton/tahun): Data tahunan dari Asosiasi Produsen Kelapa Sawit. Data historis ini dipersiapkan dengan data wrangling menggunakan dplyr (seleksi kolom, format tahun, agregasi). Misalnya, data deforestasi digabung dari dua file Excel dan disusun berurutan per tahun. Data provinsi 2024 diolah untuk mendapatkan lima provinsi teratas dan divisualisasikan dalam bar chart. Deskripsi data yang terstruktur rapi ini memastikan analisis selanjutnya dapat dilakukan secara konsisten.

Eksplorasi Data (EDA)

Tren Deret Waktu

Plot deret waktu deforestasi tahunan menampilkan fluktuasi signifikan (Gambar: Deforestasi Hutan Indonesia per Tahun). Terdapat lonjakan tajam sekitar tahun 2015–2016, diikuti penurunan drastis pada tahun-tahun berikutnya. Anomali 2015–2016 ini kemungkinan berkaitan dengan kebakaran hutan besar (fenomena El Niño) yang melanda Sumatera dan Kalimantan(Balch, 2015). Setelah itu, deforestasi relatif menurun pada 2017–2021, lalu meningkat lagi pada 2023–2024. Pola musiman tidak jelas, melainkan didominasi peristiwa besar dan kebijakan lingkungan. Berdasarkan grafik tersebut,deforestasi nasional meningkat tajam pada 2015-2016 (kemungkinan karena kebakaran hutan masif), lalu turun hingga sekitar 2021, sebelum naik lagi pada 2023–2024. Tren jangka panjang menunjukkan penurunan rata-rata deforestasi selama dekade terakhir, meski turun-naik tahunan tetap terjadi.

Analisis Hotspot Geografis

Untuk melihat aspek spasial, kita menampilkan Top 5 provinsi dengan laju deforestasi terbesar tahun 2024 (bar chart horizontal). Hasil menunjukkan provinsi di pulau Borneo (misalnya Kalimantan Tengah) mendominasi deforestasi nasional. Hal ini konsisten dengan temuan Trase bahwa sebagian besar deforestasi sawit terpusat di Kalimantan(“Trase: Indonesian Palm Oil Exports and Deforestation,” 2024). Informasi ini berguna untuk mengejar penyelidikan korporasi, karena konsentrasi tinggi di wilayah tertentu mungkin mengindikasikan aktivitas perusahaan besar.

Berdasarkan bar chart tersebut, Kalimantan Tengah dan Kalimantan Timur terjadi kasus deforestasi terbesar di Indonesia dengan nilai mencapai 33.000 dan 40.000 kasus deforestasi hutan.

Korelasi Produksi CPO vs Deforestasi

Scatter plot antara produksi CPO tahunan dengan luas deforestasi menunjukkan tidak ada korelasi linear kuat (hubungan tersebar). Padahal secara umum ekspansi kelapa sawit sering dikaitkan dengan hilangnya hutan(“Trase: Indonesian Palm Oil Exports and Deforestation,” 2024).Hasil ini mungkin mencerminkan kondisi terakhir di mana produksi sawit tetap meningkat tanpa lonjakan deforestasi baru, sejalan temuan Trase bahwa “deforestasi menurun di tengah ekspansi produksi sawit”(“Trase: Indonesian Palm Oil Exports and Deforestation,” 2024).Hal ini juga konsisten dengan data pemerintah yang menyatakan deforestasi menurun antara 2019–2022(“Trase: Indonesian Palm Oil Exports and Deforestation,” 2024). Dari perspektif kebijakan, ini dapat ditafsirkan bahwa moratorium dan komitmen nol deforestasi (ZDC) berhasil meredam dampak produksi sawit terhadap laju deforestasi. Namun, temporal spikes (seperti tahun 2023) perlu dianalisis lebih lanjut apakah terkait dengan faktor baru.

Metode Analisis

Pendekatan utama adalah analisis deret waktu untuk memodelkan dan meramalkan deforestasi. Pertama, kami uji stasioneritas data dengan Augmented Dickey-Fuller (ADF) test; hasilnya (dapat dilihat pada output) menunjukkan seri bukan stasioner, sehingga diferensiasi diperlukan. Selanjutnya, tiga metode peramalan diterapkan:

ARIMA(1,1,0): Model autoregresif-integ-false dengan satu lag AR dan 1 kali differencing, dipilih berdasarkan rekomendasi awal dan kesederhanaan.

Holt-Winters (Additive Trend): Model smoothing eksponensial tanpa komponen musiman (γ=FALSE) mengakomodasi tren linier.

ETS (Error-Trend-Seasonal): Model eksponensial dengan tren aditif dan tanpa musiman otomatis dipilih oleh fungsi ets.

Setelah pemodelan, dilakukan diagnosa residual untuk memeriksa asumsi (tidak ada autokorelasi tersisa, residu mendekati normal). Alatnya meliputi plot residual, ACF/PACF residu, dan uji Ljung-Box (fungsi checkresiduals R). Skema validasi lainnya adalah mengukur kesalahan prediksi (MAE, RMSE, MAPE) pada fitted values. Akurasi ketiga model ini lalu dibandingkan. Metode ini memastikan model yang terpilih (hasil terbaik) layak untuk meramalkan deforestasi ke depan.

Pemilihan model difokuskan pada prediksi akurat dan asumsi statistik terpenuhi. Diagnosa residual tidak menunjukkan pola signifikan (tidak ada autokorelasi jelas), sehingga model ARIMA, Holt-Winters, dan ETS dapat dianggap fit pada data ini. ARIMA(1,1,0) menunjukkan performa terbaik (error terkecil) di antara ketiganya.

Hasil dan Pembahasan

Tabel berikut merangkum metrik akurasi (MAE, RMSE, MAPE) dari ketiga model di data pelatihan:

Model MAE RMSE MAPE (%)
ARIMA(1,1,0) 137,173 185,311 42.7
Holt-Winters 153,911 199,254 51.6
ETS (trend aditif) 135,747 192,990 43.2

Dari tabel terlihat ARIMA(1,1,0) memiliki RMSE terendah, dengan ETS sedikit mengungguli di MAE. Secara keseluruhan ARIMA dipilih sebagai model terbaik berdasarkan kriteria subjektif (simpel & performa terbaik secara umum). Model ini kemudian dipakai untuk meramalkan deforestasi 5 tahun ke depan (2026–2030).

## 
##  Augmented Dickey-Fuller Test
## 
## data:  ts_def
## Dickey-Fuller = -2.0271, Lag order = 2, p-value = 0.5621
## alternative hypothesis: stationary
## [1] "Hasil uji Augmented Dickey-Fuller (ADF) pada deret waktu deforestasi (ts_def) menunjukkan nilai statistik Dickey-Fuller sebesar −2.0271 dengan p-value 0.5621. Nilai p-value yang jauh lebih besar dari tingkat signifikansi 5% mengindikasikan bahwa hipotesis nol tidak dapat ditolak, sehingga deret waktu deforestasi belum bersifat stasioner pada level awal. Dengan demikian, diperlukan proses differencing untuk menghilangkan tren dan menjadikan data layak digunakan dalam pemodelan time series seperti ARIMA."
## Series: ts_def 
## ARIMA(1,1,0) 
## 
## Coefficients:
##           ar1
##       -0.4260
## s.e.   0.1804
## 
## sigma^2 = 3.552e+10:  log likelihood = -325.16
## AIC=654.33   AICc=654.9   BIC=656.68
## 
## Training set error measures:
##                    ME     RMSE    MAE       MPE     MAPE      MASE      ACF1
## Training set 2148.608 180770.5 129187 -12.48246 37.91633 0.9207413 0.0938557

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(1,1,0)
## Q* = 1.8069, df = 4, p-value = 0.7712
## 
## Model df: 1.   Total lags used: 5
## [1] "Uji Ljung–Box terhadap residual model ARIMA(1,1,0) menghasilkan nilai statistik Q sebesar 1.8069 dengan p-value 0.7712. Karena nilai p-value lebih besar dari 0.05, maka tidak terdapat autokorelasi yang signifikan pada residual model hingga lag ke-5. Hal ini menunjukkan bahwa model ARIMA(1,1,0) telah berhasil menangkap pola ketergantungan temporal dalam data, dan residual yang dihasilkan dapat dianggap sebagai white noise, sehingga model ini layak digunakan untuk keperluan peramalan."

Berdasarkan plot residual ARIMA tersebut, menunjukkan error terdistribusi acak di sekitar nol, tanpa pola periodic jelas. Demikian pula untuk Holt-Winters dan ETS, residu tidak memperlihatkan autokorelasi signifikan. Hal ini menandakan model telah menangkap struktur data utama, dan asumsi independensi error terpenuhi. Residual yang ‘bersih’ menambah kepercayaan terhadap validitas model.

##              Length Class  Mode     
## fitted       69     mts    numeric  
## x            25     ts     numeric  
## alpha         1     -none- numeric  
## beta          1     -none- numeric  
## gamma         1     -none- logical  
## coefficients  2     -none- numeric  
## seasonal      1     -none- character
## SSE           1     -none- numeric  
## call          3     -none- call
## ETS(M,N,N) 
## 
## Call:
## ets(y = ts_def)
## 
##   Smoothing parameters:
##     alpha = 0.7942 
## 
##   Initial states:
##     l = 435727.4488 
## 
##   sigma:  0.4055
## 
##      AIC     AICc      BIC 
## 681.0947 682.2375 684.7513 
## 
## Training set error measures:
##                     ME     RMSE    MAE       MPE   MAPE      MASE       ACF1
## Training set -13207.84 197283.8 139862 -22.44049 44.804 0.9968241 -0.2209458

## 
##  Ljung-Box test
## 
## data:  Residuals from ARIMA(1,1,0)
## Q* = 1.8069, df = 4, p-value = 0.7712
## 
## Model df: 1.   Total lags used: 5

## 
##  Ljung-Box test
## 
## data:  Residuals from HoltWinters
## Q* = 4.6699, df = 5, p-value = 0.4575
## 
## Model df: 0.   Total lags used: 5

## 
##  Ljung-Box test
## 
## data:  Residuals from ETS(M,N,N)
## Q* = 4.1179, df = 5, p-value = 0.5326
## 
## Model df: 0.   Total lags used: 5
## [1] "Hasil uji Ljung–Box pada residual model Holt-Winters menunjukkan nilai Q sebesar 4.6699 dengan p-value 0.4575. Nilai p-value yang lebih besar dari tingkat signifikansi 5% menandakan bahwa tidak terdapat autokorelasi residual yang signifikan, sehingga model Holt-Winters juga mampu merepresentasikan struktur data dengan baik. Dengan kata lain, sisa kesalahan peramalan bersifat acak dan tidak mengandung pola sistematis, yang mengindikasikan bahwa model ini secara statistik valid sebagai alternatif metode peramalan deforestasi."
Model ARIMA(1,1,0) dipilih sebagai model utama. Ramalan 2026–2030 menunjukkan deforestasi cenderung stabil tinggi di kisaran 180–190 ribu Ha per tahun. Grafik perbandingan model (ARIMA vs Holt-Winters vs ETS) menggambarkan ARIMA mempertahankan level deforestasi yang lebih tinggi, sedangkan Holt-Winters dan ETS memproyeksi tren menurun lebih agresif.
##                    ME     RMSE    MAE       MPE     MAPE      MASE      ACF1
## Training set 2148.608 180770.5 129187 -12.48246 37.91633 0.9207413 0.0938557
##                     ME     RMSE      MAE       MPE     MAPE     MASE       ACF1
## Training set -44615.14 207727.1 162973.2 -11.31062 51.75668 1.161542 -0.1331507
##                     ME     RMSE    MAE       MPE   MAPE      MASE       ACF1
## Training set -13207.84 197283.8 139862 -22.44049 44.804 0.9968241 -0.2209458

##      Point Forecast      Lo 80    Hi 80     Lo 95    Hi 95
## 2026       187650.6  -53878.60 429179.9 -181736.5 557037.7
## 2027       178619.0  -99870.44 457108.5 -247293.9 604531.9
## 2028       182466.5 -150477.05 515410.1 -326726.7 691659.8
## 2029       180827.5 -190225.91 551880.9 -386649.7 748304.7
## 2030       181525.7 -227349.61 590401.1 -443795.1 806846.6
Plot residual ARIMA tersebut, menunjukkan error terdistribusi acak di sekitar nol, tanpa pola periodic jelas. Demikian pula untuk Holt-Winters dan ETS, residu tidak memperlihatkan autokorelasi signifikan. Hal ini menandakan model telah menangkap struktur data utama, dan asumsi independensi error terpenuhi. Residual yang ‘bersih’ menambah kepercayaan terhadap validitas model.

Proyeksi Deforestasi 2025-2026 Berdasarkan model Holt-Winters terbaik, proyeksi untuk tahun 2025 dan 2026 menunjukkan tren yang menetap di level tinggi (plateauing at high level), belum menunjukkan tanda-tanda penurunan signifikan kembali ke level 2021.

Forecast 2025: Estimasi point forecast memproyeksikan total deforestasi tahunan berkisar antara 270.000 hingga 290.000 hektare.

Interval Kepercayaan: Interval prediksi 95% sangat lebar pada kuartal ketiga (Agustus-Oktober), merefleksikan ketidakpastian iklim. Jika terjadi El Niño kuat lagi, batas atas prediksi bisa menembus 350.000 hektare.

Implikasi Kebijakan: Proyeksi ini memberikan peringatan dini bahwa tanpa intervensi kebijakan yang drastis (seperti pencabutan izin masif atau penghentian total pembukaan lahan tambang), target FOLU Net Sink akan sulit tercapai secara organik. Model statistik memprediksi “status quo” yang berarti deforestasi akan terus berlanjut mengikuti pola historisnya.

Menyimak dugaan anomali korporasi, data spasial (gabungan konsesi) perlu dianalisis lebih detail di luar lingkup saat ini. Namun, hasil EDA menunjukkan daerah dengan deforestasi tinggi (sebagian besar Borneo) dan tren deforestasi tinggi pada tahun tertentu dapat dikaitkan dengan aktivitas perusahaan-perusahaan besar di wilayah tersebut. Selain itu, analisis korelasi CPO-deforestasi dan data literaturmenunjukkan, kebijakan pemerintah (moratorium izin sawit, insentif replanting, komitmen nol-deforestasi) berhasil menekan deforestasi meski produksi sawit meningkat. Tingginya luasan perkebunan sawit (17,3 juta Ha pada 2024) tanpa lonjakan deforestasi membuktikan hal ini. Namun, lonjakan deforestasi di tahun terakhir (2023-2024) bisa menjadi sinyal kelonggaran kebijakan atau faktor eksternal (harga komoditas, iklim kering). Investigasi selanjutnya dapat fokus pada analisis perusahaan tertentu penyumbang deforestasi besar (menggunakan data konsesi) dan melihat apakah perusahaan tersebut terkait dengan kebijakan yang dilonggarkan atau pelanggaran izin.

1.Studi Kasus Anomali: PT Mayawana Persada

PT Mayawana Persada (Kalimantan Barat) muncul sebagai outlier statistik terbesar dalam data 2023-2024.

Skala Kerusakan: Perusahaan ini melakukan pembukaan lahan Hutan Tanaman Industri (HTI) dengan kecepatan yang belum pernah terjadi sebelumnya dalam dekade ini. Pada Juli 2023 saja, hampir 5.000 hektare hutan dibuka, sebuah angka yang biasanya merupakan total deforestasi tahunan satu kabupaten.

Nilai Konservasi: Area yang dibuka merupakan habitat Orangutan Kalimantan (Pongo pygmaeus) dan mencakup lahan gambut dalam.

Koneksi Rantai Pasok: Investigasi Nusantara Atlas dan laporan NGO mengaitkan perusahaan ini dengan grup Alas Kusuma. Kayu dari deforestasi ini diduga masuk ke rantai pasok bubur kayu (pulp) global. Hal ini menyoroti kegagalan mekanisme audit sertifikasi (seperti SVLK atau sertifikasi swasta) dalam mendeteksi pelanggaran real-time. Kayu hasil deforestasi legal seringkali bercampur dengan kayu lestari di logpond, menciptakan kontaminasi rantai pasok.

2. Fenomena “Shadow Companies” (Perusahaan Bayangan)

Analisis jejaring kepemilikan mengungkap strategi canggih penghindaran tanggung jawab yang disebut shadow companies.

Modus Operandi: Grup korporasi besar yang memiliki komitmen “No Deforestation” (NDPE) seringkali mengendalikan perusahaan-perusahaan kontroversial (seperti yang melakukan deforestasi di Kalimantan atau Papua) melalui struktur kepemilikan yang buram, seringkali melibatkan entitas di yurisdiksi offshore (seperti British Virgin Islands atau Cayman Islands) dan penggunaan nominee shareholders.

Kasus RGE: Laporan Greenpeace dan analisis Trase mengindikasikan adanya hubungan tidak langsung antara grup raksasa Royal Golden Eagle (RGE) dengan entitas yang melakukan deforestasi, meskipun hubungan ini dibantah secara resmi. Kayu dari perusahaan bayangan ini tetap menemukan jalan ke pasar ekspor, termasuk ke Eropa, yang ironisnya sedang mempersiapkan regulasi anti-deforestasi (EUDR).

3. “The New Oil”: Deforestasi Sektor Nikel

Analisis spasial di Sulawesi dan Maluku mengonfirmasi munculnya driver deforestasi baru: pertambangan nikel.

Karakteristik Spasial: Berbeda dengan sawit, deforestasi tambang nikel tidak masif dalam satu blok, tetapi merusak secara intensif di area kunci (bukit, pesisir) dan memicu deforestasi sekunder melalui pembangunan jalan akses dan kawasan industri (smelter).

Dilema Transisi Energi: Sekitar 36% hutan ultramafic Sulawesi dan 500.000 hektare hutan alam berada dalam konsesi nikel. Permintaan global untuk baterai EV menciptakan insentif ekonomi yang jauh melampaui insentif konservasi karbon. Model time series historis gagal memprediksi lonjakan ini karena nikel adalah variabel eksogen baru yang belum ada dalam pola data 10 tahun lalu.

Kesimpulan

Analisis ini menunjukkan tren deforestasi Indonesia yang menurun secara rata-rata sejak puncak 2015-16, namun tetap mengalami fluktuasi tahunan. Model ARIMA(1,1,0) berhasil menangkap pola ini dan memproyeksikan deforestasi relatif tinggi di masa depan (sekitar 180–190 ribu Ha/tahun). Visualisasi spasial menyorot provinsi Kalimantan sebagai hotspot, sesuai dengan konsentrasi perkebunan sawit di sana. Korelasi antara produksi CPO dan deforestasi terbukti lemah, menegaskan bahwa kebijakan seperti moratorium sawit berpengaruh positif dalam menekan deforestasi. Namun, terdapat potensi anomali korporasi: perlu dianalisis lebih lanjut apakah perusahaan besar tertentu bertanggung jawab atas lonjakan deforestasi tahunan. Secara keseluruhan, hasil ini memberikan gambaran komprehensif dinamika deforestasi nasional dan dapat membantu pembuat kebijakan serta aktivis mengidentifikasi area intervensi.

Rekomendasi Kebijakan Strategis

Untuk menyelamatkan target FOLU Net Sink 2030 dan memulihkan kredibilitas lingkungan Indonesia, direkomendasikan langkah-langkah berikut:

1. Integrasi Pemantauan Real-Time & Penegakan Hukum: Pemerintah harus mengadopsi sistem pemantauan satelit frekuensi tinggi (seperti GLAD/Nusantara Atlas) sebagai dasar penegakan hukum otomatis. Jika satelit mendeteksi pembukaan hutan di area moratorium atau habitat orangutan, mekanisme "suspend" izin harus otomatis berlaku sementara investigasi lapangan dilakukan.

2. Transparansi "Beneficial Ownership": Untuk memerangi shadow companies, pemerintah harus membuka data pemilik manfaat (beneficial owners) dari semua perusahaan pemegang konsesi kehutanan dan tambang. Audit forensik harus dilakukan terhadap perusahaan yang memiliki struktur kepemilikan di negara suaka pajak.

3. Review Perizinan Nikel: Moratorium izin baru harus diperluas ke sektor pertambangan di dalam kawasan hutan alam, khususnya di Sulawesi dan Maluku. Harus ada valuasi ekonomi lingkungan yang membandingkan nilai nikel dengan hilangnya jasa ekosistem dan biodiversitas endemik.

4. Adopsi Model Prediktif Hibrida: Beralih dari pelaporan tahunan pasca-kejadian (ex-post) ke sistem peringatan dini berbasis prediksi (ex-ante). Menggabungkan model statistik Holt-Winters dengan variabel harga komoditas dan data perizinan dalam model Machine Learning spasial untuk memprediksi hotspot deforestasi 3-6 bulan ke depan, memungkinkan pencegahan preventif.

Referensi

Reuters (2024) – Explainer: How Indonesia’s deforestation persists despite moratorium. Menjelaskan kebijakan moratorium izin deforestasi dan tren deforestasi nasional.

Trase/SEI (2024) – Indonesian palm oil exports and deforestation. Menyajikan data tren deforestasi sawit yang menurun meski produksi naik.

Guardian (2015) – Laporan kebakaran hutan Indonesia 2015, sebagai konteks anomali deforestasi tahun tersebut.

https://simontini.id/id/status-deforestasi-indonesia-2024

https://trase.earth/explore/spatial-data/map?country=indonesia&node_type_slug=wood-pulp-concession&indicatorName=CONCESSION_DEFORESTATION&indicatorYear=2024