Professional Documents
Culture Documents
doi https://doi.org/10.20886/jppdas.2021.5.2.185-206
PREDIKSI PERUBAHAN TUTUPAN LAHAN DENGAN MODEL MARKOV CHAIN DAN ANN-
MARKOV DI DAS KRUENG ACEH
(Land cover change prediction using Markov Chain and ANN-Markov Model in Krueng Aceh
Watershed)
Jl. Lingkar Akademik Kampus IPB, Dramaga, Babakan, Kec. Dramaga, Bogor, Jawa Barat
2 BPDASHL Krueng Aceh, Banda Aceh
JL. Cut Nyak Dien Km. 1, 2, Banda Aceh, Emperom, Jaya Baru, Banda Aceh City, Aceh
Email: yoedhiskma@gmail.com
ABSTRACT
ABSTRAK
Prediksi perubahan tutupan lahan yang baik akan menjadi pertimbangan dalam menentukan
strategi pembangunan di masa depan. Terdapat banyak metode dalam melakukan prediksi
perubahan tutupan lahan yang tergantung pada kebutuhan data, algoritma pemodelan yang
dilakukan dan output apa saja yang diperlukan. Penelitian ini dilakukan untuk mengkaji model
prediksi perubahan tutupan lahan dari tahun 2007 hingga 2020 di DAS Krueng Aceh.
Pendekatan yang dilakukan menggunakan penginderaan jauh dan SIG. Model Markov Chain
(MC) dan Artificial Neural Network-Markov (ANN-MC) digunakan untuk memahami dinamika
spatio-temporal tutupan lahan. Akurasi dari citra penginderaan jauh yang diklasifikasikan
diperoleh dari hasil interpretasi visual pada citra resolusi sedang Landsat OLI tahun 2020
dengan nilai Kappa Accuracy sebesar 84%. Kedua model prediksi menggunakan data tutupan
lahan tahun 2007 (T1) dan 2017 (T2) untuk membuat probabilitas perubahan yang digunakan
dalam memprediksi tutupan lahan pada tahun 2020 (T3). Validasi kedua algoritma
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 185
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
menunjukkan korelasi yang kuat dengan peta tutupan lahan 2020, hal tersebut membuktikan
kehandalan model kedua simulasi (ANN=87,81% dan MC=88,69%).
Kata kunci: model; ANN-Markov; prediksi tutupan lahan; Rantai Markov
Proses simulasi yang dilakukan SLEUTH pendorongnya (Megahed, Cabral, Silva, &
dibatasi oleh faktor tetap yang tidak dapat Caetano, 2015).
berubah (Nahavandya, Kumar, & Ghamisi, Penelitian ini membandingkan metode
2017; Saxena & Jat, 2019). Support Vector prediksi tutupan lahan dengan ANN-
Machin (SVM) tidak menjelaskan bobot Markov dan MC untuk melihat metode
dari faktor pendorong (Karimi, Sultana, yang paling sesuai dengan hasil aktual
Babakan, & Suthaharan, 2019). lapangan. Penelitian yang
Markov Chain (MC) tetap dapat membandingkan metode prediksi tutupan
digunakan dalam memprediksi tutupan lahan masih sangat jarang dan sebagian
lahan dengan baik walaupun memiliki besar hanya membandingkan model dan
kekurangan berupa tidak dapat prediksi CA-ANN dan CA-Regresi Logistik
terakomodirnya perubahan tutupan lahan (Logit) seperti yang dilakukan oleh Ridwan,
yang terjadi akibat pembukaan akses. Ardiansyah, dan Gandasasmita (2017) dan
Penelitian dengan metode MC yang telah Darmawan, Puspaningsih, dan Saleh
dilakukan sebelumnya oleh Paramita dan (2017). Diharapkan hasil prediksi terbaik
Danoedoro (2011), Yang, Zheng, dan Lv dapat dimanfaatkan sebagai salah satu
(2012), Ye dan Bai (2008), Al-sharif dan acuan dalam perencanaan pengelolaan
Pradhan (2014), Uktoro (2013). Selain itu, DAS di masa yang akan datang.
dibandingkan dengan jenis markov yang Tujuan utama penelitian ini adalah
lain (Markov decision process, Hidden untuk menganalisis dinamika perubahan
Markov model, dan Partially observable dan prediksi tutupan lahan DAS Krueng
Markov decision process), MC adalah Aceh. Untuk memenuhi tujuan utama
model paling sederhana dan mudah untuk tersebut maka terdapat beberapa tujuan
digunakan. dasar yang ingin dicapai antara lain (1)
Sementara itu, de Almeida (2003), menganalisis kondisi perubahan tutupan
Moghaddam dan Samadzadegan (2009), lahan yang terjadi pada tahun 2007, 2017,
Omrani, Charif, Gerber, Bódis, dan Basse dan 2020; (2) menentukan prediksi
(2012), Xu, Zhang, dan Zhou (2008), Yeh perubahan tutupan lahan di DAS Krueng
dan Li (2002) melakukan pemodelan Aceh menggunakan model MC dan ANN-
perubahan tutupan lahan dengan Markov.
mengombinasikan Artificial Neural II. BAHAN DAN METODE
Network (ANN) dengan CA. Masalah yang
A. Waktu dan Lokasi
melekat dengan model ANN adalah faktor
pendorong diasumsikan tidak akan Penelitian dilakukan pada DAS Krueng
berubah selama periode simulasi, akan Aceh yang merupakan DAS di bagian Utara
tetapi, ANN mudah terintegrasi dengan Pulau Sumatera yang seluruhnya berada
model lain, dan dapat mendeteksi dalam Propinsi Aceh. Nama Krueng Aceh
hubungan antara perubahan tutupan lahan merupakan nama sungai utama yang
dengan masing-masing faktor mengalir dalam DAS tersebut yang
memiliki luas 176.925 ha. Secara geografis
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 187
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
DAS Krueng Aceh berada pada posisi Bujur dilakukan mulai bulan Desember 2020
d]uµŒ ~ d• õñ£íí[ðí_ - õñ£ðõ[ðò_ v sampai Januari 2021 serta analisis
>]vš vP hš Œ ~>h• ñ£ï[ðí_ - ñ£ïô[íì_X perubahan lahan yang diikuti
pembangunan model spasial pada bulan
Seluruh kecamatan dalam wilayah
Januari sampai Agustus 2021.
administrasi Kabupaten Aceh Besar
terletak dalam DAS Krueng Aceh baik B. Bahan dan Alat
secara keseluruhan atau sebagian. Luas Alat yang digunakan dalam penelitian ini
total Kabupaten Aceh Besar yang berada dibedakan menjadi hardware dan
dalam DAS Krueng Aceh lebih kurang 1,934 software. Hardware yang digunakan dalam
km2. Wilayah administrasi Kota Banda Aceh pengukuran lapangan adalah GPS, Kamera,
yang terletak di bagian hilir DAS Krueng tallysheet. Software yang digunakan dalam
Aceh memiliki total luas 60 km2 dan sekitar pengolahan dan analisis data adalah
95.3% luas Kota Banda Aceh berada dalam ArcMap 10.4.1, TerrSet 2020 dan Microsoft
wilayah DAS Krueng Aceh (BPDASHL Excel. Bahan atau data yang digunakan
Krueng Aceh, 2009). dalam penelitian ini adalah Landsat 5 TM
Penelitian ini dibagi menjadi tiga perekaman tahun 2007 dan Landsat 8 OLI
tahapan yakni tahap pengumpulan data, perekaman tahun 2017 dan 2020.
pengolahan data dan survei lapang yang
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 189
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 191
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
Salah satu pola arsitektur jaringan yang masukan (input layer), lapisan tersembunyi
umum digunakan dalam pemodelan ANN (hidden layer) serta lapisan hasil (output
adalah Multi-layer Perceptron (MLP). layer) MLP mampu mengenali hubungan
Terdiri dari tiga macam layer (Gambar 2) non-linear yang terjadi dalam pemodelan
yang bertopologi jaringan berisi lapisan (Pijanowski et al., 2002).
I : Input
H : Hidden layer
O : Output
192 @2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license.
Jurnal Penelitian Pengelolaan Daerah Aliran Sungai E-ISSN: 2579-5511/P-ISSN:2579-6097
(Journal of Watershed Management Research)
Vol. 5 No.2, Oktober 2021 : 185-206
(a) (b)
(c) (d)
Keterangan:
(a) Kepadatan penduduk
(b) Fungsi kawasan
(c) Jarak dari jalan
(d) Ketinggian
(e) Kemiringan lereng
(e)
Gambar (Figure) 3. Faktor pendorong yang digunakan dalam ANN-M (Driving factors used for ANN-M)
Sumber (Source): Pengolahan data 2021 (data analysis 2021)
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 193
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
4. Uji Akurasi Model Markov Chain dan LCM untuk mendapatkan dinamika
ANN-Markov perubahan yang terjadi. Terdapat dinamika
Uji akurasi dilakukan dengan perubahan tutupan lahan yang terjadi
membandingkan hasil prediksi MC dan dalam tiap tahun interpretasi data,
ANN-MC dengan tutupan lahan aktual menggunakan alat gain and lost pada LCM
tahun 2020. Interpretasi visual dijadikan
acuan kondisi lapang yang sebenarnya berbagai perpindahan kelas tutupan lahan
karena memiliki referensi skill dan dapat diidentifikasi baik secara luas, ukuran
pengetahuan dari intrepreter yang sel serta persentase perpindahan.
dipadukan dengan ground check. Jaya Hutan primer merupakan tutupan yang
(2010b) mengatakan bahwa akurasi yang
paling dominan pada tahun 2007 yang
dianjurkan untuk menilai tingkat ketelitian
data pengolahan citra satelit adalah Kappa meliputi 54.705,75 ha atau 31%. Hal ini
accuracy (KA), karena overall accuracy juga terjadi pada tahun-tahun selanjutnya
(OA) secara umum menghasilkan nilai dimana tahun 2017 dan 2020, hutan primer
akurasi yang overestimate. KA merupakan tutupan lahan yang paling
mempertimbangkan seluruh elemen yang
terdapat pada matrik kesalahan. Nilai KA dominan, walaupun keberadaan hutan
yang dikategorikan oleh Landis dan Koch primer semakin berkurang dari waktu ke
(1977) yaitu 0-20% rendah, 21-40% waktu. Keberadaan hutan primer pada
kurang, 41-60% sedang, 61-80% baik, dan wilayah DAS Krueng Aceh ini tidak terlepas
81-100% sangat baik. Perhitungan nilai
dari adanya faktor status kawasan hutan,
akurasi Kappa dilakukan dengan membuat
matrik konfusi antara kelas yang dibuat lereng dan elevasi yang cukup ekstrim pada
menggunakan model MC dan ANN- jenis tutupan lahan ini. Pada tahun 2020
Markov dengan peta aktual tutupan lahan luas hutan primer berkurang menjadi
tahun 2020 (Tabel 2). 48.512,00 Ha atau sekitar 27,5% (Gambar
III. HASIL DAN PEMBAHASAN 4). Kehilangan yang terjadi pada luas hutan
A. Analisis Tutupan Lahan primer mayoritas disebabkan oleh
banyaknya pertambahan jalan hutan serta
Hasil klasifikasi terhadap citra satelit
perambahan pada daerah dengan
landsat tahun perekaman 2007, 2017 dan
kelerengan landai sampai agak curam
2020 diperoleh data tutupan lahan aktual
(Mahyuddin, Sugianto, & Alvisyahrin,
yang kemudian dianalisis menggunakan
2013).
Tabel (Table) 2. Matriks kontingensi (Contingency matrix)
Data referensi Diklasifikasikan ke kelas (Classified by class)
Jumlah (Sum) UA
(Reference data) PL1 PL2 PL3 PL4 PLn
PL1 X11 X12 X13 X14 X1n X1+ X11/ X1+
PL2 X21 X22 X23 X24 X2n X2+ X22/ X2+
PL3 ... ... ...
PL4 .. ... ...
PLn Xn1 Xn2 Xn3 Xn4 Xnn X5+ X55/ X+5
Jumlah X+1 X+2 X+3 X+4 X+5 Xii
X11/ X22/ X33/ X44/
PA X+1 X+2 X+3 X+4 X55/ X+5
Keterangan : PL (Tutupan lahan=land cover); PA (WŒ} µ Œ[• µŒ Ç); UA (h• Œ[• µŒ Ç)
Sumber (Source): (Jaya, 2010a)
194 @2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license.
Jurnal Penelitian Pengelolaan Daerah Aliran Sungai E-ISSN: 2579-5511/P-ISSN:2579-6097
(Journal of Watershed Management Research)
Vol. 5 No.2, Oktober 2021 : 185-206
à ÑÔÔ
1RAN=HH =??QN=?U L
Ç
YYYYYYYYYYYYYYYYYYYYYYY(1)
Ç Ã ÑÔÔ ?Ã ÑÔ6 Ñ6Ô
-=LL= #??QN=?U L
Ç. ?Ã ÑÔ6Ñ6Ô
YYYYYYYYYYYYYYYYYYX(2)
Keterangan:
N : jumlah nilai pada matriks Xi+ : jumlah nilai pada kolom ke-j
Xii : nilai diagonal matriks kontingensi baris ke-i dan kolom ke-i X+i : jumlah nilai pada baris ke-i
Tabel (Table) 3. Tutupan lahan aktual tahun 2007, 2017, dan 2020 (Actual land cover in 2007, 2017, and 2020)
Tutupan Lahan 2007 2017 2020
No
(Land cover) % % %
1 Pertanian lahan kering 9,94 3,20 3,31
2 Tanah terbuka 12,47 13,96 15,01
3 Hutan sekunder 5,50 5,66 8,33
4 Tambak 0,65 0,56 0,56
5 Hutan Tanaman Industri 0,03 0,03 0,03
6 Agroforestri 3,55 4,50 4,56
7 Sawah 10,64 10,14 10,43
8 Permukiman 2,24 6,84 7,01
9 Semak belukar 23,02 23,66 22,34
10 Hutan primer 30,98 30,51 27,47
11 Tubuh air 0,98 0,94 0,94
Total 100,00 100,00 100,00
Sumber (Source): Pengolahan data 2021 (data analysis 2021)
Temuan penelitian ini selaras dengan & Cabral, 2010) menjelaskan jika
penelitian yang dilakukan oleh peningkatan lahan permukiman terjadi
Gebrehiwot, Bewket, Gärdenäs, & Bishop akibat konversi dari lahan pertanian, lahan
(2014) di DAS Birr, Ethiopia serta penelitian terbuka, dan semak belukar. Sesuai analisis
serupa oleh Gashaw, Bantider, dan Mahari di lokasi penelitian, wilayah perkotaan
(2014) di wilayah Dera, Ethiopia dimana meningkat dari tahun ke tahun.
luas tutupan hutan terus mengalami Peningkatan ini diduga berkaitan dengan
penurunan. adanya infrastruktur untuk mengakomodir
Permukiman mengalami kenaikan pada kebutuhan lahan akibat urbanisasi.
tiga waktu yang dikaji, temuan ini Penelitian Riad, Graefe, Hussein, &
menunjukkan jika peningkatan wilayah Buerkert (2020) mengungkapkan bahwa
perkotaan konsisten dengan penelitian perencanaan area permukiman sangat
lainnya. Temuan di Afrika (Gibbs et al., diperlukan untuk mengatasi permasalah
2010), Ethiopia (Wubie, Assen, & Nicolau, lingkungan seperti berkurangnya lahan dan
2016), Slovakia (Tarasovicova, Saksa, pasokan air pada wilayah perkotaan.
Blazik, & Faltan, 2013), dan Portugal (Araya
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 195
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
Gambar (Figure) 4. Peta tutupan lahan aktual tahun 2007. 2017, dan 2020 (Actual land cover maps for
2007. 2017, and 2020)
Sumber (Source): Pengolahan data 2021 (data analysis 2021)
Pengamatan data yang dihasilkan LCM Uji akurasi dilakukan pada peta tutupan
menyebutkan bahwa pada periode tahun lahan tahun 2020 hasil interpretasi visual
2007-2017 terjadi perubahan tutupan yang dibandingkan dengan hasil
lahan yang cukup signifikan di DAS Krueng peninjauan lapangan dan citra google earth
Aceh. Perubahan terbesar terjadi pada menggunakan matriks konfusi pada setiap
kelas tutupan pertanian lahan kering kategori tutupan lahan. Pengujian akurasi
dimana mengalami kehilangan seluas yang dilakukan adalah Overall Accuracy,
12.350 ha serta penambahan seluas 437 Kappa Accuracy, WŒ} µ Œ[• Accuracy dan
ha. Perubahan serupa terjadi pada h• Œ[• µŒ Ç. Masing-masing nilai
penelitian di China Selatan dimana Hasan Overall Accuracy dan Kappa Accuracy
et al. (2020) menemukan urbanisasi pada adalah 86% dan 84%. Penelitian ini
beberapa pusat pemerintahan daerah menunjukkan bahwa hasil uji akurasi
menyebabkan tutupan pertanian lahan interpretasi citra landsat 2020 berada
kering berkurang seluas 15.105 Ha dalam dalam kelas sangat kuat/sangat baik yaitu
kurun waktu 12 tahun (th 2005-2017). Pada berada pada kisaran 80% - 100% (Viera &
periode tahun 2017-2020 luas hutan Garrett, 2005)
primer di DAS Krueng Aceh mengalami
B. Model Prediksi Tutupan Lahan
penurunan sebesar 5.366 ha yang
diakibatkan pergeseran kelas menjadi Pendekatan terpadu antara
hutan sekunder seluas 5.236 ha dan semak penginderaan jarak jauh, SIG, dan model
belukar 130 ha. prediksi ANN-Markov dan MC digunakan
untuk memahami perubahan historis dan
196 @2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license.
Jurnal Penelitian Pengelolaan Daerah Aliran Sungai E-ISSN: 2579-5511/P-ISSN:2579-6097
(Journal of Watershed Management Research)
Vol. 5 No.2, Oktober 2021 : 185-206
prediksi pola perubahan tutupan lahan di mendapatkan hasil serupa dimana daerah
DAS Krueng Aceh. Analisis transisi potensi penelitian tersebut mengalami penurunan
menilai kemungkinan perubahan tutupan luas pertanian lahan kering sebesar 7,73%
lahan dari satu kelas ke kelas yang lain. atau 15.106 ha. Perubahan pertanian lahan
Transisi potensi mencatat probabilitas kering menjadi semak belukar merupakan
setiap kelas tutupan lahan untuk berubah jenis perubahan yang memiliki nilai
menjadi kelas tutupan lahan lainnya (Gidey peluang paling besar di DAS Krueng Aceh.
et al., 2017). Matriks probabilitas transisi Transisi potensi yang digunakan MC
dihasilkan oleh analisis tutupan lahan maupun ANN-Markov dalam alat LCM ini
selama periode 2007-2017 (Tabel 4). pada dasarnya sama, namun dalam proses
Transisi potensi dengan nilai satu (1) ANN terdapat faktor pendorong yang akan
merupakan jenis tutupan lahan yang memengaruhi prediksi tutupan lahan (Leta
sangat sulit untuk mengalami pengurangan et al., 2021). Faktor pendorong yang
ke jenis tutupan lahan lainnya (Rimal, digunakan dalam analisis ANN-M adalah
Zhang, Keshtkar, Wang, & Lin, 2017). Hal ini ketinggian dari muka laut/ elevasi (V1),
terjadi pada jenis tutupan lahan fungsi kawasan (V2), jarak jalan (V3),
pemukiman dan hutan tanaman industri. kepadatan penduduk (V4), dan kelerengan
Pertanian lahan kering merupakan jenis (V5). Setiap perubahan tutupan lahan akan
tutupan lahan yang paling besar dipengaruhi oleh faktor pendorong yang
kemungkinan untuk berubah. Hasan et al. berbeda-beda tergantung dari respon
(2020) dalam penelitian di Selatan China neuron pada ANN.
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 197
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
Tabel (Table) 5. Perbandingan antara tutupan lahan aktual dan hasil prediksi (Comparison between actual land
cover with predicted map)
LC 2020 ANN-M 2020 MC 2020
No LC
ha % ha % ha %
1 AC 5.850,64 3,31 3.266,48 1,85 3.269,90 1.85
2 B 26.515,95 15,01 25.145,43 14,24 25.162,98 14.25
3 DF 14.716,71 8,33 10.062,87 5,70 9.864,42 5.59
4 F 996,85 0,56 951,58 0,54 952,84 0.54
5 FP 58,68 0,03 58,68 0,03 58,68 0.03
6 MTB 8.051,86 4,56 8.007,98 4,53 7.985,03 4.52
7 PF 18.422,21 10,43 17.697,53 10,02 17.670,98 10.01
8 SET 12.371,64 7,01 14.616,99 8,28 14.603,13 8.27
9 SH 39.455,06 22,34 41.530,48 23,52 41.527,87 23.51
10 UF 48.512,00 27,47 53.634,11 30,37 53.876,57 30.51
11 W 1.657,90 0,94 1.637,38 0,93 1.637,11 0.93
Luas total (ha) 176.609,49 100 176.609,49 100 176.609,49 100
Sumber (Source): Pengolahan data 2021 (Data analysis 2021)
Catatan (Notes): AC=pertanian lahan kering, B=tanah terbuka, DF=hutan sekunder, F=tambak, FP=hutan
tanaman industri, MTB=agroforestri, PF= sawah, SET=permukiman, SH=semak belukar,
UF=hutan primer, W=tubuh air (AC=annual crop, B=bareland, DF=disturbed forest, F=fishpond,
FP=forest plantation, MTB=mixed tree based, PF=paddy field, SET=settlement, SH=shrubs,
UF=undisturbed forest, W=water bodies)
Perubahan masif dari pertanian lahan dapat diartikan seluruh hutan tanaman
kering ke permukiman sebanyak 3.446 ha akan tetap menjadi hutan tanaman di masa
dipengaruhi paling besar oleh kepadatan yang akan datang (T3). Ini menunjukkan
penduduk (V4) dengan akurasi pengaruh adanya pengaruh moratorium logging yang
69.7%. Perubahan dari hutan primer ke masih berlaku di Provinsi Aceh sejak
semak belukar seluas 386 ha dipengaruhi dimulai pada 2007 lalu (Rahman, 2018).
paling besar oleh jarak jalan (V3) dengan Badan air memiliki hasil prediksi menurun
akurasi pengaruh 66.8%. pada kedua metode (Tabel 5), hal tersebut
Hasil prediksi ANN-M dan MC memiliki dikarenakan adanya perubahan menjadi
perbedaan <0.13% atau setara dengan kelas tambak akibat adanya aktivitas
<242,5 ha. Perbedaan yang dihasilkan pada manusia. Untuk penelitian yang dilakukan
kedua metode prediksi menyebabkan di DAS Krueng Aceh model ANN-Markov
Kappa akurasi yang mirip (perbedaan dan MC adalah model yang baik dalam
Kappa < 1%). Perbedaan paling besar pada melakukan penilaian dan prediksi
kedua hasil prediksi adalah pada kelas perubahan tutupan lahan serta uji akurasi
tutupan lahan hutan primer sebesar 242,5 (Lennert et al., 2020; Mishra & Rai, 2016;
ha. Sedangkan kelas tutupan lahan yang Rimal, Zhang, Keshtkar, Haack, Rijal, &
tidak berubah adalah hutan tanaman Zhang, 2018; Wang et al., 2016; Wubie et
(Tabel 5). Hal tersebut dikarenakan nilai al., 2016) Perbedaan pada kedua metode
probability hutan tanaman sebesar 1 atau secara spasial dapat dilihat pada Gambar 5.
198 @2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license.
Jurnal Penelitian Pengelolaan Daerah Aliran Sungai E-ISSN: 2579-5511/P-ISSN:2579-6097
(Journal of Watershed Management Research)
Vol. 5 No.2, Oktober 2021 : 185-206
Gambar (Figure) 5 Perbandingan antara (a) peta aktual tahun 2020 hasil digitasi visual; (b) hasil prediksi ANN-M
tahun 2020; (c) hasil prediksi MC 2020 (Comparison between (a) actual map in 2020 from
visual intrepetation; (b) predicted map using ANN-M in 2020; (c) predicted map using MC in
2020)
Sumber (Source): Pengolahan data 2021 (data analysis 2021)
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 199
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
Tabel (Table) 6. Tabel akurasi pada kedua metode (Accuracy table for both methods)
ANN-Markov MC
Kelas tutupan lahan (Land cover class)
UA (%) PA (%) UA(%) PA(%)
Pertanian lahan kering 48,4 86,7 49,3 70,7
Tanah terbuka 89,3 94,2 90,0 94,6
Hutan sekunder 64,2 93,9 63,6 94,9
Tambak 93,4 97,8 93,5 97,8
Hutan Tanaman Industri 100,0 100,0 100,0 100,0
Agroforestri 73,5 73,9 77,2 63,1
Sawah 92,9 96,7 79,5 98,1
Pemukiman 98,0 82,9 97,9 82,9
Semak belukar 92,6 87,9 93,9 87,8
Hutan primer 99,7 90,1 100,0 90,0
Sungai dan danau 98,8 100,0 98,8 100,0
OA (%) 89,8 90,5
KA (%) 87,9 88,7
Sumber (Source): Pengolahan data 2021 (data analysis 2021)
dengan baik. Metode MC baik digunakan menghasilkan nilai overall accuracy (OA)
apabila ketersediaan data terbatas serta dan Kappa accuracy (KA) sebesar 86% dan
tidak membutuhkan informasi tentang 84%. Artificial neural network (ANN)-
faktor apa saja yang memengaruhi suatu
Markov dan Markov-chain (MC) dapat
perubahan tutupan lahan. Model prediksi
ANN-Markov sangat baik jika peneliti dapat digunakan dengan baik untuk memprediksi
memperoleh data dalam banyak aspek tutupan lahan di DAS Krueng Aceh.
termasuk sosial dan ekonomi, kebutuhan Perbandingan yang dilakukan
akan informasi tentang faktor apa saja yang menggunakan peta tutupan lahan aktual
menyebabkan perubahan tutupan lahan tahun 2020 dan peta simulasi tahun 2020
(Pérez-Vega, Mas, & Ligmann-Zielinska, menghasilkan h• Œ[• µŒ Ç (UA) dan
2012), juga kemampuan memprediksi
‰Œ} µ Œ[• µŒ Ç (PA) berada pada
pembukaan lahan baru berdasarkan input
perencanaan yang ada selang 48,4%-100%. ANN-Markov dengan
menggunakan faktor pendorong berupa
IV. KESIMPULAN jarak dari jalan, ketinggian tempat,
Berdasarkan hasil pengamatan perubahan kepadatan penduduk, kelerengan, dan
tutupan lahan yang terjadi di DAS Krueng kawasan hutan dapat memprediksi
Aceh dalam kurun waktu 2007-2020 tutupan lahan dengan KA 87,8%. Markov
ditemukan penurunan kualitas tutupan Chain yang hanya menggunakan data
vegetasi yang terjadi secara konsisten yang
tutupan lahan T1 dan T2 dapat
ditunjukkan antara lain dari menurunnya
luasan hutan primer Hutan primer terus memprediksi tutupan lahan dengan KA
mengalami penurunan, dari total luas 88,7%.
54.705,75 ha (30,98%) di tahun 2007 Penggunaan kedua model prediksi ini
menjadi 48.512 ha (27,47%) di tahun 2020. memberikan informasi arah perubahan
Analisis tutupan lahan yang dilakukan tutupan lahan yang mungkin terjadi dalam
dengan membandingkan hasil interpretasi DAS Krueng Aceh jika tidak ada intervensi
visual dengan pengecekan di lapangan apapun oleh pemerintah sebagai pembuat
200 @2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license.
Jurnal Penelitian Pengelolaan Daerah Aliran Sungai E-ISSN: 2579-5511/P-ISSN:2579-6097
(Journal of Watershed Management Research)
Vol. 5 No.2, Oktober 2021 : 185-206
kebijakan. Informasi prediksi ini dapat Portugal. Remote Sensing, 2(6), 1549-
digunakan sebagai mitigasi dalam 1563. doi:10.3390/rs2061549
menghambat laju perubahan yang bersifat BPDASHL Krueng Aceh. (2009).
Karakteristik Daerah Aliran Sungai
negatif sehingga perencanaan DAS dapat
Krueng Aceh (21/ BPDASKA-2/2009).
dilakukan dengan lebih baik. Untuk Retrieved from Banda Aceh:
penelitian lebih lanjut, penggunaan model Darmawan, A. R., Puspaningsih, N., &
MC dapat dilakukan dengan Saleh, M. B. (2017). Kajian Perubahan
mengkombinasikan multi criteria Tutupan Lahan Dengan
evaluation (MCE) yang Menggunakan Metode Multi Layer
mempertimbangkan pembatasan serta Perceptron Dan Logistic Regression
Di Taman Nasional Gunung Ciremai.
intervensi apa saja yang dapat dilakukan
Media Konservasi 22(3), 252-261.
untuk perubahan tutupan lahan yang lebih doi:10.29244/medkon.22.3.252-261
baik di masa depan. de Almeida, C. M. (2003). Spatial dynamic
modeling as a planning tool:
UCAPAN TERIMA KASIH simulation of urban land use change
Terima kasih kepada KLHK (Kementrian in Bauru and Piracicaba (SP), Brazil.
Lingkungan Hidup dan Kehutanan) atas Citeseer, Rio De Jeneiro. Retrieved
from http://mtc-
beasiswa yang telah diberikan untuk
m12.sid.inpe.br/col/sid.inpe.br/jefer
melaksanakan riset. Reviewer yang telah son/2003/12.18.07.36/doc/publicac
membantu penulis dalam ao.pdf
menyempurnakan naskah. de Noronha Vaz, E., Nijkamp, P., Painho,
M., & Caetano, M. (2012). A multi-
KONTRIBUSI scenario forecast of urban change: A
Yudi Armanda Syahputra (Pengolahan study on urban growth in the Algarve.
Landscape Urban Planning, 104(2),
data, Analisis data, Penulisan, Pengambilan
201-211.
data lapang); Muhammad Buce Saleh Eastman, J., & Toledano, J. (2018). A short
(Konsepsualisasi, Analisis data); Nining presentation of the Land Change
Puspaningsih (Analisis data, Tata bahasa) Modeler (LCM). In Geomatic
approaches for modeling land change
DAFTAR PUSTAKA scenarios (pp. 499-505): Springer.
Al-sharif, A. A., & Pradhan, B. (2014). Fan, F., Wang, Y., & Wang, Z. (2008).
Monitoring and predicting land use Temporal and spatial change
change in Tripoli Metropolitan City detecting (1998t2003) and
using an integrated Markov chain predicting of land use and land cover
and cellular automata models in GIS. in Core corridor of Pearl River Delta
Arabian Journal of Geosciences, (China) by using TM and ETM+
7(10), 4291-4301. images. Environmental monitoring
doi:10.1007/s12517-013-1119-7 assessment, 137(1), 127-147.
Araya, Y. H., & Cabral, P. (2010). Analysis Gashaw, T., Bantider, A., & Mahari, A.
and modeling of urban land cover (2014). Evaluations of land use/land
change in Setúbal and Sesimbra, cover changes and land degradation
in Dera District, Ethiopia: GIS and
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 201
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
202 @2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license.
Jurnal Penelitian Pengelolaan Daerah Aliran Sungai E-ISSN: 2579-5511/P-ISSN:2579-6097
(Journal of Watershed Management Research)
Vol. 5 No.2, Oktober 2021 : 185-206
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 203
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
204 @2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license.
Jurnal Penelitian Pengelolaan Daerah Aliran Sungai E-ISSN: 2579-5511/P-ISSN:2579-6097
(Journal of Watershed Management Research)
Vol. 5 No.2, Oktober 2021 : 185-206
@2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license. 205
Prediksi Penutupan Lahan dengan Model Markov................. (Yudi Armanda Syahputra, M. Buce Saleh, Nining Puspaningsih)
Wulandari, R. (2020). Model Spasial Yang, X., Zheng, X.-Q., & Lv, L.-N. (2012). A
Perubahan dan Arahan Penggunaan spatiotemporal model of land use
Lahan Berkelanjutan di DAS change based on ant colony
Cisadane. (tesis), Institut Pertanian optimization, Markov chain and
Bogor, Bogor. cellular automata. Ecological
Xu, X., Zhang, J., & Zhou, X. (2008). Modelling, 233, 11-19.
Modeling urban land use changes in Ye, B., & Bai, Z. (2008, 2008//). Simulating
Lanzhou based on artificial neural Land Use/Cover Changes of Nenjiang
network and cellular automata. County Based on CA-Markov Model.
Paper presented at the Paper presented at the Computer
Geoinformatics 2008 and Joint And Computing Technologies In
Conference on GIS and Built Agriculture, Volume I, Boston, MA.
Environment: Geo-Simulation and Yeh, A. G.-O., & Li, X. (2002). Urban
Virtual GIS Environments. simulation using neural networks and
Yang, J., Su, J., Chen, F., Xie, P., & Ge, Q. cellular automata for land use
(2016). A local land use competition planning. In Advances in spatial data
cellular automata model and its handling (pp. 451-464): Springer.
application. International Journal of
Geo-Information, 5(7), 106.
206 @2021 JPPDAS All rights reserved. Open access under CC BY-NC-SA license.