http://jtsl.ub.ac.id 471
PREDIKSI KONVERSI LAHAN PERTANIAN BERBASIS ARTIFICIAL NEURAL NETWORK-CELLULAR AUTOMATA (ANN-CA) DI
KAWASAN SLEMAN BARAT
Prediction of Agricultural Land Conversion Based on Artificial Neural Network-Cellular Automata (ANN-CA) in West Sleman Area
Tiara Sarastika1*, Yusuf Susena2, Dwi Kurniawan3
1 Program Studi Ilmu Tanah, Fakultas Pertanian, Universitas Pembangunan Nasional “Veteran” Yogyakarta
2 Departemen Sains Informasi Geografis, Fakultas Geografi, Universitas Gadjah Mada, Yogyakarta
3 PT. Aren Internasional, Jl. Pasir Impun, Komplek Bandung City View 2, Kota Bandung
* Penulis korespondensi: tiara.sarastika@upnyk.ac.id
Abstrak
Analisis dan prediksi konversi lahan menggunakan data spatial-temporal penting untuk pemantauan lingkungan dan perencanaan serta pengelolaan penggunaan lahan yang lebih baik. Kawasan Sleman Barat berpotensi mengalami perubahan penggunaan lahan akibat faktor antropogenik. Tujuan penelitian ini adalah mengetahui dinamika spatial-temporal perubahan penggunaan lahan tahun 2012-2022 dan memprediksi perubahan penggunaan lahan di masa depan menggunakan model ANN-CA untuk 20 tahun ke depan (2022- 2042). Dinamika spatial-temporal perubahan penggunaan lahan dianalisis berdasarkan data penggunaan lahan yang diturunkan dari citra SPOT, kemudian dilakukan prediksi perubahan penggunaan lahan di masa depan dengan model ANN-CA menggunakan plugin MOLUSCE pada QGIS Desktop 2.18.11. Hasil simulasi menunjukkan akurasi sebesar 86,66% dan nilai Kappa keseluruhan 0,83 yang diperoleh dengan membandingkan data aktual tahun 2022 dengan data simulasi perubahan penggunaan lahan di tahun yang sama. Terjadi perubahan yang cukup besar pada lahan sawah irigasi yang berkurang sebesar 6,39% (685,22 ha) menjadi permukiman. Area bangunan permukiman meningkat 4,65% (498,49 ha) tahun 2012-2017.
Prediksi perubahan penggunaan lahan tahun 2022-2042 menunjukkan bahwa pengurangan lahan sawah irigasi akan terus berlanjut dan bangunan permukiman cenderung meningkat.
Kata kunci : penggunaan lahan, Plugin MOLUSCE, Artificial Neural Network, Cellular Automata
Abstract
Analysis and prediction of land conversion using spatial-temporal data are essential for environmental monitoring and better land use planning and management. The West Sleman area has the potential to experience land use changes due to anthropogenic factors. This study aimed to determine the spatial- temporal dynamics of land use change in 2012-2022 and predict future land use change using the ANN-CA model for 20 years (2022-2042). Analyzed the spatial-temporal dynamics of land use change based on land use data derived from SPOT imagery, then predicted future land use change with the ANN-CA model using the MOLUSCE plugin on QGIS Desktop 2.18.11. The simulation results showed an accuracy of 86.66%
and an overall Kappa value of 83% obtained by comparing the actual data in 2022 with the simulated data on land use change in the same year. The irrigated paddy fields decreased by 6.39% (685.22 ha) due to conversion to settlements. The area of residential buildings increased by 4.65% (498.49 ha) during 2012- 2017. Predictions of land use change in 2022-2042 show that the reduction of irrigated paddy fields will continue, and the number of residential buildings tend to increase.
Keywords: land use, MOLUSCE plugin, Artificial Neural Network, Cellular Automata
http://jtsl.ub.ac.id 472 Pendahuluan
Konversi lahan atau alih fungsi lahan merupakan perubahan fungsi guna lahan menjadi penggunaan lain yang disebabkan oleh berubahnya nilai guna suatu lahan. Nilai guna yang berubah dapat berupa tingkat harga atau jenis manfaat, misalnya manfaat sosial, layanan publik, budaya, dan sejarah (Surya, 2020). Konversi lahan dipengaruhi oleh faktor internal dan eksternal. Faktor internal meliputi pertumbuhan rumah tangga pengguna lahan, perubahan luas penggunaan lahan, potensi lahan dan aktor yang terlibat dalam penggunaan lahan.
Faktor eksternal terdiri atas pertumbuhan penduduk, pergeseran struktur ekonomi wilayah dan pengembangan kawasan terbangun.
Perubahan lahan berhubungan erat dengan kehidupan sosial dan ekonomi penduduk di suatu wilayah. Perubahan lahan yang kerap terjadi adalah perubahan dari lahan bervegetasi, seperti sawah, kebun, hutan, tegalan, dan ladang menjadi lahan non vegetasi, seperti permukiman, gedung, dan fasilitas umum. Li et al (2019) menyatakan bahwa konversi lahan pertanian menjadi non pertanian memberikan dampak ekonomi dan lingkungan.
Dampak positif dari perubahan penggunaan lahan yaitu terbentuknya keragaman mata pencaharian dan peningkatan fasilitas kehidupan. Sebaliknya, dampak negatif konversi penggunaan lahan mengakibatkan ketahanan pangan di suatu wilayah menurun.
Berbagai kasus konversi penggunaan lahan telah terjadi di Kabupaten Sleman. Penelitian Martanto dan Andriani (2019) menunjukkan di Kabupaten Sleman terjadi konversi penggunaan lahan sebesar 9.810,06 ha per tahun dengan jumlah penduduk pada tahun 2019 sebesar 1.075.575 jiwa.
Penggunaan lahan terbangun yang mengalami perubahan signifikan adalah lahan permukiman dan perdagangan jasa yang masing-masing mengalami perubahan sebesar 471,52 ha dan 158,24 ha, selanjutnya penggunaan lahan yang mengalami penurunan luas adalah lahan kosong sebesar 137,63 ha karena berubahnya penggunaan lahan kosong yang disediakan untuk lahan terbangun (Valent et al., 2021).
Kawasan Sleman Barat terdiri atas 4 kapanewon, yaitu Kapanewon Godean, Seyegan, Minggir, dan Moyudan. Secara administratif kawasan ini memiliki luas 10.836 Ha yang merupakan daerah perbatasan Kabupaten Sleman dengan Kabupaten Kulon Progo dan Kabupaten Bantul. Kawasan Sleman Barat berperan sebagai
sentra pertanian bagi Kabupaten Sleman, didukung dengan adanya irigasi besar yaitu Selokan Mataram dan Selokan Van der Wijk. Di sisi lain, Kawasan Sleman Barat menjadi lirikan investor dan kaum milenial yang mulai kesulitan menemukan hunian terjangkau di pusat perkotaan, terutama di Kapanewon Godean dan Seyegan. Hal ini mengakibatkan munculnya potensi perubahan penggunaan lahan di Kawasan Sleman Barat, terutama sektor pertanian menjadi non pertanian.
Kegiatan urbanisasi dan industrialisasi mengakibatkan efek yang banyak terhadap lingkungan. Aktivitas manusia yang banyak dilakukan di daratan membuat perubahan penggunaan lahan akan terekam pada permukaan lahan. Penggunaan lahan secara langsung juga mencerminkan pemanfaatan sumber daya lahan di suatu daerah. Kegiatan penggunaan lahan dapat mempengaruhi ekosistem dan proses ekologis dengan mengubah tutupan lahan, tekstur permukaan, evapotranspirasi, dan lain-lain (Yang et al, 2022). Aktivitas manusia yang menyebabkan perubahan penggunaan lahan dan tutupan lahan akan sangat mempengaruhi kesejahteraan manusia.
Perubahan lahan yang sebagian besar tidak direncanakan dengan baik akan mengakibatkan penurunan kualitas ekosistem, krisis air, bahkan krisis ketahanan pangan (Rasool et al, 2021).
Prediksi penggunaan lahan menjadi penting untuk diteliti, agar dapat digunakan dalam mengelola lanskap dan sumber daya yang ada serta memberikan gambaran terhadap kebijakan yang akan diambil kedepannya (Aniah et al, 2023).
Hapsary et al. (2021) menyebutkan bahwa Sistem Informasi Geografis dapat digunakan dalam mengkaji pemodelan perubahan penggunaan lahan dalam kurun waktu tertentu. Pemodelan penggunaan lahan ini nantinya diperlukan dalam proses pengawasan pembangunan suatu wilayah.
Bagian dari Sleman Barat juga direncanakan untuk termasuk dalam kawasan strategis provinsi berupa kawasan perkotaan kabupaten yang masuk dalam Kawasan Perkotaan Yogyakarta (KPY) dan kawasan strategis kabupaten berupa kawasan fungsi keamanan dan ketahanan pangan wilayah serta kawasan strategis fungsi daya dukung lingkungan hidup berupa kawasan resapan air. Adanya berbagai kondisi tersebut sangat berpengaruh pada perubahan pemanfaatan ruang serta pemanfaatan sumber daya alam di Kawasan Sleman Barat. Oleh karena itu perlu dilakukan pemodelan terhadap prediksi perubahan penggunaan lahan di kawasan Sleman Barat.
http://jtsl.ub.ac.id 473 Prediksi penggunaan lahan ini dilakukan dengan
rentang waktu 20 tahun. Mengacu pada Peraturan Pemerintah Nomor 26 Tahun 2008 Tentang Rencana Tata Ruang Wilayah Nasional yang dijadikan pedoman dalam rencana pembangunan nasional serta penataan ruang di wilayah provinsi dan kabupaten/kota. Pemodelan prediksi perubahan penggunaan lahan menggunakan Artificial Neural Network-Cellular Automata (ANN- CA) yang dilakukan melalui software Quantum GIS (QGIS versi 2.18.11). Model ANN-CA menggunakan jaringan syaraf tiruan (Artificial Neural Network) yaitu beberapa neuron keluaran untuk simulasi berbagai perubahan penggunaan lahan. Melalui model prediksi konversi penggunaan lahan dalam rentang waktu 20 tahun kedepan (2020-2040), dapat menjadi bahan pertimbangan bagi para stakeholder terkait dalam pengambilan kebijakan.
Bahan dan Metode Area kajian
Kabupaten Sleman membagi wilayahnya menjadi 4 kawasan, yaitu kawasan Sleman Barat, Sleman Utara, Sleman Tengah, dan Sleman Timur.
Kawasan Sleman Barat secara administratif berada di bagian barat kabupaten Sleman, terdiri atas 4 Kapanewon, yaitu Minggir, Moyudan, Godean, dan Seyegan. Karakter Kawasan Sleman Barat sebagai sentra pertanian, Sleman Utara sebagai kawasan konservasi, Sleman tengah pusat pendidikan dan perekonomian, sedangkan Sleman Timur sebagai kawasan cagar budaya. Kawasan Sleman Barat terpilih sebagai area studi karena fungsinya sebagai sentra pertanian, sehingga penting untuk dianalisis prediksi konversi lahan pertanian yang mungkin terjadi. Lokasi Kawasan Sleman Barat ditunjukkan melalui peta pada Gambar 1.
Gambar 1. Peta wilayah penelitian.
Data
Data penelitian yang digunakan meliputi data penggunaan lahan wilayah Sleman Barat tahun
2012, 2017, dan tahun 2022. Ketiga data tersebut diperoleh dari hasil ekstraksi citra SPOT dengan resolusi spasial 1.5 meter untuk pankromatik dan 6 meter untuk multispektral. Data penggunaan lahan
http://jtsl.ub.ac.id 474 tidak serta merta digunakan untuk prediksi, akan
tetapi dilakukan proses reklasifikasi terlebih dahulu sesuai dengan jumlah kelas yang diinginkan.
Pengkelasan menghasilkan delapan kelas penggunaan lahan, yaitu bangunan permukiman, bangunan non permukiman, sawah irigasi, sawah tadah hujan, kebun, tegalan, air tawar, dan lahan terbuka. Data spasial berupa jaringan jalan juga ditambahkan sebagai faktor pendorong (driving factor) yang dianggap memiliki pengaruh terhadap perubahan penggunaan lahan di kawasan Sleman Barat.
Analisis data
Beberapa dekade terakhir ini, perkembangan teknologi SIG berkembang cukup pesat terutama untuk kajian prediksi. Penggunaan machine learning juga semakin masif digunakan. Dalam penelitian ini, pemodelan prediksi perubahan penggunaan lahan diestimasi menggunakan kombinasi antara ANN (artificial neural network) dan CA (Cellular Automata).
Pemrosesan dilakukan dengan bantuan plugin MOLUSCE pada software QGIS Desktop versi 2.18.11. 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 (Pijanowski et al, 2002). Pada plugin MOLUSCE yang terdapat di QGIS Desktop versi 2.18.11, algoritma ANN digunakan untuk mengenali potensi perubahan dengan keluaran berupa matrik potensial transisi (transition potential matrix).
Model potensial transisi yang digunakan dalam penelitian ini dilatih dengan momentum 0,050 dan learning rate 0,100 untuk stabilisasi grafik pembelajaran. Selanjutnya, jumlah iterasi ditetapkan menjadi 100 untuk mencegah masalah overfitting pada model. Kemudian simulasi perubahan penggunaan lahan diproses menggunakan plugin MOLUSCE yang mendasarkan pada model ANN- CA. 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.
Beberapa iterasi simulasi dilakukan untuk mencapai peta prediksi berikutnya tahun 2022, 2032, dan 2042. Validasi hasil prediksi perubahan penggunaan lahan dilakukan dengan membandingkan peta prediksi tahun 2022 dengan peta teraktual tahun 2022. Metode yang digunakan yaitu menggunakan Kappa, dengan kriteria minimum akurasi yang dicapai disajikan dalam Tabel 1. Apabila hasil dari simulasi memiliki nilai Kappa yang kuat, maka pemodelan untuk prediksi dapat dilakukan untuk target tahun yang diinginkan.
Proses penelitian digambarkan melalui diagram yang tersaji pada Gambar 2.
Tabel 1. Klasifikasi nilai Kappa.
Nilai Koefisien Kappa
Interpretasi Nilai Kappa
<0.20 Rendah (Poor) 0.21-0.40 Agak Rendah (Fair) 0.41-0.60 Cukup (Moderate) 0.61-0.80 Kuat (Good)
>0.80 Sangat Kuat (Very Good) Sumber: Kunz (2017).
Hasil dan Pembahasan
Dinamika temporal perubahan penggunaan lahan tahun 2012-2022
Perubahan penggunaan lahan yang bersifat dinamis membutuhkan penilaian, analisis, dan pemantauan yang berkelanjutan menggunakan data sosial, ekonomi, dan geospasial untuk mendapatkan hasil yang lebih akurat dan terintegrasi (Lukas et al, 2023).
Dinamika temporal perubahan penggunaan lahan yang terjadi di Kawasan Sleman Barat cukup beragam, beberapa jenis penggunaan lahan mengalami pertambahan dan sebagian jenis lainnya mengalami pengurangan.
Klasifikasi jenis penggunaan lahan dibedakan menjadi 8, yaitu bangunan permukiman, bangunan non permukiman, sawah irigasi, sawah tadah hujan, kebun, tegalan, air tawar, dan lahan terbuka. Luasan perubahan penggunaan lahan tahun 2012-2017 disajikan melalui Tabel 2. Luasan perubahan penggunaan lahan terbesar yaitu pada jenis sawah irigasi, sebesar -685,22 ha dan jenis bangunan permukiman sebesar +498,49 ha. Hal ini dipengaruhi oleh tuntutan kebutuhan tempat tinggal bagi penduduk Sleman Barat.
http://jtsl.ub.ac.id 475 Gambar 2. Diagram alir penelitian.
Tabel 2. Perubahan luas penggunaan lahan tahun 2012-2017.
Jenis Penggunaan Lahan
Luas Tahun
2012 (ha)
Luas Tahun
2017 (ha)
Perubahan Luas Tahun 2012-2017 (ha)
Persentase Luas Tahun
2012 (%)
Persentase Luas Tahun
2017 (%)
Persentase Perubahan Luas Tahun 2012-2017 (%) Bangunan
Permukiman
3488,69 3987,18 498,49 32,5347 37,1834 4,6487
Sawah Irigasi 6180,48 5495,26 -685,22 57,6376 51,2474 -6,3902
Kebun 754,29 1027,43 273,14 7,0343 9,5816 2,5473
Air Tawar 69,32 85,61 16,29 0,6465 0,7984 0,1519
Lahan Terbuka 30,24 4,46 -25,78 0,2820 0,0416 -0,2404
Tegalan 174,24 119,65 -54,59 1,6249 1,1158 -0,5091
Sawah Tadah Hujan
25,65 2,88 -22,77 0,2392 0,0269 -0,2123
Bangunan Non Permukiman
0,09 0,53 0,44 0,0008 0,0049 0,0041
Sumber: Analisis penggunaan lahan dari data Citra SPOT
Seperti penelitian yang dilakukan Rahman et al (2017), dijelaskan bahwa perubahan penggunaan lahan terjadi akibat faktor alam dan antropogenik.
Pada kasus wilayah Sleman Barat, faktor antropogenik lebih dominan dalam memberikan efek perubahan penggunaan lahan. Faktor antropogenik yang terjadi antara lain kebutuhan akan lahan permukiman, produktivitas lahan pertanian yang menurun, dan regulasi pemanfaatan
lahan yang lemah.Perubahan penggunaan lahan memiliki efek mul tidimensi pada keseimbangan ekosistem, baik saat ini maupun masa depan (Getachew et al, 2021). Analisis perubahan penggunaan lahan menunjukkan bahwa terjadi perubahan yang cukup besar pada lahan sawah irigasi yang berkurang sebesar 6,39% karena berubah fungsi menjadi penggunaan lahan lain, terutama sebagai permukiman. Area bangunan
http://jtsl.ub.ac.id 476 permukiman meningkat sebesar 4,65% selama
rentang tahun 2012-2017, hal ini menunjukkan bahwa terdapat transisi wilayah menuju kekotaan di kawasan Sleman Barat. Berkurangnya area sawah irigasi mengakibatkan menurunnya produktivitas tanaman, padahal kawasan Sleman Barat berperan sebagai sentra pertanian di kabupaten Sleman.
Transisi perubahan penggunaan lahan dari jenis penggunaan lahan tertentu menjadi jenis lahan lainnya dapat diketahui melalui Tabel 3. Semakin besar nilai transisi, maka semakin besar pula perubahan yang terjadi pada jenis penggunaan lahan tersebut. Lahan sawah irigasi mengalami perubahan terbesar menjadi bangunan permukiman dengan nilai transisi 0,0886. Kemudian disusul dengan nilai transisi 0,0300 lahan sawah irigasi berubah menjadi
kebun, sedangkan nilai transisi sebesar 0,01 lahan sawah irigasi mengalami perubahan menjadi tegalan. Perubahan pada lahan sawah irigasi menjadi penggunaan lahan lain di Kawasan Sleman Barat biasanya terjadi pada lahan yang berukuran kecil. Lahan sawah irigasi yang berukuran kecil dianggap kurang menguntungkan secara ekonomi karena biaya produksi lebih besar dibanding hasil panen.
Beberapa faktor yang mendukung terjadinya perubahan penggunaan lahan antara lain peningkatan populasi manusia dan kebutuhan akan sumberdaya alam, terutama lahan untuk permukiman (Khan et al, 2020). Hal ini sesuai dengan kecenderungan perubahan lahan yang terjadi di Kawasan Sleman Barat.
Tabel 3. Transition Matrix Penggunaan Lahan Tahun 2012-2017.
Penggunaan Lahan
Bangunan Permukiman
Sawah Irigasi
Kebun Air Tawar
Lahan Terbuka
Tegalan Sawah Tadah Hujan
Bangunan Non Permukiman Bangunan
Permukiman
0,9250 0,0139 0,0607 0,0002 0,0003 0,0001 0,0000 0,0000 Sawah Irigasi 0,0886 0,8706 0,0300 0,0006 0,0000 0,0101 0,0000 0,0005
Kebun 0,2459 0,0245 0,7150 0,0139 0,0006 0,0001 0,0004 0,0000
Air Tawar 0,0013 0,0126 0,1323 0,8503 0,0033 0,0003 0,0000 0,0000 Lahan
Terbuka
0,3562 0,2318 0,0261 0,1491 0,0734 0,1567 0,0000 0,0066 Tegalan 0,0863 0,2079 0,3639 0,0396 0,0040 0,2981 0,0000 0,0003 Sawah Tadah
Hujan
0,0585 0,1341 0,6904 0,0058 0,0000 0,0000 0,1111 0,0000 Bangunan
Non Permukiman
1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Sumber: Analisis QGIS data Citra SPOT.
Secara spasial persebaran penggunaan lahan tahun 2012 dan 2017 disajikan melalui peta pada Gambar 3. Fenomena penurunan sawah irigasi dan pertambahan bangunan permukiman dapat teramati dengan jelas pada Kapanewon Godean dan Kapanewon Seyegan. Pengembangan hunian pada kedua kapanewon ini cukup pesat dalam rentang waktu 5 tahun, hal ini disebabkan oleh banyaknya developer yang membangun perumahan ataupun cluster rumah. Kawasan Sleman Barat menjadi lirikan bagi para investor untuk menciptakan hunian murah jika dibandingkan dengan wilayah Kota Yogyakarta yang berada tidak jauh dari kawasan ini.
Informasi dan analisis tren mengenai perubahan penggunaan lahan di masa lalu dapat
dijadikan dasar untuk dilakukan pemodelan prediksi penggunaan lahan di masa depan. Hal ini dapat bermanfaat untuk kegiatan evaluasi terkait kebijakan penggunaan lahan saat ini dan masa depan. Proses validasi dilakukan dengan membandingkan data aktual penggunaan lahan tahun 2022 dengan data simulasi perubahan penggunaan lahan di tahun yang sama. Hasil analisis menunjukkan bahwa akurasi keseluruhan sebesar 86,66% dan nilai kappa keseluruhan sebesar 0,83.
Nilai tersebut berarti bahwa terdapat kesesuaian yang kuat antara hasil simulasi dengan kondisi aktual, sehingga proses simulasi prediksi pada 20 tahun mendatang dapat dilakukan. Peta penggunaan lahan eksisting dan peta prediksi tahun 2022 disajikan melalui peta pada Gambar 4.
http://jtsl.ub.ac.id 477 Gambar 3. Peta penggunaan lahan tahun 2012 (kiri) dan 2017 (kanan).
http://jtsl.ub.ac.id 478 Gambar 4. Peta penggunaan lahan tahun 2022 eksisting (kiri) dan prediksi (kanan).
http://jtsl.ub.ac.id 479 Prediksi perubahan penggunaan lahan 20
tahun kedepan (tahun 2022-2042)
Dinamika perubahan yang terjadi di negara berkembang akibat kurangnya kesadaran tentang pemanfaatan sumberdaya lingkungan dan pemanfaatan yang berlebihan tanpa memperhatikan risiko di masa depan, yang bersumber dari kurangnya kerangka hukum yang kuat (Belihu et al., 2020). Begitu juga dengan Kawasan Sleman Barat yang mengalami perubahan pemanfaatan lahan, sehingga diperlukan model prediksi perubahan penggunaan lahan selama 20 tahun ke depan. Hal ini mengacu pada Peraturan Pemerintah Nomor 26 Tahun 2008 Tentang Rencana Tata Ruang Wilayah Nasional yang dijadikan pedoman dalam rencana pembangunan nasional serta penataan ruang di wilayah provinsi dan kabupaten/kota. Dokumen Rencana Detil Tata Ruang Kawasan Sleman Barat juga selama 20 tahun, yaitu 2021-2041.
Peta prediksi perubahan penggunaan lahan di Kawasan Sleman Barat disajikan melalui peta pada Gambar 5. Pemodelan prediksi menggunakan faktor berupa jalan yang memicu pertambahan jumlah bangunan permukiman. Nabila (2023) menjelaskan dalam penelitiannya bahwa semakin dekat penggunaan lahan terhadap jalan, maka semakin cepat perubahan penggunaan lahan yang terjadi. Hal ini akan semakin menguatkan asumsi bahwa permukiman akan terbangun pada daerah yang memiliki akses jalan. Prediksi yang dihasilkan adalah terjadi pengurangan lahan pertanian, baik sawah irigasi maupun sawah tadah hujan.
Sebaliknya, lahan terbangun, baik bangunan permukiman maupun non permukiman akan meningkat. Kondisi ini perlu diperhatikan dan disusun perencanaan pengelolaan yang sesuai, agar kondisi lingkungan tetap lestari, perekonomian tetap maju, dan kondisi sosial masyarakat merasa aman dan nyaman.
Prediksi konversi lahan pertanian
Konversi lahan menjadi isu umum karena berkaitan dengan aspek manusia dan lingkungan. Seperti Welde dan Gebremeriam (2017) melakukan analisis perubahan penggunaan lahan menggunakan data waktu yang berbeda dan menjelaskan dampaknya terhadap lingkungan dan manusia, sehingga informasi ini menjadi penting bagi perencana dan pemangku kepentingan. Konversi lahan pertanian di kawasan Sleman Barat terjadi secara intensif pada tahun 2012-2017 dan terus berlanjut di masa depan.
Contoh prediksi konversi lahan pertanian tahun 2022 dan 2042 disajikan melalui peta pada Gambar 6. Melalui gambar tersebut dapat diketahui lokasi dan besarnya konversi lahan pertanian yang terjadi.
Lahan pertanian yang terus berkurang menyebabkan krisis sumber pangan di Kawasan Sleman Barat. Kondisi ini menyebabkan Kabupaten Sleman kehilangan sentra pertanian di wilayahnya.
Perubahan penggunaan lahan yang terjadi akibat urban sprawl dan fragmentasi lahan pertanian dapat membahayakan sumberdaya alam, lingkungan, dan ketahanan pangan (Abbas et al, 2021). Hal ini sesuai dengan hasil simulasi prediksi penggunaan lahan di Kawasan Sleman Barat, dimana lahan pertanian mengalami penurunan luas lahan (sesuai Tabel 4) sehingga dapat memicu permasalahan ketahanan pangan. Lahan sawah tadah hujan lebih berpotensi mengalami konversi lahan dibandingkan dengan lahan sawah irigasi. Hal ini dipengaruhi oleh factor nilai produktivitas lahan sawah tadah hujan yang rendah dengan biaya produksi yang lebih tinggi karena hanya mengandalkan turunnya hujan. Oleh karena itu, hasil prediksi perubahan penggunaan lahan dapat membantu pembuat kebijakan dalam menganalisis intensitas perubahan dan dampak sosial ekonomi yang mungkin terjadi. Selain itu, perlu dipertimbangkan pula unsur iklim dalam penelitian lebih lanjut, karena iklim menjadi salah satu faktor dalam pertumbuhan tanaman sehingga berkaitan dengan produktivitas tanaman.
Tabel 4. Luas lahan pertanian tahun 2012, 2022, dan prediksi 2042.
Tahun Tipe Penggunaan Lahan
Luas (ha) 2012 Sawah Irigasi 6180.5
Sawah Tadah Hujan 25.7 2022 Sawah Irigasi 5931.5
Sawah Tadah Hujan 11.4 2042 Sawah Irigasi 5523.0
Sawah Tadah Hujan 1.4
Kesimpulan
Prediksi konversi lahan pertanian menggunakan metode ANN-CA di Kawasan Sleman Barat dari tahun 2022 sampai dengan 2042 mengalami penurunan. Penggunaan lahan bangunan permukiman mengalami peningkatan. Tren alih fungsi lahan yang terjadi berupa perubahan dari lahan pertanian menjadi lahan non pertanian.
http://jtsl.ub.ac.id 480 Gambar 5. Peta prediksi penggunaan lahan tahun 2022, 2027, 2032, 2037, dan 2042.
http://jtsl.ub.ac.id 481 Gambar 6. Contoh perubahan penggunaan lahan pada hasil prediksi tahun 2022 dan 2042.
http://jtsl.ub.ac.id 482 Secara spasial sebaran perubahan lahan terjadi di
seluruh wilayah, dengan dominasi terbanyak terjadi di Kapanewon Godean dan Seyegan. Faktor penyebab terjadinya alih fungsi lahan di Kawasan Sleman Barat diakibatkan oleh pemanfaatan lahan yang tidak terkendali dibarengi dengan tingginya kebutuhan akan tempat tinggal, serta lemahnya hukum yang ada. Metode prediksi perubahan lahan ini dapat diterapkan di wilayah lain sehingga bermanfaat dalam membantu para pemangku kebijakan dalam menyusun perencanaan dan pengelolaan wilayah.
Daftar Pustaka
Abbas, Z., Yang, G., Zhong, Y. and Zhao, Y. 2021.
Spatiotemporal change analysis and future scenario of LULC Using the CA-ANN Approach: A Case Study of the Greater Bay Area, China. Land 10, 584, doi:10.3390/land10060584.
Aniah, P., Bawakyillenuo, S., Codjoec, S.N.A. and Dzanku, F.M. 2023. Land use and land cover change detection and prediction based on the CA-Markov chain in the savannah ecological zone of Ghana.
Environmental Challenges 10: 100664.
Belihu, M., Tekleab, S., Abate, B. and Bewket, W. 2020.
Hydrologic response to land use land cover change in the Upper Gidabo Watershed, Rift Valley Lakes Basin, Ethiopia. HydroResearch 3:85-94.
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, Xinjiang-China (1990–
2030). EnvironmentaL Monitoring and Assessment 191: 1–18, doi:10.1007/s10661-019-7478-0.
Gasarovic, M. and Jogun, T. 2018. The effect of fusing Sentinel-2 bands on land-cover classification.
International Journal of Remote Sensing 39:822-841, doi:10.1080/01431161.2017.1392640.
Getachew, B., Manjunatha, B. and Bhat, H.G. 2021.
Modeling projected impacts of climate and land use/land cover changes on hydrological responses in the Lake Tana Basin, upper Blue Nile River Basin, Ethiopia. Journal of Hydrology 595:125974.
Hapsary, M.S.A., Subiyanto, S. dan Firdaus, H.S. 2021.
Analisis prediksi perubahan penggunaan lahan dengan pendekatan Artificial Neural Network dan regresi logistik di Kota Balikpapan. Jurnal Geodesi Undip 10(2).
Khan, Z., Saeed, A. and Bazai, M.H. 2020. Land use / land cover change detection and prediction using the CA-Markov model: A case study of Quetta city, Pakistan. Journal of Geography and Social Science 2:164-182.
Kunz, A. 2017. Miscalssification and kappa-statistic:
Theoretical relationship and consequences in application. Ludwig-Maximilians-Universitat Munchen Institut fur Statistik.
Li, S., Nadolnyak, D. and Hartarska, V. 2019.
Agricultural land conversion: Impacts of economic and natural risk factors in coastal areas. Land Use Policy 80:380-390.
Lukas, P., Melesse, A.M. and Kenea, T.T. 2023.
Prediction of future land use/ land cover changes using a coupled CA-ANN model in the Upper Omo- Gibe River Basin, Ethiopia. Remote Sensing 15(4):1148.
Martanto, R. dan Andriani, V. 2019. Arahan penggunaan lahan di Kabupaten Sleman Indonesia. Prosiding Seminar FIT ISI 2020 Teknik Geodesi Universitas Diponegoro.
Nabila, D.A. 2023. Pemodelan prediksi dan kesesuaian perubahan penggunaan lahan menggunakan Cellular Automata-Artificial Neural Network. Jurnal Tunas Agraria 6(1):41-55.
Pijanowski, B.C., Brown, D., Shellito, A.B. and Manik, A.G. 2002. Using neural networks and GIS to forecast land use changes: A land transformation model. Computers, Environment and Urban Systems 26:553-575.
Rahman, M., Tabassum, F., Rasheduzzaman, M., Saba, H., Sarkar, L., Ferdous, J., Uddin, S.Z. and Islam, A.Z.M.Z. 2017. Temporal dynamics of land use/land cover change and its prediction using CA-ANN model for southwestern coastal Bangladesh.
Environmental Monitoring and Assessment 189:565, doi:10.1007/s10661-017-6272-0.
Rasool, R., Fayaz, A., Ul Shafiq, M., Singh, H. and Ahmed, P. 2021. Land use land cover change in Kashmir Himalaya: Linking remote sensing with an indicator based DPSIR approach. Ecological Indicators 125:107447, doi:10.1016/
j.ecolind.2021.107447.
Surya, B., Ahmad, D.N.A., Sakti, H.H. and Sahban, H.
2020. Land use change, spatial interaction, and sustainable development in the metropolitan urban areas, South Sulawesi Province, Indonesia. Land 9(3):
95, doi:10.3390/land9030095.
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.
Welde, K. and Gebremariam, B. 2017. Effect of land use land cover dynamics on hydrological response of watershed: Case study of Tekeze Dam watershed, northern Ethiopia. International Soil Water Conservation Research 5:1-16.
Yang, R., Chen, H., Chen, S. and Ye, Y.M. 2022.
Spatiotemporal evolution and prediction of land use/land cover changes and ecosystem service variation in the Yellow River Basin, China.
Ecological Indicator 145:109579.
