Page 1
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
top-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
Page 2
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).
Page 3
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.
Page 4
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
Page 5
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
Page 6
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”.
Page 7
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 (R
2 = 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
Page 8
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.
Page 9
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%)
Page 10
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
Page 11
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%
Page 12
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).
Page 13
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/km2
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
Sumber : Bantul Dalam Angka, 2012
Page 14
14
Gambar 1.1. Lokasi daerah penelitian yang tersaji pada Citra Landsat 7 ETM+ tahun 2002 komposit RGB 451