http://jtsl.ub.ac.id 285
ANALISIS DAN PREDIKSI PERUBAHAN TUTUPAN LAHAN MENGGUNAKAN MODEL CELULAR AUTOMATA-MARKOV CHAIN
DI DAS WAE RUHU KOTA AMBON
Analysis and Prediction of Land Cover Change Using Cellular Automata- Markov Chain Model in Wae Ruhu Watershed, Ambon City
Heinrich Rakuasa1,2*, Melianus Salakory2, Philia Christi Latue3
1 Departemen Geografi, FMIPA, Universitas Indonesia, Depok 16424
2 Program Studi Pendidikan Geografi, FKIP, Universitas Pattimura, Ambon 97233
3 Departemen Biologi, Fakultas Biologi, Universitas Pedagogis Negeri Herzen Rusia, Saint Petersburg, 191186
* Penulis korespondensi: [email protected]
Abstrak
Letak geografis DAS Wae Ruhu berada di Kecamatan Sirimau yang merupakan kecamatan dengan jumlah penduduk terbesar di Kota Ambon dan juga merupakan pusat kegiatan ekonomi, pendidikan, dan industri;
Hal ini menciptakan pertumbuhan ekonomi dan penduduk yang berpotensi memicu konversi lahan di sekitar kawasan ini. Penelitian ini bertujuan untuk menganalisis perubahan tutupan lahan di Kota Ambon pada tahun 2012, 2017, 2022 dan memprediksi tutupan lahan pada tahun 2031. Penelitian ini menggunakan pemodelan Cellular Automata Markov Chains untuk memprediksi perubahan tutupan lahan pada tahun 2031.
Hasil penelitian menunjukkan bahwa jenis tutupan lahan adalah terbangun dan tutupan lahan. Areal terbuka terus bertambah luas, sedangkan areal pertanian dan nonpertanian terus mengalami pengurangan luas, dan badan air tidak mengalami pengurangan atau pertambahan luas. Hasil prediksi tutupan lahan tahun 2031 menunjukkan luas terbangun 345,79 ha, lahan terbuka 121,18 ha, lahan pertanian 657,35 ha, lahan non pertanian 507,65 ha, dan badan air 11,46 ha. Hasil penelitian ini diharapkan dapat dijadikan acuan dalam pengambilan kebijakan terkait penataan dan pemanfaatan ruang khususnya DAS Wae Ruhu serta dapat mengoptimalkan pengelolaan DAS yang berkelanjutan sebagai langkah awal dalam upaya mitigasi bencana alam.
Kata kunci: cellular automata, Kota Ambon, rantai Markov, tutupan lahan, Wae Ruhu
Abstract
The geographical location of the Wae Ruhu watershed is in Sirimau District, which is the sub-district with the largest population in Ambon City and is also the center of economic, educational, and industrial activities; this creates economic and population growth that has the potential to trigger land conversion around this area. This study aimed to analyze land cover changes in Ambon City in 2012, 2017, 2022 and predict land cover in 2031. This study used Cellular Automata Markov Chains modeling to predict land cover changes in 2031. The results showed that the types of land cover are built and land cover. The open area continues to increase in area, while agricultural and non-agricultural areas continue to experience a decrease in area, and water bodies do not experience a decrease or increase in area. The results of land cover predictions in 2031 showed that the built-up area is 345.79 ha, open land is 121.18 ha, agricultural land is 657.35 ha, non-agricultural land is 507.65 ha, and water bodies are 11.46 ha. The results of this study are expected to be used as a reference in making policies related to spatial planning and utilization, especially the Wae Ruhu watershed and can optimize sustainable watershed management as the first step in efforts to mitigate natural disasters.
Keywords: Ambon City, cellular automata, land cover, Markov chain, Wae Ruhu
http://jtsl.ub.ac.id 286 Pendahuluan
Salah satu permasalahan dalam pembangunan berkelanjutan adalah tekanan populasi penduduk terhadap sumber daya alam yang didorong oleh ekspansi perkotaan yang intensif dan pertumbuhan ekonomi yang cepat yang mengakibatkan urbanisasi yang tidak terkendali dan sangat berkontribusi terhadap alih fungsi lahan, kerusakan lingkungan dan perubahan iklim (Mwabumba et al., 2022).
Perubahan tutupan lahan merupakan salah satu variabel mendasar yang mempengaruhi perubahan lingkungan fisik dan manusia serta berdampak pada perubahan iklim (Kim et al., 2019). Perubahan tutupan lahan yang terjadi disebabkan oleh banyak faktor, termasuk faktor fisik dan manusia yang terdistribusi secara spasial (Näschen et al., 2019).
Perubahan tutupan lahan yang tidak sesuai dengan peruntukannya dapat mengakibatkan keprihatinan dalam pengendalian sumber daya alam dan pembangunan berkelanjutan dalam skala lokal dan global (Zheng et al., 2015).
Peningkatan jumlah penduduk yang sejalan dengan meningkatnya kegiatan manusia diberbagai sektor terutama sektor ekonomi, sehingga kebutuhan akan sumber daya lahan juga akan meningkat (Teklay et al., 2021), sedangkan keberadaan lahan yang tetap mengakibatkan terjadinya penurunan daya dukung lingkungan (Tan et al., 2022) dan kerusakan lingkungan (Shang dan Wu, 2022). Oleh karena itu, pemanfaatan dan efisiensi tutupan lahan wilayah Daerah Aliran Sungai (DAS) harus ditingkatkan berdasarkan perencanaan tutupan lahan yang rasional dengan tujuan pembangunan berkelanjutan (Tian et al., 2016), sehingga perlu adanya peningkatan dan pengelolaan potensi pengembangan wilayah berdasarkan rencana tata ruang yang sudah diatur (Mohamed dan Worku, 2019).
Penelitian ini dilakukan di DAS Wae Ruhu yang berada di Kecamatan Sirimau, yang merupakan kecamatan dengan jumlah penduduk terbanyak di Kota Ambon yaitu 1.917 jiwa km-2 (BPS, 2021). Jumlah penduduk Kecamatan Sirimau yang terus meningkat dapat memicu terjadinya perluasan lahan terbangun di DAS Wae Ruhu.
Secara spasial DAS Wae Ruhu berada dekat dengan pusat Kota Ambon yang merupakan sentral dari kegiatan ekonomi dan industri yang sangat berpotensi memicu alih fungsi lahan yang tidak terkendali yang nantinya akan menyebabkan terjadinya bencana alam seperti banjir, erosi dan longsor di daerah DAS (Tentua et al., 2018). Oleh karena itu analisis dan prediksi terhadap perubahan
tutupan lahan di DAS Wae Ruhu perlu dilakukan secara spasial yang nantinya informasi tersebut dapat dijadikan sebagai dasar dan pijakan dalam pengambilan kebijakan terkait penataan dan pemanfaatan ruang khususnya DAS Wae Ruhu serta dapat mengoptimalisasi pengelolaan DAS yang sustainable dan sebagai langkah awal dalam upaya mitigasi bencana alam.
Penelitian sebelumnya tentang perubahan tutupan lahan di DAS Wae Ruhu sudah dilakukan oleh Tayane et al. (2021) tetapi penelitian ini hanya menganalisis perubahan tutupan lahan yang terjadi pada tahun 2004 dan 2019 tanpa melakukan prediksi perubahan kedepannya. Penelitian menawarkan sesuatu yang baru yaitu dimana penelitian ini bukan hanya menganalisis perubahan tutupan lahan tahun 2012, 2017 dan 2022 tetapi juga memprediksi tutupan lahan lahan di tahun 2031. Penelitian ini menggunakan pemodelan Cellular Automata Markov Chain (CA MC) untuk memprediksi perubahsn tutupan lahan tahun 2031 yang nantinya akan dibandingkan dengan Rencana Tata Ruang Wilayah (RTRW) Kota Ambon 2011- 2031.
Cellular Automata Markov Chain (CA MC) merupakan pemodelan yang paling andal, akurat, dan berguna untuk mensimulasikan dan memprediksi perubahan lahan secara spasial dan temporal di masa yang akan datang dengan akurat (Putri dan Supriatna, 2021). Pemodelan CA MC dipilih karena memiliki kemampuan prediksi secara spasial temporal dan statistik yang sangat baik dan akurat yang bersifat dinamis (Mustafa et al., 2021).
Berdasarkan latar belakang di atas maka yang menjadi tujuan penelitian ini yaitu untuk menganalisis perubahan tutupan lahan di DAS Wae Ruhu Kota Ambon tahun 2012, 2017, 2022 dan memprediksi perubahan tutupan lahan tahun 2031 dengan menggunakan pemodelan Cellular Automata Markov Chain.
Bahan dan Metode
Penelitian ini dilakukan di DAS Wae Ruhu yang secara administrasi berada di Kecamatan Sirimau Kota Ambon, yang memiliki luas 1.648,44 ha (Gambar 1). Untuk melakukan analisis dan prediksi tutupan lahan DAS Wae Ruhu, perlu dilakukan dengan penggumpulan data dilakukan dengan tiga acara, yaitu studi literatur, studi instansional dan survei lapangan. Jenis data dan sumbernya dapat dilihat pada Tabel 1. Data citra satelit IKONOS tahun 2012 dan citra satelit SPOT 6 tahun 2017 dan tahun 2022 diolah menggunakan software Arc GIS
http://jtsl.ub.ac.id 287 10.8 untuk menghasilkan peta tutupan lahan tahun
2012, 2017 dan 2022. Proses interpretasi dan digitasi dilakukan untuk mengklasifikasi tutupan lahan di DAS Wae Ruhu yang mengacu pada SNI 7465:2010 (Badan Standarisasi Nasional, 2010), yaitu lahan terbangun, daerah pertanian, daerah
bukan pertanian, lahan terbuka dan perairan. Data driving factors yang digunakan dalam penelitian ini terdiri atas kemiringan lereng, ketinggian lahan, jarak dari jalan, jarak dari sungai dan jarak dari pusat kegiatan ekonomi (Tabel 2).
Tabel 1. Teknik pengumpulan data.
Komponen Data Sumber Data
Citra Satelit IKONOS tahun 2012 dan citra SPOT
6 tahun 2017 dan 2022 BAPPEKOT Ambon
Batas DAS Wae Ruhu PU Balai Sungai Kota Ambon
Jaringan Jalan Badan Informasi Geospasial
Jaringan Sungai Badan Informasi Geospasial
Ketinggian Lahan DEMNAS BIG
Kemiringan Lereng DEMNAS BIG
Pusat Kegiatan Ekonomi Interpretasi Citra SPOT 6 dan Survei Lapangan
Gambar 1. Lokasi penelitian.
Faktor pendorong (driving factors) dalam penelitian ini adalah sejumlah variabel spasial yang dapat mempegaruhi perubahan tutupan lahan disuatu lokasi. Setiap driving factors mempunyai pengaruh yang berbeda terhadap setiap jenis perubahan tutupan lahan maka dilakukan weighting atau pembobotan (Tabel 2), untuk menghitung kekuatan
driving factors. Pengolahan data driving factors dilakukan menggunakan aplikasi Arc Map 10.8 dengan menggunakan teknik fuzzy overlay dan menghasilkan output berupa driving factors (Gambar 3). Fuzzy adalah logical system yang bertujuan untuk melakukan formalisasi dari perkiraan terhadap penalaran yang direpresentasikan dalam bentuk kadar kepentingan yang memiliki rentang nilai 0-1 (Boolean) (Zadeh, 1994). Menurut Ghosh et al.
(2017), logika dalam fuzzy merupakan hal yang sangat baik untuk menafsirkan data yang terjadi secara terus menerus secara efektif dan efisien, ini merupakan cara yang baik untuk melakukan pemodelan berbasis cellular automata karena menggunakan komputasi secara paralel yang terdiri atas sel yang saling terkoneksi dan memiliki nilai yang continue (terus menerus), sehingga pada penelitian ini penulis mengolah data driving factors menggunakan konsep logika fuzzy. Klasifikasi setiap parameter driving factors dalam penelitian ini dapat dilihat pada Tabel 2 dan hasil analisis fuzzy pada driving factors dapat dilihat pada Gambar 2 sedangkan driving factors yang sudah di overlay dapat dilihat pada Gambar 3. Nilai logika fuzzy ditampilkan dengan gradasi warna merah-hijau, semakin hijau gradasi warna yang dihasilkan maka nilainya akan semakin tinggi, artinya akan semakin tinggi terjadinya perkembangan lahan terbangun atau permukiman di daerah tersebut. Kelima variabel yang sudah dilakukan fuzzy membership kemudian dioverlay dengan logika fuzzy gamma pada aplikasi Arc Map 10.8 yang kemudian dapat dihasilkan gabungan kesesuaian seluruh variabel seperti yang ditunjukkan pada Gambar 3.
http://jtsl.ub.ac.id 288 Tabel 2. Klasifikasi driving factors.
No Variabel Klasifikasi Bobot Sumber
1 Kemiringan Lereng
0-3 % 4
(Pratami et al., 2019)
3-15 % 3
15-40 % 2
>40 % 1
Ketinggian
0-7 mdpl 2
7-25 mdpl 3
25-100 mdpl 4
100-500 mdpl 5
>500 mdpl 1
3 Jarak dari Sungai
0-100 m 1
(Supriatna et al., 2020)
101-200 m 2
201-300 m 3
301-500 m 4
>500m 5
4
Jarak dari Pusat Kegiatan Ekonomi
0 – 2000 m 3
(Lisanyoto et al., 2019)
2001-2500 m 2
>2500 m 1
5 Jarak dari Jalan
0-25 m 5
(Irawan et al., 2019)
25-50 4
50-100 3
100-1000 2
>1000 1
Gambar 2. Driving Factors a). kemiringan lereng, b).ketinggian lahan, c). jarak dari sungai, d). jarak dari pusat kegiatan ekonomi, e). jarak dari jalan.
Gambar 3 menampilkan hasil overlay dari kelima parameter driving factors, dimana pada gambar tersebut menampilkan derajat (merah-hijau) yang sama seperti kelima parameter sebelumnya.
Semakin merah warnanya maka semakin rendah perkembangan lahan terbangun dan sebaliknya jika warna semakin hijau maka daerah tersebut sangat sesuai untuk permukiman.
http://jtsl.ub.ac.id 289 Gambar 3. Driving factors yang di overlay.
Hasilnya dapat diketahui bahwa daerah yang berada dekat dengan sungai, lereng yang terjal dan kemiringan lereng yang rendah memiliki nilai yang lebih rendah sedangkan daerah yang berada dekat dengan jaringan jalan pusat kegiatan ekonomi, derajat kemiringan lereng yang rendah dan ketinggian lahan yang tinggi memiliki nilai yang lebih tinggi. Maka potensi berkembangnya
permukiman di DAS Wae Ruhu berada dekat dengan jaringan jalan dan pusat kegiatan ekonomi.
Model Markov Chain menghasilkan trasilation/probability area matrix yang merupakan matriks transisi perubahan dari tahun sebelumnya ke tahun proyeksi (Difanty dan Supriatna, 2021).
Persamaan Markov dibangun menggunakan distribusi penggunaan lahan pada awal dan akhir masa pengamatan yang terpresentasikan dalam suatu vector (matriks satu kolom), serta sebuah matriks transisi (Kim et al., 2019). Selanjutnya, melakukan validasi model. Untuk itu, dilakukan pula proyeksi pada tahun aktual (2022), berdasarkan data tahun 2011 dan tahun 2016. Validasai kemudian dilakukan dengan membandingkan penggunaan lahan hasil simulasi (2021) dengan penggunaan lahan hasil digitasi dan observasi lapangan (2022), yang didasarkan pada nilai Kappa.
Pembuatan model prediksi tutupan lahan dilakukan di aplikasi Idrisi Selva 17 dimana dalam proses pembuatan model diperlukan kemampuan untuk menggunakan tools Land Change Modeller (LCM).
Proses dilakukan dengan menjalankan proses Markov Chains dan memasukan driving factors dalam format raster ke dalam aplikasi Idrisi Selva 17. Setelah itu, dilakukan uji akurasi model menggunakan perhitungan K-Standard (Kappa Coefficient) hingga nilai mencapai >70% atau lolos uji akurasi dan dapat dapat dilakukan prediksi untuk tahun 2031.
Alur kerja penelitian ini digambarkan pada Gambar 4.
Gambar 4. Alur kerja.
http://jtsl.ub.ac.id 290 Hasil dan Pembahasan
Perkembangan tutupan lahan yang terjadi di DAS Wae Ruhu dilihat dari hasil pengolahan data citra DAS Wae Ruhu tahun 2012, 2017, dan 2022. Data hasil digitasi kemudian menjadi acuan untuk mengetahui perkembangan tutupan lahan di DAS Wae Ruhu selama 15 tahun (2012-2022) dibagi menjadi lima kelas, yaitu lahan terbangun, lahan terbuka, lahan pertanian, bukan lahan pertanian dan badan air. Analisis untuk mengetahui perubahan tutupan lahan dilakukan secara spasial, tabular, dan deskriptif.
Perkembangan tutupan lahan tahun 2012, 2017 dan 2022
Perubahan tutupan lahan di DAS Wae Ruhu periode 2012, 2017 dan 2022 menunjukkan peningkatan pada jenis tutupan lahan terbangun dan lahan terbuka, sedangkan jenis tutupan lahan daerah pertanian dan tutupan lahan daerah bukan pertanian mengalami penurunan luasan. Hal ini dipengaruh oleh peningkatan jumlah penduduk di DAS Wae Ruhu yang sejalan dengan peningkatan kegiatan manusia diberbagai sektor terutama sektor ekonomi, sehingga kebutuhan akan sumberdaya
lahan juga akan terus meningkat. Tingginya pertambahan jumlah penduduk di DAS Wae Ruhu dapat meningkatkan kebutuhan lahan yang diwujudkan dalam bentuk pembangunan secara fisik, fasilitas ekonomi ataupun fasilitas sosial.
Secara spasial luasan perubahan tutupan lahan di DAS Wae Ruhu pada tahun 2012, 2017 dan 2022 dapat dilihat pada Gambar 5 dan Tabel 3.
Berdasarkan Tabel 3 dan Gambar 5 diketahui bahwa jenis tutupan lahan terbangun mengalami pertambahan luasan dari sebesar 6,18% dari total luasan di tahun 2012 menjadi 6,70% di tahun 2017 dan 7,36% di tahun 2022. Jenis tutupan lahan terbuka juga terus mengalami persentase kenaikan luasan dari 1,46% di tahun 2012 bertambah menjadi 1,69% di tahun 2017 dan 2,03% di tahun 2022, berbeda dengan jenis tutupan lahan pertanian yang terus mengalami presentasi penurunan luasan yaitu 21,56% di tahun 2012 menjadi 21,04% dan terus menurun di tahun 2022 menjadi 20,64%. Jenis tutupan lahan bukan lahan pertanian juga terus mengalami penurunan luasan yaitu 15.59% di tahun 2012 menjadi 15,23% di tahun 2017 dan terus mengalami penurunan yaitu 14,49% di tahun 2022 sedangkan tutupan lahan tubuh air tidak mengalami penurunan maupun pertambahan luasan.
Tabel 3. Komposisi tutupan lahan Kota Ambon tahun 2012, 2017 dan 2022.
Jenis Tutupan Lahan Luas
2012 2017 2022
ha % ha % ha %
Lahan Terbangun 226,63 13,75 245,50 14,89 272,70 16,54
Lahan Terbuka 52,70 3,20 61,84 3,75 76,54 4,64
Lahan Pertanian 789,30 47,88 771,34 46,79 756,64 45,90
Bukan Lahan Pertanian 568,36 34,48 558,29 33,87 531,09 32,22
Badan Air 11,46 0,69 11,46 0,69 11,46 0,69
Total Luas 1.648, 44
Gambar 5. Tutupan lahan DAS Wae Ruhu tahun 2012, 2017 dan 2022.
http://jtsl.ub.ac.id 291 Simulasi tutupan lahan tahun 2022
Pemodelan tutupan lahan DAS Wae Ruhu tahun 2022 dilakukan dengan menggunakan Markov Chains dan data driving factors yang telah dipersiapkan.
Besarnya kemungkinan terjadi perubahan tutupan
lahan disebut dengan Transition Probability Matrix (TPM) (Tabel 2), sedangkan angka-angka yang terdapat pada Tabel TPM menunjukkan bersaranya kemungkinan tutupan lahan yang mengalami perubahan menjadi tutupan lahan yang lainnya.
Tabel 4. Transition Probability Matrix (TPM) tahun 2012-2022.
I II III IV V
I 0,8500 0,0375 0,0375 0,0375 0
II 0,3261 0,6739 0 0 0
III 0,0736 0,0966 0,8298 0 0
IV 0 0,1621 0 0,8379 0
V 0 0 0 0 1
Keterangan: I. Lahan Terbangun, II. Lahan Terbuka, III. Lahan Pertanian, IV. Bukan Lahan Pertanian, V. Badan Air.
Pada Tabel 4. merupakan Transition Probability Matrix (TPM) dari tahun 2012 ke tahun 2022 dimana angka romawi I merupakan lahan terbangun, angka romawi II merupakan lahan terbuka, angka romawi III merupakan daerah pertanian, angka romawi IV merupakan daerah bukan pertanian dan angka romawi V merupakan perairan. Nilai 0 pada Transition Probability Matrix (TPM) menunjukkan tidak terjadi perubahan tutupan lahan pada suatu wilayah ke tutupan lahan yang lainnya, sedangkan nilai 1 menunjukkan bahwa tutupan lahan tersebut akan tetap dan tidak berubah ke tutupan lahan lainnya. Tabel 4 juga menunjukkan bahwa tutupan lahan jenis daerah pertanian
memiliki kemungkinan lebih tinggi untuk mengalami perubahan menjadi lahan terbangun dengan nilai transition probability sebesar 0,0736 kelas tutupan lahan lahan terbuka memiliki nilai transition probability 0,3261 untuk kemungkinan berubah menjadi permukiman, sedangkan daerah bukan pertanian memiliki nilai transition probability yaitu 0, dan perairan memiliki nilai Transition Probability 0 berarti tidak akan berubah menjadi jenis tutupan lahan lainnya.
Secara spasial tutupan lahan perbandingan tutupan lahan Exsisting tahun 2021 dan sumulasi untuk tahun 2021 dapat dilihat pada Gambar 6 dan Tabel 5.
Tabel 5. Perbandingan luasan tutupan lahan 2021 eksisting dan prediksi 2021 (ha).
Jenis Tutupan Lahan Luas (ha)
2021 Prediksi 2021
Lahan Terbangun 272,70 292,91
Lahan Terbuka 76,54 127,02
Lahan Pertanian 756,64 697,53
Bukan Lahan Pertanian 531,09 514,51
Badan Air 11,46 11,46
Total 1.648,44 100,00
Berdasarkan hasil pemodelan tutupan lahan tahun 2022 (Gambar 6), pada kelas lahan terbangun lebih luas dibandingkan dengan hasil tutupan lahan 2022 eksisting berbeda dengan jenis tutupan lahan lainnya dimana luasannya lebih luas dibandingkan dengan tutupan lahan hasil pemodelan tahun 2022.
Berdasarkan luasan tutupan lahan eksisting tahun 2022 dan hasil simulasi tahun 2021 (Tabel 5), dapat dilihat bahwa terjadi perubahan tutupan lahan
secara segnifikan di DAS Wae Ruhu. Kelas tutupan lahan yang mengalami penambahan luasan yaitu kelas tutupan lahan permukiman dan lahan terbuka, sedangkan tutupan lahan yang mengalami penurunan luasan yaitu kelas tutupan lahan pertanin sedangkan kelas tutupan lahan daerah bukan pertanian dan perairan tidak mengalami penambahan dan pengurangan luasan. Setelah pembuatan model 2022 kemudian model tersebut
http://jtsl.ub.ac.id 292 harus dilakukan uji akurasi. Uji Akurasi dilakukan
untuk mengetahui apakah model yang dihasilkan pertama dapat digunakan untuk membuat model prediksi kedua. Uji akurasi dilakukan dengan datan tutupan lahan tahun 2022 ekisting sebagai data dasar (reference image) (Kusratmoko et al., 2017) dan data model prediksi tutupan lahan tahun 2022
sebagai pembanding (comparison image). Hasil Uji akurasi dapat dilihat pada Gambar 7 menunjukkan bahwa nilai Kappa (K standard) yaitu 0,9267 atau 92,67% yang menunjukkan bahwa nilai akurasi ini dikatakan sangat baik dan dapat dilanjutkan untuk memodelkan tutupan lahan Kawasan pusat Kota Ambon pada tahun 2041.
Gambar 6. Perbandingan tutupan lahan a) eksisting tahun 2022 dan b) prediksi 2022.
Gambar 7. Validasi model 2022 dengan uji Kappa.
Model prediksi tutupan lahan DAS Wae Ruhu tahun 2031
Pemodelan tutupan lahan tahun 2031 dilakukan untuk memprediksi tutupan lahan di DAS Wae Ruhu pada tahun 2031. Pada tahapan ini digunakan driving factors yang sudah siapkan. Pada
pemodelan tutupan lahan tahun 2031 ini juga menggunakan metode Markov Chains namun, pada pemodelan ini menghasilkan nilai Transition Probability Matrix (TPM) yang berbeda pemodelan pertama dimana transition probability yang dilihat memilki rentang waktu 9 tahun dari tahun 2022 ke
http://jtsl.ub.ac.id 293 2031. Untuk lebih jelasnya dapat dilihat pada Tabel
6. Dapat dilihat pada Tabel 6 terdapat transitional probability matrix dari tahun 2022 ke tahun 2031, angka romawi I menunjukkan daerah bukan
pertanian, angka romawi II menunjukkan daerah pertanian, angka romawi III menunjukkan lahan terbuka, angka romawi IV menunjukkan perairan, dan angka romawi V menunjukkan permukiman.
Tabel 6. Transition Probability Matrix (TPM) tahun 2022-2031.
I II III IV V
I 0,8600 0,0104 0,0016 0,0677 0
II 0,0580 0,9399 0 0,0011 0
III 0,0913 0,1562 0,7490 0,0019 0
IV 0,0045 0,2696 0 0,7259 0
V 0 0 0 0 1
Keterangan: I. Lahan Terbangun, II. Lahan Terbuka, III. Lahan Pertanian, IV. Bukan Lahan Pertanian, V. Badan.
Model prediksi tutupan lahan DAS Wae Ruhu tahun 2031 disajikan pada Gambar 8.
Gambar 8. Model prediksi tutupan lahan DAS
Wae Ruhu tahun 2031.
Nilai probabilitas antara jumlah kolom dan baris maksimal adalah 1. Semakin besar nilai probabilitas pada tutupan lahan tujuan, maka akan semakin besar kemungkinan tutupan lahan untuk berubah.
Angka 1 pada TPM tutupan lahan perairan berarti tutupan lahan tersebut akan tetap menjadi perairan, sedangkan angka 0 menunjukkan bahwa tidak terjadi perubahan dari tutupan lahan satu ke tutupan lahan lainnya. Dari Tabel 6 dapat dilihat bahwa masing-masing tutupan lahan mengalami sedikit perubahan ke tutupan lahan lainnya pada tahun 2031. Lahan bukan lahan pertanian memiliki nilai TPM terkecil untuk berubah menjadi lahan terbangun yaitu 0,0045, sedangkan jenis tutupan lahan pertanian memiliki nilai TPM tertinggi yaitu 0.0913 untuk kemungkinan berubah menjadi lahan terbangun. Berdasarkan hasil pengolahan prediksi model tutupan lahan di tahun 2031 menggunakan Celullar Automata Markov Chain diketahui jenis tutupan lahan terbangun dan tutupan lahan terbuka terus mengalami penambahan luasan dan untuk jenis tutupan lahan pertanian dan jenis tutupan lahan bukan pertanian terus mengalami penurunan luasan dan jenis tutupan lahan badan air tidak mengalami penambahan dan pengurangan luasan.
Luasan model tutupan lahan lahan DAS Wae Ruhu tahun 2031 disajikan pada Tabel 7.
Tabel 7. Luasan model tutupan lahan DAS Wae Ruhu Tahun 2031.
Jenis Tutupan Lahan Luas
ha %
Lahan Terbangun 345,79 21,04
Lahan Terbuka 121,18 7,37
Lahan Pertanian 657,35 40,00
Bukan Lahan Pertanian 507,66 30,89
Badan Air 11,46 0,70
Total 1.643,44 100,00
http://jtsl.ub.ac.id 294 Berdasarkan Tabel 7 diketahui bahwa presentasi
luasan hasil prediksi model tutupan lahan DAS Wae Ruhu pada tahun 2031 dimana jenis tutupan lahan lahan pertanian memiliki presentasi luasan tertinggi yaitu 657,35 ha atau sebesar 40,00% dari total luasan wilayah penelitian, bukan lahan pertanian memiliki presentasi luasan yaitu 507,66 ha atau sebesar 30,89%, jenis tutupan lahan terbangun memiliki presentasi luasan 345,79 ha atau sebesar 21,04%, jenis tutupan lahan terbuka memiliki presentasi luasan yaitu 121,18 ha atau 7,37% dan jenis tutupan lahan yang memiliki presentase luasan paling sedikit yaitu badan air yaitu 11,46 atau 0,70%.
Kesimpulan
Selama 20 tahun terakhir dari tahun 2012, 2017 dan 2022 perubahan tutupan lahan di DAS Wae Ruhu terus mengalami peningkatan pada tutupan lahan jenis lahan terbangun dan lahan terbuka, sedangkan tutupan lahan bukan daerah pertanian dan daerah pertanian terus mengalami penurunan dan untuk tutupan lahan badan air tidak mengalami peningkatan maupun penurunan. Hasil pemodelan tutupan lahan di tahun 2031 juga menunjukkan hal yang sama dimana jenis tutupan lahan terbangun di daerah DAS Wae Ruhu terus mengalami peningkatan yang sangat cepat, oleh karena itu analisis dan prediksi terhadap perubahan tutupan lahan di DAS Wae Ruhu ini sangat penting dan bermanfaat serta dapat dapat dijadikan sebagai bahan dalam pengambilan kebijakan terkait penataan dan pemanfaatan ruang khususnya di DAS Wae Ruhu serta dapat mengoptimalisasi pengelolaan DAS yang berkelanjutan.
Ucapan Terima Kasih
Penulis mengucapkan terimakasih pada Departemen Geografi, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, Program Studi Pendidikan Geografi, Fakultas Keguruan dan Ilmu Pendidikan Universitas Pattimura dan Departemen Biologi, Fakultas Biologi, Universitas Pedagogis Negeri Herzen Rusia yang sudah bekerjasama dalam penelitian ini
Daftar Pustaka
Badan Standarisasi Nasional. 2010. SNI 7645-2010 Tentang Klasifikasi Penutup Lahan.
BPS. 2021. Kota Ambon Dalam Angka 2021 (BPS Kota Ambon (ed.)). BPS Kota Ambon.
https://ambonkota.bps.go.id/publication/2020/04 /27/0072157fa7d7bf288ceb130a/kota-ambon- dalam-angka-2020.html#:~:text=Kota Ambon
Dalam Angka 2020 merupakan seri publikasi tahunan BPS, demografi dan perekonomian di Indonesia.
Difanty, A. dan Supriatna, S. 2021. Spatial modeling for prediction agricultural land-use change in Jampang Kulon, Sukabumi Regency. IOP Conference Series:
Earth and Environmental Science 623:12084.
Ghosh, P., Mukhopadhyay, A., Chanda, A., Mondal, P., Akhand, A., Mukherjee, S., Nayak, S.K., Ghosh, S., Mitra, D., Ghosh, T. and Hazra, S. 2017. Application of Cellular automata and Markov-chain model in geospatial environmental modeling- A review.
Remote Sensing Applications: Society and Environment 5:64-77.
Irawan, I.A., Supriatna, S., Manessa, M.D.M. and Ristya, Y. 2019. Prediction model of land cover changes using the cellular automata-Markov Chain affected by the BOCIMI toll road in Sukabumi Regency. KnE Engineering 4(3 SE-Articles).
Kim, I., Arnhold, S., Ahn, S., Le, Q.B., Kim, S.J., Park, S.J. and Koellner, T. 2019. Land use change and ecosystem services in mountainous watersheds:
Predicting the consequences of environmental policies with cellular automata and hydrological modeling. Environmental Modelling & Software 122:103982.
Kusratmoko, E., Albertus, S.D.Y. and Supriatna. 2017.
Modelling land use/cover changes with markov- cellular automata in Komering Watershed, South Sumatera. {IOP} Conference Series: Earth and Environmental Science 54:12103.
Lisanyoto, L., Supriatna, and Sumadio, W. 2019. Spatial Model of Settlement Expansion and its Suitability to the Landscapes in Singkawang City, West Kalimantan Province. IOP Conference Series: Earth and Environmental Science 338:12034.
Mohamed, A. and Worku, H. 2019. Quantification of the land use/land cover dynamics and the degree of urban growth goodness for sustainable urban land use planning in Addis Ababa and the surrounding Oromia special zone. Journal of Urban Management 8(1):145-158.
Mustafa, A., Ebaid, A., Omrani, H. and McPhearson, T.
2021. A multi-objective Markov Chain Monte Carlo cellular automata model: Simulating multi-density urban expansion in NYC. Computers, Environment
and Urban Systems 87:101602,
doi:10.1016/j.compenvurbsys.2021.101602.
Mwabumba, M., Yadav, B.K., Rwiza, M.J., Larbi, I. and Twisa, S. 2022. Analysis of land use and land-cover pattern to monitor dynamics of Ngorongoro world heritage site (Tanzania) using hybrid cellular automata-Markov model. Current Research in Environmental Sustainability 4:100126.
Näschen, K., Diekkrüger, B., Evers, M., Höllermann, B., Steinbach, S. and Thonfeld, F. 2019. The impact of land use/land cover change (LULCC) on water resources in a tropical catchment in Tanzania under
http://jtsl.ub.ac.id 295 different climate change scenarios. Sustainability
11(24):7083, doi:10.3390/su11247083.
Pratami, M., Susiloningtyas, D. and Supriatna. 2019.
Modelling cellular automata for the development of settlement area Bengkulu City. IOP Conference Series: Earth and Environmental Science 311:012073.
Putri, R.A. and Supriatna, S. 2021. Land cover change modeling to identify critical land in the Ciletuh Geopark tourism area, Palabuhanratu, Sukabumi Regency. IOP Conference Series: Earth and Environmental Scienc, 623:012081.
Shang, C. and Wu, J. 2022. A legendary landscape in peril: Land use and land cover change and environmental impacts in the Wulagai River Basin, Inner Mongolia. Journal of Environmental Management 301:113816.
Supriatna, S., Pratiwi, S.F., Marko, K., Manessa, M.D.M.
and Ristya, Y. 2020. Spatial Dynamics of Tsunami Prone Areas in Pariaman City, West Sumatera.
Journal of Computational and Theoretical Nanoscience 17(2):1474-1491.
Tan, S., Liu, Q. and Han, S. 2022. Spatial-temporal evolution of coupling relationship between land development intensity and resources environment carrying capacity in China. Journal of Environmental Management 301:113778.
Tayane, Y.A., Boreel, A. dan Putuhena, J.D. 2021.
Perubahan tutupan lahan di DAS Waeruhu Kota Ambon menggunakan citra satelit MultitempORAL.
Jurnal Hutan Pulau-Pulau Kecil 5(2):139-151.
Teklay, A., Dile, Y.T., Asfaw, D.H., Bayabil, H.K. and Sisay, K. 2021. Impacts of climate and land use change on hydrological response in Gumara Watershed, Ethiopia. Ecohydrology & Hydrobiology 21(2).
Tentua, V. C., Gaspersz, E.J. dan Puturuhu, F. 2018.
Evaluasi permukiman berdasarkan tingkat kerawanan banjir pada DAS Wae Ruhu. Jurnal Budidaya Pertanian 14(2):113-124.
Tian, G., Ma, B., Xu, X., Liu, X., Xu, L., Liu, X., Xiao, L. and Kong, L. 2016. Simulation of urban expansion and encroachment using cellular automata and multi- agent system model-A case study of Tianjin metropolitan region, China. Ecological Indicators 70:439-450.
Zadeh, L.A. 1994. Fuzzy logic, neural networks, and soft computing. Communications of the ACM 37(3):77- 84.
Zheng, H.W., Shen, G.Q., Wang, H. and Hong, J. 2015.
Simulating land use change in urban renewal areas: A case study in Hong Kong. Habitat International 46:23-34.
