bab i pendahuluan -...

1

BAB I PENDAHULUAN

1.1. Latar Belakang

Seiring dengan bertambahnya jumlah penduduk, kebutuhan akan lahan semakin

meningkat. Interaksi antara manusia yang selalu bertambah jumlahnya dengan

lingkungannya akan berdampak terhadap kebutuhan lahan untuk pemukiman serta sarana

dan prasarana pendukungnya. Hal ini akan mendorong terjadinya perubahan penggunaan

lahan. Karena lahan memiliki sifat yang terbatas (finite) maka penggunaan lahan harus

efisien, tertib dan teratur. Namun pada kenyataannya karena desakan kebutuhan (needs)

masyarakat, sering terjadi perubahan penggunaan lahan yang tidak mengacu pada

Rencana Tata Ruang Wilayah (RTRW). Proses perubahan yang tidak terkendali akan

menimbulkan masalah lingkungan. Lahan dengan fungsi ekologis seperti kawasan

konservasi, ruang terbuka hijau dan sebagainya dapat berkurang atau bahkan hilang

karena perkembangan lahan terbangun yang tidak terkendali. Oleh karena perubahan

penggunaan lahan perlu dipantau.

Dalam rangka pemantauan perubahan penggunaan lahan, diperlukan informasi

penggunaan lahan dari waktu ke waktu. Informasi tersebut dapat diperoleh melalui

pengukuran langsung di lapangan. Namun hal itu memerlukan sumber daya manusia yang

banyak dan waktu lama. Kajian perubahan penggunaan lahan secara tidak langsung dapat

dilakukan melalui suatu model. Model adalah representasi kenyataan yang

disederhanakan (Thomas and Hugget, 1980). Model merupakan pendekatan yang mampu

mengungkap dinamika sistem penggunaan lahan (Verburg, 2006 dalam Pimenta, et. al.,

2008). Pendekatan dalam merancang pemodelan perubahan penggunaan lahan terdiri atas

top-down approach dan bottom-up approach (Pimenta, et. al., 2008). Pendekatan top-

down didasarkan pada kondisi daerah penelitian dengan pendekatan matematis atau

statistik sedangkan pendekatan bottom-up didasarkan pada pelaku sebagai pengendali

perubahan. Pendekatan top-down dapat memanfaatkan data sensus maupun data

penginderaan jauh (Pimenta, et. al., 2008).

Perkembangan teknologi penginderaan jauh yang cukup pesat mampu

memberikan solusi dalam penyediaan data eksisting informasi penggunaan lahan.

Keragaman citra penginderaan jauh baik dari segi resolusi spasial, resolusi spektral

maupun resolusi temporal akan memudahkan pengguna menyesuaikan dengan

2

kebutuhannya. Pemanfaatan citra penginderaan jauh dalam pemantauan perubahan

penggunaan lahan memerlukan citra multitemporal dengan suatu rentang waktu tertentu.

Menurut Baysal (2013) penelitian terkait pemodelan perubahan penggunaan

lahan dapat dikelompokkan ke dalam 2 (dua) kategori yaitu berbasis agent dan berbasis

pola. Pemodelan berbasis agent terkait dengan pelaku/actor yang melakukan simulasi

perubahan sedangkan berbasis pola terkait penggunaan lahan saat ini dan perubahannya

dari waktu ke waktu. Pemodelan berbasis pola salah satunya adalah dengan metode

Markov Chain (MC).

Markov Chain (MC) adalah suatu proses stokastik yang memiliki sifat bahwa

suatu fenomena di masa yang akan datang tidak dipengaruhi oleh fenomena di masa lalu

melainkan hanya dipengaruhi oleh fenomena saat ini saja. Prinsip dasar MC adalah

mengukur probabilitas pada serangkaian kejadian di masa sekarang untuk memprediksi

kejadian di masa depan. Hal ini menunjukkan sifat kebergantungan dalam MC, sehingga

dapat dimanfaatkan untuk penyusunan model simulasi termasuk perubahan penggunaan

lahan.

Berbagai aplikasi MC diantaranya untuk prediksi pangsa pasar (Kurniawati,

2012), prediksi kondisi cuaca, analisis dinamika konversi lahan (Trisasongko, dkk (2009),

Muller (1994)). MC menghasilkan matriks peluang perubahan suatu kelas penggunaan

lahan yang menunjukkan hasil tabulasi silang antara 2 (dua) waktu. Dengan tersusunnya

matriks peluang, matriks tersebut dapat dimanfaatkan untuk menduga data di masa depan.

Menurut Ye and Bai (2008) metode MC merupakan perhitungan matematis yang

memiliki kelemahan dari sisi spasial sehingga hasil pemodelan tidak memberikan hasil

memuaskan. Oleh karena itu metode ini perlu dikombinasikan dengan metode lain untuk

meningkatkan ketelitiannya.

Berbagai penelitian untuk kajian perubahan penggunaan lahan menggunakan

kombinasi metode untuk meningkatkan ketelitian pemodelan. Ye and Bai (2008), Xin, et.

al. (2012), Paramita (2010), Al-sharif (2013), Uktoro (2013) melakukan penelitian

perubahan penggunaan lahan dengan mengkombinasikan Cellular Automata (CA) dengan

MC dan Wijaya dan Susilo (2013) menggunakan metode Cellular Automata dengan

regresi logistik untuk monitoring perkembangan lahan terbangun. Almeida (2003),

Omrani, et. al. (2012), Moghaddam, et. al. (2009), Xu, et. al., (2008), Yeh, et. al. (2002)

melakukan pemodelan perubahan penggunaan lahan dengan mengkombinasikan Cellular

Automata dengan Artificial Neural Network (ANN).

3

CA adalah suatu metode komputasi untuk memprediksi perubahan sistem

dinamik yang bergantung pada aturan sederhana dan berkembang hanya menurut aturan

tersebut dari waktu ke waktu. CA melakukan proses komputasi berdasar prinsip

ketetanggaan sel (neighbourhood). CA sudah banyak dikembangkan untuk berbagai

macam aplikasi antara lain untuk prediksi sedimentasi, pemodelan aliran granular,

pemodelan arus lalu lintas, prediksi pertumbuhan pemukiman dan perubahan penggunaan

lahan. CA merupakan pendekatan komputasi berbasis keruangan yang memiliki

keunggulan dalam mengakomodasi dimensi ruang, waktu dan atributnya. CA lebih

realistik untuk menemukan rumus transisi yang merepresentasikan tenaga dorongan dan

tarikan pada perubahan (Lahti, 2008 dalam Uktoro 2013). Kelemahan CA adalah lebih

menunjukkan proses pertumbuhan dan prediksi tumbuhnya suatu piksel namun tidak

memberikan informasi penyebab tumbuhnya yaitu hubungan kekerabatan antar variabel

terikat (dependent variable) dan variabel bebasnya (independent variable). Sedangkan

suatu perubahan penggunaan lahan dipengaruhi oleh berbagai faktor yang bersifat

independent yang harus diakomodasi. Oleh karena itu metode ini sering dikombinasikan

dengan metode lain guna mengatasi kelemahan untuk meningkatkan ketelitiannya.

Akhir-akhir ini seiring dengan perkembangan ilmu komputasi, metode Artificial

Neural Network (ANN) semakin banyak digunakan untuk berbagai aplikasi. Metode

Artificial Neural Network (ANN) atau jaringan syaraf tiruan merupakan metode learning

machine (pembelajaran mesin) yang dapat mengenali pola dari masukan atau contoh yang

diberikan dan juga termasuk ke dalam supervised learning. Multi-layer Perceptron (MLP)

adalah salah satu bentuk arsitektur jaringan ANN yang paling banyak digunakan. MLP dapat

diterapkan dalam analisis diskriminan non linier (untuk klasifikasi) dan sebagai fungsi

regresi non linear (Chang, 2012). Selama ini MLP lebih banyak diaplikasikan sebagai

metode klasifikasi. Karena bersifat non parametrik, MLP mampu mengakomodasi data

nir-spektral yang digunakan sebagai data tambahan selain data spektral dalam proses

klasifikasi multispektral (Danoedoro, 2012). Meskipun demikian belum banyak penelitian

yang memanfaatkan MLP sebagai fungsi regresi, padahal MLP sebagai fungsi regresi

mampu mendeteksi secara implisit hubungan nonlinier yang kompleks antara variabel

dependen dan independen serta memiliki kemampuan untuk mendeteksi semua interaksi

yang mungkin terjadi diantara variabel prediktor (Tu, 1996). MLP memiliki keuntungan

menggambarkan hubungan yang ada antara variabel input dan output tanpa diketahui

sebelumnya hubungan antara variabel-variabel itu sendiri.

4

Berbagai kombinasi metode telah dilakukan dalam kajian perubahan penggunaan

lahan guna meningkatkan akurasi pemodelan. Dengan mempertimbangkan kelebihan dan

kelemahan berbagai metode tersebut, penelitian dengan mengkombinasikan metode MLP

dan MC untuk kajian perubahan penggunaan lahan perlu dicoba. Aplikasi metode MLP

digunakan untuk mencari hubungan antara faktor-faktor yang mempengaruhi perubahan

sebagai variabel bebas dan perubahan penggunaan lahan sebagai variabel terikat guna

menghasilkan lokasi yang berpotensial mengalami perubahan. Kombinasi metode MLP

dan metode MC menghasilkan prediksi penggunaan lahan di masa depan. Aplikasi

metode MLP dikombinasikan dengan MC belum diketahui sejauh mana tingkat akurasi

pemodelannya. Oleh karena itu dilakukan penelitian ini guna mengetahui tingkat akurasi

pemodelan perubahan penggunaan lahan dengan metode MLP dan MC.

1.2. Rumusan Masalah

Perubahan penggunaan lahan memerlukan pengendalian agar tidak berdampak

negatif bagi lingkungan. Perubahan tersebut dapat dipantau dan diprediksi melalui suatu

pemodelan spasial. Pemodelan spasial perubahan penggunaan lahan telah banyak

dikembangkan dengan memanfaatkan data penginderaan jauh dengan berbagai

pendekatan.

Faktor-faktor yang mempengaruhi perubahan penggunaan lahan juga perlu

diperhitungkan dalam pemodelan spasial perubahan penggunaan lahan. Kompleksitas

faktor yang mempengaruhi dan bersifat non linear memerlukan pendekatan regresi non

linear untuk mencari hubungan antara faktor yang mempengaruhi sebagai variabel bebas

dan perubahan penggunaan lahan sebagai variabel terikat.

Interaksi antara faktor-faktor yang mempengaruhi perubahan dengan perubahan

penggunaan lahan dalam jangka waktu tertentu dapat dimodelkan secara spasial dengan

Multilayer Perceptron (MLP). MLP adalah algoritma yang dapat digunakan untuk

melakukan pemodelan statistik non linear dan memberikan alternatif baru untuk regresi

logistik (Tu, 1996). MLP tidak terpengaruh dengan adanya multikolinieritas.

Multikolinieritas adalah kondisi dimana antar variabel bebas memiliki korelasi yang

cukup tinggi. Metode ini dikombinasikan dengan MC untuk menghasilkan prediksi

perubahan penggunaan lahan di masa depan. Prinsip dasar MC dalam mengukur

probabilitas serangkaian kejadian di masa sekarang untuk memprediksi kejadian di masa

5

depan menunjukkan sifat kebergantungan dalam MC, sehingga dapat dimanfaatkan untuk

penyusunan model simulasi termasuk perubahan penggunaan lahan.

Permasalahan penelitian dapat dirumuskan sebagai berikut:

1. Perubahan penggunaan lahan dapat mengakibatkan terjadinya perubahan kondisi

alamiah yang pada akhirnya akan menyebabkan terjadinya perubahan lingkungan.

Informasi penggunaan lahan pada masa lalu, saat ini dan masa depan merupakan

informasi penting dan perlu dipantau. Pemanfaatan citra satelit penginderaan jauh

resolusi menengah multitemporal untuk memperoleh informasi penggunaan lahan

multiwaktu perlu diteliti. Perubahan penggunaan lahan dalam suatu periode waktu

tertentu perlu diteliti sebagai dasar dalam memprediksi penggunaan lahan di masa

depan.

2. Pemodelan perubahan penggunaan lahan dengan pendekatan top-down dapat

dilakukan dengan memanfaatkan citra satelit penginderaan jauh resolusi menengah.

Informasi penggunaan lahan hasil ekstraksi dari citra satelit penginderaan jauh

digunakan sebagai input dalam pemodelan. Pemodelan perubahan penggunaan lahan

(variabel terikat) dengan mempertimbangkan faktor-faktor yang mempengaruhinya

(variabel bebas) selama ini dikembangkan dengan model berbasis pola yang

dikombinasikan dengan metode statistik konvensional untuk meningkatkan

akurasinya. MLP memiliki kemampuan untuk mencari hubungan antara faktor-faktor

yang mempengaruhi terhadap perubahan penggunaan lahan. MLP mampu mengatasi

kompleksitas variabel bebas yang bersifat non linear dan tidak terpengaruh

multikolinieritas. Sementara itu MC memiliki kemampuan mengukur probabilitas

dari perubahan penggunaan lahan di masa sekarang untuk memprediksi penggunaan

lahan di masa depan Oleh karena itu pemodelan perubahan penggunaan lahan

berbasis citra satelit resolusi menengah dengan menggunakan metode MLP dan MC

perlu dikaji tingkat akurasinya.

Atas dasar perumusan masalah tersebut di atas maka penulis akan melakukan

penelitian dengan judul :

KAJIAN PERUBAHAN PENGGUNAAN LAHAN BERBASIS CITRA SATELIT

PENGINDERAAN JAUH RESOLUSI MENENGAH DENGAN METODE

MULTILAYER PERCEPTRON DAN MARKOV CHAIN DI SEBAGIAN

KABUPATEN BANTUL

6

1.3. Tujuan Penelitian

Penelitian ini bertujuan untuk :

1. Mengkaji kemampuan citra satelit penginderaan jauh resolusi menengah Landsat

untuk ekstraksi informasi penggunaan lahan tahun 2002, 2009 dan 2013 di sebagian

Kabupaten Bantul.

2. Mengkaji perubahan penggunaan lahan secara spasial di sebagian Kabupaten Bantul

dari tahun 2002 sampai dengan tahun 2009.

3. Menyusun pemodelan perubahan penggunaan lahan berbasis ekstraksi informasi dari

citra satelit Landsat dengan metode MLP dan MC di sebagian Kabupaten Bantul

pada tahun 2013 berdasarkan perubahan penggunaan lahan tahun 2002-2009 dengan

mempertimbangkan faktor-faktor yang mempengaruhi perubahan penggunaan lahan.

1.4. Kegunaan Penelitian

1. Dapat mengetahui tingkat akurasi pemodelan perubahan penggunaan lahan berbasis

citra resolusi menengah dengan metode MLP dan MC di sebagian Kabupaten Bantul

sehingga memberikan kontribusi dari sisi pengembangan ilmu terkait akurasi

kombinasi kedua metode tersebut.

2. Hasil analisa perubahan penggunaan lahan di sebagian Kabupaten Bantul diharapkan

dapat digunakan sebagai pertimbangan dalam perumusan kebijakan pemerintah.

1.5. Keaslian Penelitian

Keaslian penelitian ini adalah mengkaji perubahan penggunaan lahan di sebagian

Kabupaten Bantul antara tahun 2002 dan 2009. Berdasar penggunaan lahan tahun 2002

dan 2009 disusun pemodelan perubahan penggunaan lahan dengan mengkombinasikan

metode MLP dan MC dengan melibatkan faktor-faktor yang mempengaruhi perubahan

penggunaan lahan. Prediksi penggunaan lahan pada tahun 2013 dilakukan sebagai hasil

dari pemodelan perubahan penggunaan lahan tersebut.

Sepengetahuan penulis selama ini beberapa penelitian dan tesis perubahan

penggunaan lahan sudah dilakukan dengan berbagai metode. Susilo (2008) meneliti

perubahan penggunaan lahan dengan metode SIG dan regresi logistik biner serta

menggunakan variabel jarak dan kepadatan. Dari penelitian tersebut dihasilkan ketelitian

81,8% serta indeks kappa 0,239 dan model prediksi dengan tingkatan validitas “fair

agreement”.

7

Paramita (2011) melakukan penelitian perkembangan wilayah dengan metode

cellular automata. Pada penelitian ini dilakukan transformasi multispektral untuk

mengetahui karakteristik wilayah dengan pendekatan keruangan. Juga dilakukan analisis

faktor-faktor yang mempengaruhi perkembangan wilayah untuk menyusun peta

kesesuaian lahan. Kesesuaian lahan menjadi faktor pertimbangan dalam melakukan

pemodelan prediksi Cellular Automata Rantai Markov (CA-RM) untuk perkembangan

wilayah, pemodelan prediksi tahun 2008 diperoleh akurasi terbaik sebesar 68,711%

dengan kesesuaian lahan berdasar kriteria jarak.

Uktoro (2013) membangun model sawah lestari berdasarkan citra QuickBird dan

ALOS AVNIR-2. Pada penelitian ini dikaji pemodelan perubahan penggunaan lahan

dengan mempertimpangkan kesesuaian lahan dan pemodelan kedua dengan

mempertimbangkan Rencana Tata Ruang Wilayah. Hasil penelitian menunjukkan model

sawah lestari yang dibangun mempunyai akurasi luasan mencapai 98,5 % dibandingkan

dengan data yang ada pada Dinas Pertanian dan Bappeda Kabupaten Klaten. Hasil kedua

menunjukan bahwa terjadi penyempitan lahan sawah lestari selama kurun waktu tahun

2006 hingga 2009 sebesar 24 Ha per tahun. Akurasi prediksi penyempitan lahan sawah

lestari pada skenario I (mempertimbangkan kepadatan bangunan, aksesbilitas jalan dan

nilai lahan) adalah 45,68 % dan pada skenario II (mempertimbangkan RTRW) sebesar

41,37%. Rendahnya tingkat ketelitian menurut Uktoro (2013) adalah dipengaruhi rentang

waktu prediksi yang terlalu dekat.

Leksono, et. al. (2008) mengembangkan metode penilaian tanah kaitannya

dengan Pajak Bumi dan Bangunan (PBB) dengan metode regresi dan jaringan syaraf

tiruan. Penelitian ini menggunakan parameter dari aspek fisik, ekonomi, sosial dan politik

berupa data kuantitatif. Hasil dari penelitian adalah metode regresi linier menghasilkan

akurasi lebih rendah (R2 = 79%) dibandingkan jaringan syaraf tiruan (R

2 = 92%). Hasil

perbandingan antara metode regresi dan jaringan syaraf tiruan menunjukkan bahwa

metode regresi memiliki linearity linear, outlier data tidak terprediksi dan

multikolinieritas tinggi sedangkan untuk jaringan syaraf tiruan sebaliknya.

Omrani, et. al. (2012) melakukan simulasi perubahan penggunaan lahan di

Luxombeurg dan daerah sekitar perbatasan. Hasil simulasi perubahan penggunaan lahan

dengan tingkat keberhasilan metode ANN-MLP mencapai 85,54% sedangkan ANN-RBF

82,14% SVM-RBF 85,03% dan logistic regression 85,11%. Hasil analisis menyatakan

metode regresi konvensional (regresi logistik/logit) berasumsi bahwa data secara statistik

8

independen dan terdistribusi identik. Sedangkan dalam kenyataannya data penggunaan

lahan saling dependent yang disebut autokorelasi spasial. Oleh karena itu metode ANN

dapat menghasilkan pemodelan yang lebih baik.

Ottenbacher, et. al. (2004) melakukan prediksi pengaturan tinggal bagi pasien

rehabilitasi setelah patah pinggul dengan membandingkan hasil prediksi metode regresi

logistik dan jaringan syaraf tiruan. Hasil perbandingkan karakteristik jaringan syaraf

tiruan dan regresi logistik untuk mengembangkan model prediksi dalam penelitian

epidemiologi antara lain nilai AUC (Area Under Cover) ROC untuk regresi logistik

sebesar 0,67 sedangkan jaringan syaraf tiruan 0,73.

Perbedaan antara penelitian ini dengan penelitian yang sebelumnya adalah dalam

penelitian ini mengkaji perubahan penggunaan lahan yang terjadi di sebagian Kabupaten

Bantul dengan memanfaatkan data penginderaan jauh dan berdasarkan perubahan tersebut

dibangun pemodelan perubahan penggunaan lahan dengan metode MLP yang

dikombinasikan dengan MC dengan mempertimbangkan faktor-faktor yang

mempengaruhi perubahan penggunaan lahan. Faktor yang dipergunakan adalah faktor

kemiringan lereng, jarak terhadap sungai, jarak terhadap jalan dan kepadatan jaringan

jalan. Beberapa penelitian yang pernah ditulis sebelumnya secara ringkas seperti yang

tercantum pada Tabel 1.1.

9

Tabel 1.1. Keaslian Penelitian

No. Penulis Judul Penelitian Tujuan Penelitian Metode

Penelitian Jenis Data Variabel Hasil

1 Ottenbacher, et.

al. (2004)

Comparison of

Logistic Regression

and Neural Network

Analysis Applied to

Predicting Living

Setting after Hip

Fracture

Memprediksi pengaturan

tinggal bagi pasien

rehabilitasi setelah patah

pinggul

Regresi

logistik dan

jaringan syaraf

tiruan

Data demografi

dan Data System

Uniform

Rehabilitasi

Medis

( UDSMR)

Status menikah, lama

tinggal, sumber dana,

aturan tinggal, umur,

etnis, jenis kelamin

Hasil perbandingkan

karakteristik jaringan

syaraf tiruan dan regresi

logistik

untuk mengembangkan

model prediksi dalam

penelitian epidemiologi

antara lain : nilai AUC

(Area Under Cover) ROC

untuk regresi logistik

sebesar 0,67 sedangkan

jaringan syaraf tiruan 0,73.

2 Leksono, et. al.

(2008)

Automatic Land and

Parcel Valuation to

Support the Land and

Buildings

Tax Information

System by

Developing the Open

Source Software

Membangun metode

Penilaian Tanah dengan

menggunakan analisis

spasial dan jaringan syaraf

tiruan

Regresi dan

jaringan syaraf

tiruan

Basis Data SIG

PBB (spasial

dan atribut)

Dikelompokkan dalam

empat kategori yaitu

fisik, ekonomi, sosial

dan politik

Hasil perhitungan nilai

tanah dengan jaringan

syaraf tiruan menunjukkan

adanya peningkatan

akurasi (R2= 92%)

daripada metode regresi

(R2 = 79%)

10



3 Bowo Susilo

(2008)

Model SIG-Binary

Logistic Regression

untuk Prediksi

Perubahan

Penggunaan Lahan

(Studi Kasus di

Daerah Pinggiran

Kota Yogyakarta)

Mengkaji dan memprediksi

perubahan penggunaan

lahan secara spasial

menggunakan integrasi

model regresi logistik biner

dan SIG

Regresi

logistik biner

dan SIG

Foto Udara

tahun 1981 dan

2000, Peta RBI

Penutup lahan

(terbangun dan tak

terbangun), variabel

kepadatan, variabel

jarak

Model prediksi perubahan

penggunaan lahan

4 Bintang Aulia

Pradnya

Paramita

(2011)

Model Cellular

Automata untuk

kajian perkembangan

wilayah

menggunakan data

penginderaan Jauh

(studi kasus :

Kawasan Perkotaan

Kedungsepur)

Mengetahui karakteristik

KP Kedungsepur dengan

penggunaan lahan dari

tahun 1994 dan 2001

menggunakan beberapa

transformasi multispektral;

Menyusun peta kesesuaian

lahan perkotaan dengan

faktor penentu

perkembangan wilayah;

Menyusun model prediksi

penggunaan lahan tahun

2008 dan 2015 dengan

metode Cellular Automata

Rantai Markov dan arah

perkembangan wilayahnya

Cellular

automata dan

rantai markov

Citra Landsat

(time series),

Peta RBI dan

Data RTRW

Tutupan lahan (lahan

terbangun dan tak

terbangun), variabel

kepadatan, variabel

jarak

Model prediksi perubahan

penggunaan lahan beserta

arah perkembangan

wilayah

11



5 Omrani, et. al.

(2012)

Simulation of land

use changes using

cellular automata and

artificial neural

network

Melakukan simulasi


lahan di Luxombeurg dan

daerah sekitar perbatasan

Integrasi

Cellular

Automata dan

artificial neural

network (MLP

dan RBF),

support vector

machine

(SVM),

logistic

regression

Citra SRTM dan

Peta

Penggunaan

Lahan pada 2

waktu

neighbourhood, slope,

state

Hasil simulasi perubahan

penggunaan lahan dengan

tingkat keberhasilan

metode ANN-MLP

mencapai 85,54%

sedangkan ANN-RBF

82,14% SVM-RBF

85,03% dan logistic

regression 85,11%

6 Arief Ika

Uktoro (2013)

Membangun Model

Sawah Lestari Dan

Model Prediksi

Perubahannya

Menggunakan

Cellular Automata Di

Kabupaten Klaten

Provinsi Jawa

Tengah

Membangun model sawah

lestari berdasarkan citra

QuickBird dan ALOS

AVNIR-2;

Mengkaji perubahan lahan

sawah lestari tahun 2006

hingga 2009;

melakukan prediksi

perubahan lahan sawah

lestari tahun 2015.

Cellular

automata dan

rantai markov

citra QuickBird

dan ALOS

AVNIR-2

peta kesesuaian lahan

tanaman padi, peta

produktivitas dan peta

irigasi

Model sawah lestari

dengan akurasi luasan

mencapai 98,5 %, dengan

2 skenario yaitu input

parameter kepadatan lahan

terbangun, aksesbilitas dan

zona nilai lahan akurasi

prediksi sebesar 45,68%

dan dengan input

kesesuaian terhadap

RTRW akurasi prediksi

sebesar 41,37%

12



7 Diana Wisnu

Wardani (2014)

Kajian Perubahan

Penggunaan Lahan

Berbasis Citra Satelit

Penginderaan Jauh

Resolusi Menegah

dengan Metode

Multilayer

Perceptron dan

Marco Chain di

sebagian Kabupaten

Bantul

(1) Mengkaji kemampuan

citra satelit penginderaan

jauh resolusi menengah

Landsat untuk ekstraksi

informasi penggunaan

lahan tahun 2002, 2009

dan 2013 di sebagian

Kabupaten Bantul.

(2) Mengkaji perubahan

penggunaan lahan secara

spasial di sebagian

Kabupaten Bantul dari

tahun 2002 sampai dengan

tahun 2009.

(3) Menyusun pemodelan


lahan berbasis ekstraksi

informasi dari citra satelit

Landsat dengan metode

MLP dan MC di sebagian

Kabupaten Bantul pada

tahun 2013 berdasarkan


lahan tahun 2002-2009

dengan

mempertimbangkan faktor-

faktor yang mempengaruhi


lahan

Multilayer

Perceptron,

Markov Chain

Citra Landsat,

Peta Geologi,

Peta Rupa Bumi

Indonesia

Kemiringan lereng,

jarak terhadap sungai,

jarak terhadap jalan

dan kepadatan jaringan

jalan

(1) Pada periode tahun

2002-2009 terjadi

penambahan permukiman

seluas 3.571,47 ha.

Variabel perubahan berupa

kepadatan jaringan jalan,

jarak terhadap jalan dan

kemiringan lereng lebih

berpengaruh terhadap

terjadinya pertumbuhan

permukiman dibandingkan

variabel jarak terhadap

sungai.;

(2) Model perubahan

penggunaan lahan 2013

prediksi terbaik dengan

overall accuracy 86,16 %

dan kappa sebesar 0,79

(substantial agreement).

13

1.6. Wilayah Penelitian

Penelitian perubahan penggunaan lahan berlokasi di sebagian Kabupaten Bantul

dimana di sebelah timur berbatasan dengan Kabupaten Gunungkidul, di sebelah utara

berbatasan dengan Kota Yogyakarta dan Kabupaten Sleman, di sebelah barat berbatasan

dengan Kabupaten Kulon Progo, dan di sebelah selatan berbatasan dengan Samudra

Indonesia.

Wilayah Penelitian meliputi sebagian dari Kabupaten Bantul yaitu mencakup

Kecamatan Bantul, Jetis, Imogiri, Pleret, Piyungan, Banguntapan, Sewon dan Kasihan

sebagaimana Gambar 1.1. Pemilihan lokasi mempertimbangkan mulai dari kecamatan yang

berbatasan langsung dengan Kota Yogyakarta yaitu Kecamatan Kasihan, Sewon dan

Banguntapan. Ketiga kecamatan tersebut termasuk dalam daerah pinggiran kota (urban

fringe) sebagai wilayah yang mendapat imbas dari perkembangan Kota Yogyakarta.

Kecamatan pada daerah pinggiran Kota Yogyakarta tersebut memiliki kepadatan penduduk

yang relatif tinggi serta bertopografi relatif datar (Tabel 1.2) termasuk Kecamatan Bantul dan

Jetis yang berada di sebelah selatannya. Pada bagian timur terdapat Kecamatan Piyungan,

Pleret dan Imogiri dengan topografi berbukit dengan variasi kemiringan lereng serta dilalui

sungai besar yaitu Sungai Opak.

Tabel 1.2. Kepadatan Penduduk

No. Kecamatan Luas

(km2)

Jumlah Penduduk Kepadatan/km2

1 Bantul 21,95 59.754 2.722

2 Jetis 24,47 52.313 2.138

3 Imogiri 54,49 56.536 1.038

4 Pleret 22,97 43.185 1.880

5 Piyungan 32,54 48.646 1.495

6 Banguntapan 28,48 122.510 4.302

7 Sewon 27,16 105.701 3.892

8 Kasihan 32,38 112.708 3.481

Sumber : Bantul Dalam Angka, 2012

14

Gambar 1.1. Lokasi daerah penelitian yang tersaji pada Citra Landsat 7 ETM+ tahun 2002 komposit RGB 451

bab i pendahuluan -...

Documents