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 topdown 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
1
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).
2
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.
3
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
4
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
5
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. 1.
Kegunaan Penelitian 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”.
6
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 (R2 = 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
7
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.
8
Tabel 1.1.
Keaslian Penelitian
Tujuan Penelitian
Metode Penelitian
Ottenbacher, et. Comparison of al. (2004) 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
Leksono, et. al. Automatic Land and (2008) 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 Basis Data SIG jaringan syaraf PBB (spasial tiruan dan atribut)
No.
Penulis
1
2
Judul Penelitian
Jenis Data
Variabel
Hasil
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.
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%)
9
No.
Penulis
Judul Penelitian
Tujuan Penelitian
3
Bowo Susilo (2008)
Model SIG-Binary Logistic Regression untuk Prediksi Perubahan Penggunaan Lahan (Studi Kasus di Daerah Pinggiran Kota Yogyakarta)
4
Bintang Aulia Pradnya Paramita (2011)
Model Cellular Automata untuk kajian perkembangan wilayah menggunakan data penginderaan Jauh (studi kasus : Kawasan Perkotaan Kedungsepur)
Metode Penelitian
Jenis Data
Variabel
Hasil
Mengkaji dan memprediksi Regresi perubahan penggunaan logistik biner lahan secara spasial dan SIG menggunakan integrasi model 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
Mengetahui karakteristik Cellular KP Kedungsepur dengan automata dan penggunaan lahan dari rantai markov 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
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
10
Metode Penelitian
No.
Penulis
Judul Penelitian
Tujuan Penelitian
5
Omrani, et. al. (2012)
Simulation of land use changes using cellular automata and artificial neural network
Melakukan simulasi perubahan penggunaan lahan di Luxombeurg dan daerah sekitar perbatasan
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 Cellular lestari berdasarkan citra automata dan QuickBird dan ALOS rantai markov AVNIR-2; Mengkaji perubahan lahan sawah lestari tahun 2006 hingga 2009; melakukan prediksi perubahan lahan sawah lestari tahun 2015.
Integrasi Cellular Automata dan artificial neural network (MLP dan RBF), support vector machine (SVM), logistic regression
Jenis Data
Variabel
Hasil
Citra SRTM dan neighbourhood, slope, Peta state Penggunaan Lahan pada 2 waktu
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%
citra QuickBird dan ALOS AVNIR-2
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%
peta kesesuaian lahan tanaman padi, peta produktivitas dan peta irigasi
11
No.
Penulis
Judul Penelitian
7
Diana Wisnu Kajian Perubahan Wardani (2014) Penggunaan Lahan Berbasis Citra Satelit Penginderaan Jauh Resolusi Menegah dengan Metode Multilayer Perceptron dan Marco Chain di sebagian Kabupaten Bantul
Tujuan Penelitian
Metode Penelitian
(1) Mengkaji kemampuan Multilayer citra satelit penginderaan Perceptron, jauh resolusi menengah Markov Chain 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 faktorfaktor yang mempengaruhi perubahan penggunaan lahan
Jenis Data
Variabel
Hasil
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).
12
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
1
Bantul
Luas (km2) 21,95
2
Jetis
3
Jumlah Penduduk
Kepadatan/km2
59.754
2.722
24,47
52.313
2.138
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
13
Gambar 1.1.
Lokasi daerah penelitian yang tersaji pada Citra Landsat 7 ETM+ tahun 2002 komposit RGB 451
14