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 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 (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
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 No. Penulis Judul Penelitian Tujuan Penelitian Metode
Penelitian Jenis Data Variabel Hasil 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 No. Penulis Judul Penelitian Tujuan Penelitian Metode
Penelitian Jenis Data Variabel Hasil 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
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 No. Penulis Judul Penelitian Tujuan Penelitian Metode
Penelitian Jenis Data Variabel Hasil 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 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 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/km
2 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
14
