Pemodelan Spasial Perkembangn Fisik Perkotaan .........................

(Wijaya & Umam)

PEMODELAN SPASIAL PERKEMBANGAN FISIK PERKOTAAN

YOGYAKARTA MENGGUNAKAN MODEL CELLULAR AUTOMATA DAN
REGRESI LOGISTIK BINER
(Spatial Modeling for Yogyakarta Urban Physical Development Using Cellular Automata and
Binary Logistic Regresion)
Muhammad Sufwandika Wijaya dan Nuril Umam
Program Studi Kartografi dan Penginderaan Jauh, Fakultas Geografi UGM
Sekip Utara, Bulaksumur, Sleman, Daerah Istimewa Yogyakarta 55281
E-mail: sufwandika.geo@gmail.com

Diterima (received): 1 Juli 2015; Direvisi (revised): 20 Oktober 2015; Disetujui untuk dipublikasikan (accepted): 25 November 2015

ABSTRAK

Perkembangan kota dapat dilihat dari berbagai sudut pandang, salah satunya adalah dengan melihat
perkembangan fisiknya. Perkembangan fisik kota dapat diidentifikasi salah satunya melalui fenomena ekspansi
lahan terbangun. Pemanfaatan Sistem Informasi Geografi (SIG) dengan model Cellular Automata sangat perlu
untuk mengkaji fenomena ekspansi lahan terbangun, baik untuk kajian ilmiah maupun perencanaan tata ruang
terutama di kota yang besar dan berkembang seperti Yogyakarta. Penelitian ini mencoba mengintegrasikan
model SIG Cellular Automata dengan model lain berbasis statistik, yaitu Regresi Logistik Biner untuk memonitor
serta memprediksi perkembangan fisik perkotaan Yogyakarta melalui pendekatan terhadap fenomena ekspansi
lahan terbangun. Penggunaan data primer pada penelitian berupa peta penutup lahan tahun 2003 dan 2009
hasil klasifikasi multispektral dari Citra Landsat. Faktor yang digunakan untuk memprediksi perkembangan
lahan terbangun pada penelitian ini adalah faktor perkembangan kota yang bersifat fisik, yaitu faktor jarak
terhadap aksesibilitas dari jalan utama dan jalan non-utama serta jarak terhadap pusat kegiatan masyarakat.
Hasil penelitian menunjukkan bahwa perkembangan lahan terbangun di Kota Yogyakarta pada tahun 2003-
2013 memiliki laju 329 ha/tahun dengan pusat perkembangan ke arah timur laut Kota Yogyakarta, yaitu daerah
sekitar Kecamatan Gondomanan dan Kecamatan Depok. Model Cellular Automata yang diintegrasikan dengan
model Regresi Logistik Biner memprediksi Kota Yogyakarta pada tahun 2013-2023 memiliki laju perkembangan
539 ha/tahun dengan pusat perkembangan ke arah barat daya Kota Yogyakarta, yaitu daerah sekitar
Kecamatan Kasihan dan Mantrijeron.

Kata Kunci : SIG, pemodelan, cellular automata, regresi logistik biner, Yogyakarta

ABSTRACT

Urban development can be viewed from some different points, the one is from its physical development or
in the term of urban sprawl. Physical development of the city can be identified by the phenomenon of built-up
area expansion. Utilization of Geographic Information System (GIS) with Cellular Automata modelling is very
necessary in the study of the phenomenon of built-up area expansion, both of scientific study or applied study
for spatial and regional planning, especially in a big-growing city like Yogyakarta City. This research try to
integrate Cellular Automata GIS modelling with statistic-based model, the Binary Logistic Regression, for
monitoring and predicting the physical development of Yogyakarta City through the phenomenon of built-up
area expansion approach. Primary data used in this research are land cover maps in the year of 2003 and 2009
generated from multispectral classification of Landsat Image. In this research, the factors used for predicting the
built-up area development (urban sprawl) are physical factors, they are the accessibility from main roads and
secondary roads, and the distance to the activity centre like central business district. The result of this research
shows that the development of built-up area in Yogyakarta City in 2003-2013 had the development rate of 329
ha/year with the central direction of its development to north-eastern part of Yogyakarta City, around the
Gondomanan and Depok Sub-districts. Other result, Cellular Automata model which is integrated with Binary
Logistic Regression model predicting that Yogyakarta City will have the development rate for 539 ha/year in
2013-2023 with the central direction of its development to south-western part of Yogyakarta City, around the
Kasihan and Mantrijeron Sub-districts.

Keywords: GIS, modeling, cellular automata, binary logistic regression, Yogyakarta

165
Majalah Ilmiah Glob Volume 17 No. 2 Desember 2015: 165-172

PENDAHULUAN buatan. Salah satu contoh model yang berbasis

statistik adalah Regresi Logistik Biner.
Secara sistematis, Yunus (1982) dalam Yunus Regresi logistik merupakan sebuah regresi
(2005) mengelompokkan pengertian kota menjadi dengan variable dependen yang bersifat biner.
enam kelompok, salah satunya adalah pengertian Data yang bersifat biner merupakan data/peristiwa
kota dari segi morfologikal. Menurut Herbet (1972) yang memiliki 2 keputusan, sebagai contoh hitam
dalam Yunus (2005) tinjauan kota berdasarkan atau putih, gelap atau terang, baik atau buruk.
morfologinya lebih ditekankan pada kenampakan Dalam kajian perubahan penutup lahan, peristiwa
fisiknya. Yunus (2005) mengartikan kota secara yang bersifat biner adalah berubah atau tidak
morfologikal sebagai suatu daerah tertentu dengan berubah. Regresi logistik biner pada penelitian ini
karakteristik tata guna lahan non-agraris, tata guna digunakan untuk mengetahui indeks probabilitas
lahan dimana tutupan lahan terbangun lebih besar perubahan penutup lahan dari lahan terbangun
daripada tutupan vegetasi, pola jaringan jalan yang yang merupakan indikator perkembangan fisik
kompleks dalam sistem permukiman yang kompak suatu perkotaan. Integrasi dari model CA dengan
dan relatif jauh lebih besar daripada kesatuan model regresi logistik biner diharapkan mampu
permukiman yang berada di daerah sekitarnya. menghasilkan hasil prediksi perkembangan fisik
Suharyadi (2010) mengemukakan bahwa perkotaan yang mencerminkan realita/kenyataan di
peningkatan kebutuhan lahan di perkotaan dapat lapangan. Tujuan penelitian ini adalah menganalis
dilihat dari perkembangan fisiknya. Salah satu perkembangan fisik Kota Yogyakarta, dan
fenomena yang menandai perkembangan fisik kota memprediksi perkembangan fisik Kota Yogyakarta
adalah fenomena ekspansi daerah terbangun pada menggunakan model Cellular Automata dan
daerah non terbangun. Fenomena ini mulai terlihat Regresi Logistik Biner.
juga di Kota Yogyakarta. Yogyakarta merupakan
salah satu kota di Indonesia yang memiliki METODE
keunikan dari segi historikal dan budaya. Keunikan
tersebut mengakibatkan Kota Yogyakarta memiliki Penelitian ini mengambil kajian di Kota
daya tarik tersendiri untuk digunakan sebagai Yogyakarta (Gambar 1). Kota dalam penelitian ini
tempat tinggal, investasi usaha, dan tidak diartikan sebagai kota secara batas
pengembangan fasilitas publik. Daya tarik tersebut administratif, melainkan kota secara fisik. Kota
mengakibatkan ekspansi lahan terbangun yang Yogyakarta secara fisik meliputi kota Yogyakarta
sangat pesat di Kota Yogyakarta. Banyak lahan secara administratif dan daerah di sekitarnya.
pertanian di pinggiran kota Yogyakarta yang
berubah menjadi permukiman, toko, ataupun
bangunan lainnya.
Proses ekspansi yang terus-menerus dan tidak
terarah akan mengganggu kenyamanan di suatu
daerah. Selain menghilangkan tingkat
kenyamanan, ekspansi lahan terbangun tanpa
kontrol juga dapat berimbas pada hilangnya lahan-
lahan yang memiliki fungsi ekologis. Berdasarkan
pentingnya kontrol akan fenomena ekspansi lahan
terbangun, maka diperlukan suatu kajian secara
spasial mengenai monitoring hingga prediksi
mengenai fenomena tersebut. Hasil kajian
mengenai fenomena ekspansi lahan terbangun
tersebut akan sangat berguna sebagai salah satu
acuan dalam perencanaan berkelanjutan di suatu
daerah perkotaan.
Sistem Informasi Geografi (SIG) memiliki
beberapa fungsi yaitu pemodelan, pemetaan,
pemantauan dan pengukuran (Aronoff, 1989).
Berdasarkan empat fungsi tersebut, SIG dapat
digunakan untuk mengkaji perkembangan fisik
perkotaan melalui pendekatan terhadap fenomena
ekspansi lahan terbangun. Salah satu model yang Gambar 1. Lokasi penelitian.
dapat diterapkan untuk mengkaji fenomena
ekspansi lahan terbangun adalah model Cellular Data yang digunakan dalam penelitian ini,
Automata (CA). Model CA merupakan model yang antara lain:
bersifat dinamis dan cocok digunakan untuk a. Citra Landsat 7 ETM + tahun 2003
mengkaji ekspansi lahan terbangun yang juga b. Citra Landsat 8 OLI tahun 2014
bersifat dinamis. Salah satu kelebihan CA adalah c. Data digital peta Rupa Bumi Indonesia skala
dapat diintegrasikan dengan model lain baik yang 1:25.000
berbasis visual, statistik, maupun kecerdasan

166
Pemodelan Spasial Perkembangn Fisik Perkotaan .........................(Wijaya & Umam)

Ekstraksi Informasi Tutupan Lahan ditunjukkan pada Gambar 4, Gambar 5 dan

Gambar 6.
Sistem klasifikasi penggunaan/penutup lahan
secara terminologi memiliki arti standardisasi
penggolongan kelas dalam suatu
penggunaan/penutup lahan yang dibagi dalam
beberapa level klasifikasi. Penutup dan
penggunaan lahan tidak dapat dikatakan sama.
Sebagai contoh suatu penutup lahan berupa lahan
terbangun tidak dapat dinyatakan termasuk kelas
penggunaan lahan berupa permukiman karena
penggunaan lahan berupa industri juga dapat
berupa lahan terbangun. Demikian sebaliknya,
penggunaan lahan rekreasi belum tentu berupa
penutup lahan bangunan, tetapi dapat saja berupa
hutan, padang rumput, dan sebagainya. Jenis
penutup dan penggunaan lahan memiliki hubungan
yang tidak pasti karena beberapa jenis tutupan
dapat memiliki penggunaan yang sama (Paramitha,
2011).
Penelitian ini difokuskan pada identifikasi
penutup lahan terbangun untuk melihat faktor fisik
perkotaan Yogyakarta. Penetapan klasifikasi a
tutupan lahan menggunakan klasifikasi dari
Anderson, J. R., Hardy, E., & Roach, J. T. (1976) level I
yang dimodifikasi. Dasar modifikasi klasifikasi
tersebut adalah melihat tujuan serta karakteristik
daerah penelitian, modifikasi dilakukan dengan
membagi penutup menjadi 2 kelas, yaitu lahan
terbangun dan bukan lahan terbangun, seperti
terlihat pada Gambar 2.

Abstraksi Spasial Faktor Pendorong

Perkembangan Lahan Terbangun

Berdasarkan beberapa studi pustaka, jarak

merupakan faktor yang berpengaruh dalam suatu
dinamika keruangan, termasuk perubahan tutupan
lahan. Pada perubahan tutupan lahan di daerah
perkotaan seperti Yogyakarta, faktor jarak dapat
merepresentasikan tingkat aksesibilitas dan
keterjangkauan suatu lokasi. Hal tersebut
mengakibatkan suatu lokasi dengan tingkat b
aksesibilitas dan keterjangkauan tinggi memiliki
tingkat perkembangan lahan terbangun yang tinggi Gambar 2. Penutup lahan hasil klasifikasi
pula. multispektral (a) tahun 2003 dan (b)
Fenomena jarak ini diabstraksikan secara tahun 2013.
spasial menggunakan analisis euclidean distance
(Gambar 3). Analisis ini merupakan pengukuran
jarak horizontal yang diukur berbasis data raster,
yaitu menghitung jarak suatu pusat piksel melewati
pusat piksel lainnya ke arah objek/fenomena yang
ditentukan. Jarak tersebut ditentukan berdasarkan
jarak dua titik pusat piksel dalam bidang, dengan
p1 di (x1, y1) dan p2 di (x2, y2), menggunakan
persamaan:
[(x1 - x2) + (y1 - y2) ] ............................ (1) Gambar 3. Ilustrasi perhitungan euclidiance
Adapun faktor-faktor pendorong perkembangan distance (Sumber: Esri.com).
lahan terbangun dianalisis menggunakan analisis
jarak terhadap jalan utama, jarak terhadap jalan
lokal, dan jarak terhadap pusat kegiatan, seperti

167
Majalah Ilmiah Glob Volume 17 No. 2 Desember 2015: 165-172

Gambar 4. Hasil analisis jarak terhadap jalan Gambar 6. Hasil analisis jarak terhadap pusat
utama. kegiatan.

Regresi Logistik Biner

Regresi logistik biner digunakan untuk

memodelkan probabilitas perubahan tutupan lahan.
Secara sederhana, model ini digunakan untuk
membuat suatu formula yang menghubungkan
suatu kejadian perubahan tutupan lahan terbangun
menjadi lahan terbangun dengan faktor yang
diasumsikan mendorong. Dalam penelitian ini,
kejadian ekspansi lahan terbangun terhadap non-
terbangun sebagai variabel dependen, sedangkan
faktor kesesuaian lahan terhadap lahan terbangun
sebagai variabel independen. Adapun hubungan
antara variabel dependen dan independen
direpresentasikan dengan rumus berikut (Susilo,
2006).
Logit (i) = + 1X1 + 2X2 +..+ KXK(2)
Dimana :
i : probabilitas terjadinya perubahan/ekspansi
: konstanta persamaan regresi linier
1 : koefisien dari variabel prediktor 1/faktor
kesesuaian lahan 1
X..K : variabel prediktor/faktor kesesuaian lahan
(1,2,K)

Gambar 5. Hasil analisis jarak terhadap jalan non- .................................... (3)

utama.

168
Pemodelan Spasial Perkembangn Fisik Perkotaan .........................(Wijaya & Umam)
Logit pi pada dasarnya merupakan natural
logaritma (ln) dari odd perubahan. Odd merupakan
suatu indeks yang menyatakan peluang terjadinya
suatu peristiwa dan peluang tidak terjadinya
peristiwa. Dalam hal ini, peristiwa yang dimaksud
adalah perubahan penutup lahan non-terbangun
menjadi lahan terbangun. Berdasarkan persamaan
di atas, peluang atau probabilitas dari peristiwa
tersebut dapat diketahui dengan mengunakan
exponensial dari odd, yang secara matematis dapat
dituliskan sebagai berikut (Susilo, 2005).
.................................................................... (4)
...... (5)
........................ (6)
Cellular Automata
Cellular Automata (CA) adalah model yang
awalnya dipahami oleh Ulam dan Von Neumann
pada tahun 1940 untuk membuat kerangka kerja
formal untuk menyelidiki suatu perilaku kompleks
(Paramitha, 2011). Akan tetapi, dalam aplikasi SIG
(Sistem Informasi Geografi), CA diadaptasi menjadi
sebuah model dinamis serta digunakan untuk
simulasi spasial (geosimulation). Pendapat lain juga
menyatakan bahwa pemodelan CA dalam SIG
digunakan untuk mengetahui kedinamisan suatu
objek/fenomena, dimana kedinamisan banyak
diartikan sebagai suatu wujud perubahan
(Paramitha, 2011; Liu, 2009; Deliar, 2010 dalam
Wijaya, 2012).
Suatu automaton (A) diwujudkan dalam
kumpulan state yang terbatas S = (S1, S2, S3, ,
Sn) dan sekumpulan transisi (T). Dengan demikian,
A secara geometrik dipengaruhi oleh kondisi S dan
T. Faktor yang terakhir adalah N (Neighborhood),
dalam fenomena spasial faktor N ini akan
menstimulus Automaton dengan membentuk relasi
spasial. Adapun secara teoritis CA dapat
direpresentasikan dalam bentuk rumusan di bawah
ini.
A = ( S . N . T ) ............................................ (7)
Dimana :
A : automaton
S : state (kelas)
T : transition rules (aturan transisi)
N : neighborhood (ketetanggaan)
HASIL DAN PEMBAHASAN
Perubahan Tutupan Lahan Terbangun Kota
Yogyakarta
Hasil analisis perubahan penutup lahan tahun
2003 dan tahun 2013 menunjukkan bahwa lahan
terbangun pada kurun waktu tersebut bertambah
sebesar 3.292 ha menjadi 14.353 ha yang
sebelumnya sebesar 11.061 ha pada tahun 2003.
Hal ini dapat diartikan bahwa pada kurun waktu 10
tahun tersebut Kota Yogyakarta kehilangan lahan
non-terbangun seluas 3.292 ha dengan rata-rata
laju ekspansi lahan terbangun di Kota Yogyakarta
329,2 ha/tahun.
Berdasarkan analisis menggunakan interpolasi
spasial polynomial orde 3 terhadap lokasi ekspansi
lahan terbangun pada tahun 2003-2013 di Kota
Yogyakarta, menunjukkan pusat perkembangan
lahan terbangun berada di daerah timur laut kota
dan terletak di sekitar Kecamatan Depok dan
Gondokusuman (Gambar 7). Berdasarkan
pengamatan lapangan, lahan nonterbangun
menjadi lahan terbangun di daerah timur laut Kota
Yogyakarta didominasi oleh lahan pertanian.
Konversi lahan pertanian menjadi lahan
terbangun di Kecamatan Depok secara tidak
langsung terjadi karena terdapat perguruan tinggi,
seperti Universitas Gadjah Mada, Universitas
Negeri Yogyakarta, Universitas Atmajaya, dan
Universitas Pembangunan Nasional di kecamatan
tersebut. Keberadaan banyak perguruan tinggi
tersebut mengakibatkan peningkatan aktifitas
penduduk yang juga berdampak pada pesatnya
perkembangan berbagaifasilitas pendukung seperti
pusat pertokoaan, rumah makan serta fasilitas
penyedia layanan jasa lainya.
Analisis Faktor Pendorong Perkembangan
Lahan Terbangun Kota Yogyakarta
Analisis menggunakan regresi logistik biner
antara perubahan tutupan lahan nonterbangun
menjadi lahan terbangun tahun 2003-2013 dengan
variabel jarak menghasilkan persamaan regresi
sebagai berikut:
Y = 6,9430 - 3,121600*X1 - 3,592608*X2
4,318929*X3 ............................................... (8)
Dimana :
Y : logit perubahan lahan non terbangun menjadi
lahan terbangun
X1 : jarak terhadap jalan non-utama
X2 : jarak terhadap jalan utama
X3 : jarak terhadap pusat kegiatan
Persamaan 8 di atas dapat menjelaskan
banyak hal, salah satunya mengenai koefisien
regresi. Besarnya koefisien regresi menunjukkan
besarnya pengaruh variabel independen (faktor
jarak) dengan variabel dependen (perubahan
tutupan lahan nonterbangun menjadi terbangun)
dengan catatan rentang nilai variabelnya sudah
dilakukan normalisasi pada rentang yang sama
sebelum dilakukan analisis. Persamaan di atas
menunjukkan koefisien regresi paling besar
terdapat pada variabel jarak terhadap pusat
kegiatan. Hal tersebut menunjukkan di antara
ketiga variabel tersebut, variabel jarak terhadap
pusat kegiatan memiliki pengaruh yang paling
signifikan terhadap perubahan lahan non-terbangun
menjadi terbangun.
169
Majalah Ilmiah Glob Volume 17 No. 2 Desember 2015: 165-172

dalam sebuah indeks probabilitas (Gambar 8).

Indeks probabilitas tersebut memiliki tentang
antara 0 1, semakin nilai mendekati satu maka
semakin besar kemungkinan lahan tersebut untuk
berubah. Pada daerah kajian penelitan indeks
perubahan tertinggi adalahan berkisar dinilai 0.9
yang sebaranya banyak terletak di sekitar jalan
utama yang juga dekat dengan pusat kegiatan.
Nilai probabilitas terendah di daerah kajian
penelitian adalah 0 yang merupakan objek lahan
terbangun.
Walaupun menghasilkan sebuah persamaan,
persamaan dari regresi logistik biner tidak dapat
semata mata langsung digunakan untuk mengkaji
fisik perkotaan di daerah lain. Setiap daerah
memiliki karakteristik yang berbeda, sehingga
pemilihan variable variabel pemodelan sangat
disarankan untuk memlihat karakteristik dari daerah
yang dikaji.

Gambar 7. Ekspansi lahan terbangun periode

tahun 2003-2013.

Nilai positif dan negatif pada koefisien regresi

juga memiliki arti khusus. Nilai koefisien regresi
positif menandakan bahwa semakin besar nilai dari
variabel independen maka semakin besar
kemungkinan terjadi perubahan penutup lahan non-
terbangun menjadi terbangun pada lokasi tersebut.
Sebaliknya, jika koefisien regresinya negatif,
menunjukkan bahwa semakin kecil nilai variabel
independen semakin besar kemungkinan
perubahan penutup lahan non terbangun menjadi
terbangun pada lokasi tersebut. Pada persamaan
diatas, kebetulan variabel yang dipakai adalah
semuanya variabel jarak dan memiliki nilai koefisien
negatif, hal tersebut dapat diartikan bahwa semakin
kecil ini variabel jaraknya (semakin dekat suatu
lokasi dengan jalan utama, jalan non utama, dan
pusat kegiatan) maka semakin besar kemungkinan
perubahan penutup lahan non terbangun menjadi
lahan terbangun terjadi di lokasi tersebut. Gambar 8. Sebaran probabilitas perubahan
Hasil analisis regresi logistik biner juga dapat penutup lahan NonTerbangun
direpresentasikan dalam bentuk spasial. Hasilnya menjadi Terbangun.
adalah peta probabilitas perubahan penutup lahan.
Probabilitas perubahan penutup lahan merupakan
Prediksi Perkembangan Lahan Terbangun Kota
hasil perhitungan dari persamaan regresi, yang
Yogyakarta
dihitung pada setiap lokasi yang direpresentasikan
dalam sebuah grid/piksel. Peta Probabilitas
Penelitian ini mencoba mensimulasikan
Perubahan Penutup Lahan ini akan digunakan
keadaan Kota Yogyakarta tahun 2020. Hal yang
sebagai salah satu aturan transisi pada pemodelan
digunakan sebagai acuan adalah pola
prediksi cellular automata, yaitu semakin semakin
perkembangan antara tahun 2003 hingga 2013
tinggi probabilitas suatu lokasi, maka akan semakin
dengan asumsi:
besar kemungkinan lokasi tersebut diprediksikan
berubah menjadi lahan terbangun pada model Perubahan penutup lahan hanya terjadi pada
cellular automata. lahan non-terbangun menjadi lahan terbangun
Peta probabilitas perubahan penutup lahan dan tidak sebaliknya.
tersebut mencerminkan tingkat kemungkinan Perkembangan luasan bersifat linier, misalnya
perubahan penutup lahan dari lahan non terbangun jika pada tahun 2003-2013 mengalami
menjadi lahan terbangun yang direpresentasikan peningkatan luasan penutup lahan terbangun,
maka pada tahun 2013-2023 (tahun prediksi)

170
Pemodelan Spasial Perkembangn Fisik Perkotaan .........................(Wijaya & Umam)
diprediksikan juga mengalami peningkatan
luasan.
Prediksi luasan tutupan lahan pada tahun
2023 dalam penelitian ini, menggunakan metode
rantai markov (Gambar 9). Metode ini
dikembangkan oleh Andri A. Markov pada tahun
1907 dan biasa diterapkan untuk memprediksi
fenomena ekonomi (Paramitha, 2011). Pada
perkembangannya, metode rantai markov ini juga
digunakan untuk pendekatan terhadap fenomena
kebumian, salah satunya perkembangan lahan
terbangun.
Dalam prediksi luasan lahan terbangun,
proses rantai markov itu sangat sederhana.
Tabulasi silang dari perubahan tutupan lahan tahun
2003 ke tahun 2013 dikonversi menjadi matriks
probabilitas transisi. Matriks probabilitas transisi
tersebut yang kemudian digunakan untuk
memprediksi perubahan tutupan lahan tahun 2013
ke tahun 2020, sehingga luasan tutupan lahan
tahun 2020 dapat diketahui.
Model rantai markov ini memiliki banyak
kelemahan, salah satunya model ini tidak
Gambar 9. Prediksi perkembangan lahan terbangun Kota Yogyakarta tahun 2023.
mengakomodasikan perkembangan yang bersifat
fluktuatif (naik turun), jadi perubahan tutupan
lahan yang dimodelkan menggunakan model rantai
markov jika pada periode 2003 2013 mengalami
peningkatan maka kedepannya akan diprediksi
terus meningkat. Penggunaan model rantai markov
ini juga memiliki keterbatasan penggunaan 2 waktu
untuk melakukan prediksi dianggap kurang
merepresentasikan keadaan perkembangan di
lapangan.
Berdasarkan analisis rantai markov, dapat
diketahui bahwa luasan lahan terbangun pada
tahun 2020 sebesar 19.752 ha. Luas ini meningkat
sebesar 5.398 ha dari tahun 2013 yang luasnya
14.353 ha, dengan laju perkembangan rata-rata
539 ha/tahun. Hasil interpolasi spasial polinomial
orde 3, pusat perkembangan lahan terbangun pada
tahun 2013-2023 diprediksikan ke arah barat daya
dari Kota Yogyakarta, yaitu di sekitar Kecamatan
Mantijeron dan Kecamatan Kasihan.
171
Majalah Ilmiah Glob Volume 17 No. 2 Desember 2015: 165-172
Secara spasial kedua kecamatan tersebut
terletak di daerah pusat kegiatan dari Kota
Yogyakarta. Terdapatnya Universitas
Muhammadiyah Yogyakarta cukup membuat
daerah barat daya Kota Yogyakarta tersebut cukup
berkembang. Selain keberadaan Universitas
Muhammadiyah Yogyakarta, semakin padatnya
kota Yogyakarta juga mengakibatkan
perkembangan fisik perkotaan kearah luar, dan sisi
barat daya ini diprediksikan paling pesat
kedepanya.
Hasil prediksi dari pemodelan Integrasi
Cellular Automata dan Regesi Logistik Biner hanya
mampu memberi gambaran secara deskriptif dan
perkiraan lokasi perubahan. Perubahan luasan
secara pasti tidak mungkin tepar 100 %, untuk
akurasi geometrik dan akurasi tematik mengenai
hasil prediksi masih perlu dilakukan kajian secara
ilmiah yang didasarkan pada data lapangan.
KESIMPULAN
Hasil pemodelan menunjukkan perkembangan
lahan terbangun di Kota Yogyakarta pada tahun
2003-2013 memiliki laju perkembangan sebesar
329 ha/tahun dengan pusat perkembangan ke arah
timur laut Kota Yogyakarta, yaitu di sekitar
Kecamatan Gondomanan dan Kecamatan Depok.
Sedangkan hasil Prediksi menunjukkan
perkembangan lahan terbangun di Kota Yogyakarta
tahun 2013-2023 memiliki laju perkembangan 539
ha/tahun dengan pusat perkembangan ke arah
barat daya Kota Yogyakarta, yaitu di sekitar
Kecamatan Mantijeron dan Kecamatan Kasihan.
UCAPAN TERIMAKASIH
Ucapan terimakasih khusus penulis ucapkan
kepada Bapak Bowo Susilo, S.Si., M,T. selaku
dosen di Fakultas Geografi Universitas Gadjah
Mada karena atas bimbingan beliau penelitian ini
dapat selesai dengan lancar. Penulis mempelajari
172
banyak hal terkait pemodelan prediksi perubahan
penutup lahan dari beliau.
DAFTAR PUSTAKA
Aronoff, S. (1989). Geographic Information Systems: A
Management Perspective. WDL Publications.
Ottawa.
Anderson, J. R., Hardy, E., & Roach, J. T. (1976). A land-
use classification system for use with remote-sensor
data. Geological Survey Professional Paper, 964, 1-
41.
Liu, Yan. (2009). Modelling Urban Development with
Geographical Information Systems and Cellular
Automata. CRC Press. New York
Paramitha, B. A. P. (2011). Model Cellular Automata
untuk Prediksi Perkembangan Wilayah
menggunakan Citra Penginderaan Jauh Resolusi
Menengah (Studi Kasus Wilayah Kedungsepur),
Tesis. Fakultas Geografi Universitas Gadjah Mada.
Yogyakarta.
Suharyadi. (2010). Interpetasi Hibrida Citra Satelit
Resolusi Spasial Menengah Untuk Kajian
Densifikasi Bangunan Daerah Perkotaan di Daerah
Perkotaan Yogyakarta, Ringkasan Desertasi.
Fakultas Geografi Universitas Gadjah Mada
Yogyakarta.
Susilo, B. (2005). Model SIG-Binary Logistic Regression
Untuk Prediksi Perubahan Penggunaan Lahan
(Studi Kasus di Daerah Pinggiran Kota Yogyakarta),
Tesis. Teknik Geodesi dan Geomatika, Institut
Teknologi Bandung. Bandung.
Susilo, B. (2006). Geokomputasi Berbasis Sistem
Informasi Geografi dan Cellular Automata untuk
Pemodelan Dinamika Perubahan Penggunaan
Lahan di Daerah Pinggiran Kota Yogyakarta,
Laporan Penelitian. Yogyakarta: Fakultas Geografi
Universitas Gadjah Mada
Wijaya, S. (2012). Integrasi Model Spasial Cellular
Automata dan Regresi Logistik Biner untuk
Pemodelan Dinamika Perkembangan Lahan
Terbangun (Studi Kasus: Kota Salatiga). Skripsi.
Fakultas Geografi Universitas Gadjah Mada.
Yogyakarta.
Yunus, H. S. (2005). Manajemen Kota. Pustaka Pelajar.
Yogyakarta.
Yunus, H. S. (2005). Klasifikasi Kota. Pustaka Pelajar.
Yogyakarta