LAPORAN PRAKTIKUM

PEMODELAN SPASIAL
Dinamika Perubahan Penutup Lahan Di Sisi Selatan Kota Magelang
Metode Cellular Automata Markov Chain

Oleh
Hermawan Kuswantoko
15/387550/PGE/01210

PROGRAM STUDI S2 PENGINDERAAN JAUH

PROGRAM PASCASARJANA FAKULTAS GEOGRAFI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2016

DAFTAR ISI
DAFTAR ISI ........................................................................................................................................ 2
DAFTAR GAMBAR .......................................................................................................................... 2
DAFTAR TABEL ............................................................................................................................... 2
A. Pendahuluan ............................................................................................................................ 3
B. Tujuan ......................................................................................................................................... 4
C. Alat dan Bahan ........................................................................................................................ 4
D. Metode ........................................................................................................................................ 5
E. Hasil dan Pembahasan ........................................................................................................ 6
1. Klasifikasi Penutup Lahan ............................................................................................ 6
2. Analisis Probabilitas menggunakan metode Markov Chain ......................... 7
3. Analisis Cellular Automata menggunakan CA Markov .................................... 8
4. Uji Akurasi menggunakan metode Cross Tabulation ....................................... 9
F. Kesimpulan ............................................................................................................................ 11
G. Referensi ................................................................................................................................. 11

DAFTAR GAMBAR
Gambar 1. Citra Landsat sisi selatan Kota Magelang perekaman tahun 2003,
2009, dam 2015 (USGS, 2016) ............................................................................. 5
Gambar 2. Hasil klasifikasi multispektral tutupan lahan tahun 2003, 2009 dan
2015 (analisis, 2016) ................................................................................................ 6
Gambar 3. Perubahan penutup lahan menggunakan fungsi image calculator . 7
Gambar 4. Peta hasil probabilitas Markov Chain ............................................................. 8
Gambar 5. Proses CA Markov dan peta prediksi tutupan lahan tahun 2015 ..... 9
Gambar 6. Grafik perbandingan luas penutupan lahan antara data eksisting
dengan pemodelan tahun 2015 ........................................................................ 10
Gambar 7. Perbandingan spasial tutupan lahan antara (a) prediksi
(b)eksisting (c) hasil cross tabulation............................................................ 11

DAFTAR TABEL
Tabel 1. Luas Tutupan Lahan Tahun 2003, 2009 dan 2015 (analisis, 2016) .... 6
Tabel 2. Probabilitas perubahan untuk setiap kelas tutupan Lahan ..................... 8
Tabel 3. Tabel silang uji akurasi .............................................................................................. 9

A. Pendahuluan
Sisi Selatan Kota Magelang merupakan wilayah pertumbuhan
yang cepat. Wilayah ini merupakan jalur perekonomian antara Kota
Magelang dengan wilayah Muntilan dan Yogyakarta. Wilayah dengan
pertumbuhan yang cepat ini menyebabkan kebutuhan lahan juga
semakin meningkat. Keterkaitan antar wilayah tersebut telah
ditunjukkan

dengan

berkembangnya

prasarana

dan

sarana

perekonomian di wilayah tersebut.

Merujuk pada kondisi di atas, jelas terlihat pentingnya suatu
kajian untuk mengetahui laju perubahan penutup lahan. Kepentingan
tersebut menjadi sangat penting dan relevan terhadap rencana
pemerintah dalam merancang peraturan mengenai alih fungsi lahan.
Kebutuhan informasi tersebut perlu disuplai oleh data dan
analisis spasial. Melihat data mengenai penggunaan lahan kurang
tersedia dengan baik, maka data utama dalam mengamati perubahan
penggunaan lahan adalah dari data penginderaan jauh yang disertai
dengan analisis spasial.
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)
Pada praktikum kali ini, metode yang digunakan untuk
melakukan pemodelaan adalah dengan menggunakan metode Markov
Chain. Markov Chain merupakan salah satu model yang paling tua dan
telah diaplikasikan oleh berbagai peneliti. Model Markov Chain
merupakan salah satu model probabilistic yang paling banyak

digunakan karena penggunaannya yang sederhana namun memiliki

kemampuan yang baik di dalam melakukan pemodelan berbagai jenis
fenomena yang berkembang dalam suatu kurun waktu tertentu (kulj,
2009).
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
(Wardani, 2015).
B. Tujuan
Tujuan dari praktikum ini adalah
1. Untuk menyediakan informasi dasar tentang perubahan
pemanfaatan lahan dengan memanfaatkan data penginderaan jauh
dan analisis spasial.
2. Menghitung besarnya perubahan penggunaan lahan
3. Melihat kemampuan Cellular Automata (CA Markov) untuk
melakukan prediksi perubahan penggunaan lahan
C. Alat dan Bahan
1. Seperangkat Komputer
2. Software Envi 5.1
3. Software Idrisi Selva
4. Citra Landsat 7 ETM+ Tahun 2003
5. Citra Landsat 5 TM Tahun 2009, dan
6. Citra Landsat 8 OLI Tahun 2015

D. Metode
Pemodelan yang dilakukan dalam praktikum ini menggunakan
data time series tutupan lahan pada sebagian daerah pinggiran Kota
Magelang sisi selatan. Citra Landsat time series tahun 2003, 2009 dan
2015 diklasifikasikan dengan algoritma minimum distance dengan
menggunakan software Envi untuk menurunkan informasi tutupan
lahan terbangun dan lahan tidak terbangun.

2003

2009

2015

Gambar 1. Citra Landsat sisi selatan Kota Magelang

perekaman tahun 2003, 2009, dam 2015 (USGS, 2016)

Peta raster hasil klasifikasi penutup lahan selanjutnya dilakukan

analisis untuk memodelkan perubahan penutup lahan dengan
menggunakan software Idrisi Selva. Sebelumnya data tersebut perlu
diubah dulu ke dalam format *.RST supaya bisa diolah oleh sorfware
Idrisi. Selanjutnya peta tutupan lahan tahun 2003 dan 2009 digunakan
sebagai data masukan dalam pemodelan probabilitas perubahan lahan.
Pemodelan perubahan penutup lahan menggunakan analisis cellular
automata metode Markov Chain untuk menghasilkan probabilitas
perubahan penutup lahan. Pada kenyataannya perubahan penutup
lahan yang terjadi adalah dari lahan belum terbangun menjadi lahan
terbangun akibat dari meningkatnya kebutuhan akan lahan. Dari waktu
ke waktu lahan terbangun akan semakin berkembang sehingga luasan
lahan tidak terbangun akan semakin berkurang. Pemodelan
probabilitas perubahan penutup lahan dibuat dengan rentang waktu 6
tahun yaitu untuk prediksi tahun 2015. Hasil model probabilitas
selanjutnya dilakukan uji akurasi dengan menggunakan metode cross

tabulation dengan hasil klasifikasi penutup lahan dari citra Landsat 8

OLI perekaman tahun 2015. Hasil uji akurasi digunakan untuk melihat
kemampuan hasil pemodelan.
E. Hasil dan Pembahasan
1. Klasifikasi Penutup Lahan
Klasifikasi penutup lahan dilakukan dengan bantuan
software Envi. Klasifikasi penutup lahan dibedakan menjadi dua
kelas yaitu lahan terbangun dan lahan tidak terbangun. Klasifikasi
penutup lahan dilakukan pada tiga citra Landsat yang memiliki
perbedaan rentang waktu perekaman 6 tahun. Peta hasil klasifikasi
tahun 2003 dan 2009 digunakan sebagai input data pemodelan,
sedangkan peta klasifikasi tahun 2015 digunakan untuk melakukan
uji akurasi.

2003

2009
= Lahan Terbangun

2015
= Lahan Tidak Terbangun

Gambar 2. Hasil klasifikasi multispektral tutupan lahan tahun 2003, 2009

dan 2015 (analisis, 2016)
Tabel 1. Luas Tutupan Lahan Tahun 2003, 2009 dan 2015 (analisis, 2016)
Jenis Tutupan
2003
2009
2015
Jumlah
Luas
Jumlah
Luas
Jumlah
Luas
Piksel
(Ha)
Piksel
(Ha)
Piksel
(Ha)
Lahan
4989
449.01
6898
620.82
7735
696.15
Terbangun
Lahan Tidak
10011
900.99
8102
729.18
7265
653.85
Terbangun
15000
1350
15000
1350
15000
1350

Data hasil klasifikasi penutup lahan pada tahun 2003

menunjukkan bahwa luas lahan terbangun sebesar 449, 01 Ha (33,
6

26%) dari keseluruhan tutupan lahan. Kemudian pada tahun 2009

luas lahan terbangun adalah seluas 620.82 Ha (45,99%) dari
keseluruhan tutupan lahan. Perbedaan luas lahan terbangun dari
kedua data tersebut terlihat bahwa terjadi perubahan luasan
tutupan lahan. Tutupan lahan terbangun mengalami peningkatan
seluas 171.81 Ha (12,73%).

Gambar 3. Perubahan penutup lahan menggunakan fungsi image calculator

Perubahan penutup lahan menggunakan image calculator

hanya menyajikan keseluruhan perubahan yang terjadi tanpa
melihat jenis perubahan penutup lahan yang terjadi. Namun secara
stastistik, perubahan penutup lahan yang terjadi adalah dari lahan
tidak terbangun menjadi lahan terbangun. Hal ini dapat dijelaskan
bahwa lahan sudah terbangun akan sulit berubah menjadi lahan
tidak terbangun, apabila terjadi hanya kecil kemungkinannya.
2. Analisis Probabilitas menggunakan metode Markov Chain
Peta klasifikasi penutup lahan tahun 2003 dan tahun 2009
digunakan untuk membuat model probabilitas dengan metode
Markov Chain. Analisis probabilitas ini nantinya digunakan untuk
memodelkan prediksi penutup lahan tahun 2015 dengan metode
cellular automata.

Tabel 2. Probabilitas perubahan untuk setiap kelas tutupan Lahan

Kelas
Lahan Terbangun Lahan Tidak Terbangun
Lahan Terbangun

0.8531

0.1469

Lahan Tidak Terbangun

0.2639

0.7361

Hasil pemodelan yang dihasilkan menggunakan metode

Markov Chain pada dua kelas tutupan lahan menghasilkan
probabilitas perubahan. Dari tabel 2. di atas dapat dilihat bahwa
probabilitas perubahan lahan terbangun menjadi lahan terbangun
adalah 0.8531, dan kemungkinan untuk berubah menjadi lahan
tidak terbangun sebesar 0.1469. perubahan lahan terbangun
menjadi lahan tidak terbangun ini sebenarnya sangat sulit terjadi,
tetapi data tersebut menunjukkan adanya perubahan. Perubahan
tersebut dimungkinkan adanya kesalahan awal dalam melakukan
klasifikasi penutup lahan. Perubahan lahan tidak terbangun
menjadi lahan terbangun yaitu sebesar 0.2639 dan dari lahan tidak
terbangun menjadi lahan tidak terbangun sebesar 0.7361.

Gambar 4. Peta hasil probabilitas Markov Chain

3. Analisis Cellular Automata menggunakan CA Markov

Dengan menggunakan probabilitas yang telah dibuat
sebelumnya, maka selanjutnya dilakukan pemodelan prediksi
perubahan penutup lahan untuk tahun 2015. Pemodelan prediksi

perubahan penutup

lahan

menggunakan

anaalisis

cellular

automata metode CA Markov.

Gambar 5. Proses CA Markov dan peta prediksi tutupan lahan tahun 2015

4. Uji Akurasi menggunakan metode Cross Tabulation

Prosedur uji akurasi merupakan prosedur yang penting
dilakukan untuk mengkaji kinerja metode atau algoritma yang
sedang diujicoba. Hasil uji akurasi dapat dimanfaatkan untuk
melihat kelayakan suatu operasi analisis. Untuk tujuan tersebut
dapat dilakukan dengan menggunakan metode Cross Tabulation.
Tabel 3. Tabel silang uji akurasi

Eksisting 2015

Prediksi 2015
Kelas
Lahan Terbangun
Lahan Tidak
Terbangun
Total (Ha)

Lahan
Terbangun
5418

Lahan Tidak
Terbangun
2317

Total (Ha)

693

6572

7265

6111

8889

15000

7735

Pemodelan tutupan lahan tahun 2015 dengan eksisting

tutupan lahan tahun 2015 terlihat sangat berbeda. Perbedaan
luasan keduanya sangat besar. Luas eksisting lahan terbangun
tahun 2015 seluas 7.735 Ha sedangkan prediksi lahan terbangun
tahun 2015 seluas 6.111 Ha. Sehingga perbedaan luasan tutupan
lahan terbangun antara model dengan eksisting adalalah sebesar
1.624 Ha (10,83%). Kemungkinan hal ini terjadi karena kesalahan
awal saat melakukan klasifikasi penutup lahan.
9

8889
7735

7265
6111

LAHAN TERBANGUN

LAHAN TIDAK TERBANGUN

Eksisting

Prediksi

Gambar 6. Grafik perbandingan luas penutupan lahan antara data eksisting

dengan pemodelan tahun 2015

Dari stastistik hasil cross tabulation terlihat perbedaan luas

tutupan lahan antara data eksisting dengan data model. Hal ini
berarti antara model dan data eksisting memiliki akurasi yang
rendah. Hal ini bisa disebabkan oleh hasil klasifikasi yang kurang
tepat/detail sehingga antara model dengan data eksisting terlihat
penyimpangan luasan yang cukup besar. Kesalahan lain mungkin
karena kesalahan persepsi disaat melakukan klasifikasi penutup
lahan secara visual yang dilakukan pada ketika data citra tersebut.
Selain itu metode Markov Chain ini hanya mempertimbangkan
probabilitas data tahun lama untuk dimodelkan terhadap prediksi
perubahan di

masa

yang

akan

datang

sehingga kurang

memperhatikan kondisi nyata di lapangan. Jika dilihat dari statistik,

akurasi total dari model yang di uji akurasi dengan data eksisting
tahun 2015 adalah 0.6154 dengan indeks kepercayaan kappa
0.6010. Sehingga akurasi model tersebut masih sangat rendah
untuk mengasilkan data yang akurat.

10

Gambar 7. Perbandingan spasial tutupan lahan antara (a) prediksi (b)eksisting

(c) hasil cross tabulation

F. Kesimpulan
Dari hasil analisis mengenai dinamika perubahan penutup lahan
dengan menggunakan analisis cellular automata metode Markov Chain
menghasilkan tutupan lahan terbangun semakin tumbuh mengurangi
luas tutupan lahan tidak terbangun. Namun untuk akurasi model yang
tersebut masih sangat rendah yaitu sebesar 0.6154 dengan indeks
kepercayaan kappa 0.6010. Sehingga model ini perlu diperbaiki lagi,
terutama pada saat melakukan klasifikasi penutup lahan.

G. Referensi
kulj, D. 2009. Discrete time Markov Chains with interval probabilities.
International Journal of Approximate Reasoning 50: 1314
1329.
Thomas, R. W. and Huggett, R.J. (1980). Modelling in Geography: A
Mathematical Approach. Totowa, NJ: Barnes and Noble books,
p.3-10.
Wardani, D. W. Kajian Perubahan Penggunaan Lahan Berbasis Citra
Satelit Penginderaan Jauh Resolusi Menengah Dengan Metode
Multi Layer Perception Dan Markov Chain. Yogyakarta: UGM.

11