ANALISIS MODEL PERUBAHAN PENGGUNAAN LAHAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DI KOTA SALATIGA

Abstract

ABSTRAK

Perkembangan perkotaan yang pesat dapat dilihat dari peningkatan jumlah penduduk dan mobilitas penduduk, sehingga kebutuhan akan lahan terbangun juga semakin meningkat. Penelitian ini bertujuan untuk mengetahui perubahan penggunaan lahan dan memprediksi perubahan penggunaan lahan di masa yang akan datang dengan mengintegrasikan model cellular automata dan artificial neural network serta menguji tingkat validitas dari model prediksi. Variabel yang digunakan sebagai faktor pendorong terjadinya perubahan lahan adalah jarak ke pemukiman, jarak ke jalan, dan jarak ke sungai, serta data kepadatan penduduk. Penelitian ini menitik beratkan pada penggunaan lahan industri, pemukiman, dan lahan pertanian. Data yang digunakan dalam penelitian ini antara lain peta penggunaan lahan tahun 2008 dan 2013 dari penelitian terdahulu, peta penggunaan lahan tahun 2018 hasil digitasi dan validasi lapangan. Data jaringan jalan, data jaringan drainase, dan data kepadatan penduduk digunakan sebagai data untuk faktor pendorong pemodelan. Hasil penelitian ini menunjukkan perubahan penggunaan lahan tahun 2008−2018 didominasi oleh perubahan penggunaan lahan dari lahan pertanian menjadi lahan non pertanian. Lahan pertanian mengalami penurunan sebesar 211,51 ha, pemukiman mengalami peningkatan sebesar 96,39 ha, dan industri mengalami peningkatan sebesar 77,51 ha. Validasi pemodelan menggunakan dua metode, yaitu kappa dan analisis spasial yang menghitung perbedaan titik centroid dan analisis perbedaan luas. Hasil validasi pemodelan memiliki Indeks Kappa sebesar 0,972, nilai RMS sebesar 3,234 m, dan 96% luas antara peta prediksi dengan peta hasil digitasi dikatakan sesuai, sehingga pemodelan ini tergolong mempunyai kemiripan yang sangat baik terhadap kondisi eksisting penggunaan lahan tahun 2018.  

Kata Kunci: ANN dan CA, Kota Salatiga, Perubahan Penggunaan Lahan, SIG

ABSTRACT

Rapid urban development can be seen from the increase in population and population mobility, so that the need for built-up land is also increasing. This study aims to determine changes in land use and predict future land use changes by integrating cellular automata and artificial neural network models and testing the validity of predictive models. The variables used as driving factors for land changes are distance to settlements, distance to roads, and distance to rivers, as well as population density data. This research focuses on the use of industrial land, settlement, and agricultural land. Data used in this study include land use maps for 2008 and 2013 from previous studies, land use maps for 2018 resulting from digitization and field validation. Road network data, drainage network data, and population density data are used as data for modeling driving factors. The results of this study indicate that changes in land use in 2008-2018 are dominated by changes in land use from agricultural land to non-agricultural land. Agricultural land decreased by 211.51 ha, settlement increased by 96.39 ha, and industry increased by 77.51 ha. Model validation uses two methods, namely kappa and spatial analysis which compute centroid point differences and area difference analysis. The results of modeling validation have a Kappa Index of 0.972, an RMS value of 3.234 m, and 96% of the area between the prediction map and the digitization map are said to be appropriate, so that this model is classified as having very good similarities to the existing conditions of land use in 2018.