i
PEMODELAN PERUBAHAN PENGGUNAAN LAHAN DENGAN
PENDEKATAN ARTIFICIAL NEURAL NETWORK
(Studi Kasus: Kabupaten Bengkalis, Provinsi Riau)
KRISWINDYA TASHA
A14070030
PROGRAM STUDI MANAJEMEN SUMBERDAYA LAHAN
DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN
FAKULTAS PERTANIAN
INSTITUT PERTANIAN BOGOR
RINGKASAN
KRISWINDYA TASHA. Pemodelan Perubahan Penggunaan Lahan dengan Pendekatan Artificial Neural Network (Studi Kasus: Kabupaten Bengkalis, Provinsi Riau). Dibimbing oleh MUHAMMAD ARDIANSYAH dan
KOMARSA GANDASASMITA
Perubahan penggunaan lahan merupakan semua bentuk intervensi (campur tangan) manusia terhadap lahan dalam rangka memenuhi kebutuhan hidup baik materiil maupun spiritual. Perubahan tersebut akan terus berlangsung sejalan dengan meningkatnya jumlah dan aktifitas penduduk dalam menjalankan kehidupan ekonomi, sosial dan budaya. Sebagian besar penelitian untuk menganalisis perubahan penggunaan lahan ke depan didasarkan pada penggunaan suatu model. Pemodelan perubahan penggunaan lahan merupakan suatu metode atau pendekatan yang dapat digunakan untuk memahami penyebab dan dampak yang ditimbulkan dari perubahan yang bersifat dinamis tersebut. Metode Artificial Neural Network (ANN) digunakan dalam penelitian ini untuk menentukan lokasi atau daerah mana saja dari penggunaan lahan hutan dan semak belukar yang berpotensi berubah menjadi perkebunan serta menguji kemampuan prediksi yang akan dihasilkan model. Penelitian ini bertujuan (1) memprediksi penggunaan lahan dan perubahan penggunaan lahan di Kabupaten Bengkalis pada tahun 2000, 2003, 2006 dan 2009, (2) membangun model perubahan penggunaan lahan dengan metode ANN dan (3) proyeksi penggunaan lahan Kabupaten Bengkalis tahun 2018.
Penggunaan lahan terbesar di Kabupaten Bengkalis adalah perkebunan dan hutan sekunder. Luas perkebunan mencapai 403.770 ha (48%) pada tahun 2009, sedangkan hutan sekunder memiliki luas 152.700 ha (18%). Pada periode 2000-2003 hutan primer mengalami penurunan luas cukup besar yaitu 210.480 ha. Hutan tanaman dan perkebunan meningkat sebesar 70.040 ha dan 16.100 ha pada periode 2003-2006. Pada periode 2006-2009 hutan sekunder mengalami penurunan luas sangat drastis (167.470 ha) sementara perkebunan dan pertanian luasnya bertambah cukup signifikan berturut-turut 161.650 ha dan 48.190 ha. Hasil pemodelan dengan ANN menunjukkan hasil akurasi yang cukup baik dengan rata-rata 85%. Terlihat bahwa peluang hutan dan semak belukar untuk berubah menjadi perkebunan cukup tinggi, bahkan mencapai nilai 0,99. Proyeksi penggunaan lahan dengan Markov Chain menunjukkan bahwa pada tahun 2018 perkebunan mendominasi hampir 58% dari total luas wilayah di Kabupaten Bengkalis.
Kata kunci: Penggunaan Lahan, Pemodelan Perubahan Penggunaan Lahan,
iii
SUMMARY
KRISWINDYA TASHA. Land Use Change Modelling using Artificial Neural Network (A Case Study of Bengkalis District, Riau Province). Supervised by
MUHAMMAD ARDIANSYAH and KOMARSA GANDASASMITA
Land use change is the result of policy intervention or as by products of other human actions or natural developments. Predicting land use and land use change in the future basically based on the use of model. Land use change models are important method for understanding the causes and consequences of land use dynamics. The objectives of this research are (1) to detect land use and land use change during 2000, 2003, 2006 and 2009, (2) to develop a land use change model using Artificial Neural Network and (3) to predict the land use in Bengkalis District in the year of 2018. Bengkalis district was dominated by plantation and secondary forest. In 2009 plantation occupied up to 403.770 ha (48%) whereas secondary forest occupied 152.700 ha (18%). During 2000-2003 primary forest decreased dramatically for about 210.480 ha. Forest of crop and plantation are increased for about 70.040 ha and 16.100 ha respectively. In the period 2006-2009 secondary forest decreased (up to 167.470 ha) whereas at the same time plantation and agriculture increase significantly for about 161.650 ha and 48.190 ha. The result of using Artificial Neural Network produced a fairly good accuracy by an average of 85%. It shows that the opportunities for the forest and shrub to transformed into plantation are quite high, up to 0,99. Prediction of land use using Markov Chain in 2018 showed that plantation will dominate almost 58% of the total area of Bengkalis District.
PEMODELAN PERUBAHAN PENGGUNAAN LAHAN DENGAN
PENDEKATAN ARTIFICIAL NEURAL NETWORK
(Studi Kasus: Kabupaten Bengkalis, Provinsi Riau)
Oleh:
KRISWINDYA TASHA
A14070030
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Pertanian pada Fakultas Pertanian
Institut Pertanian Bogor
PROGRAM STUDI MANAJEMEN SUMBERDAYA LAHAN
DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN
FAKULTAS PERTANIAN
INSTITUT PERTANIAN BOGOR
v
Judul Skripsi : Pemodelan Perubahan Penggunaan Lahan dengan Pendekatan Artificial Neural Network
(Studi Kasus: Kabupaten Bengkalis, Provinsi Riau) Nama Mahasiswa : Kriswindya Tasha
Nomor Pokok : A14070030
Menyetujui,
Pembimbing I Pembimbing II
Dr. Ir. Muhammad Ardiansyah NIP . 19630604 198811 1 001
Dr.Ir. Komarsa Gandasasmita, M. Sc NIP. 19550111 197603 1 001
Mengetahui,
Ketua Departemen Ilmu Tanah dan Sumberdaya Lahan
Dr. Ir. Syaiful Anwar, M.Sc NIP. 19621113 198703 1 003
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 5 Juli 1989 sebagai anak kedua dari tiga bersaudara pasangan Kristianto dan Anie Kristiani. Penulis memulai pendidikan formal pertama di Taman Kanak-kanak (TK) Khodijah Tomang, Jakarta yang diselesaikan pada tahun 1995. Kemudian penulis melanjutkan pendidikan ke SD Sumbangsih 2 Grogol dan lulus pada tahun 2001. Pada tahun yang sama penulis melanjutkan pendidikan di SMP Sumbangsih 2 Grogol dan menyelesaikan pendidikan pada tahun 2004. Selanjutnya penulis melanjutkan pendidikan dari tahun 2004-2007 di SMUN 8 Jakarta. Pada tahun 2007 penulis diterima di Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI).
vii
KATA PENGANTAR
Puji dan syukur ke hadirat Allah SWT yang telah melimpahkan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan penelitian dan penulisan skripsi ini. Penelitian ini berjudul “Pemodelan Perubahan Penggunaan Lahan dengan Pendekatan Artificial Neural Network (Studi Kasus: Kabupaten Bengkalis, Provinsi Riau)”. Skripsi ini merupakan hasil penelitian sebagai salah satu syarat untuk memperoleh gelar Sarjana Pertanian dari Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, Institut Pertanian Bogor.
Penulis menyadari bahwa dalam menyelesaikan skripsi ini tidak lepas dari bantuan berbagai pihak. Pada kesempatan ini, penulis menyampaikan ucapan terima kasih kepada:
1. Dr. Ir. Muhammad Ardiansyah selaku pembimbing I yang telah memberikan arahan dan bimbingan selama kegiatan penelitian dan penulisan skripsi.
2. Dr. Ir. Komarsa Gandasasmita, M. Sc selaku pembimbing II yang telah memberikan motivasi dan masukan bagi penulis selama kegiatan penelitian dan penulisan skripsi.
3. Dr. Khursatul Munibah, M. Sc selaku dosen penguji yang telah memberikan masukan bagi penulis dalam penulisan skripsi.
4. Papa dan Mama tersayang, Kakak dan Adik tercinta atas doa, perhatian, motivasi serta dukungan moral dan spiritual yang tak kunjung berhenti kepada penulis.
5. Teman-teman seperjuangan (Ardita Oktaviana, Fitria Nisaul Hakim, Heny Emilia, Ria Larastiti, Frizka Amalia, Aminia Novriani, Winda dan Milki) atas dukungan dan motivasi yang telah diberikan.
6. Teman-teman PSM IPB Agria Swara (Novia, Nase, Fajri, Pipit, Fata, Vino, Fikri, Yuli, Merry) atas dukungan yang telah diberikan serta Fariz AM Kurniawan atas waktu, perhatian dan semangat selama ini kepada penulis. 7. Saudara-saudara SOIL 44 terutama teman seperjuangan di lab PPJ (Farid,
Ika, Hana, Tia, Adi, Herdianto, Herdian, Melin, Ranti, Aul, Roma) atas
8. Kakak-kakak di CCROM (Kak Sisi, Kak Gito, Kak Ihsan) atas bantuan dan saran kepada penulis.
9. Semua pihak yang turut membantu kegiatan penelitian dan penyusunan skripsi ini yang tidak dapat disebutkan satu persatu.
Bogor, Maret 2012
ix
BAB II TINJAUAN PUSTAKA………. 4
2.1 Penggunaan Lahan dan Perubahan Penggunaan Lahan………... 4
2.2 Pemodelan Perubahan Penggunaan Lahan………..……… 5
2.2.1 Pengertian Model…………..……… 5
2.2.2 Pemodelan Perubahan Penggunaan Lahan dengan metode ANN……… 6
2.3 Proyeksi menggunakan Markov Chain... 7
BAB III METODOLOGI PENELITIAN……….. 9
3.1 Waktu dan Tempat Penelitian………... 9
3.2 Bahan dan Alat………. 9
3.3 Metode Penelitian………. 9
3.3.1 Tahap Persiapan……….. 10
3.3.2 Tahap Pengolahan Data.……….. 10
3.3.3 Tahap Pembuatan Model dan Peta Proyeksi Penggunaan Lahan...………...……… 11
BAB IV KONDISI UMUM LOKASI PENELITIAN……..………. 17
4.1 Letak Geografis……… 17
4.2 Topografi………...………... 18
4.3 Iklim………. 18
4.4 Kependudukan………. 19
4.6 Pendidikan……….………... 20
BAB V HASIL DAN PEMBAHASAN………... 22
5.1Penggunaan Lahan di Kabupaten Bengkalis ………... 22
5.2Deteksi Perubahan Penggunaan Lahan Kabupaten Bengkalis……. 23
5.2.1 Perubahan Penggunaan Lahan Tahun 2000-2003…………... 23
5.2.2 Perubahan Penggunaan Lahan Tahun 2003-2006…………... 24
5.2.3 Perubahan Penggunaan Lahan Tahun 2006-2009………… 25
5.3 Model Perubahan Penggunaan Lahan dengan Metode Artificial Neural Network………..……….. 26
5.4 Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018…. 35
5.5 Validasi Model……… 39
BAB VI KESIMPULAN DAN SARAN………. 42
6.1 Kesimpulan………... 42
6.2 Saran……….... 42
DAFTAR PUSTAKA………... 43
xi
DAFTAR TABEL
No Halaman
Teks
1. Bahan yang digunakan dalam penelitian………... 9
2. Software yang digunakan dalam penelitian………... 9
3. Kepadatan Penduduk Bengkalis Menurut Kecamatan Tahun 2009.. 19 4. Sektor Mata Pencaharian Penduduk Kabupaten Bengkalis……….. 20
5. Luas Penggunaan Lahan Kabupaten Bengkalis Tahun 2000, 2003,
2006 dan 2009... 22
6. Luas Penggunaan Lahan Kabupaten Bengkalis Tahun 2018……… 39
Lampiran
1. Matriks Transisi Penggunaan Lahan Kabupaten Bengkalis Tahun
2000-2003 (Ha); 2003-2006 (Ha); 2006-2009 (Ha)……….. 47 2. Nilai Cramer’s V masing-masing variabel……….………... 49
3. Bobot antara input layer dan hidden layer (Wij) masing-masing
kelas perubahan penggunaan lahan……….. 51 4. Bobot antara hidden layer dan output layer (Wjk) masing-masing
kelas perubahan penggunaan lahan……….. 52 5. Klasifikasi Penggunaan Lahan Versi Badan Planologi Kementrian
Kehutanan………. 53 6. Kelas Training Sites, Hasil Pemodelan dan Peta Peluang
DAFTAR GAMBAR
No. Halaman
Teks
1. Ilustrasi Multi-layer Perceptron……… 7
2. Tampilan Aplikasi Land Change Modeler………..... 11
3. Tampilan Kelas Perubahan yang akan Dimodelkan……… 12
4. Tampilan Tahap Pengujian Nilai Cramer’s V………..…….. 13
5. Tampilan Tahap Pemodelan dengan ANN…...……… 13
6. Topologi Jaringan………. 14
7. Tampilan Tahap Proyeksi Penggunaan Lahan………. 14
8. Matriks Transisi………... 15
9. Diagram Alir Penelitian... 16
10.Peta Administrasi Kabupaten Bengkalis……….. 18
11.Presentase Penyebaran Jumlah Penduduk Kabupaten Bengkalis Menurut Kecamatan Tahun 2009………. 19
12.Banyaknya Sarana Pendidikan di Kabupaten Bengkalis Tahun 2009……….. 21
13.Perubahan Penggunaan Lahan Tahun 2000-2003……… 24
14.Perubahan Penggunaan Lahan Tahun 2003-2006……… 25
15.Perubahan Penggunaan Lahan Tahun 2006-2009……… 26
16.Perubahan Luas Penggunaan Lahan Tahun 2000-2009………... 27
17.Kelas Perubahan Penggunaan Lahan Tahun 2000-2009..……… 28
18.Jarak ke Jalan………... 29
19.Jarak ke Sungai……….... 29
20.Jarak ke Pemukiman……… 29
21.Kepadatan Penduduk……….………... 29
22.Pengujian Nilai Cramer’s VJarak ke Pemukiman………... 30
23.Kelas Training Sites Hutan Primer Menjadi Hutan Tanaman…. 30 24.Grafik Perbandingan RMS dengan Iterasi dan Akurasi Model……….……….. 30
25.Peta Peluang Perubahan Hutan Sekunder Menjadi Perkebunan.. 31
xiii
27.Peta Peluang Perubahan Hutan Sekunder Menjadi Hutan
Tanaman (a) dan Perkebunan (b)………. 33 28.Peta Peluang Perubahan Lahan Terbuka (a), Pertanian (b) dan
Semak Belukar (c) Menjadi Perkebunan……….. 34
29.Matriks Peluang Perubahan Penggunaan Lahan (Skenario
BAU)……… 35
30.Peta Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun
2018 (Skenario BAU)……….. 37 31.Matriks Peluang Perubahan Penggunaan Lahan (Tidak ada
konversi hutan primer dan sekunder)………... 38
32.Peta proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun
2018 (Tidak ada konversi hutan primer dan sekunder)………… 38 33.Peta Hasil Reklasifikasi Hutan Sekunder (a), Lahan Terbuka
(b), Pertanian (c) dan Semak Belukar (d) menjadi Perkebunan... 40
34.Peta Peluang Perkebunan Hasil Pemodelan ANN………... 40
35.Peta Perkebunan Tahun 2009………... 40
36.Peta Hasil Overlay antara Peluang Perkebunan Hasil
Pemodelan ANNdengan Peta Perkebunan Tahun 2018……….. 40 37.Peta Hasil Overlay antara Peta Peluang Perkebunan Hasil
Pemodelan ANNdan Peta Perkebunan Tahun 2010……… 41
Lampiran
7. Peta Penggunaan Lahan Kabupaten Bengkalis Tahun 2000,
1.1 Latar Belakang
Perubahan penggunaan lahan merupakan semua bentuk intervensi (campur tangan) manusia terhadap lahan dalam rangka memenuhi kebutuhan hidup baik materiil maupun spiritual (Arsyad, 1989). Perubahan tersebut akan terus berlangsung sejalan dengan meningkatnya jumlah dan aktifitas penduduk dalam menjalankan kehidupan ekonomi, sosial dan budaya, yang pada akhirnya berdampak positif maupun negatif akibat perubahan penggunaan lahan tersebut. Perubahan penggunaan lahan dari hutan ke non-hutan misalnya, dapat mengakibatkan menurunnya daya kemampuan hutan untuk menjalankan fungsi ekologisnya sehingga dapat menimbulkan dampak pada lingkungan yang serius
seperti perubahan iklim, berkurangnya keanekaragaman hayati dan ketersediaan sumber daya air serta terjadinya erosi tanah (Basyar, 1999).
2
Berbagai metode untuk melakukan pemodelan perubahan penggunaan lahan telah diterapkan oleh beberapa peneliti. Wijaya (2011) melakukan pemodelan dengan metode Multinomial Logistic Regression (MLR). Model yang telah berhasil dibangun mampu menjelaskan sebagian besar variasi dari perubahan penggunaan lahan di lokasi penelitian. Wu et al. (2006) menggunakan analisis regresi untuk memodelkan perubahan penggunaan lahan di kota Beijing, Cina dan melakukan prediksi 20 tahun ke depan dengan model Markov Chain. Model CLUE (Conversion of Land Use and its Effects) digunakan oleh Veldkamp dan Fresco (1995) untuk menganalisis perubahan penggunaan lahan di Costa Rica pada skala lokal, regional dan nasional. Dengan menggunakan ukuran skala yang berbeda, model ini menunjukkan bahwa pada skala lokal, regional dan nasional dapat terjadi suatu pengaruh yang saling berlawanan.
Metode pemodelan lainnya yang dapat digunakan untuk memodelkan suatu perubahan penggunaan lahan adalah metode Artificial Neural Network
(ANN). ANN atau dalam bahasa Indonesia mengandung arti jaringan syaraf tiruan, merupakan suatu struktur komputasi yang dikembangkan berdasarkan proses sistem jaringan syaraf biologi dalam otak. Penggunaan ANN telah mengalami peningkatan yang cukup besar dalam beberapa tahun terakhir seiring meningkatnya kinerja komputasi (Skapura, 1996). Tayyebi (2008) mensimulasikan perubahan pemukiman di kawasan metropolitan Teheran, Iran dengan Backpropagation Neural Network dan melihat bagaimana faktor jalan, lereng, daerah administrasi, pusat pelayanan dan kawasan pemukiman mempengaruhi perubahan yang terjadi. Sementara Pijanowski et al. (2002) menggunakan ANN untuk memodelkan perubahan pemukiman di Michigan, baik pada skala lokal maupun regional. Nilai akurasi model yang dihasilkan cukup baik pada kedua skala tersebut.
ANN dalam penelitian ini digunakan untuk menentukan lokasi atau daerah mana saja dari penggunaan lahan hutan dan semak belukar yang berpotensi untuk berubah menjadi perkebunan. Sementara SIG digunakan untuk membangun suatu aspek keruangan (spasial) dan membangun variabel-variabel pendorong yang mempengaruhi perubahan. Beberapa variabel yang mendorong terjadinya suatu
pemukiman, lereng, iklim, kepadatan penduduk dan pendapatan asli daerah. Dalam penelitian ini hanya empat yang digunakan, yaitu jarak ke jalan, jarak ke sungai, jarak ke pemukiman dan kepadatan penduduk. Oleh karena itu, dengan memadukan metode ANN dengan SIG diharapkan mampu memberikan jawaban yang lebih baik dalam memodelkan suatu perubahan penggunaan lahan.
1.2 Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut :
1. Memprediksi penggunaan lahan dan perubahan penggunaan lahan di Kabupaten Bengkalis pada tahun 2000, 2003, 2006 dan 2009
2. Membangun model perubahan penggunaan lahan dengan metode Artificial
Neural Network
II. TINJAUAN PUSTAKA
2.1 Penggunaan Lahan dan Perubahan Penggunaan Lahan
Definisi lahan menurut Sitorus (2004) merupakan bagian dari bentang alam (landscape) yang mencakup pengertian lingkungan fisik termasuk iklim, topografi atau relief, hidrologi termasuk keadaan vegetasi alami yang semuanya secara potensial akan berpengaruh terhadap penggunaan lahan. Menurut Hardjowigeno dan Widiatmaka (2001) lahan sebagai suatu wilayah di permukaan bumi, mencakup semua komponen biosfer, termasuk atmosfer serta segala akibat yang ditimbulkan oleh manusia di masa lalu dan sekarang.
Lillesand dan Kiefer (1997) mendefinisikan penggunaan lahan berhubungan dengan kegiatan manusia pada suatu bidang lahan. Penggunaan
lahan dapat dikelompokkan dalam dua golongan besar yaitu penggunaan lahan pertanian dan penggunaan lahan non-pertanian. Menurut Arsyad (1989) penggunaan lahan pertanian dibedakan atas tegalan, sawah, kebun, padang rumput, hutan produksi, hutan lindung dan sebagainya, sedangkan penggunaan lahan non-pertanian dibedakan dalam penggunaan kota atau desa (pemukiman), industri, rekreasi, pertambangan dan sebagainya.
Perubahan penggunaan lahan dapat diartikan sebagai suatu proses pilihan pemanfaatan ruang guna memperoleh manfaat yang optimum, baik untuk pertanian maupun non-pertanian (Junaedi, 2008). Menurut Kazaz dan Charles (2001) dalam Munibah (2008) perubahan penggunaan lahan adalah perubahan penggunaan atau aktivitas terhadap suatu lahan yang berbeda dari aktivitas sebelumnya, baik untuk tujuan komersial maupun industri. Sementara menurut Winoto et al. (1996), perubahan penggunaan lahan diartikan sebagai perubahan dari penggunaan lahan sebelumnya ke penggunaan lahan lain yang dapat bersifat permanen maupun sementara dan merupakan konsekuensi logis dari adanya pertumbuhan dan transformasi perubahan struktur sosial ekonomi masyarakat yang sedang berkembang. Apabila penggunaan lahan untuk sawah berubah menjadi pemukiman atau industri maka perubahan penggunaan lahan ini bersifat permanen dan tidak dapat kembali (irreversible), tetapi jika beralih guna menjadi
berkaitan erat dengan perubahan orientasi ekonomi, sosial, budaya dan politik masyarakat. Perubahan penggunaan lahan pada umumnya dapat diamati dengan menggunakan data spasial dari peta penggunaan lahan dari beberapa titik tahun yang berbeda. Data penginderaan jauh seperti citra satelit, radar, dan foto udara sangat berguna dalam pengamatan perubahan penggunaan lahan.
Faktor utama penyebab terjadinya perubahan penggunaan lahan adalah peningkatan jumlah penduduk. Peningkatan ini memiliki konsekuensi terhadap perkembangan ekonomi yang menuntut kebutuhan lahan untuk pemukiman, industri, infrastruktur dan jasa. Beberapa kajian dan penelitian telah dilakukan untuk menganalisis faktor-faktor penyebab terjadinya perubahan penggunaan lahan. Mansur (2001) menyebutkan tiga faktor yang berpengaruh yaitu peningkatan jumlah penduduk, urbanisasi dan peningkatan jumlah anggota
kelompok pendapatan menengah ke atas di daerah perkotaan. Sementara Rustiadi
et al. (2007) menyatakan beberapa hal yang diduga sebagai penyebab proses perubahan penggunaan lahan, antara lain:
1. Tingginya permintaan atas lahan sebagai akibat dari peningkatan jumlah penduduk
2. Market failure: alih profesi bagi petani yang kemudian petani tersebut menjual sawahnya, sebagai akibat dari pergeseran struktur dalam perekonomian dan dinamika pembangunan
3. Government failure: kebijakan pemerintah, misalnya memberikan peluang investasi di sektor industri namun tidak diikuti dengan kebijakan konversi lahan
2.2 Pemodelan Perubahan Penggunaan Lahan
2.2.1 Pengertian Model
Model adalah penyederhanaan suatu sistem di dunia nyata (real world), sementara sistem adalah mekanisme dimana berbagai macam komponen saling berinteraksi dengan suatu cara tertentu untuk menunjukkan fungsinya di dunia nyata (Handoko, 2005). Definisi lain yang berbasis spasial dikemukakan oleh Berger et al. (2001), dimana model adalah abstraksi dari sistem dunia nyata yang
6
juga memiliki tranparansi, sehingga mekanisme dan faktor kunci yang mempengaruhi perubahan dapat diidentifikasi. Tujuan dari penggunaan model adalah untuk memahami dengan mudah cara kerja sistem dengan menyederhanakan prosesnya.
Model dapat digunakan untuk merepresentasikan suatu isu yang spesifik pada ilmu yang berkaitan dengan sumberdaya alam, dan berbagai disiplin ilmu lainnya. Pemodelan perubahan penggunaan lahan merupakan salah satu bentuk pemodelan yang telah menarik perhatian beberapa peneliti di dunia. Mereka mempelajari adanya suatu hubungan sebab akibat antara pengelolaan suatu lahan dengan perubahan penggunaan lahan yang terjadi. Pemodelan perubahan penggunaan lahan memiliki beberapa kegunaan, antara lain untuk mengeksplorasi beragam aktifitas dimana terjadinya suatu perubahan penggunaan lahan yang
didorong oleh faktor sosial ekonomi (Batty dan Longley, 1994), memprediksi dampak ekonomi dan lingkungan yang akan ditimbulkan dari perubahan tersebut (Theobald dan Hobbs, 1998) serta mengevaluasi dampak dari kebijakan pemerintah dalam menentukan suatu peruntukkan lahan dan pengelolaan lahan (Bockstael et al., 1995). Diharapkan model perubahan penggunaan lahan yang telah dikembangkan dapat memberikan pemahaman tentang proses perubahan penggunaan lahan dan faktor-faktor yang mendorong terjadinya perubahan.
2.2.2 Pemodelan Perubahan Penggunaan Lahan dengan metode Artificial Neural Network
Artificial Neural Network (ANN) merupakan suatu metode, teknik atau pendekatan yang memiliki kemampuan untuk mengukur dan memodelkan suatu perilaku dan pola yang kompleks. ANN telah digunakan di berbagai disiplin ilmu seperti ekonomi, kesehatan, klasifikasi bentang lahan, pengenalan pola, prediksi kondisi iklim, dan penginderaan jauh (Atkinson dan Tatnall, 1997).
Multi-layer Perceptron (MLP) adalah salah satu bentuk arsitektur jaringan ANN yang paling banyak digunakan. MLP umumnya terdiri dari tiga jenis layer
dengan topologi jaringan seperti pada Gambar 1, yaitu lapisan masukan (input
layer), lapisan tersembunyi (hidden layer) dan lapisan keluaran (output layer) yang dapat digunakan untuk mengidentifikasi suatu hubungan non-linier di
Gambar 1. Ilustrasi Multi-layer Perceptron (Pijanowski et al., 2002)
Tahap pelatihan dan pengujian pada ANN harus dilakukan dengan hati-hati. Pada tahap pelatihan, nilai input akan dikalikan dengan suatu bobot yang nilainya ditentukan secara acak. Pada tahap pengujian, data yang terpisah akan disajikan untuk melatih jaringan secara independen dalam mengukur tingkat kesalahan. ANN dapat diaplikasikan untuk memodelkan suatu perubahan penggunaan lahan dalam empat tahap, yaitu (1) menentukan input dan arsitektur jaringan, (2) melatih jaringan menggunakan sebagian piksel dari input, (3) menguji jaringan menggunakan semua piksel dari input dan (4) menggunakan informasi yang telah dihasilkan oleh jaringan untuk memprediksi perubahan pengunaan lahan.
2.3 Proyeksi menggunakan Markov Chain
Metode Markov Chain pertama kali diperkenalkan sekitar tahun 1907 oleh seorang ahli matematika bernama Andrei A. Markov yang berasal dari Rusia. Metode Markov Chain akan berhubungan dengan suatu rangkaian proses dimana kemungkinan terjadinya suatu kejadian, diasumsikan hanya tergantung pada
8
Vandeveer dan Drummond (1976) menggunakannya untuk mengkaji dampak konstruksi sebuah reservoir. Markov Chain seringkali berperan menjadi konsep dasar yang digunakan pada pengembangan lanjutan, seperti model CA-Markov.
Matriks peluang transisi akan dihasilkan dan dijadikan dasar untuk melakukan proyeksi penggunaan lahan ke depan. Bentuk dari matriks transisi tersebut adalah sebagai berikut.
P = (
P
ij) =
P
ij merupakan nilai peluang perubahan penggunaan lahan i menjadi penggunaanlahan j, dimana n menunjukkan jumlah kelas penggunaan lahan. Besarnya nilai
P
ijharus memenuhi syarat yaitu
3.1 Waktu dan Tempat Penelitian
Penelitian dilaksanakan mulai bulan Agustus 2011 sampai Januari 2012 dengan memilih Kabupaten Bengkalis, Provinsi Riau sebagai studi kasus penelitian. Analisis data dilakukan di Laboratorium Penginderaan Jauh dan Informasi Spasial, Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, Institut Pertanian Bogor.
3.2 Bahan dan Alat
Bahan yang digunakan dalam penelitian ini dapat dilihat pada Tabel 1. Tabel 1. Bahan yang digunakan dalam penelitian
No. Data Skala/
30 x 30 m www.glovis.usgs Interpretasi penggunaan lahan
2. Peta Rupa Bumi Indonesia (RBI)
1:50.000 Bakosurtanal Peta dasar, variabel atau faktor pendorong
Software yang digunakan dalam penelitian dapat dilihat pada Tabel 2. Tabel 2. Software yang digunakan dalam penelitian
No. Software Fungsi
1. Idrisi Andes 15 Pemodelan perubahan penggunaan lahan 2. ArcGis 9.3 Interpretasi citra
3. Microsoft Excel Pengolahan data atribut dari peta penggunaan lahan
3.3 Metode Penelitian
Penelitian ini terdiri dari beberapa tahap, yaitu tahap persiapan, tahap
10
3.3.1 Tahap Persiapan
Tahap persiapan meliputi penentuan metode, studi literatur, dan pengumpulan data yang dibutuhkan dalam penelitian. Studi literatur dilakukan untuk menambah informasi yang berkaitan dengan penelitian dan memperdalam pemahaman tentang metode ANN. Data yang diperlukan dalam penelitian ini antara lain citra Landsat, peta RBI, dan data kepadatan penduduk Kabupaten Bengkalis. Selain itu, pembelajaran metode ANN dengan software Idrisi Andes 15 juga dilakukan untuk lebih memahami proses kerja metode tersebut.
3.3.2 Tahap Pengolahan Data
Pada tahap awal dilakukan interpretasi citra Landsat tahun 2000, 2003, 2006 dan 2009. Hasil interpretasi menghasilkan suatu peta penggunaan lahan tahun 2000, 2003, 2006 dan 2009 dengan kelas penggunaan lahan sebanyak 10
kelas berdasarkan klasifikasi Badan Planologi Kementrian Kehutanan (Lampiran 5). Software Idrisi Andes 15 membutuhkan data dengan format raster. Oleh karena itu, format peta perlu dikonversi terlebih dahulu menjadi raster dengan memilih ukuran piksel 50 x 50 m. Ukuran ini dipilih atas dasar pertimbangan yang paling mendekati ukuran resolusi spasial citra Landsat. Tipe data yang digunakan adalah dalam bentuk byte, yang menyatakan bilangan dengan nilai range 8 bit biner (0-255) dan hanya berisi bilangan non-negatif.
Peta jalan dan sungai diperoleh dari peta RBI skala 1:50.000.Peta jarak ke jalan, sungai, dan pemukiman dibuat dengan cara menjalankan modul Distance
pada software Idrisi Andes 15. Jarak dihitung berdasarkan Euclidean, yaitu jarak dari satu objek ke objek yang lainnya. Sementara itu, peta jumlah penduduk dibuat dengan asumsi bahwa populasi penduduk menyebar secara sirkular dengan jari-jari 2 km dan populasi akan bertambah besar ketika mendekati pusatnya (Muin, 2009). Rumus proporsi populasi yaitu:
P = 0.2402 * e (-0.9464 * (peta jarak ke pemukiman)/1000)
Pd = ρ* A * P * C dimana
Pd : peta kepadatan penduduk per piksel
ρ : kepadatan penduduk non-spasial (penduduk/km2)
A : luas wilayah penyebaran populasi (km2) = 3,14 * (2 km)2 = 12,5 km2
P : proporsi populasi
C : faktor konversi, dari 1 km2 ke 1 piksel
3.3.3 Tahap Pembuatan Model dan Peta Proyeksi Penggunaan Lahan
Model yang digunakan dalam penelitian adalah model ANN dengan arsitektur jaringan Multi-layer Perceptron (MLP) dan algoritma Backpropagation. Model ANN ini dijalankan dengan menggunakan aplikasi LCM (Land Change
Modeler) yang telah tersedia pada software Idrisi Andes 15 (Gambar 2). Peta penggunaan lahan yang digunakan hanya dua titik tahun, yaitu peta penggunaan lahan tahun 2000 dan 2009.
Gambar 2. Tampilan Aplikasi Land Change Modeler
12
1. Tahap analisis perubahan (Change Analysis) untuk menganalisis perubahan penggunaan lahan yang telah terjadi selama dua titik tahun. Grafik perubahan luas tiap penggunaan lahan akan disajikan pada tahap ini. 2. Tahap pemodelan perubahan penggunaan lahan (Transition Potentials).
- Masing-masing kelas perubahan penggunaan lahan akan dimodelkan dengan tujuan memprediksi lokasi yang berpotensi untuk berubah menjadi penggunaan lahan yang lain. Apabila menggunakan ANN, perubahan-perubahan tersebut dapat dikelompokkan dengan asumsi faktor yang mempengaruhi adalah sama. Dalam penelitian ini, diasumsikan bahwa faktor pendorong tiap perubahan tidak sama, sehingga tidak dilakukan pengelompokkan. Berikut adalah gambar yang menunjukkan tampilan kelas perubahan yang akan dimodelkan.
Gambar 3. Tampilan Kelas Perubahan yang akan Dimodelkan
Gambar 4. Tampilan Tahap Pengujian Nilai Cramer’s V
Rentang nilai yang dihasilkan berkisar antara 0-1, dimana nilai 0 menunjukkan tidak ada keterkaitan, sedangkan nilai 1 menunjukkan adanya keterkaitan yang sangat erat antara variabel tersebut dengan kelas penggunaan lahan yang mendorong terjadinya perubahan.
- Setelah semua variabel diuji nilai Cramer’s V, model dijalankan. Model akan berhenti apabila telah mencapai kondisi yang telah ditentukan, yaitu iterasi 5000, RMS 0,0001 dan akurasi model 100%.
Tampilan tahap pemodelan dapat dilihat pada gambar berikut ini.
Gambar 5. Tampilan Tahap Pemodelan dengan ANN
- Topologi jaringan yang dihasilkan adalah 4-3-2, yaitu 4 nodes pada
input layer, 3 nodes pada hidden layer dan 2 nodes pada output layer
14
Wij
tersebut mengandung bobot (W) berupa matriks yang ukurannya tergantung dari jumlah input nodes, hidden nodes dan output nodes.
Jarak ke jalan
Jarak ke sungai
Jarak ke pemukiman
Kepadatan penduduk
Gambar 6. Topologi Jaringan
- Output yang dihasilkan dari model ini adalah peta peluang perubahan (Potential Transition Map) yang memiliki nilai peluang antara 0-1, dimana semakin mendekati 1 maka daerah tersebut memiliki peluang yang tinggi untuk berubah menjadi penggunaan lahan lain. Masing-masing peta potensi perubahan tersebut direklasifikasi dengan hanya mengambil nilai peluang antara 0,5-1, dimana nilai < 0,5 dianggap penggunaan lahan tersebut tidak berubah menjadi penggunaan lahan yang lain.
- Uji validasi model dilakukan dengan cara menumpangtindihkan peta peluang hasil pemodelan ANN dengan peta penggunaan lahan tahun 2009 hasil interpretasi.
3. Tahap proyeksi penggunaan lahan (Change Prediction).
Peta proyeksi penggunaan lahan dibuat dengan aplikasi yang sama, yaitu
Land Change Modeler. Metode yang digunakan adalah Markov Chain
dengan tahun proyeksi adalah 2018. Berikut adalah gambar dari tahap proyeksi penggunaan lahan
Gambar 7. Tampilan Tahap Proyeksi Penggunaan Lahan
Metode ini mengasumsikan bahwa perubahan yang terjadi di masa depan memiliki pola dan peluang serupa dengan pola perubahan yang terjadi selama periode waktu yang digunakan. Perlu diketahui bahwa dalam menentukan tahun prediksi yang akan disimulasikan harus berada dalam selisih rentang waktu dari tahun awal dan akhir yang digunakan. Oleh karena itu, prediksi dilakukan untuk tahun 2018 yang berjarak 9 tahun dari tahun 2009. Matriks transisi akan dihasilkan oleh Markov Chain sebagai dasar untuk membuat peta proyeksi (Gambar 8).
Gambar 8. Matriks Transisi
16
dimana:
LCM = Land Change Modeler
ρ = data kepadatan penduduk non-spasial (penduduk/km2
)
A = luas wilayah penyebaran populasi (km2
) Proporsi=0.2402 * e (-0.9464 * (peta
jarak ke pemukiman)/1000)
Tentukan transisi Running Model
IV. KONDISI UMUM LOKASI PENELITIAN
4.1 Letak Geografis
Kabupaten Bengkalis merupakan salah satu kabupaten di Provinsi Riau. Wilayahnya mencakup daratan bagian pesisir timur Pulau Sumatera dan wilayah kepulauan, dengan luas adalah 773.393 ha. Kabupaten Bengkalis secara geografis terletak antara 2°30’ Lintang Utara - 0°56’ Lintang Utara dan 100°52’ Bujur Timur - 102°31’ Bujur Timur. Kabupaten Bengkalis memiliki batas-batas wilayah sebagai berikut :
- Sebelah utara berbatasan dengan Selat Malaka
- Sebelah selatan berbatasan dengan Kabupaten Siak dan Kabupaten Meranti
- Sebelah barat berbatasan dengan Kota Dumai, Kabupaten Rokan Hilir dan Kabupaten Rokan Hulu
- Sebelah timur berbatasan dengan Selat Malaka
Wilayah Kabupaten Bengkalis dialiri oleh beberapa sungai. Diantara sungai yang ada di daerah ini yang sangat penting sebagai sarana perhubungan utama dalam perekonomian penduduk adalah Sungai Siak dengan panjang 300 km, Sungai Siak Kecil 90 km dan Sungai Mandau 87 km.
18
Gambar 10. Peta Administrasi Kabupaten Bengkalis
4.2 Topografi
Wilayah Kabupaten Bengkalis merupakan dataran rendah dengan rata-rata ketinggian antara 2 – 6,1 m di atas permukaan laut yang ditumbuhi hutan tropis, pantai yang landai dan merupakan endapan lumpur sebagai hasil erosi sungai terutama di Pulau Babi, Kecamatan Rupat Utara. Daerah perbukitan yang tingginya lebih dari 25 m di atas permukaan laut hanya terletak di wilayah kecamatan Mandau. Akibat berada pada ketinggian yang relatif rendah dari permukaan laut, maka kelerengan topografi Kabupaten Bengkalis relatif landai.
4.3 Iklim
Kabupaten Bengkalis beriklim tropis yang sangat dipengaruhi oleh sifat iklim laut, dengan temperatur berkisar antara 26° – 32° C. Musim hujan biasa terjadi antara bulan September hingga Januari dengan curah hujan rata-rata berkisar antara 809 – 4.078 mm/tahun. Periode musim kering (musim kemarau) biasanya terjadi antara bulan Februari sampai dengan Agustus. Volume curah hujan di daerah ini rata-rata 174,24 mm dengan rata-rata banyaknya hari hujan selama 6 hari sampai 14 hari. Volume curah hujan rata-rata 17.171.000 m3 per tahun, dimana 61,2% dari seluruh volume curah ini dimanfaatkan untuk keperluan
4.4 Kependudukan
Penduduk Kabupaten Bengkalis pada tahun 2009 tercatat sebanyak 484.757 jiwa yang terdiri dari 250.265 jiwa laki-laki dan 234.492 jiwa perempuan, dengan rasio jenis kelamin yaitu 107 (Tabel 3). Kecamatan yang paling banyak penduduknya adalah Kecamatan Mandau dengan tingkat kepadatan mencapai 323 jiwa per km2 dan kecamatan yang paling jarang penduduknya adalah Kecamatan Rupat Utara dengan tingkat kepadatan 19 jiwa per km2. Sementara penyebaran penduduk yang terbanyak adalah di Kecamatan Mandau yaitu 44,84% dan penyebaran yang terendah di Kecamatan Rupat Utara yaitu 2,49% dari jumlah penduduk di Kabupaten Bengkalis. Berikut adalah grafik yang menggambarkan presentase penyebaran jumlah penduduk di Kabupaten Bengkalis.
Gambar 11. Presentase Penyebaran Jumlah Penduduk Kabupaten Bengkalis Menurut Kecamatan Tahun 2009 (Sumber: Badan Pusat Statistik Kabupaten
Bengkalis, 2009)
Tabel 3. Kepadatan Penduduk Bengkalis Menurut Kecamatan Tahun 2009
20
Sumber: Badan Pusat Statistik Kabupaten Bengkalis (2009)
4.5 Mata Pencaharian
Penduduk Kabupaten Bengkalis bermata pencaharian di sektor-sektor sebagai berikut.
Tabel 4. Sektor Mata Pencaharian Penduduk Kabupaten Bengkalis
Sektor Jumlah (%)
Listrik, Gas dan Air minum 0,16%
Keuangan dan Asuransi 0,59%
Lain-lain 1,53%
4.6 Pendidikan
Pada tahun 2009 di Kabupaten Bengkalis terdapat sebanyak 120 Taman Kanak-kanak, 317 Sekolah Dasar, 18 Madrasah Ibtidaiyah, 85 Sekolah Menengah
Gambar 12. Banyaknya Sarana Pendidikan di Kabupaten Bengkalis Tahun 2009 (Sumber: Badan Pusat Statistik Kabupaten Bengkalis, 2009)
V. HASIL DAN PEMBAHASAN
5.1 Penggunaan Lahan di Kabupaten Bengkalis
Berdasarkan hasil klasifikasi, Kabupaten Bengkalis memiliki 10 kelas penggunaan lahan yaitu hutan primer, hutan sekunder, hutan tanaman, lahan terbuka, pemukiman, perkebunan, pertambangan, pertanian, semak belukar dan tubuh air. Peta penggunaan lahan hasil klasifikasi dapat dilihat pada Lampiran 7 sementara luas masing-masing penggunaan lahan dapat dilihat pada Tabel 5 berikut ini.
Tabel 5. Luas Penggunaan Lahan Kabupaten Bengkalis Tahun 2000, 2003, 2006 dan 2009
Penggunaan lahan terbesar di Kabupaten Bengkalis pada tahun 2000, 2003, 2006 dan 2009 adalah perkebunan dan hutan sekunder. Perkebunan menempati 27% dari total luas wilayah pada tahun 2000 dan 2003. Peningkatan luas perkebunan terus terjadi pada enam tahun berikutnya sehingga luasnya pada tahun 2009 adalah 403.770 ha atau menempati 48% dari total luas wilayah. Hutan sekunder sebagai penggunaan lahan terbesar kedua mengalami peningkatan luas pada tahun 2003, namun enam tahun berikutnya luasnya berkurang sampai
Pertanian, sebagai salah satu mata pencaharian utama penduduk Kabupaten Bengkalis memiliki luas 43.100 ha pada tahun 2000 dan tahun 2009 luasnya mencapai 96.260 ha (11%). Pemukiman pada periode 2000-2003 tidak mengalami perubahan luas, namun pada tahun 2006 luas pemukiman meningkat sebesar 70 ha dan tahun 2009 meningkat sebesar 510 ha.
Hutan tanaman mengalami peningkatan luas yang signifikan pada periode 2000-2006. Luas hutan tanaman mengalami peningkatan sebesar 18.840 ha pada tahun 2003 dan 70.040 ha pada tahun 2006, namun pada tahun 2009 luasnya berkurang sebesar 22.940 ha, sehingga luas totalnya adalah 65.980 ha. Hal yang sama terjadi pada penggunaan lahan semak belukar. Pada periode 2000-2006 luas penggunaan lahan tersebut terus meningkat, namun mengalami penurunan pada tahun 2009. Sementara itu, lahan terbuka mengalami perubahan cukup dinamis.
Pada tahun 2003 luasnya meningkat, namun menurun pada tahun 2006 dan kembali meningkat pada tahun 2009.
5.2 Deteksi Perubahan Penggunaan Lahan Kabupaten Bengkalis
Deteksi perubahan penggunaan lahan dilakukan untuk mendapatkan informasi mengenai transisi atau perubahan apa saja yang terjadi pada dua titik tahun yang berbeda. Pada penelitian ini, deteksi perubahan dikelompokkan menjadi tiga periode, yaitu 2000-2003, 2003-2006, dan 2006-2009. Tumpang tindih dilakukan pada masing-masing peta, dan dilakukan tabulasi silang (crosstab) untuk melihat pola perubahan penggunaan lahan yang terjadi.
5.2.1 Perubahan Penggunaan Lahan Tahun 2000-2003
Berdasarkan hasil tabulasi silang terdapat 15 transisi atau perubahan penggunaan lahan yang disajikan dalam bentuk matriks pada Lampiran 1. Hutan primer dan hutan sekunder mendominasi perubahan menjadi penggunaan lahan lain pada periode 2000-2003. Hutan primer mengalami perubahan yang cukup besar menjadi hutan sekunder sebanyak 210.290 ha dan lahan terbuka 190 ha. Hutan sekunder mengalami perubahan menjadi hutan tanaman (13.840 ha), lahan terbuka (10.860 ha), perkebunan (210 ha), pertanian (130 ha) dan semak belukar (5.480 ha), sehingga luas total perubahan hutan sekunder adalah 30.540 ha. Lahan
24
yaitu menjadi hutan tanaman sebanyak 4.730 ha, pertambangan 50 ha, pertanian 180 ha dan semak belukar sebanyak 990 ha.
Hutan tanaman dan pertambangan tidak mengalami perubahan menjadi penggunaan lahan lain pada periode ini, namun keduanya mengalami peningkatan luas hasil perubahan dari penggunaan lahan lainnya. Hutan tanaman mengalami penambahan luas sebesar 18.840 ha dari hutan sekunder, lahan terbuka dan pertanian. Lain halnya dengan pemukiman, perubahan menjadi penggunaan lahan lain tidak terjadi, begitu juga sebaliknya. Secara ringkas, grafik perubahan luas penggunaan lahan pada periode 2000-2003 dapat dilihat pada Gambar 13 berikut ini.
Gambar 13. Perubahan Penggunaan Lahan Tahun 2000-2003
5.2.2 Perubahan Penggunaan Lahan Tahun 2003-2006
Lain halnya dengan hutan tanaman dan perkebunan. Kedua penggunaan lahan tersebut tidak banyak mengalami perubahan menjadi penggunaan lahan lain, namun banyak penggunaan lahan lain yang berubah menjadi hutan tanaman dan perkebunan sehingga luasnya bertambah masing-masing 70.040 ha dan 16.100 ha. Hal yang sama juga terjadi pada penggunaan lahan pertanian. Pemukiman pada periode ini tidak banyak mengalami penambahan luas, hanya bertambah 70 ha dari semak belukar. Perubahan luas masing-masing penggunaan lahan yang terjadi digambarkan pada grafik berikut ini.
Gambar 14. Perubahan Penggunaan Lahan Tahun 2003-2006
5.2.3 Perubahan Penggunaan Lahan Tahun 2006-2009
Berdasarkan hasil tabulasi silang, transisi atau perubahan yang terjadi pada periode ini sebanyak 23 transisi (Lampiran 1). Penggunaan lahan yang paling banyak mengalami penurunan luas adalah hutan sekunder, hutan tanaman dan semak belukar. Luasan hutan sekunder menurun karena berubah menjadi hutan tanaman (63.770 ha), lahan terbuka (5.750 ha), pemukiman (20 ha), pertanian (1.200 ha), semak belukar (13.910 ha) dan perubahan yang paling besar menjadi perkebunan (82.800 ha). Hutan tanaman juga mengalami penurunan luas yang cukup besar, yaitu menjadi perkebunan sebanyak 85.910 ha dan lahan terbuka sebanyak 1.580 ha. Sementara semak belukar mengalami penurunan luas sebesar
26
22.510 ha, dimana perubahan terbesar adalah menjadi perkebunan sebanyak 10.680 ha.
Luasan perkebunan pada periode ini mengalami peningkatan sangat besar, yaitu 161.650 ha. Hal yang sama terjadi pada pertanian. Penambahan luas pertanian berasal dari hutan sekunder (1.200 ha), perkebunan (26.060 ha), pertambangan (19.230 ha), dan semak belukar (4.880 ha) dengan total perubahan 51.380 ha. Pemukiman mengalami penambahan luas lebih besar dari dua periode sebelumnya, yaitu 510 ha. Penambahan luas tersebut berasal dari hutan sekunder (20 ha), perkebunan (100 ha), pertanian (80 ha) dan semak belukar (300 ha). Grafik berikut ini menggambarkan masing-masing perubahan luas penggunaan lahan yang terjadi pada periode 2006-2009.
Gambar 15. Perubahan Penggunaan Lahan Tahun 2006-2009
5.3 Model Perubahan Penggunaan Lahan dengan Metode Artificial Neural Network
Pembuatan model perubahan penggunaan lahan pada penelitian ini menggunakan aplikasi Land Change Modeler pada software Idrisi Andes 15. Peta penggunaan lahan yang digunakan adalah peta penggunaan lahan tahun 2000 dan 2009. Berikut adalah hasil dari masing-masing tahap yang dilakukan:
1. Tahap analisis perubahan (Change Analysis)
Pada tahap ini dihasilkan suatu grafik penambahan dan pengurangan luas tiap penggunaan lahan (Gambar 16). Warna hijau menunjukkan penambahan dan warna ungu menunjukkan pengurangan luas penggunaan lahan.
Gambar 16. Perubahan Luas Penggunaan Lahan Tahun 2000-2009
Pada Gambar 16 dapat dilihat bahwa perkebunan mengalami penambahan luas yang sangat besar yaitu 214.896 ha dan mengalami penurunan sebesar 36.747 ha. Hutan primer dan hutan sekunder mengalami penurunan luas yang cukup drastis masing-masing 210.605 ha dan 194.454 ha, namun penurunan luas hutan sekunder tersebut tidak sebanding dengan penambahan luasnya yang hanya sebesar 118.310 ha. Hutan tanaman mengalami penambahan luas sebesar 65.945 ha, sementara pemukiman luasnya hanya bertambah 591 ha. Pertambangan mengalami pengurangan cukup besar yaitu 19.331 ha, sementara luasnya hanya bertambah 52 ha.
2. Tahap penentuan kelas perubahan penggunaan lahan (Transition
Potentials)
28
ditunjukkan oleh poligon berwarna merah muda. Perubahan tersebut banyak terjadi di Kecamatan Pinggir, Bukit Batu dan Siak Kecil. Hutan primer juga mengalami perubahan yang cukup besar menjadi hutan tanaman, terutama terjadi di Kecamatan Rupat.
Gambar 17. Kelas Perubahan Penggunaan Lahan Tahun 2000-2009
3. Tahap penentuan input atau variabel pendorong dan pengujian nilai Cramer’s V
Beberapa variabel pendorong perubahan suatu penggunaan lahan diantaranya jarak ke jalan, jarak ke sungai, jarak ke pemukiman, kepadatan penduduk, pendapatan penduduk, lereng, tanah dan iklim. Jarak ke jalan, sungai dan pemukiman digunakan sebagai faktor perubahan dari segi budaya masyarakat, artinya semakin dekat penggunaan lahan terhadap jalan, sungai dan pemukiman maka semakin cepat perubahan penggunaan lahan yang terjadi. Kepadatan dan pendapatan penduduk termasuk ke dalam faktor sosial ekonomi yang mendorong perubahan, dimana faktor tersebut menggambarkan secara konkrit jumlah permintaan lahan pemukiman. Lereng, tanah dan iklim juga mempengaruhi berubahnya suatu penggunaan lahan. Dari beberapa variabel yang mempengaruhi perubahan penggunaan lahan, hanya 4 yang akan dimasukkan ke dalam model,
seragam. Sementara itu, pendapatan asli daerah tidak digunakan dalam model dikarenakan keterbatasan dalam memperoleh data.
Gambar 18. Jarak ke Jalan Gambar 19. Jarak ke Sungai
Gambar 20. Jarak ke Pemukiman Gambar 21. Kepadatan Penduduk
Keempat variabel diuji nilai Cramer’s V. Cramer’s V mengukur keterkaitan antara satu variabel dengan masing-masing penggunaan lahan dengan rentang nilai 0-1, dimana 0 menunjukkan tidak ada keterkaitan, sedangkan nilai 1 menunjukkan adanya keterkaitan erat antara variabel tersebut dengan penggunaan lahan. Adanya keterkaitan tersebut menunjukkan pengaruh masing-masing variabel untuk mendorong terjadinya perubahan penggunaan lahan. Nilai
30
Gambar 22. Pengujian Nilai Cramer’s V Variabel Jarak ke Pemukiman
4. Tahap menjalankan model
Sebelum menjalankan model, ANN akan menentukan dua kelas training sites, yaitu kelas yang berubah secara aktual (kelas 1), dan kelas yang memiliki syarat untuk berubah namun tidak pada kenyataannya (kelas 2). Masing-masing piksel dari kedua kelas tersebut akan di-training dan testing dengan bobot yang nilainya telah ditentukan secara acak (Lampiran 3 dan 4) dengan learning rate
dari 0,005 sampai 0,0001 (Gambar 23). Learning rate merupakan konstanta positif yang menunjukkan tingkat dari pembelajaran jaringan yang mengontrol seberapa besar perubahan bobot di setiap iterasi untuk mencapai nilai kesalahan sekecil mungkin.
Gambar 23. Kelas Training Sites Hutan Primer Menjadi Hutan Tanaman
ditentukan, yaitu iterasi 5000, RMS 0,0001 dan accuracy rate 100% (Gambar 24). Nilai iterasi 5000 merupakan nilai iterasi atau pengulangan terbaik yang disarankan dari software untuk mendapatkan hasil pemodelan yang baik. Nilai
RMS (Root Mean Square) merupakan nilai error atau kesalahan yang diharapkan sekecil mungkin yaitu mencapai 0,0001, sementara akurasi model sebesar 100% menunjukkan ketepatan model tersebut dalam memprediksi peluang perubahan penggunaan lahan yang terjadi. Walaupun keakuratan suatu model dengan kondisi dunia nyata tidak ada yang tepat 100%, dalam penelitian ini nilai tersebut diasumsikan sebagai nilai akurasi terbaik yang akan dihasilkan model.
Gambar 24. Grafik Perbandingan RMS dengan Iterasi dan Akurasi Model
32
Gambar 25. Peta Peluang Perubahan Hutan Sekunder Menjadi Perkebunan
Hasil pemodelan dari 21 kelas perubahan dapat dilihat secara rinci pada Lampiran 6. Berdasarkan hasil pemodelan, peluang hutan primer untuk berubah menjadi lahan terbuka dan perkebunan sangat kecil, yaitu kurang dari 0,11 untuk
berubah menjadi lahan terbuka dan kurang dari 0,20 untuk berubah menjadi perkebunan. Hal ini disebabkan lokasi hutan primer tersebut sangat jauh dari akses jalan sehingga kurang efisien bila dimanfaatkan untuk perkebunan. Selain itu nilai Cramer’s V yang sangat rendah (bernilai = 0) pada variabel jarak ke jalan, sungai, pemukiman dan kepadatan penduduk menunjukkan bahwa tidak ada keterkaitan antara variabel tersebut dengan hutan primer untuk mendorong terjadinya perubahan (Lampiran 2). Berikut adalah gambar dari hasil pemodelan perubahan hutan primer dan lahan terbuka menjadi perkebunan.
(b)
Gambar 26. Hasil Pemodelan dan Peta Peluang Perubahan Hutan Primer Menjadi Lahan Terbuka (a) dan Perkebunan (b)
Walaupun nilai akurasi model cukup besar (89,50% dan 88,50%), belum tentu dapat menghasilkan nilai peluang perubahan yang cukup baik (antara ≥ 0,5 – 1). Fenomena ini kerap terjadi dalam pemodelan yang dinamakan over fitting. Sementara itu, pemodelan menunjukkan hasil akurasi yang baik pada perubahan hutan primer menjadi hutan sekunder, hutan tanaman dan semak belukar, yaitu 89,94%, 81,40% dan 95,29%.
Hasil pemodelan perubahan hutan sekunder menunjukkan akurasi model
yang cukup baik, terutama untuk perubahan menjadi hutan tanaman dan perkebunan (97,62% dan 87,10%). Peluang perubahannya pun cukup besar, yaitu
di beberapa lokasi mencapai nilai 0,99 untuk hutan tanaman dan perkebunan. Terlihat bahwa daerah yang berwara kuning sampai merah muda adalah daerah yang memiliki peluang cukup besar untuk berubah. Perubahan tersebut sebagian besar terjadi di kecamatan Pinggir, Siak Kecil dan Bukit Batu (Gambar 27).
(a) (b)
34
Hal ini berkesesuaian dengan kondisi aktual dimana perubahan terbesar hutan sekunder adalah menjadi perkebunan dan hutan tanaman. Lokasinya yang dekat dengan akses jalan dan sungai memungkinkan terjadinya perubahan menjadi hutan tanaman dan perkebunan.
Sebagian besar arah atau pola perubahan di Kabupaten Bengkalis adalah menjadi perkebunan. Hasil pemodelan untuk lahan terbuka, pertanian dan semak belukar yang berubah menjadi perkebunan menunjukkan nilai akurasi dan nilai peluang yang cukup baik. Akurasi untuk perubahan lahan terbuka menjadi perkebunan adalah 80,60% dengan nilai peluang mencapai 0,99 pada lokasi tertentu, sedangkan nilai akurasi untuk pertanian dan semak belukar menjadi perkebunan berturut-turut 97,50% dan 87,00% dengan nilai peluang mencapai 0,98 dan 0,99 (Gambar 28). Hasil analisis keterkaitan menunjukkan bahwa
perkebunan memiliki keterkaitan yang erat dengan kepadatan penduduk dan jarak ke pemukiman dengan nilai Cramer’s V 0,59 dan 0,28 (Lampiran 2). Terlihat
bahwa perkebunan sebagian besar berada di kecamatan Pinggir, Bukit Batu, Rupat dan Siak Kecil dengan kepadatan penduduk kurang dari 40 jiwa per km2 dan jaraknya yang tidak terlalu dekat dengan pemukiman penduduk.
(a) (b)
(c)
Peluang suatu penggunaan lahan untuk berubah menjadi penggunaan lahan lain juga ditentukan oleh besarnya ketersediaan lahan. Dari kondisi aktual, penggunaan lahan yang berubah menjadi perkebunan adalah hutan primer sebesar 25.007 ha, hutan sekunder 160.607 ha, lahan terbuka 16.438 ha, pertanian 8.451 ha dan semak belukar 4.392 ha. Apabila semua penggunaan lahan tersebut sudah tidak tersedia lagi, maka luasan perkebunan tidak akan bertambah pada tahun-tahun berikutnya akibat dari ketersediaan lahan yang dapat dikonversi telah habis. Besarnya luasan ketersediaan suatu lahan akan meningkatkan peluang terjadinya perubahan penggunaan lahan, begitu pula sebaliknya. Dalam penelitian ini, variabel ketersediaan lahan tidak dimasukkan ke dalam model karena pada hasil akhirnya tidak menunjukkan pengaruh yang berbeda pada akurasi model dan nilai peluang yang dihasilkan.
5.4 Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018
Metode yang digunakan untuk melakukan proyeksi adalah Markov Chain. Pada penelitian ini dilakukan dua skenario, yaitu skenario Bisnis As Usual atau perubahan mengikuti trend historis yang telah terjadi, dan skenario tidak ada konversi hutan menjadi perkebunan. Matriks transisi untuk skenario BAU adalah sebagai berikut.
Gambar 29. Matriks Peluang Perubahan Penggunaan Lahan (Skenario BAU)
36
bahwa peluang tubuh air pada komponen on-diagonal adalah 1 yang berarti tubuh air cenderung tetap luasnya pada tahun 2018. Hutan tanaman dan pemukiman juga memiliki nilai peluang yang cukup tinggi (0,92 dan 0,99), hal ini menunjukkan peluang hutan tanaman dan pemukiman untuk berubah menjadi penggunaan lahan cukup kecil. Sementara itu, nilai peluang hutan primer dan sekunder sangat kecil dan mendekati 0. Dengan kata lain peluang hutan primer dan sekunder untuk berubah menjadi penggunaan lahan lainnya cukup besar.
Nilai-nilai pada komponen off-diagonal (selain kotak merah) menunjukkan peluang suatu penggunaan lahan untuk berubah menjadi penggunaan lahan lain. Semakin mendekati 1, semakin besar peluangnya untuk berubah menjadi penggunaan lahan lain. Hutan primer diprediksi akan mengalami perubahan menjadi hutan sekunder, hutan tanaman, lahan terbuka, perkebunan, pertanian dan
semak belukar. Peluang perubahan hutan primer paling besar adalah menjadi hutan sekunder, yaitu 0,55. Hutan sekunder juga akan mengalami perubahan menjadi penggunaan lahan lain yaitu hutan tanaman, lahan terbuka, pemukiman, perkebunan, pertanian dan semak belukar dimana peluang terbesar adalah menjadi perkebunan (0,70). Lain halnya pada pemukiman, peluang pemukiman untuk berubah menjadi penggunaan lahan lain sangat kecil bahkan mendekati 0, misalnya pemukiman menjadi semak belukar adalah 0,0034.
Gambar 30. Peta Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018 (Skenario BAU)
Menurut UU No.41 tahun 1999 tentang Kehutanan, luas kawasan hutan yang harus dipertahankan minimal 30% dari luas daerah aliran sungai dan atau pulau dengan sebaran yang proporsional. Berkurangnya luas hutan primer dan sekunder dapat mengakibatkan hilangnya keanekaragaman hayati, ekosistem hutan dan plasma nutfah (Soerjani et al., 2007). Selain itu juga akan mengakibatkan hilangnya sejumlah sumber air, sehingga memicu terjadinya
kekeringan. Untuk menghindari pengaruh negatif perubahan penggunaan lahan ke depan perlu dilakukan intervensi kebijakan yang mempertahankan hutan dalam
RTRW Provinsi atau Kabupaten. UU No. 27 tahun 2006 tentang penataan ruang menyebutkan pula bahwa kawasan hutan perlu dipertahankan paling sedikit 30% dari luas daerah sungai, baik kawasan hutan yang diperuntukkan untuk kawasan lindung maupun kawasan budidaya, dalam rangka mewujudkan pelestarian lingkungan. Dalam UU tersebut juga dikatakan penetapan proporsi luas kawasan hutan terhadap daerah aliran sungai dimaksudkan untuk menjaga keseimbangan tata air agar terhindar dari gangguan keseimbangan tata air seperti banjir, erosi, sedimentasi dan kekurangan air. Selain itu, distribusi luas kawasan hutan pun harus disesuaikan dengan kondisi morfologi jenis batuan serta bentuk pengairan sungai dan anak sungai.
38
Gambar 31. Matriks Peluang Perubahan Penggunaan Lahan (Tidak ada konversi hutan primer dan sekunder)
Gambar 32. Peta Proyeksi Penggunaan Lahan Kabupaten Bengkalis Tahun 2018 (Tidak ada konversi hutan primer dan sekunder)
Tabel 6. Luas Penggunaan Lahan Kabupaten Bengkalis Tahun 2018
Penggunaan Lahan 2018 (Skenario BAU) 2018 (Skenario tidak ada konversi hutan primer dan sekunder)
(Ha) (%) (Ha) (%)
Hutan Primer 74 0,01 205 0,02 Hutan Sekunder 29.924 3,55 137.164 16,29 Hutan Tanaman 67.860 8,06 67.860 8,06 Lahan Terbuka 23.482 2,79 23.482 2,79 Pemukiman 7.121 0,85 7.121 0,85 Perkebunan 485.838 57,70 378.467 44,95 Pertambangan 1.653 0,20 1.653 0,20 Pertanian 151.910 18,04 151.910 18,04 Semak Belukar 71.322 8,47 71.322 8,47 Tubuh Air 2.750 0,33 2.750 0,33 Total 841.934 100 841.934 100
5.5 Validasi Model
Validasi model dilakukan untuk melihat seberapa besar daerah perkebunan
match atau saling tumpang tindih antara perkebunan hasil pemodelan ANN dengan perkebunan kondisi aktual. Berdasarkan hasil pemodelan, terdapat 4 kelas perubahan penggunaan lahan yang memiliki peluang cukup tinggi untuk berubah menjadi perkebunan (antara 0,5 – 1), yaitu perubahan dari hutan sekunder, lahan terbuka, pertanian dan semak belukar menjadi perkebunan. Masing-masing dari kelas tersebut direklasifikasi agar nilai peluang yang muncul hanya antara 0,5 – 1 (Gambar 33).
40
overlay
(c) (d)
Gambar 33. Peta Hasil Reklasifikasi Hutan Sekunder (a), Lahan Terbuka (b), Pertanian (c) dan Semak Belukar (d) menjadi Perkebunan
Selanjutnya keempat kelas tersebut di-overlay sehingga menghasilkan suatu peta peluang perubahan perkebunan hasil dari pemodelan ANN (Gambar 34). Peta peluang tersebut di-overlay dengan peta perkebunan tahun 2009 hasil interpretasi (Gambar 35) untuk melihat ada atau tidaknya daerah yang saling tumpang tindih.
Gambar 34. Peta Peluang Perkebunan Gambar 35. Peta Perkebunan Hasil Pemodelan ANN Tahun 2009
Gambar 36. Peta Hasil Overlay Peluang Perkebunan Hasil Pemodelan ANN dengan Peta Perkebunan Tahun 2009
Pada Gambar 36 terlihat bahwa tidak ada daerah yang match atau saling tumpang tindih antara peta peluang perkebunan dengan peta perkebunan tahun 2009. Hal ini menunjukkan bahwa peta peluang yang dihasilkan oleh metode ANN merupakan peta peluang perubahan ke depan, sesuai dengan piksel yang
piksel hutan sekunder yang berubah secara aktual menjadi perkebunan dan piksel hutan sekunder pada tahun 2009. Hal yang sama juga berlaku pada kelas perubahan penggunaan lahan lainnya. Oleh karena itu, dilakukan overlay antara peta peluang perkebunan hasil pemodelan ANNdengan peta proyeksi tahun 2018 skenario BAU untuk melihat ada tidaknya daerah yang saling tumpang tindih. Berikut adalah peta yang dihasilkan.
Gambar 37. Peta Hasil Overlay antara Peta Peluang Perkebunan Hasil Pemodelan ANNdan Peta Perkebunan Tahun 2018
VI. KESIMPULAN DAN SARAN
6.1 Kesimpulan
1. Perubahan penggunaan lahan yang terjadi pada periode 2000-2003, 2003-2006 dan 2003-2006-2009 didominasi oleh berkurangnya luasan hutan primer dan hutan sekunder, dan bertambahnya luasan perkebunan dan hutan tanaman.
2. Pemodelan perubahan penggunaan lahan menggunakan metode ANN pada dua titik tahun (2000 dan 2009) dengan variabel pendorong jarak ke jalan, sungai, pemukiman dan kepadatan penduduk menunjukkan hasil akurasi model yang cukup baik (85%). Peluang hutan primer, hutan sekunder dan semak belukar untuk berubah menjadi perkebunan cukup tinggi (0,99).
3. Proyeksi penggunaan lahan dengan skenario BAU menunjukkan bahwa perkebunan akan mendominasi hampir 58% penggunaan lahan di Kabupaten Bengkalis pada tahun 2018, sedangkan pada skenario tidak ada konversi hutan primer dan sekunder luas perkebunan pada tahun 2018 mencapai 45% dengan luas hutan masih 16%.
6.2 Saran
VII. DAFTAR PUSTAKA
Arsyad, S. 1989. Konservasi Tanah dan Air. Bogor: IPB Press
Ashish, D. 2002. Land-use Classification of Aerial Images Using Artificial Neural Networks. USA: University of Georgia
Atkinson, P. and A. Tatnall. 1997. Neural Network in Remote Sensing. International Journal of Remote Sensing. Vol. 18(4), p. 699-709
Basyar, A. H. 1999. Evaluasi Penerapan Kebijakan Konservasi Hutan untuk Perkebunan Kelapa Sawit. http://www.bappenas.go.id/node/48/2333/eva luasi-penerapan-kebijakan-konversi-hutan-untuk-perkebunan-besar-kelapa -sawit-oleh-a-hakim-basyar-/ [diakses 15 September 2011]
Batty, M and P. A. Longley. 1994. Urban Modelling in Computer Graphic and Geographic Information System Environments. Environment and PlANNing. Vol. 19, p. 663-688
Berger, T., H. Coucleis, M. S. Manson and C. D. Parker. 2001. Introduction and conceptual overview. Report and review of International Workshop. October 4-7. California USA.
Bockstael, N. et al. 1995. Ecological Economic Modelling and Valuation of Ecosystems. Ecological Economics. Vol. 14, p. 143-159
Handoko, I. 2005. Quantitative Modelling of Systems Dynamics for Natural Resource Management. Bogor: SEAMEO BIOTROP
Hardjowigeno, S. dan Widiatmaka. 2001. Kesesuaian Lahan dan Perencanaan Tataguna Tanah. Jurusan Tanah, Fakultas Pertanian, Institut Pertanian Bogor. Bogor
Junaedi, A. 2008. Konsistensi dan Inkonsistensi Pemanfaatan Ruang dan Implikasinya Terhadap Pelaksanaan Rencana Tata Ruang Wilayah Kabupaten Sumedang. Tesis. Sekolah Pascasarjana Institut Pertanian Bogor. Bogor
Kazaz and Charles. 2001. Contaminated Lands. Presentation of Bill 72 Establishing New Rules for the Protection and Rehabilitation of Coantaminated Lands. http://www.fasken.com/WEB/FMDWEBSITE.NS F/0/7A37D65E2B09BA185256B360077D436/$File/ENVIROBULLETIN _FLASH_ANG.PDF?OpenElement [diakses 7 November 2011]
44
Lambin, E. F., M. Rounsevell and H. Geist. 2000. Are Current Agricultural Land Use Models Able to Predict Changes in Land Use Intensity?. Agriculture, Ecosystems and Environment. Vol. 1653, p: 1-11
Lillesand, T. M., dan R. W. Kiefer. 1997. Penginderaan Jauh dan Interpretasi Citra. Yogyakarta: Gajah Mada University
Mansur, E. 2001. Pengendalian Konversi Sawah Beririgasi. http://pu.go.id/Sekjen /Puskabijak/warta/e\web_001/kajian_3_ed1.htm [diakses 21 September 2011]
Muin, S. F. 2009. Analisis Perubahan Penggunaan Lahan Terhadap Limpasan Permukaan (Surface Run Off) dan Kebutuhan Air DAS Cimanuk. Skripsi. Departemen Geofisika dan Meteorologi. Fakultas Pertanian dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Bogor
Muiz, A. 2009. Analisis Perubahan Penggunaan Lahan di Kabupaten Sukabumi. Tesis. Sekolah Pascasarjana Institut Pertanian Bogor. Bogor
Muller, M. R. and J. Middleton. 1994. A Markov Model of Land-use Change Dynamics in the Niagara Region, Ontario, Canada. Landscape Ecology. Vol. 9(2), p: 161-167
Munibah, K. 2008. Model Penggunaan Lahan Berkelanjutan di DAS Cidanau, Kabupaten Serang, Propinsi Banten. Disertasi. Sekolah Pascasarjana Institut Pertanian Bogor. Bogor
Pijanowski, B. C., D. G. Brown, B. A. Shellito and G. A. Manik. 2002. Using Neural Network and GIS to Forecast Land Use Changes: A Land Transformation Model. Computers, Environment and Urban Systems. Vol. 26, p: 553-575
Wu, Q. et al. 2006. Monitoring and Predicting Land Use Change in Beijing Using Remote Sensing. Landscape and Urban PlANNing. Vol. 78, p: 322-333
Rumelhart, D., G. Hinton and R. Williams. 1986. Learning Internal Representations by Error Propagation. Parallel Distributed Processing: Explorations in the Microstructures of Cognition. Vol. 1, p: 318-362
Rustiadi, E., S. Saefulhakim, dan D. R. Panuju. 2007. Perencanaan dan Pengembangan Wilayah. Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, Institut Pertanian Bogor. Bogor
Skapura, D. 1996. Building Neural Networks. New York: ACM Press
Tayyebi, A., M. R. Delavar, S. Saeedi, J. Amini and H. Alinia.2008. Monitoring Land Use Change by Multi-temporal Landsat Remote Sensing Imagery. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. 37, p: 1037-1042
Theobald, D. M. and N.T. Hobbs. 1998. Forecasting Rural Land Use Change: A Comparison of Regression and Spatial Transition-based Models. Geographical and Environmental Modelling. Vol. 2(1), p: 65-82
Vandeveer, L. R. and H. E. Drummond. 1976. Differential Land Use Change as The Result of The Construction of The Keystone Reservoir. Oklahoma Agricultural Experiment Station. Vol. 56, p: 153-158
Veldkamp, A. and E. F. Lambin. 2001. Editorial: Predicting Land Use Change. Agriculture, Ecosystems and Environment. Vol. 85, p: 1-6
Veldkamp, A. and L. O Fresco. 1995. CLUE-CR : An Integrated Multi-scale Model to Simulate Land Use Change Scenarios in Costa Rica. Ecological Modelling. Vol. 91, p: 231-248
Wijaya, C. I. 2011. Land Use Change Modelling In Siak District , Riau Province, Indonesia Using Multinomial Logistic Regression. Tesis. Sekolah Pascasarjana Institut Pertanian Bogor. Bogor
47
Matriks Transisi Penggunaan Lahan Kabupaten Bengkalis Tahun 2003-2006 (Ha)
