http://jtsl.ub.ac.id 161
PEMODELAN PREDIKSI KONVERSI PENGGUNAAN LAHAN BERBASIS ANN-CA DI WILAYAH PERI-URBAN
KABUPATEN SLEMAN
Modeling Prediction of Land Use Conversion Based on ANN-CA in Peri-Urban Area of Sleman Regency
Tiara Sarastika
1*, Yudhistira Saraswati
2, Riska Aprilia Triyadi
3, Yusuf Susena
41 Program Studi Ilmu Tanah, Fakultas Pertanian, UPN Veteran Yogyakarta
2 Program Studi Agribisnis, Fakultas Pertanian, UPN Veteran Yogyakarta
3 Program Studi Teknik Lingkungan, Fakultas Teknologi Mineral, UPN Veteran Yogyakarta
4 Departemen Sains Informasi Geografis, Fakultas Geografi, Universitas Gadjah Mada
* Penulis korespondensi: [email protected]
Abstrak
Perkembangan di wilayah kota menyebabkan wilayah urban mengalami perkembangan signifikan akibat dari peningkatan aktivitas. Salah satu yang terlihat adalah perubahan penggunaan lahan bervegetasi menjadi lahan terbangun. Lokasi penelitian berada di Kapanewon Depok dan Kapanewon Mlati, Kabupaten Sleman sebagai wilayah peri-urban. Penelitian ini bertujuan untuk menganalisis konversi penggunaan lahan tahun 2015-2020 dan melakukan pemodelan prediksi perubahan lahan 20 tahun ke depan (2025-2045) menggunakan Artificial Neural Network - Cellular Automata (ANN-CA). Metode ANN berfungsi untuk menentukan probabilitas transisi penggunaan lahan dengan menggunakan beberapa neuron keluaran. CA digunakan memodelkan perubahan penggunaan lahan dengan menerapkan probabilitas transisi. Sumber data penggunaan lahan berasal dari hasil ekstraksi citra SPOT, kemudian proses pemodelan menggunakan QGIS Desktop 2.18.11 pada plugin MOLUSCE. Hasil penelitian menunjukkan bahwa wilayah peri-urban mengalami penurunan luas pada lahan pertanian dan peternakan sebesar 152,62 ha (2,52%), sedangkan lahan bangunan mengalami peningkatan luas sebesar 148,74 ha (2,46%). Prediksi konversi penggunaan lahan tahun 2025-2045 menunjukkan bahwa pengurangan luas lahan pertanian, perkebunan, dan peternakan akan terus berlanjut dan luas lahan untuk bangunan dan jalan semakin meningkat.
Kata kunci: cellular automata, konversi lahan, model prediksi, peri-urban
Abstract
The development in the city has caused urban areas to experience significant growth due to increased activity. One of the visible changes is the change in the use of vegetated land for built-up land. The research location is in a peri-urban area of Depok and Mlati subdistrict, Sleman Regency. This research analyzed land use conversion in 2015-2020 and modeled land change predictions for the next 20 years (2025-2045) using Artificial Neural Network - Cellular Automata (ANN-CA). The ANN method used multiple output neurons to determine the probability of land use transition. CA was used to model land use change by applying transition probabilities. The source of land use data came from extracting SPOT images, and then the modeling process used QGIS Desktop 2.18.11 on the MOLUSCE plugin. The results showed that the peri- urban area experienced a decrease in agricultural and livestock land by 152.62 ha (2.52%) while building land increased by 148.74 ha (2.46%). The 2025-2045 land use conversion prediction shows that the reduction in agricultural land, plantations, and livestock will continue, and the land area for buildings and roads will increase.
Keywords: cellular automata, land conversion, peri-urban, prediction model
http://jtsl.ub.ac.id 162
Pendahuluan
Perkembangan wilayah kota memberi dampak pada perubahan di daerah sekitarnya. Dampak yang paling terasa dialami oleh wilayah peri-urban, baik dampak positif maupun negatif. Pergerakan kegiatan di wilayah peri-urban sangat dinamis terkait perubahan aspek fisik, ekonomi, dan sosial.
Wilayah peri-urban merupakan zona transisi yang terjadi di wilayah pinggiran kota. Peri-urban membawa beberapa perubahan penting, seperti perubahan penggunaan lahan, sumberdaya air dan tanah, degradasi lingkungan, dan lain sebagainya (Varkey and Manasi, 2019).
Wilayah peri-urban mengalami perkembangan yang pesat, terutama dari segi infrastruktur seiring dengan perkembangan kota yang terjadi.
Pertumbuhan jumlah penduduk yang meningkat mengakibatkan tingginya pembangunan sarana dan prasarana termasuk kebutuhan akan tempat tinggal/ perumahan. Coulibaly and Li (2020) menjelaskan bahwa pertumbuhan wilayah perkotaan memicu hilangnya lahan pertanian, sehingga penghidupan petani dan penyediaan lahan sumber pangan bagi masyarakat menurun. Laju perkembangan pembangunan juga menyebabkan perubahan lahan bervegetasi menjadi non vegetasi.
Kapanewon Mlati dan Kapanewon Depok termasuk wilayah peri-urban di Kabupaten Sleman, karena letaknya berbatasan langsung dengan Kota Yogyakarta. Kedua kapanewon tersebut mengalami perkembangan yang signifikan karena banyak terjadi percampuran aktivitas antara ciri kota dan desa, sehingga rentan terkena dampak perluasan aktivitas perkotaan. Di Kabupaten Sleman sendiri terjadi konversi penggunaan lahan 9.810,06 ha per tahun (Martanto dan Andriani, 2019). Konversi ini tidak terlepas dari pertumbuhan penduduk yang sudah mencapai 1.075.575 jiwa. Di Kapanewon Depok total luas perubahan penggunaan lahan adalah 186,65 ha dalam kurun waktu 7 tahun (Septian dan Taryono, 2019). Hasil kajian Eko dan Rahayu (2012) menunjukkan telah terjadi penurunan luas lahan pertanian sebanyak 301,9 ha di Kapanewon Mlati.
Penurunan luas lahan pertanian mengakibatkan indeks ketahan pangan di Kabupaten Sleman menurun. Badan Pusat Statistik (BPS) Kabupaten Sleman menyebutkan bahwa daerah pertanian memiliki peran strategis dalam mendukung produktivitas pangan. Perubahan penggunaan lahan pada kawasan keamanan dan ketahanan pangan mencapai 57,33 km2 (Astuti dan Lukito, 2020). Perubahan pada lahan tersebut
apabila tidak terkontrol akan berdampak pada ketersediaan dan ketahanan pangan daerah. Analisis dan prediksi konversi lahan, terutama pada lahan pertanian menjadi salah satu upaya dalam mengontrol perubahan yang terjadi (Sarastika et al., 2023).
Proses industrialisasi dan urbanisasi telah mengancam perubahan penggunaan lahan dan kebijakan pertanahan, sehingga menjadi perhatian dalam beberapa tahun terakhir (Wang et al., 2018).
Dampak urbanisasi tidak hanya pada potensi konversi lahan yang terjadi, tetapi termasuk pula perubahan pada sumber daya alam dan lingkungannya. Berbagai dinamika sosial pun muncul sebagai bentuk dampak dari perubahan dan pengelolaan lingkungan yang dapat mempengaruhi kesejahteraan. Perubahan penggunaan lahan juga mengubah keseimbangan energi bumi dan siklus biogeokimia yang berkontribusi terhadap perubahan iklim, sehingga dapat mempengaruhi sifat permukaan lahan dan penyediaan jasa ekosistem (Song et al., 2018).
Perubahan pola penggunaan lahan menyebabkan penurunan kualitas air dan ekosistem, serta memicu degradasi lahan. Informasi mengenai dinamika perubahan lahan ini menjadi penting untuk diketahui dalam merencanakan pembangunan yang berkelanjutan di masa depan, melalui bantuan alat penginderaan jauh dan SIG (Wang et al., 2021). Berdasarkan data penginderaan jauh, data sosial ekonomi, dan observasi lapangan dapat digunakan untuk membuat simulasi atau model prediksi perubahan penggunaan lahan di sautu wilayah. Liping et al. (2018) menjelaskan bahwa prediksi perubahan penggunaan lahan dapat dilakukan melalui model Cellular Automata-Markov (CA-Markov) berdasarkan dinamika perubahan pola penggunaan lahan menggunakan penginderaan jauh dan sistem informasi geografis. Berbagai teknik analisis prediksi perubahan penggunaan lahan telah dilakukan.
Penelitian ini melakukan prediksi menggunakan model Artificial Neural Network- Cellular Automata (ANN-CA) melalui software Quantum GIS (QGIS versi 2.18.11). Rentang waktu pemodelan prediksi selama 20 tahun, dengan analisis prediksi per lima tahun. Metode ANN-CA memprediksi tren perubahan penggunaan lahan dalam periode waktu tertentu melalui pembelajaran perubahan penggunaan lahan di masa lalu. Hasil prediksi ini dapat digunakan sebagai dasar perencanaan, pengelolaan, dan perbaikan ekologi penggunaan lahan yang efektif di suatu wilayah.
Penelitian ini memanfaatkan data penginderaan
http://jtsl.ub.ac.id 163 jauh, software QGIS, software ArcGis Pro untuk
menganalisis perubahan penggunaan lahan di wilayah peri-urban Kabupaten Sleman.
Tujuan penelitian adalah menganalisis konversi penggunaan lahan tahun 2015-2020 dan melakukan pemodelan prediksi perubahan lahan 20 tahun ke depan (2025-2045) menggunakan Artificial Neural Network-Cellular Automata (ANN-CA).
Melalui model prediksi konversi lahan ini bisa bermanfaat untuk pengambilan keputusan demi perlindungan ekologi kawasan dan pemanfaatan sumberdaya yang optimal.
Bahan dan Metode
Lokasi penelitianLokasi penelitian berada di Kapanewon Depok dan Kapanewon Mlati, Kabupaten Sleman. Dua lokasi tersebut dipilih karena berbatasan langsung dengan Kota Yogyakarta sehingga termasuk dalam wilayah peri-urban, disajikan melalui peta pada Gambar 1.
Kapanewon Depok terdiri atas 3 kalurahan, yaitu
Caturtunggal, Condongcatur, dan Maguwoharjo, sedangkan Kapanewon Mlati terdiri atas 5 kalurahan, yaitu Sendangadi, Sinduadi, Sumberadi, Tirtoadi, dan Tlogoadi. Fenomena sosial ekonomi yang terjadi di kedua lokasi tersebut juga menjadi dasar pemilihan lokasi. Secara kondisi sosial ekonomi, kedua lokasi tersebut juga menunjukkan perubahan penggunaan lahan.
Data penelitian
Penelitian ini menggunakan data penggunaan lahan (landuse) multi waktu (time series), yaitu data penggunaan lahan tahun 2015 dan data penggunaan lahan tahun 2020. Kedua data penggunaan lahan tersebut kemudian dilakukan reklasifikasi untuk menyamakan sistem klasifikasi dari keduanya. Hasil reklasifikasi meliputi delapan kelas penggunaan lahan, yaitu berupa bangunan permukiman, bangunan non permukiman, sawah irigasi, sawah tadah hujan, kebun, tegalan, air tawar, dan lahan terbuka. Data jaringan jalan ditambahkan sebagai faktor pendorong (driving factor) terjadinya perubahan penggunaan lahan.
Gambar 1. Peta wilayah penelitian.
Metode penelitian
Saat ini perkembangan teknologi dalam dunia geospasial semakin pesat. Bahkan penggunaan
mesin pembelajaran (machine learning) sudah mulai diterapkan. Salah satunya untuk menjawab tantangan dalam dunia geospasial yaitu untuk memprediksi perubahan penggunaan lahan.
http://jtsl.ub.ac.id 164 Pemodelan prediksi perubahan penggunaan lahan
dapat diestimasi menggunakan kombinasi antara ANN (Artificial Neural Network) dan CA (Cellular Automata). ANN merupakan bagian penerapan dari machine learning yang saat ini semakin masif digunakan untuk menjawab berbagai persoalan.
Pada Quantum GIS (QGIS), analisis dengan ANN- CA dapat dilakukan dengan menggunakan plugin berupa MOLUSCE. Plugin tersebut dapat diakses pada QGIS di bawah versi 3. Kemampuan plugin tersebut yaitu dapat secara efektif menghitung perubahan penggunaan lahan secara spatio- temporal, melakukan pemodelan potensi transisi, dan melakukan simulasi untuk skenario masa depan (El-Tantawi et al., 2019). Jaringan syaraf tiruan (Artificial Neural Network) menjadi yang paling umum dalam penginderaan jauh dan SIG untuk pemodelan dan klasifikasi perubahan penggunaan lahan yang tepat (Gasarovic et al., 2018). ANN terdiri atas neuron yang memiliki mekanisme yang sama dengan otak manusia, dan menggunakannya untuk mengenali tren data. Plugin MOLUSCE,
algoritma ANN digunakan untuk mengenali potensi perubahan dengan keluaran berupa matrik potensial transisi (transition potential matrix). Model matriks perubahan (transition potential matrix) pada penelitian ini dibangun menggunakan Artificial Neural Network Multi-layer Perceptron dengan learning rate 0,100, iterasi maksimal 150, hidden layer 15, dan dengan momentum sebesar 0,050. Kriteria tersebut, didapatkan nilai overall accuracy sebesar 94%. Dengan hasil yang cukup baik tersebut, kemudian model diterapkan untuk dilakukan simulasi dan prediksi perubahan penggunaan lahan tahun 2025, 2030, 2035, 2040, dan 2045. Simulasi ANN-CA memilih data raster, seperti kelas penggunaan lahan, raster parameter spasial, dan model potensi transisi, berdasarkan algoritma ANN. Simulasi tersebut memeriksa jumlah piksel tetap, dengan kepastian terbesar untuk setiap transisi yang sesuai dengan transisi yang paling mungkin, dan kemudian menyesuaikan kelas piksel. Diagram alir penelitian disajikan pada Gambar 2.
Gambar 2. Diagram alir penelitian.
http://jtsl.ub.ac.id 165
Hasil dan Pembahasan
Konversi penggunaan lahan tahun 2015-2020 BPS Kabupaten Sleman menyebutkan bahwa terjadinya laju perkembangan pembangunan lingkungan di Kabupaten Sleman berdampak pada konversi penggunaan lahan, terutama perubahan lahan pertanian menjadi non pertanian. Persaingan berbagai penggunaan lahan pun menjadi semakin marak terjadi seiring proses urbanisasi yang terjadi.
Selain itu, konflik yang berkaitan dengan pemanfaatan sumberdaya pada suatu lahan juga semakin sering dan kompleks. Astuti dan Lukito (2020) menunjukkan adanya perubahan penggunaan lahan dihitung dalam jangka waktu 6 tahun (2012-2018) di Kapanewon Depok. Luas penggunaan lahan permukiman mengalami peningkatan luas sebesar 471,55 ha atau 4,98% dari 9467,16 ha total luas (Valent et al., 2021). Perubahan sebagian besar terjadi dari penggunaan lahan kosong dan lahan pertanian menjadi pemukiman dan perdagangan jasa.
Kapanewon Mlati sebagai salah satu wilayah peri-urban juga mendapat pengaruh yang cukup signifikan terutama dalam penggunaan lahannya.
Hal ini terlihat dari perubahan penggunaan lahan yang terjadi pada tahun 1996‐2010 yang mencapai 10,32% dari luas total lahan. Semakin dekat dengan Kota Yogyakarta, penggunaan lahan non pertanian
semakin dominan dan semakin jauh dari kota penggunaan lahan pertanian lebih dominan (Eko dan Rahayu, 2012). Kondisi ini dapat menggambarkan bahwa area yang dekat dengan kota mengalami perubahan penggunaan lahan yang intensif. Konversi penggunaan lahan di wilayah peri-urban Kabupaten Sleman cukup bervariasi, beberapa jenis penggunaan lahan mengalami peningkatan, sebagian jenis lainnya mengalami penurunan, dan ada pula yang tidak mengalami perubahan luas area. Jenis penggunaan lahan dibedakan menjadi 7, yaitu area terbuka, bangunan, perairan, hutan, jalan, pertanian dan peternakan, serta perkebunan. Perubahan luas penggunaan lahan tahun 2015-2020 disajikan melalui Tabel 1.
Lahan bangunan mengalami peningkatan terbesar yaitu +148,74 ha (2,46%), sedangkan luas lahan pertanian dan peternakan mengalami penurunan terbesar yaitu -152,62 ha (-2,52%). Penelitian Yanbo et al. (2019) menjelaskan bahwa perubahan lahan bangunan perkotaan dan lahan permukiman pedesaan serta hubungan keduanya merupakan bentuk transisi lahan yang terjadi di wilayah peri- urban. Sejalan dengan penelitian ini, melalui luasan perubahan penggunaan lahan yang terjadi (Tabel 1) menunjukkan bahwa wilayah peri-urban Kabupaten Sleman telah mengalami ciri kekotaan ditunjukkan dengan penurunan lahan pertanian dan peningkatan lahan permukiman.
Tabel 1. Perubahan luas penggunaan lahan tahun 2015-2020.
Jenis
Penggunaan Lahan
Luas Tahun
2015 (ha)
Luas Tahun
2020 (ha)
Perubahan Luas Tahun
2015-2020 (ha)
Persentase Luas Tahun 2015
(%)
Persentase Luas Tahun 2020
(%)
Persentase Perubahan Luas Tahun 2015-2020 (%) Area Terbuka 2767,93 2767,09 -0,84 45,7886 45,7747 -0,0139
Bangunan 1390,77 1539,51 148,74 23,0069 25,4674 2,4605
Perairan 153,77 167,88 14,11 2,5437 2,7772 0,2334
Hutan 3,70 3,70 0,00 0,0612 0,0612 0,0000
Jalan 328,97 331,73 2,76 5,4420 5,4877 0,0457
Pertanian dan
Peternakan 1364,40 1211,78 -152,62 22,5706 20,0459 -2,5247
Perkebunan 35,48 23,33 -12,15 0,5869 0,3859 -0,2010
Sumber: Analisis penggunaan lahan dari data Citra SPOT.
Penurunan luasan area pada lahan pertanian menyebabkan menurunnya pula produktivitas tanaman, sehingga wilayah peri-urban tidak mampu menyokong ketahanan pangan Kabupaten Sleman.
Faktor utama yang mempengaruhi terjadinya perubahan penggunaan lahan di wilayah peri-urban adalah tuntutan masyarakat perkotaan terhadap
lahan tempat tinggal, perkantoran, dan industri (Varkey and Manasi, 2019). Kasus wilayah peri- urban Kabupaten Sleman juga mengalami penyebab serupa, yaitu pengaruh dari kebutuhan permukiman bagi masyarakat kota. Selain itu di Kapanewon Depok dan Mlati terdapat beberapa bangunan pendidikan, perindustrian, dan jasa
http://jtsl.ub.ac.id 166 sehingga kebutuhan akan lahan terbangun seperti
kost-an bagi mahasiswa dan pekerja semakin intensif. Perubahan penggunaan lahan menyebabkan perubahan lainnya, seperti diversifikasi pekerjaan, bentuk dan norma sosial, serta pelayanan. Matriks transisi perubahan penggunaan lahan di wilayah peri-urban Kabupaten Sleman disajikan melalui Tabel 2. Matriks ini menggambarkan besarnya perubahan dari jenis penggunaan lahan tertentu menjadi jenis
penggunaan lahan lainnya. Semakin besar nilai transisi yang dihasilkan, maka semakin besar pula perubahan yang terjadi pada suatu jenis penggunaan lahan. Nilai perubahan terbesar dijumpai pada lahan perkebunan yang berubah menjadi lahan pertanian dan peternakan, dengan nilai transisi 0,1835. Area terbuka berubah menjadi bangunan dengan nilai transisi 0,0513 kemudian disusul dengan nilai transisi 0,0052 area terbuka berubah menjadi lahan pertanian dan perkebunan.
Tabel 2. Transition matrix penggunaan lahan tahun 2015-2020.
Penggunaan
Lahan Area
Terbuka Bangunan Perairan Hutan Jalan Pertanian dan Peternakan
Perkebunan
Area Terbuka 0,9389 0,0513 0,0039 0,0000 0,0008 0,0052 0,0000 Bangunan 0,0186 0,9807 0,0001 0,0000 0,0001 0,0005 0,0000 Perairan 0,0358 0,0058 0,9498 0,0000 0,0040 0,0083 0,0000
Hutan 0,0000 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000
Jalan 0,0025 0,0004 0,0000 0,0000 0,9970 0,0001 0,0000
Pertanian dan
Peternakan 0,0954 0,0232 0,0079 0,0000 0,0007 0,8714 0,0013 Perkebunan 0,1671 0,0273 0,0056 0,0000 0,0121 0,1835 0,6043 Sumber: Analisis QGIS data Citra SPOT.
Perubahan penggunaan lahan didukung oleh beberapa faktor, antara lain kebutuhan akan lahan, kebijakan terkait tata guna lahan, dan rencana pembangunan sosial ekonomi (Wang et al., 2018).
Sejalan dengan Wang et al. (2018), penelitian ini mengalami kecenderungan perubahan penggunaan lahan akibat populasi manusia yang bertambah, kebutuhan lahan permukiman meningkat, pembangunan infrastruktur (jalan tol, fasilitas pendidikan, kesehatan, perdagangan, jasa), dan peraturan terkait penggunaan lahan yang masih minim.
Permodelan prediksi konversi lahan
Penggunaan lahan adalah salah satu sistem yang paling kompleks yang perlu dipahami untuk perencanaan lahan yang lebih baik (Lambin et al., 2000). Sejak akhir tahun 70-an hingga akhir tahun 90-an, Cellular Automata (CA) dihadirkan sebagai salah satu alat yang paling relevan untuk memahami sistem yang kompleks, khususnya pola penggunaan lahan (Batty et al., 1999). Oleh karena itu, sensitivitas CA terhadap konfigurasi spasial (misalnya fitur penggunaan lahan, jaringan transportasi, kendala fisik) dan hubungan lingkungan telah banyak diselidiki oleh para peneliti untuk mensimulasikan pertumbuhan perkotaan dan
persyaratan penggunaan lahan di masa depan (Barredo et al, 2003).
Aturan transisi adalah salah satu komponen simulasi yang perlu ditentukan dengan baik untuk menjamin simulasi yang baik dalam konteks pemodelan penggunaan lahan berbasis CA.
Terdapat beberapa metode yang umum digunakan untuk menentukan aturan transisi (transition rules), di antaranya adalah kombinasi formula linear dan geometrik dengan model berbasis aturan (rule-based model). Saat ini, metode baru yaitu kecerdasan buatan (Artificial Intelligence) sering digunakan untuk simulasi perubahan penggunaan lahan (Szuster et al., 2011). ANN (Artificial Neural Network/ Jaringan Syaraf Tiruan) dapat digunakan untuk menentukan aturan transisi dari model CA untuk memprediksi perubahan penggunaan lahan (Omrani et al., 2012).
Aturan transisi atau aturan perubahan dihasilkan dari proses pembelajaran yang dilakukan sistem ANN, dengan mempelajari tiap pixel pada setiap layer dan hubungannya dengan jaringan jalan sebagai driving factor yang digunakan. Terdapat banyak faktor yang dapat menyebabkan konversi lahan, apalagi kasus di wilayah peri-urban. Jaringan jalan merupakan salah satu faktor yang dianggap paling berpengaruh terhadap adanya konversi lahan. Semakin dekat dengan jalan, maka
http://jtsl.ub.ac.id 167 kemungkinan lahan untuk terkonversi menjadi
penggunaan lahan lain akan semakin tinggi.
Penelitian ini menggunakan jaringan jalan sebagai
salah satu input layer dan juga sebagai rules yang diterapkan pada pemodelan prediksi dengan ANN- CA, disajikan dalam Gambar 3.
Gambar 3. Jalan sebagai driving factor dalam menentukan prediksi perubahan penggunaan lahan.
http://jtsl.ub.ac.id 168 Peta titik sampel pada Gambar 4 menunjukkan
sebaran titik sampel yang digunakan untuk melakukan pelatihan/training terhadap neural network. Tujuan dari pelatihan neural network adalah untuk mencari bobot yang terdapat dalam tiap layer.
Cara pelatihan neural network ini adalah dengan memberikan data-data yang disebut training data atau training vectors, yang terdiri atas pasangan input
dan output yang diinginkan dan kemudian diberikan ke neural network sehingga neural network dapat memodifikasi bobot yang ada untuk mencoba mencari kesamaan antara hasil output yang dihasilkan oleh neural network dengan hasil output yang diinginkan. Setelah proses pelatihan selesai, neural network kemudian diberi suatu nilai input dan akan menghasilkan suatu hasil output.
Gambar 4. Peta titik sampel pemodelan ANN.
Hasil prediksi perubahan penggunaan lahan dapat menggambarkan perubahan pada lokasi tertentu dan dalam waktu prediksi tertentu. Sebagai contoh hasil prediksi konversi lahan yang telah diperbesar pada kawasan tertentu disajikan pada Gambar 5.
Hasil perbesaran peta konversi lahan dilakukan pada tahun 2025, 2030, dan 2035 yang menunjukkan terjadinya perubahan penggunaan lahan. Perubahan yang terlihat yaitu pada penggunaan lahan perkebunan (warna hijau tua) semakin berkurang luasannya seiring dengan pertambahan prediksi waktu dan berubah menjadi lahan bangunan (warna hitam). Perubahan yang
terjadi pada lokasi ini salah satunya dipengaruhi oleh dekatnya akses terhadap jalan (warna oranye).
Hasil prediksi konversi lahan 20 tahun ke depan (2025-2045)
Maryono dan Utami (2020) menjelaskan dalam penelitiannya bahwa pembangunan infrastruktur dan transformasi struktur ekonomi pada sektor industri, perdagangan dan permukiman dapat mengancam ketahanan pangan. Hal ini sesuai dengan penelitian ini bahwa terdapat perubahan penggunaan lahan dari lahan bervegetasi menjadi lahan terbangun.
http://jtsl.ub.ac.id 169 Gambar 5. Peta zoom prediksi perubahan penggunaan lahan tahun 2025 (atas kiri), 2030 (atas kanan), dan
2035 (bawah).
Tingginya harga lahan di wilayah peri-urban cenderung mendorong petani untuk menjual lahan pertanian mereka. Selain itu juga dipengaruhi oleh produktivitas hasil pertanian yang menurun, akibat kondisi lahan pertanian di sekitarnya yang mulai berubah fungsi. Salah satu contoh, di Kapanewon Depok terdapat lahan pertanian dengan luasan kecil dan disampingnya telah berubah menjadi lahan terbangun, seperti pada Gambar 6. Lahan ini dianggap memiliki produktivitas pertanian yang rendah dan sangat berpontensi mengalami konversi lahan menjadi bangunan di masa mendatang. Luas hasil prediksi perubahan penggunaan lahan tahun 2025-2045 disajikan melalui Tabel 3 dan hasil peta prediksi untuk menunjukkan persebarannya disajikan melalui Gambar 7. Jenis penggunaan lahan
berupa area terbuka dan bangunan mengalami pertambahan luas, yang berasal dari penurunan luas yang dialami oleh penggunaan lahan perairan, hutan, dan perkebunan. Terdapat 2 jenis penggunaan lahan yang tidak mengalami perubahan luas, yaitu jalan, pertanian dan peternakan. Terdapat konversi lahan pada wilayah peri-urban yang paling dominan terjadi pada jenis penggunaan lahan berupa perkebunan berubah menjadi lahan bangunan. Perubahan penggunaan lahan tentunya turut mengubah kondisi ekosistem. Pemicu utama perubahan yang berasal dari antropogenik akan memperburuk kondisi ekosistem (Fedele et al., 2018), seperti dalam penelitian ini tuntutan kebutuhan akan lahan terbangun akhirnya mengubah lahan perkebunan menjadi lahan
http://jtsl.ub.ac.id 170 permukiman. Hal ini membuat jasa ekosistem yang
seharusnya mendukung beberapa sumber pangan dari hasil perkebunan menjadi hilang karena konversi yang terjadi. Hal ini sesuai dengan penelitian Sarastika et al. (2023) bahwa konversi lahan yang tidak terencana berdampak pada jasa ekosistem, baik jasa penyedia, pengaturan, budaya maupun biodiversitas). Jasa ekosistem penyedia sumber pangan, air bersih, dan biodiversitas menjadi rendah akibat perubahan lahan perkebunan (vegetasi) menjadi lahan terbangun.
Kabupaten Sleman memiliki peran strategis dalam mendukung produktivitas pangan. Hal ini
dipengaruhi salah satunya adalah lahan pertanian di Kabupaten Sleman memiliki karakteristik yang kompleks, baik dari segi fisik lahan, kondisi sosial- ekonomi, dan masyarakat. Kekuatan tersebut juga dibuktikan dengan nilai Indeks Ketahanan Pangan (IKP) Kabupaten Sleman yang mencapai 83,39.
Angka tersebut menunjukkan kriteria baik karena nilai >75,68. Oleh karena itu, informasi mengenai besarnya konversi lahan di wilayah peri-urban sebagai bagian dari Kabupaten Sleman menjadi penting untuk diketahui guna perencanaan pengelolaan dan kebijakan di bidang pertanian.
Gambar 6. Lahan sawah dengan luasan kecil dan diapit oleh lahan terbangun berpotensi mengalami konversi lahan.
Tabel 3. Luas hasil prediksi perubahan penggunaan lahan tahun 2025-2045.
No Jenis Penggunaan
Lahan Luas Penggunaan Lahan (ha) Keterangan
2025 2030 2035 2040 2045
1 Area Terbuka 2768,06 2768,45 2768,50 2768,50 2768,52 +
2 Bangunan 1557,80 1560,86 1562,34 1563,50 1564,13 ++
3 Perairan 164,52 162,99 161,81 160,67 160,03 - -
4 Hutan 0,43 0,17 0,15 0,15 0,15 -
5 Jalan 331,73 331,73 331,73 331,73 331,73 #
6 Pertanian dan
Peternakan 1211,67 1211,66 1211,66 1211,66 1211,66 #
7 Perkebunan 10,81 9,16 8,83 8,81 8,80 - -
Total 6045,02 6045,02 6045,02 6045,02 6045,02
Keterangan: + = mengalami pertambahan luas, - = mengalami penurunan luas, # = tidak mengalami perubahan luas/tetap.
http://jtsl.ub.ac.id 171 Gambar 7. Peta prediksi penggunaan lahan tahun 2025, 2030, 2035, 2040, dan 2045.
http://jtsl.ub.ac.id 172
Kesimpulan
Pemodelan mengenai prediksi perubahan penggunaan lahan di wilayah peri-urban menjadi hal penting, sebagai bagian dari proses perencanaan, pelaksanaan, pengelolaan, dan pemantauan kebijakan. Selain itu, prediksi konversi lahan dapat digunakan untuk mengembangkan strategi dalam keseimbangan konservasi dan jasa ekosistem agar terhindar dari konflik penggunaan sumberdaya alam akibat tekanan pembangunan di wilayah kota.
Prediksi perubahan penggunaan lahan di wilayah peri-urban Kabupaten Sleman menggunakan model ANN-CA tahun 2025-2045, penggunaan lahan perkebunan mengalami penurunan, sedangkan lahan bangunan mengalami peningkatan. Tren perubahan lahan yang terjadi berupa lahan perkebunan berubah menjadi lahan bangunan.
Ucapan Terima Kasih
Ucapan terima kasih penulis sampaikan kepada Lembaga Penelitian dan Pengabdian Masyarakat (LPPM), Universitas Pembangunan Nasional Veteran Yogyakarta.
Penelitian ini merupakan bagian dari penelitian hibah internal Universitas Pembangunan Nasional Veteran Yogyakarta.
Daftar Pustaka
Astuti, F.A. dan Lukito, H. 2020. Perubahan penggunaan lahan di kawasan keamanan dan ketahanan pangan di Kabupaten Sleman. Jurnal Geografi 17(2):1-6, doi:10.15294/jg.v17i1.21327.
Barredo, J.I., Kasanko, M., McCormick, N. and Lavalle, C. 2003. Sustainable urban and regional planning:
The MOLAND activities on urban scenario modeling and forecast. European Commission Directorate-General Joint Research Centre Institute for Environment and Sustainability, Ispra, Italy.
Batty, M., Xie, Y. and Sun, Z. 1999. Modeling urban dynamics through GIS-based CA. Computers, Environment, and Urban System 27:481-509.
Coulibaly, B. and Li, S. 2020. Impact of agriculture land loss on rural livelihoods in peri-urban areas:
empirical evidence from Sebougou, Mali. Land 2020, 9(12):470, doi:10.3390/land9120470.
Eko, T. dan Rahayu, S. 2012. Perubahan penggunaan lahan dan kesesuaiannya terhadap RDTR di wilayah peri-urban. Studi Kasus: Kecamatan Mlati. Jurnal Pembangunan Wilayah dan Kota 8(4):330‐340, doi:10.14710/pwk.v8i4.6487.
El-Tantawi, A.M., Bao, A., Chang, C. and Liu, Y. 2019.
Monitoring and predicting land use/cover changes in the Aksu-Tarim River Basin, Xianjing-China (1990- 2030). Environmental, Monitoring, and Assessment 191:1-18, doi:10.1007/s10661-019-7478-0.
Fedele, G., Locatelli, B., Djoudi, H. and Colloff, M.J.
2018. Reducing risks by transforming landscapes:
Cross-scale effects of land-use changes on ecosystem services. PLoS ONE 13(4):e0195895, doi:10.1371/journal.pone.0195895.
Gasarovic, M. and Jogun, T. 2018. The effects of fusing Sentinel-2 bands on land-cover classification.
International Journal of Remote Sensing 39:822-841, doi:10.1080/01431161.2017.1392640.
Lambin, E.F., Rounsevell, M.D.A. and Geist, H.J. 2000.
Are agricultural land-use models able to predict changes in land-use intensity?. Agriculture, Ecosystems & Environment 82:321-331.
Liping, C., Yujun, S. and Saeed, S. 2018. Monitoring and predicting land use and land cover changes using remote sensing and GIS techniques – A case study of a hilly area, Jiangle, China. PLoS ONE 13(7):e0200493, doi:10.1371/journal.pone.0200493.
Martanto, R. dan Andriani, V. 2019. Arahan penggunaan lahan di Kabupaten Sleman Indonesia. Prosiding Seminar FIT ISI 2020 Teknik Geodesi Universitas Diponegoro.
Maryono, S. dan Utami, W. 2020. Pemetaan Potensi Lahan Pertanian Pangan Berkelanjutan Guna Mendukung Ketahanan Pangan. BHUMI: Jurnal Agraria dan Pertanahan 6(2):201-218, doi:10.31292/bhumi.v6i2.431.
Omrani, H., Charif, O., Gerber, P., Bodis, K. and Basse, R.M. 2012. Simulation of land use changes using cellular automata and artificial neural network.
Working Paper.
Sarastika, T., Kusumawardani, M., Triyadi, R.A. and Putro, S.T.J. 2023. Analysis of ecosystem services performance in peri-urban areas of Sleman Regency for sustainability development. BIO Web of
Conferences 69: 04015,
doi:10.1051/bioconf/20236904015.
Sarastika, T., Susena, Y. dan Kurniawan, D. 2023.
Prediksi konversi lahan pertanian berbasis Artificial Neural Network – Cellular Automata (ANN-CA) di Kawasan Sleman Barat. Jurnal Tanah dan Sumberdaya Lahan 10(2):471-482, doi:10.21776/ub.jtsl.2023.010.2.30.
Septian, I. 2019. Analisis Kesesuaian Perubahan Penggunaan Lahan Tahun 2010-2018 dengan Rencana Detail Tata Ruang (RDTR) di Kecamatan Depok Kabupaten Sleman. Universitas Muhammadiyah Surakarta.
Song, X.P., Hansen, M.C., Stehman, S.V., Potapov, P.V., Tyukavina, A., Vermote, E.F. and Townshend, J.R.
2018. Global Land Change from 1982 to 2016.
Nature 560:639-643, doi:10.1038/s41586-018-0411.
Valent, C.G., Subiyanto, S. dan Wahyuddin, Y. 2021.
Analisis pola dan arah perkembangan permukiman di wilayah Aglomerasi Perkotaan Yogyakarta (APY) (Studi Kasus: Kabupaten Sleman). Jurnal Geodesi UNDIP 10(2):78-87.
http://jtsl.ub.ac.id 173 Varkey, A.M. and Manasi, S. 2019. A Review of peri-
urban definitions, land use changes and challenges to development. Urban India 39 (1): January-June 2019.
Wang, J., Lin, Y., Glendinning, A. and Xu, Y. 2018.
Land-use changes and land policies evolution in China’s urbanization processes. Land Use Policy 75:375-387, doi:10.1016/j.landusepol.2018.04.011.
Wang, S.W., Munkhnasan, L. and Lee, W. 2021. Land use and land cover change detection and prediction in Bhutan’s high-altitude city of Thimphu, using cellular automata and Markov chain. Environmental Challenges 2:100017, doi:10.1016/
j.envc.2020.100017.
Yanbo, Q., Guanghui, J., Yaya, T., Ran, S., Shuwen, W.
and Yuling, L. 2019. Urban-Rural construction land transition (URCLT) in Shandong Province of China:
Features measurement and mechanism exploration.
Habitat International 86:101-115, doi:10.1016/j.habitatint.2019.03.006.
