Pemanfaatan
Citra Landsat Multitemporal untuk Prediksi Perkembangan Kota dengan Menggunakan
Cellular Automata (Kasus di Kota
Surabaya, Jawa Timur)
Muhammad Sri Harta*1,
Perkembangan kota dapat disadap, diukur, dan diprediksi
perkembangannya menggunakan citra Landsat multitemporal. Tujuan penelitian ini
adalah (1) mengkaji kemampuan citra Landsat multitemporal dalam
mengekstrak elemen-elemen morfologi kota untuk dimanfaatkan sebagai informasi perkembangan
kota Surabaya tahun
1994-2014 dan untuk prediksi perkembangan Kota Surabaya pada tahun 2034; (2) memetakan
dan menganalisis pola, laju pertumbuhan, serta arah
perkembangan Kota Surabaya
tahun 1994-2014; dan (3) melakukan prediksi
perkembangan Kota Surabaya
secara spasial pada tahun 2034 berdasarkan kecenderungan
perkembangan Kota Surabaya tahun 1994-2014.
Penelitian ini menggunakan citra Landsat 5 perekaman 8 Juli
1994 dan Landsat 8 perekaman 1 September 2014. Metode untuk mengekstrak
elemen-elemen morfologi kota menggunakan
kombinasi analisis digital dan interpretasi visual. Analisis digital diolah menggunakan decision tree dengan data
masukan berupa Index-based Built-up Index (IBI), Rasio Band SWIR2/SWIR1, dan
Normalized Difference Bareness Index (NDBaI) untuk ekstrasi lahan terbangun dan
bukan terbangun, sedangkan interpretasi visual untuk mengekstrak jaringan
jalan. Metode yang digunakan untuk memetakan dan menganalisis pola, laju pertumbuhan, serta arah
perkembangan
adalah analisis spasial dengan menggunakan Sistem Informasi Geografis (SIG).
Metode untuk prediksi perkembangan Kota Surabaya menggunakan Cellular
Automata (CA).
Hasil ekstraksi tematik elemen morfologi
kota dari citra
Landsat multitemporal tahun 1994 dan 2014 dengan kombinasi analisis digital dan
interpretasi visual citra dihasilkan untuk citra Landsat 5 tahun 1994 overall
accuracy 88 % dan indeks kappa= 0,69
dalam kategori Baik (Substantial), sedangkan dari citra Landsat tahun 2014
diperoleh overall accuracy 94% dan nilai kappa= 0,87 dalam kategori Sangat Baik
(Almost Perfect). Kuantias
perkembangan kota Surabaya pada periode 1994-2014 sebesar 61.398.900 m2
atau 11%. Pola perkembangan kota Surabaya teridentifikasi 3 tipe perkembangan
yaitu ekspansi ke luar dan ke dalam, Leap Frog, dan memanjang. Laju
perkembangan kota Surabaya periode 1994-2014 dengan high change mengarah ke arah selatan (S) radius 12-14 km,
arah barat daya (SW) radius 15-16 km, arah barat (W) radius 5-12 km, timur laut
(NE) radius 5 km, arah Timur (E) pada radius 4-6 km, dan tenggara (SE) radius
12 km. Kecenderungan arah perkembangan kota Surabaya 1994-2014 mengarah ke
Barat Laut (Northwest) dan Tenggara (Southeast). Arah perkembangan kota
tahun 2034 diprediksi cenderung ke arah Timur dan Barat Kota Surabaya.
Kata kunci—Perkembangan Kota, Citra Landsat, Cellular Automata
1.
PENDAHULUAN
Pada
dasarnya kota dan perkembangannya dapat dideteksi, diukur, dan dimodelkan
dinamika spasialnya dengan menggunakan data time
series dari citra perekaman satelit Landsat. Konsistensi akuisisi data satelit
Landsat berpotensi sebagai sumber informasi utama dalam menyadap kota dan
perkembangannya. Data spasial temporal tinggi dapat digunakan untuk analisis
perubahan secara berseri dari waktu ke waktu. Selain itu, data temporal tinggi berpotensi
untuk menyadap elemen morfologi kota
dari waktu ke waktu seperti jumlah, bentuk, kepadatan, bentuk tekstur, dan
persebaran dari area
terbangun (Webster 1995; mesev et al 1995; dalam Bhatta, 2010).
Penelitian ini dilakukan di Kota
Surabaya. Menurut Tjahyati, dalam Wiyono, P. dkk. (2013), trend pertambahan jumlah penduduk di Kota Surabaya cenderung
positif, laju pertumbuhan penduduknya 5,5 % per tahun pada dekade 1980-1990 dan
6 % pada dekade 1990-2000. BAPPENAS & BPS (2013) juga memprediksi jumlah
penduduk Indonesia tahun 2035 akan terus meningkat, yaitu dari 238,5 juta pada
tahun 2010 menjadi 305,6 juta pada tahun 2035. Sehubungan hal tersebut,
mengindikasikan adanya potensi perkembangan kota di Kota Surabaya secara
berkala. Perkembangan fisikal kota yang cepat dan tidak ada upaya manajemen
dapat membawa dampak negatif, seperti terjadinya proses densifikasi yang tidak
terkontrol, death point, hingga
memicu gejala deteriorisasi lingkungan (Yunus, 2005).
Prediksi perkembangan kota pada
masa mendatang secara spasial tidak sederhana, karena memerlukan teknik
geospasial yang mampu merepresentasikan dinamika perkembangan kota. Salah satu
metode prediksi perkembangan kota secara spasial adalah menggunakan Cellular Automata (CA) yang diintegrasikan dengan Sistem Informasi Geografis (SIG).
Integrasi CA dan SIG telah mampu
merepresentasikan dinamika perkembangan kota. Integrasi CA & SIG terbukti dapat merepresentasikan keterkaitan spasial
dari perubahan serta dapat dipakai untuk memprediksi perkembangan kota
(Karsidi, 2004).
Adapun tujuan yang
hendak dicapai dalam penelitian ini adalah :
(1) Mengkaji
kemampuan citra Landsat
multitemporal dalam mengekstrak elemen-elemen morfologi kota untuk dapat dimanfaatkan sebagai informasi
perkembangan kota Surabaya tahun
1994-2014 dan
dapat digunakan untuk prediksi perkembangan
kota Surabaya di masa depan tahun 2034;
(2) Memetakan
dan menganalisis pola, laju pertumbuhan, serta arah
perkembangan kota Surabaya tahun
1994-2014;
(3) Melakukan prediksi
perkembangan kota Surabaya secara spasial pada tahun 2034 dengan
menggunakan Cellular Automata (CA) berdasarkan kecenderungan
perkembangan kota Surabaya tahun 1994-2014.
2.
LOKASI PENELITIAN
Penelitian ini dilakukan di Kota Surabaya (Gambar 1). Kota Surabaya terletak pada
garis Lintang Selatan antara 70 9` – 70 21`, dan 1120 36` 1120 37` Bujur Timur.
Gambar 1. (a) Titik Kota Surabaya di Indonesia; (b) Region
Kota Surabaya di Provinsi Jawa Timur; dan
(c) Lokasi Penelitian
3.
METODOLOGI
3.1
Data
Data penelitian yang digunakan di dalam penelitian ini
adalah sebagai berikut.
·
Citra Landsat TM Tahun 1994 dan Citra
Landsat OLI Tahun 2014
(Tabel 1).
Citra
|
Sensor
|
Bit
|
Tanggal
Perekaman
|
Sun Azimuth
|
Sun Elevation
|
Path/Raw
|
Landsat 5
|
TM
|
8
|
1994-07-08
|
51.47033214
|
41.10739486
|
118/65
|
Landsat 8
|
OLI_TIRS
|
16
|
2014-09-01
|
61.37042240
|
58.09552897
|
118/65
|
·
Citra
SPOT 6 tahun 2015 (Tanggal perekaman 26 Juni 2015)
·
Data digital peta RBI BIG Tahun 1999, Kota Surabaya Skala 1:25.000
·
Peta
Rencana Pola Ruang , Struktur Ruang, dan Kawasan Strategis dari RTRW Kota
Surabaya Tahun 2014-2034.
3.2 Metode
(1)
Ekstraksi Tematik Morfologi Kota
dari Data Landsat Multitemporal
Metode
ekstraksi tematik morfologi kota dari citra Landsat multitemporal di penelitian
ini menggunakan teknik interpretasi kombinasi interpretasi digital dan visual.
Teknik interpretasi ini merupakan perpaduan antara hasil dari proses analisis
digital terhadap nilai piksel dan hasil interpretasi visual citra penginderaan
jauh menggunakan bantuan Sistem Informsi Geografis. Analisis digital di
penelitian ini menggunakan metode klasifikasi decision tree. Klasifikasi decision tree dalam penelitian ini
dibangun dan dijalankan menggunakan aplikasi SAGA 2.2.7 (Conrad,
O., et al, 2015).
Pembangunan klasifikasi decision tree
dalam penelitian ini akan ada tiga tahap
dari 3 parameter yaitu IBI (Index-based
Built-up Index), Rasio Band
SWIR2/SWIR1, dan NDBaI (Normalized
Difference Bareness Index). Metode ekstraksi tematik elemen
morfologi kota dari data citra Landsat
dalam penelitian ini ditunjukkan pada Gambar 3.2.
(2)
Analisis Perkembangan Kota
Metode analisis perkembangan Kota Surabaya tahun
1994-2014 menggunakan metode tumpangsusun
(overlay) untuk menghasilkan peta
perubahan secara spasial. Kemudian
hasil overlay dua peta tersebut, dianalisis secara kualitatif dan kuantitif perubahannya. Secara kualitatif, analisis
perkembangan kota akan mengidentifikasi pola perkembangan kota melalui
interpretasi visual spasiotemporal morfologi kota tahun 1994 dan 2014. Hasil
analisis tersebut, pola perkembangan kota dikelompokkan menjadi 3 kategorial,
yaitu (1) Ekspansi, (2) Leap Frog,
dan (3) Memanjang. Secara kuantitatif, data perubahan didapatkan dari transision
matrix untuk mengukur perubahan (changes)
dari kelas penggunaan
lahan yang berbeda antar periode waktu. Keluaran tersebut, selanjutnya
diklasifikasikan menjadi 3 kelas untuk mengidentifikasi distribusi besaran
perubahan. Secara kartografis, visualisasi hasil distribusi besaran perubahan
di wujudkan dalam Peta Dot (Peta Titik). Peta titik tersebut dikombinasikan
dengan arah mata angin untuk memudahkan dalam analisis arah perkembangan
berdasarkan besaran perubahan.
(3)
Prediksi Perkembangan Kota
mengggunakan Cellular Automata
Prediksi perkembangan
kota dalam penelitian ini menggunakan Cellular
Automata dengan bantuan SIG.
Software yang digunakan untuk menjalankan simulasi adalah LanduseSim 2.3.1
(Pratomoadmodjo, N.A., 2016). Beberapa input yang digunakan dalam proses pengolahan
simulasi dengan Cellular Automata di LanduseSim 2.3.1 yaitu
: (1) Inisial Landuse yaitu peta tahun awal
(T1) yang akan dugunakan sebagai peta dasar untuk melakukan prediksi pada tahun
ke-n; (2) Neighbourhood Filter yaitu cell yang berdekatan dengan cell yang bersangkutan; (3) Set of Transision Rule, Set of transision rules terdiri dari jenis landuse yang tumbuh, kuantitas tumbuh/growth, peta probabilitas transisi, constrains/pembatas yang tidak
akan berubah, dan elasticity of change
berupa probabilitas jenis landuse yang berubah. Penentuan
kuantitas tumbuh di penelitian ini menggunakan formula (persamaan 1) yang
pernah digunakan oleh Allen, Jeffery dan
Lu, Kang (2003).
Dimana
r adalah rasio growth; Po merupakan jumlah penduduk tahun awal (t0);
P1 merupakan jumlah penduduk tahun terakhir (t1); A0
merupakan luas area terbangun pada tahun awal (t0); dan A1
merupakan luas area terbangun pada tahun terakhir (t1).
Peta
probabilitas transisi yang digunakan adalah penggabungan dari model
probabilitas yaitu model regresi logistik, model Neighbourhood landuse/lancover
eksisting, dan model faktor pembatas. Formula pembentuk model probabilitas transisi
perubahan ditunjukkan persamaan 2.
Formulasi tiap model probabilitas transisi disajikan di Tabel 2.
Pi
Total = Pi MCt0-t1 * Pi RL t0-t1 * Pi Nt0 * Pi Ct0-t1
........................................................(persamaan 2)
Keterangan : MC (Markov Chain), RL ( Regresi Logistik), N (Neigbourhood),
C (Constrain/pembatas)
Tabel 2. Model Probabilitas Transisi
Model
|
Formula
|
Sumber
|
Markov Chain
|
Bell,1974
|
|
Model Regresi Logistik
|
Y= ln
|
McFadden, 1973
|
Model Neigbourhood tutupanlahan tahun dasar
|
Verburg, et al., 2004
|
|
Model Faktor Pembatas
|
Reklasifikasi [1,0]; 0 untuk zona lindung dan faktor
pembatas pertumbuhan,; 1 untuk zona budidaya atau zona dapat berubah.
|
-
|
Cara
kalibrasi dan validasi dalam penelitian ini akan menggunakan tes statistik
Kappa. Prosedur uji kalibrasi dan validasi adalah mevalidasi peta hasil
simulasi tahun 2014 dengan data rujukan
peta hasil klasifikasi morfologi tahun 2014.
4.
HASIL DAN PEMBAHASAN
Secara
statistik, hasil uji akurasi kombinasi interpretasi digital dan visual citra
Landsat 5 tahun 1994 diperoleh overall
accuracy 88 % dan indeks kappa= 0.69
dalam kategori Baik (Substantial)
(Landis & Koch, 1977), sedangkan hasil perhitungan uji akurasi untuk peta
hasil kombinasi interpretasi digital dan visual citra Landsat tahun 2014
diperoleh overall accuracy 94%. dan
nilai kappa= 0,87 dalam kategori Sangat Baik (Almost Perfect) (Landis & Koch, 1977). Hal ini menunjukkan
bahwa hasil kombinasi interpretasi digital dan visual dari data citra Landsat 5
tahun 1994 dan Landsat 8 tahun 2014 telah memenuhi ketentuan yaitu harus lebih
besar dari 85% (USGS, 1972). Hasil
interpretasi disajikan di Tabel 2.
Tabel 2. Hasil Klasifikasi Hibrida Citra Landsat Tahun
1994 dan 2014
No
|
Klasifikasi
|
1994
|
2014
|
||||
Pixel
|
Ha
|
%
|
Pixel
|
Ha
|
%
|
||
1
|
Terbangun
|
162460
|
14.621,40
|
28%
|
230216
|
20.719,44
|
39%
|
2
|
Bukan
terbangun
|
426745
|
38.407,05
|
72%
|
358989
|
32.309,01
|
61%
|
Total
|
589205
|
589205
|
.
|
||||
Sumber : Hasil
Pengolahan, 2016
Berdasarkan Tabel 2, luasan area terbangun tahun 1994 adalah
162460 pixel atau 14.621,40 Ha dan luasan area bukan terbangun sebesar 426745 pixel
atau 38.407,05 Ha. Secara prosentase, hasil klasifikasi citra Landsat tahun
1994 adalah 28% untuk terbangun dan 72% untuk bukan terbangun Hasil klasifikasi
citra Landsat tahun 2014 didapatkan luasan area terbangun tahun 2014 adalah
230216 pixel atau 20.719,44 Ha dan luasan area bukan terbangun sebesar 358989
pixel atau 32.309,01 Ha. Secara prosentase, hasil klasifikasi citra Landsat
tahun 2014 adalah 39% untuk terbangun dan 61% untuk bukan terbangun
(2) Analisis Perkembangan Kota Surabaya Tahun 1994-2014
a) Kuantitas
Perkembangan Kota Surabaya tahun 1994-2014
Hasil analisis overlay, didapatkan
bahwa perubahan lahan terbangun Kota Surabaya Tahun 1994-2014 sebesar
61.398.900 m2 atau terjadi perubahan sebesar 11%. Trend perkembangan
kota secara statistik di Gambar 4, trend menunjukkan bahwa perkembangan lahan
terbangun Kota Surabaya dalam periode
1994-2014 menunjukkan trend naik. Hal ini menunjukkan area terbangun
Kota Surabaya dalam periode bertambah luasan. Luas lahan bukan terbangun
menunjukkan trend menurun, menunjukkan
terjadi pengurangan luas area bukan terbangun. Visualisasi fenomena
perkembangan Kota Surabaya pada periode 1994-2014 melalui overlay peta morofologi kota tahun 1994 dan peta morfologi kota tahun
2014 disajikan pada Gambar 5.
Sumber : Hasil
Pengolahan, 2016
(a)
|
 (b) |
 (c) |
|
Gambar 5. (a) Peta Morfologi Kota Surabaya Tahun
1994 dari Hasil Klasifikasi Hibrida; (b) Peta Morfologi Kota Surabaya Tahun
2014 dari Hasil Klasifikasi Hibrida ;(c). Peta
Perkembangan Kota Surabaya 1994-2014
b) Pola,
Arah Perkembangan Kota Tahun 1994-2014
Pola
perkembangan Kota Surabaya tahun 1994-2014 (Gambar 2. A) teridentifikasi 3 tipe
pola perkembangan yaitu (1) ekspansi ke luar dan ke dalam, (2) Leap Frog,
dan (3) memanjang. Ekspansi ke arah luar terjadi di arah perbatasan Surabaya
dan Sidoarjo khususnya di Kecamatan Waru, kearah barat dan timur Kota Surabaya.
Ekspansi ke dalam ditandai perkembangan kota mengisi lahan kosong yang ada di
dalam kota. Ekspansi ke dalam terjadi di Surabaya Pusat dan Surabaya Selatan.
Pola perkembangan linier atau memanjang di wilayah penelitian teridentifikasi
terjadi di Jalan Raya Wiyung menuju arah
Menganti (Kabupaten Gresik). perkembangan Leap Frog (meloncat) merupakan
perkembangan yang meloncat ada di bagian Barat Kota Surabaya yang dirancang
sebagai Kota Satelit, Timur Laut Surabaya tepatnya Pakuwon City, dan Gresik
Kota Baru.
Arah dan
laju perkembangan Kota Surabaya periode 1994-2014 (Gambar 2. b)dengan high
change mengarah ke arah selatan (S)
di radius 12-14 km, arah SW pada radius 15-16 km, arah barat diradius 5-12 km,
NE di radius 5 km, arah Timur (East) pada radius 4-6 km, dan Southeast
di radius 12. Kecenderungan arah perkembangan kota Surabaya 1994-2014 mengarah
ke Barat Laut (Northwest) dan Tenggara (Southeast).
 (a) |
 (b) |
Gambar 3.
(a) Peta Pola Perkembangan Kota Surabaya Tahun 1994-2014; (b) Peta Arah
Perkembangan Kota Surabaya Tahun 1994-2014
(3) Prediksi
Perkembangan Kota Surabaya Tahun 2034
Prediksi Luasan Area Terbangun
Tahun 2034
Prediksi
luasan perubahan area terbangun dalam penelitian ini mengadopsi perhitungan
yang digunakan Allen, Jeffery dan Lu, Kang (2003). Hasil perhitungan prediksi
luas perkembangan Kota Surabaya bahwa
rasio luas Kota Surabaya tahun 1994-2014
sebesar 1,76. Hal ini menunjukkan rasio area terbangun lebih besar dari rasio
perkembangan jumlah penduduk. Prediksi luas area terbangun di tahun 2034
didapatkan sebesar 326230 pixel,
artinya perkembangan kota di tahun 2034 akan bertambah sebesar 96014 pixel.
Model
Spasial Probabilitas Transisi
Model Probabilitas Markov Chain
Hasil model probabilitas markov chain dari data morfologi kota
tahun 1994 dan 2014 berupa matriks transisi perubahan dan peta transisi
perubahan. Berdasarkan perhitungan matriks transisi, nilai probabilitas
perubahan lahan terbangun 0.8541. Visualisasi hasil probabilitas transisi markov chain ditunjukkan pada Tabel 3
dan Gambar 4.
Probability
of changing to
|
Cl.
1
|
Cl.
2
|
Class
1
|
0.8541
|
0.1459
|
Class
2
|
0.2176
|
0.7824
|
Ket:
1(terbangun); 2(bukan terbangun)
Sumber
: Hasil Perhitungan, 2016
Sumber : Hasil Analisis, 2016
Model Probasbilitas Regresi Logistik
Model probabilitas regresi logistik
dibangun berdasarkan data faktor pemicu perkembangan kota di Surabaya. Faktor
spasial yang digunakan dalam perhitungan model logistik adalah faktor jarak
dari jalan utama, faktor jarak dari bandara, faktor jarak dari pelabuhan, jarak
dari terminal, jarak dari pusat UP, dan jarak dari lokasi strategis ekonomi.
Perhitungan model regresi logistik dilakukan di SPSS, didapatkan nilai
koefisien tiap faktor untuk membuat model regresi logistik. Koefisien hasil
analisis regresi logistik ditunjukkan pada Tabel 4.
Faktor Pemicu
|
B
|
S.E.
|
Wald
|
df
|
Sig.
|
Exp(B)
|
95% C.I.for
EXP(B)
|
||
Lower
|
Upper
|
||||||||
Step 1a
|
Fn_jl94
|
-1,893
|
,237
|
63,768
|
1
|
,000
|
,151
|
,095
|
,240
|
Fn_bandara
|
-,727
|
,199
|
13,401
|
1
|
,000
|
,483
|
,327
|
,713
|
|
Fn_pelabuh
|
-1,304
|
,168
|
60,339
|
1
|
,000
|
,272
|
,195
|
,377
|
|
Fn_termi_1
|
-,433
|
,185
|
5,482
|
1
|
,019
|
,649
|
,451
|
,932
|
|
Fn_pusatUP
|
,550
|
,163
|
11,336
|
1
|
,001
|
1,733
|
1,258
|
2,387
|
|
Fn_Strat34
|
-,170
|
,123
|
1,930
|
1
|
,165
|
,843
|
,663
|
1,072
|
|
Constant
|
-1,833
|
,144
|
161,185
|
1
|
,000
|
,160
|
|||
a. Variable(s)
entered on step 1: Fn_jl94, Fn_bandara, Fn_pelabuh, Fn_termi_1, Fn_pusatUP,
Fn_Strat34.
|
|||||||||
Berdasarkan
Tabel 4, dapat diformulasikan model probabilitas transisi regresi logistik pada
Tabel 5.
Fungsi Regresi Logistik : Y= ln
|
Y(Simulasi_2014)= (-1.893 *
"Normalisasion\N_jalan94free.tif") + (-0.727 *
"Normalisasion\N_bandara.tif") + (-1.304 *
"Normalisasion\N_pelabuhan.tif") + (-0.433 *
"Fn_terminal.tif") +(0.550 *
"Normalisasion\N_pusatUP.tif") + (-0.170 *
"Fn_StrategisEko.tif")-1.833
|
Berdasarkan Kurva ROC , Kurva ROC (Receive Operation Characteristic)
merupahan kurva yang menunjukkan hubungan antara uji sensitifitas dan
spesifitas dan digunakan untuk menerangkan ketepatan uji dalam berbagai
tingkatan titik potong dalam membaca spesifitas yang sesuai dengan
sensitifitas yang ada. Kurva ROC akan
menghasilkan nilai Area Under the Curve dengan nilai berkisar antara 50-100%. Nilai
AUC sebesar 100% menunjukkan kondisi ideal
uji ketepatan nilai prediksi dengan kondisi nyata dilapangan. Hasil uji
kurva ROC di penelitian ini (Tabel 5)
bahwa nilai AUC sebesar 84.5% dengan 95%.
Sumber: Hasil analisis, 2016
Test Result Variable(s): Predicted probability
|
||||
Area
|
Std. Errora
|
Asymptotic Sig.b
|
Asymptotic 95% Confidence Interval
|
|
Lower Bound
|
Upper Bound
|
|||
,868
|
,012
|
,000
|
,845
|
,892
|
a.
Under the nonparametric assumption
|
||||
b.
Null hypothesis: true area = 0.5
|
||||
Sumber: Hasil analisis, 2016
Berdasarkan perhitungan validasi
model menggunakan nilai ROC (Gambar 5) dengan ditunjukkan pada nilai AUC dengan
nilai 0.845 (Tabel 6). Nilai AUC tersebut lebih besar dari nilai minimal
kebenaran 0.5, sehingga model regresi dapat digunakan untuk memangun model
prediksi. Model spasial regresi logistik dioperasikan menggunakan Raster Calculator di ArcGIS.
(a)Tahun
1994-2014
|
(b)Tahun
2014-2034
|
Sumber : Hasil Analisis, 2016
Berdasarkan Gambar 6, probabilitas
tinggi ditandai warna kuning, sedangkan probabilitas rendah ditandai biru. Pola
probabilitas tinggi cenderung mengikuti pola jaringan jalan utama. Beberapa
area yang memiliki probabilitas transisi tinggi terletak dekat jalan, dekat
pelabuhan, dan bandara.
Model Probabilitas Neighbourhood
Model probabilitas neighbourhood merupakan penilaian
terhadap nilai penggunaan lahan eksisiting berdasarkan nilai tetangganya lahan
terbangun pada penelitian ini dinilai 0 dengan asumsi saat simulasi tidak akan
terjadi perubahan menjadi lahan bukan terbangun. Nilai bukan terbangun pada
penelitian, untuk memberikan peluang terkonversi menjadi lahan terbangun saat
simulasi model. Nilai range
probabilitas neighbourhood
ditunjukkan pada Gambar 7. Biru menunjukan probabilitas rendah dengan nilai
mendekati angka 0, sedangkan merah bernilai semakin tinggi dengan nilai
mendekati 1. Perhitungan ketetanggaan pada penelitian ini menggunakan persamaan
yang dikembangkan oleh Verburg, et al (2003).
P neigbourhood tahun 1994
|
P neigbourhood
tahun 2014
|
Sumber : Hasil
Analisis, 2016
Model Probabilitas Faktor Pembatas/Constrains
Model Probabilitas Faktor pembatas
bernilai 1 dan 0. Asumsi nilai 1 untuk pixel yang dapat berubah sedangkan nilai
0 untuk daerah yang tidak akan dapat berubah seperti lahan terbangun eksisting,
jalan, dan kawasan lindung. Pixel dengan nilai 0 supaya nilai akhir tetap nol.
Jadi dengan memberikan nilai nol pada kawasan pembatas maka saat simulasi
prediksi pada tahun t ke-n tidak akan mengalami perubahan. Visualisasi Model
Probabilitas Faktor Pembatas dapat dilihat pada Gambar 8.
(a)
|
(b)
|
Gambar 8. Model Probabilitas Faktor Pembatas (a)
Tahun 1994-2014 (b) Tahun 2014-2034
Sumber
: Hasil Analisis, 2016
Simulasi
Prediksi Perkembangan Kota
Prediksi
perkembangan Kota Surabaya tahun 2034 dimaksudkan untuk memahami fenomena
kecenderungan perkembangan kota di masa mendatang. Secara kuantitatif,
ekspektasi perkembangan kota Surabaya 20 tahun ke depan di tahun 2034
dengan skenario nilai r= 1,76,
diprediksi luas area terbangunnya sebesar 326.230 piksel, artinya perkembangan
kota di tahun 2034 akan bertambah sebesar 96014 pixel. Hasil simulasi
perkembangan kota menggunakan Cellular Automata di LanduseSim disajikan
pada Gambar 9. Hasil Validasi model dari Peta Hasil Simulasi tahun 2014 dan Peta
Reference Morfologi Kota
Surabaya termasuk kategori Baik (Substantial) dengan nilai Kappa=
0.70086, yang berarti perkembangan kota surabaya ke depan tahun 2030 dapat diprediksi menggunakan model
CA- Integrated Model of Transisi probabilities.
Arah
perkembangan kota tahun 2034 diprediksi cenderung ke arah Timur dan Barat Kota
Surabaya.
 (a) Model Probabilitas Transisi untuk Simulasi Perkembangan Kota Tahun 2014 |
 (b) Model Probabilitas Transisi untuk Simulasi Perkembangan Kota Tahun 2034 |
|
 (c) Morfologi Kota Surabaya Tahun 2014 dari Hasil Interpretasi |
 (d) Morfologi Kota Surabaya Tahun 2014 dari Hasil Simulasi CA |
 (e) Morfologi Kota Surabaya Tahun 2034 dari Hasil Simulasi CA |
Gambar 9. Visualisasi Simulasi
Prediksi Perkembangan Kota menggunakan Cellular
Automata
5.
KESIMPULAN
Ekstraski tematik elemen-elemen
morfologi kota dari citra Landsat multitemporal tahun 1994 dan tahun 2014
dengan menggunakan kombinasi teknik interpretasi digital dan visual terbukti
dapat diekstrak informasi tematik morfologi
Kota Surabaya tahun 1994-2014. Secara statistik, hasil uji akurasi
interpretasi hibrida citra Landsat 5 tahun 1994 diperoleh overall accuracy 88 % dan indeks kappa= 0.69 dalam kategori
Baik (Substantial), sedangkan hasil
perhitungan uji akurasi untuk peta hasil interpretasi citra Landsat tahun 2014
diperoleh overall accuracy 94%. dan
nilai kappa= 0,87 dalam kategori Sangat Baik (Almost Perfect). Hal ini menunjukkan bahwa hasil kombinasi teknik
interpretasi digital dan visual dari data citra Landsat 5 tahun 1994 dan
Landsat 8 tahun 2014 telah memenuhi ketentuan yaitu harus lebih besar dari
85%.
Karakteristik perkembangan Kota
Surabaya tahun 1994-2014 secara spasial dapat diidentifikasi dari kuantitas,
pola, arah perkembangannya. Kuantias perkembangan kota pada periode 1994-2014
sebesar 61.398.900 m2 atau 11%. Pola perkembangan Kota Surabaya teridentifikasi
3 tipe perkembangan yaitu (1) ekspansi ke luar dan ke dalam, (2) Leap Frog, dan (3) memanjang. Laju
perkembangan kota Surabaya periode 1994-2014 dengan high change mengarah ke arah
Selatan (S) di radius 12-14 km, arah Barat Daya (Southwest) pada radius 15-16 km, arah Barat diradius 5-12 km, Barat
Laut (Northeast) di radius 5 km, arah
Timur (East) pada radius 4-6 km, dan
Tenggara (Southeast) di radius 12.
Kecenderungan arah perkembangan Kota Surabaya 1994-2014 mengarah ke Barat Laut
(Northwest) dan Tenggara (Southeast) .
Perkembangan Kota Surabaya tahun
2034 dapat diprediksi menggunakan integrasi Sistem Informasi Geografis dan Cellular Automata. Nilai kalibrasi peta
Hasil Simulasi Tahun 2014 dan Peta Referensi Morfologi kota Surabaya dihasilkan
nilai Kappa= 0.70086 yang termasuk kategori Baik (Substantial). Arah
perkembangan kota tahun 2034 diprediksi cenderung ke arah Timur dan Barat Kota
Surabaya.
6.
DAFTAR PUSTAKA
Allen, J. and Lu, K., 2003.
Modeling And Prediction Of Future Urban Growth
In The Charleston
Region Of South Carolina: A Gis-Based Integrated Approach, Journal of Conservation Ecology, Vol. 8, No. 2. http://www.ecologyandsociety.org/vol8/iss2/art2/ diakses 14/07/2016
Statistik,
B.P., 2013. Proyeksi Penduduk Indonesia 2010-2035. Jakarta: Badan Pusat
Statistik, pp.1-472.
Bell,
E.J., 1974. Markov analysis of land use change—an application of stochastic
processes to remotely sensed data. Socio-Economic Planning Sciences, 8(6),
pp.311-316.
Bhatta,
B., 2010. Analysis of urban growth and sprawl from remote sensing data.
Springer Science & Business Media.
BPS.,
2015. Surabaya dalam angka 2015.
Jakarta : Badan Pusat Statistik
Conrad,
O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J.,
Wichmann, V. and Böhner, J., 2015. System for automated geoscientific analyses
(SAGA) v. 2.1. 4. Geoscientific Model Development, 8(7),
pp.1991-2007.
Handinoto
& Soehargo, P.H., 1996. Perkembangan Kota dan Arsitektur Kolonial Belanda
di Malang. Surabaya: Lembaga Penelitian dan Pengabdian kepada Masyarakat,
Universitas Kristen PETRA.
Ji, L., Zhang, L. and Wylie,
B., 2009. Analysis of dynamic thresholds for the normalized difference water
index. Photogrammetric Engineering & Remote Sensing, 75(11),
pp.1307-1317.
Karsidi,
A., 2004. Menata ruang laut terpadu: analisis
perubahan penggunaan lahan dinamis dengan sistem informasi geografis berbasis
markov cellular automata. Jakarta: PT Pradnya Paramita
Landis,
J.R. and Koch, G.G., 1977. The measurement of observer agreement for
categorical data. biometrics, pp.159-174.
McFadden,
D., 1973. Conditional logit analysis of qualitative choice behavior.
Pratomoatmojo,
N.A., 2016. LanduseSimPractice: spatial modeling of settlement and industrial
growth by means of cellular automata and Geographic Information System. Urban
and Regional Planning Department, Sepuluh Nopember Institute of Technology,
Surabaya.
Verburg,
P.H., de Nijs, T.C., van Eck, J.R., Visser, H. and de Jong, K., 2004. A method
to analyse neighbourhood characteristics of land use patterns. Computers,
Environment and Urban Systems, 28(6), pp.667-690.
Wiyono,
P., Putra, R.S.A. and Pratiwi, T.W., 2014. SURABAYA FRISHAPP: KOTA TERAPUNG
MASA DEPAN DENGAN DESAIN “FLOATING RING SHAPED PLATE”. Program Kreativitas
Mahasiswa-Gagasan Tertulis.
Yunus,
H.S., 2005. Manajemen kota: perspektif spasial. Pustaka Pelajar.
Tidak ada komentar:
Posting Komentar