REVIEW JURNAL

EXPLORING THE POTENTIAL CLIMATE CHANGE IMPACT ON URBAN

GROWTH IN LONDON BY A CELLULAR AUTOMATA-BASED MARKOV CHAIN
MODEL
Qi Lu, Ni-Bin Chang, Justin Joyce, Albert S. Chen, Dragan A. Savic, Slobodan Djordjevic,
Guangtao Fub

ANORAGA JATAYU

A156180218

ILMU PERENCANAAN WILAYAH

DEPARTEMEN ILMU TANAH DAN SUMBERDAYA LAHAN

SEKOLAH PASCA SARJANA

INSTITUT PERTANIAN BOGOR

2019
 PENDAHULUAN
London, sebagai salah satu megacities di Eropa mengalami pertumbuhan kawasan
perkotaan dan Perubahan Land use yang cukup pesat. Ditandai dengan penurunan kawasan
hutan dan pertanian digantikan dengan daerah urban (kawasan terbangun seperti rumah,
industri, fasilitas umum) dan ruang terbuka pada tahun 2000-2006. Sejak tahun 1700-an
London sudah menjadi wilayah yang rentan Terhadap banjir sehingga banyak mempengaruhi
pertumbuhan perkotaan serta perencanaan wilayahnya. Perubahan penggunaan lahan secara
langsung dipengaruhi oleh sebagian besar kegiatan ekonomi, sosial, dan lingkungan, yang
mencerminkan perkembangan dan pertumbuhan perkotaan (Litman, 1995). Peningkatan
dampak dari perubahan iklim telah banyak mempengaruhi pertumbuhan Kota London baik
secara fisik maupun berbagai aktifitas manusia didalamnya (Greater London Authority, 2002).
Oleh karena itu, dampak dari perubahan iklim harus dipertimbangkan dalam menentukan
strategi penataan ruang dan perencanaan tata guna lahan di masa depan.
Analisis pemodelan tingkat makro memperhitungkan berbagai elemen dinamika suatu
wilayah, termasuk didalamnya jaringan dan pola pergerakan dalam perkotaan serta
interaksinya terhadap penggunaan lahan secara langsung maupun tidak langsung (Andersson
et al., 2006). Model dinamis tersebut dapat memprediksi perubahan potensial dengan parameter
global. Sebagai salah satu model yang representatif dan cukup fleksibel serta dinamis dalam
mensimulasikan pertumbuhan perkotaan, Cellular Automata merupakan salah satu metode
analisis pemodelan dalam lingkup perencanaan wilayah yang Mampu mensimulasikan
perkembangan suatu wilayah dalam periode waktu yang panjang. Pendekatan Artificial Neural
Network, Logistic Regression, dan model Markov Chain lebih cocok untuk memprediksi secara
time-series.
Penelitian ini menggunakan prediksi curah hujan dengan metode Statistical
Downscaling Model (SDSM) sebagai variable perubahan iklim untuk memprediksi potensi
banjir pada kawasan perkotaan. Selain itu, model Markov Chain yang berbasis Cellular
Automata (CA-MC) untuk mensimulasikan perubahan Land use and Land Cover (LULC) di
Kota London akibat terjadinya perubahan iklim pada jangka panjang
RUMUSAN MASALAH
1. Bagaimana perubahan curah hujan yang terjadi pada tahun 2030 dan 2050 dan apa
dampaknya Terhadap banjir di kawasan perkotaan London?
2. Bagaimana pola penggunaan lahan di London yang terjadi akibat perubahan iklim pada
tahun 2030 dan 2050?
3. Apakah terdapat perbedaan pada perubahan penggunaan lahan yang terjadi ketika
factor flood impact diperhitungkan dan tidak pada simulasi tahun 2030 dan 2050?

TUJUAN
Tujuan penelitian ini adalah untuk memprediksi dan mensimulasikan Perubahan
penggunaan lahan di London pada tahun 2030 dan 2050 dengan menggunakan model Cellular
Automata dan Markov Chain (CA-MC) untuk menjelaskan interaksi antara Perubahan iklim
dan LULC (Land Use Cover Changes).

WILAYAH PENELITIAN
 Wilayah studi pada penelitian ini adalah kota london, yang merupakan ibukota dari
negara Inggris. London terletak pada bagian Tenggara Inggris dan merupakan kawasan
perkotaan terbesar di Eropa. Kota London memiliki luas area sebesar 1572 km2 dengan jumlah
penduduk diatas 8.67 juta jiwa pada tahun 2015. Pemilihan wilayah penelitian pada Kota
London didukung oleh adanya berbagai kebijakan terkait pertumbuhan kota untuk
mempertahankan ruang terbuka hijau yang terdapat pada kawasan green belt (kawasan ruang
terbuka hijau yang pada batas luas Kota London) serta untuk menerapkan pertumbuhan kota
yang compact dengan disertai pengintegrasian ruang terbuka pada bagian dalam kawasan
perkotaan tersebut.

Gambar 1. Peta Wilayah Studi Kota London

METODE
Alat dan Bahan
Pada penelitian ini digunakan data terkait LULC, jaringan jalan, kawasan-kawasan
strategis, fisik wilayah, iklim, dan kawasan rawan bencana pada Kota London. Selain itu, pada
penelitian ini juga dibutuhkan software GIS yang digunakan untuk proses awal (pre-
processing) data, penyeragaman format data, analisis data dasar, dan visualisasi peta. Selain
GIS juga digunakan software Terrset yang merupakan software modeling geospasial yang
terintegrasi dan digunakan untuk melakukan modeling perubahan LULC menggunakan metode
CA-Markov.
 Periode
Data Deskripsi Sumber
Data

Land use land 2000,

100x100m data raster LULC Corine Land Cover
cover 2006, 2012

Ordinance Survey Open

Jaringan Jalan Jaringan jalan eksisting 2016
Data
Kawasan Pembatas antara pusat
Kawasan
kota dengan kawasan 2011 London Datastore
Green Belt
permukiman
Kawasan pusat kegiatan
Zona Pusat
perekonomian, fasilitas umum, 2009 London Datastore
Kegiatan
dan pariwisata
Kawasan Kawasan pusat industri,
Strategis pergudangan, pengolahan 2009 London Datastore
Industri limbah, dan transportasi
OPDC (Old
Oak and Park
Kawasan potensi pusat kegiatan
Royal 2016 London Datastore
baru
Development
Corporation)
USGS SRTM 1 Arc-
DEM 90x90m data raster DEM 2010
Second Global
Lokasi taman dan ruang terbuka
Taman 2016 Historic England
publik
Bangunan
(Persil Bangunan eksisting 2016 Historic England
Bangunan)
Kawasan Area terdampak banjir secara
UK Environmental
Terdampak time-series dari tahun 1706- 1706-2015
Agency
Banjir 2015
Data Curah Hujan Harian -
Curah Hujan 1961-1990 UK Met Office
Tahunan
Tabel 1. Kebutuhan Data Penelitian
Metode Penelitian
Flood Impact dan SDSM
Untuk menentukan dampak dari perubahan iklim terhadap curah hujan, dilakukan
teknik pemodelan statistik untuk menganalisis data curah hujan Kota London secara historis
untuk kemudian disimulasikan curah hujan pada tahun 2030 dan 2050. Peningkatan maupun
penurunan curah hujan dapat mengindikasikan perubahan kemungkinan terjadinya banjir pada
wilayah tersebut. Untuk melakukan pemodelan statistik terhadap data iklim lokal dan regional
pada Kota London digunakan metode SDSM (Statistical DownScaling Model). Metode SDSM
dapat digunakan untuk menentukan hubungan antara iklim secara regional/global dengan iklim
lokal berdasarkan regresi linier berganda. Data yang digunakan adalah data klimatologi yang
diobservasi pada beberapa stasiun pengamatan dan predictor atmosfer yang didapat melalui
Global Climate Model (GCM)
 • Variabel Prediktor SDSM
Terdiri dari variable yang diobservasi langsung dan variable yang berasal dari Global
Climate Model (GCM). Variable hasil observasi didapatkan dari data stasiun
pengamatan. Variable dari GCM didapatkan dari Hadley Centre Coupled Model,
Version 3 (HADCM3) GCM A2 skenario Intergovernmental Panel on Climate Change
Fourth Assessment Report (IPCC, 2007). Data dari HADCM3 yang memiliki periode
dari tahun 1961-2099 kemudian dinormalisasikan dengan data dasar pengamatan 1961-
1990 untuk mengurangi bias dan error yang terlalu besar.
• Kalibrasi dan Validasi SDSM
Menggunakan data pengamatan iklim global dari National Center for Environmental
Prediction (NCEP) yang memiliki periode dari tahun 1961-2001.\Data NCEP pada 14
tahun pertama (1961-1975) digunakan untuk kalibrasi SDSM.\Data NCEP pada 14
tahun berikutnya (1976-1990) digunakan untuk validasi model
• Proyeksi SDSM (2030 & 2050)
Dilakukan menggunakan Scenario Generator pada SDSM dengan input variable
predictor GCM dan observasi langsung. Variabel-variabel prediktor yang diperlukan
adalah minimal 30 tahun secara terus-menerus, yaitu pada periode 1961-1990 untuk
mendapatkan tren perubahan iklim, menurut World Meteorological Organization
(WMO). Data proyeksi dan simulasi yang didapatkan adalah untuk tahun 2021-2049
(simulasi tahun 2030) dan 2041-2070 (simulasi tahun 2050)

CA-Markov Model
• Markov Chain
MC (Markov Chain) model dapat digunakan untuk menganalisis kemungkinan
terjadinya sebuah proses perubahan dari a menuju b melalui penggunaan matriks
probabilitas transisi. Pada penelitian ini, matriks tersebut dapat diinterpretasikan
sebagai kemungkinan atau peluang suatu land use berubah menjadi land use lain
berdasarkan perubahan land use pada tahun 2000-2006. Matriks probabilitas transisi
tersebut dapat dituliskan sebagai berikut:

Dimana Vi X Pij merupakan proporsi land use pada tahun referensi kedua; Pij
merupakan peluang terjadinya transisi; Vi merupakan proporsi land use pada tahun
pertama. I merupakan jenis land use pada tahun pertama dan j merupakan jenis land use
pada tahun kedua.

Gambar 2. Ilustrasi Metode Markov Chain

 • Cellular Automata
Model CA dapat digunakan untuk memprediksi perubahan LULC berdasarkan dua data
spasial yang sama dalam periode waktu yang berbeda. Oleh karena itu, model tersebut
telah digunakan untuk mensimulasikan berbagai faktor spasial dalam pertumbuhan
perkotaan. Cell-cell pada tiap LULC terhubung secara geometrik dan memiliki
hubungan yang saling mempengaruhi satu sama lainnya. Keadaan tiap cell dalam
satuan waktu tertentu akan dapat berubah-ubah dipengaruhi oleh neighborhood
transition rules. Dengan kombinasi konsep MC, maka peluang perubahan LULC yang
terjadi dapat diamati untuk tiap-tiap cell yang tersebar pada wilayah penelitian.

Gambar 3. Ilustrasi Metode Cellular Automata

Gambar 4. Tahapan Penyusunan Model Spasial Perubahan LULC Kota London

Pada penelitian ini, pemodelan menggunakan metode CA-Markov terdiri dari 3 tahapan
utama. Pada tahap 1 ditentukan faktor pendorong dan faktor pembatas (constraints) untuk
masing-masing kelas land use, menentukan fuzzy function untuk tiap faktor, dan boolean
values untuk tiap constraints. Tahap ke 2a, dilakukan Analytic Hierarchy Process (AHP) untuk
menentukan bobot dari tiap faktor berdasarkan fuzzy function-nya dan bersama dengan
boolean values menghasilkan multi-criteria evaluation-weighted linear combination (MCE-
WLC) model untuk menghasilkan peta kesesuaian masing-masing tipe land use. Tahap ke 2b,
disusun matriks probabilitas transisi land use berdasarkan 2 data landuse pada periode yang
berbeda. Kemudian CA model dijalankan dengan input peta kesesuaian dan aturan transisi
tersebut. Tahap ke 3 dilakukan validasi model berdasarkan data landuse tahun terakhir
menggunakan Kappa statistic. Apabila hasil validasinya valid, maka dilakukan simulasi dan
pemodelan tahun 2030 dan 2050.
 HASIL DAN PEMBAHASAN
Gambaran Umum Wilayah
Perubahan Perubahan
Penggunaan
2000 (ha) 2006 (ha) 2012 (ha) 2000-2006 2006-2012
Lahan
(%) (%)
Badan Air 2.736 2.750 2.750 0,51 0,00
Kawasan
109.807 110.670 110.943 0,79 0,25
Terbangun
Ruang
19.580 22.540 22.526 15,12 -0,06
Terbuka
Hutan 5.972 3.224 3.215 -45,01 -0,28
Pertanian 21.501 20.412 20.162 -5,06 -1,22
Tabel 2. Komposisi Penggunaan Lahan Kota London Tahun 2000-2012
Penggunaan lahan di Kota London didominasi oleh kawasan terbangun yang terdiri dari
kawasan permukiman, perdagangan dan jasa, fasilitas umum, dan industri dengan presentase
sebesar 69% dari luas wilayah penelitian. Tren perubahan penggunaan lahan yang terjadi pada
tahun 2000-2012 adalah terdapatnya penurunan kawasan hutan greenbelt dan pertanian akibat
perluasan kota menjadi kawasan terbangun dan ruang terbuka kota.
Chart Title
120000

100000

80000

60000

40000

20000

0
Badan Air Kawasan Terbangun Ruang Terbuka Hutan Pertanian

2000 2006 2012

Gambar 5. Perbandingan Luas Penggunaan Lahan Tahun 2000-2012

 Gambar 6. Peta Landuse Kota London Tahun 2012

Wilayah Terdampak Banjir (1706-2015)

London
Gambar 7. Peta Wilayah Terdampak Banjir Kota London Tahun 2012
Simulasi Perubahan Curah Hujan Menggunakan SDSM
• Perbandingan Data Curah Hujan hasil observasi stasiun meteorologi dan
klimatologi dengan hasil model SDSM (Tahun 1960-1990)

Gambar 8. Grafik Perbandingan Curah Hujan Hasil Observasi Stasiun dan Model SDSM
Terdapat rata-rata perbedaan 11% atau sekitar 0,2 mm data curah hujan berdasarkan 2
sumber data yang berbeda yaitu data hasil observasi stasiun meteorologi dan
klimatologi dengan hasil model SDSM untuk periode tahun 1960-1990
• Presentase perubahan curah hujan hasil simulasi dengan tahun dasar 1960-1990

Gambar 9. Model Simulasi Curah Hujan Tahun 2030 dan 2050

Terdapat fluktuasi yang cukup signifikan pada hasil pemodelan curah hujan tahun 2030
dan 2050. Pada tahun 2030 dan 2050 terjadi Peningkatan yang cukup signifikan pada
bulan maret sekitar sebesar 6-7%. Sedangkan untuk penurunan, pada model tahun 2030,
terjadi penurunan signifikan pada bulan mei dan agustus sebesar 6-7% sedangkan pada
tahun 2050 penurunan terbesar terjadi pada tahun 2050 sebesar 8%.

Model Spasial Perubahan LULC Menggunakan Model CA-Markov

• Faktor Pendorong dan Constraint Model
Pada tahap awal penyusunan model spasial perubahan LULC menggunakan CA-
Markov terlebih dahulu ditentukan faktor-faktor pendorong serta constraint (pembatas)
dalam menentukan kemungkinan alokasi penggunaan lahan di masa depan. Faktor
pendorong dan constraint pada penelitian ini adalah:
• Faktor Pendorong • Constraint (Pembatas)
• Jarak terhadap jalan • Bangunan Eksisting
• Jarak terhadap zona pusat kegiatan • Badan Air
• Jarak terhadap kawasan strategis industri
• Kawasan Greenbelt
 • Jarak terhadap lereng
• Jarak terhadap taman
• Jarak terhadap bangunan
• Jarak terhadap kawasan terdampak banjir
Faktor
Jarak terhadap jalan
Jarak terhadap zona pusat
kegiatan
Kelerengan
Jarak terhadap kawasan
industri
Jarak terhadap intensification
area points
Jarak terhadap opportunity
area points
Jarak terhadap London
Brownfield Sites
Jarak terhadap taman
Jarak terhadap bangunan
Jarak terhadap kawasan
terdampak banjir
Tabel 2. Pembobotan Faktor Pendorong Model Spasial Perubahan LULC London
Control Points Bobot
• 0-50m kesesuaian tertinggi
0.1531
• 50m-1km kesesuaian menurun
• > 1km kesesuaian terendah
• 0-1km kesesuaian menurun 0.1004
• 0-1km kesesuaian tertinggi
• 0% kesesuaian tertinggi
• 0-15% kesesuaian menurun 0.016
• >15% tidak sesuai
• 0-500m kesesuaian tertinggi
• 500m-5km kesesuaian menurun 0.0606
• >5km kesesuaian terendah
• 0-200m kesesuaian tertinggi
• 200m-2km kesesuaian menurun 0.051
• >2km kesesuaian terendah
• 0-200m kesesuaian tertinggi
• 200m-2km kesesuaian menurun 0.051
• >2km kesesuaian terendah
• 0-100m kesesuaian tertinggi
• 100m-1km kesesuaian menurun 0.112
• >1km kesesuaian terendah
• 0-200m kesesuaian tertinggi
• 200m-1km kesesuaian menurun 0.0678
• >1km kesesuaian terendah
• 0-100m kesesuaian tertinggi
• 0m-5km kesesuaian menurun 0.194
• >5km tidak sesuai
• 0-500m kesesuaian terendah
• 500m-1km kesesuaian menurun 0.194
• > 1km kesesuaian tertinggi
 Gambar 9. Peta Kesesuaian Lahan Berdasarkan Faktor Pendorong
• Matriks Transisi Landuse

Kawasan Ruang
Badan Air Hutan Pertanian
Terbangun Terbuka

Badan Air 0.9653 0.0095 0.0241 0.0000 0.0011

 Kawasan
0.0003 0.9903 0.0078 0.0001 0.0014
Terbangun

Ruang
0.0006 0.0414 0.9328 0.0061 0.0192
Terbuka

Hutan 0.0017 0.0330 0.3135 0.4585 0.1934

Pertanian 0.0023 0.0417 0.0690 0.0163 0.8707

Tabel 3. Matriks Transisi Land Use
Matriks transisi land use ini menunjukkan probabilitas salah satu jenis landuse untuk
berubah menjadi landuse lainnya selama tahun pemodelan. Pada table tersebut, landuse
yang paling mungkin untuk berubah adalah landuse kawasan hutan dan kawasan
pertanian, yang akan diprediksi menjadi kawasan terbangun dan ruang terbuka.
• Model Spasial Perubahan LULC Kota London

Penggunaan
2012 (Ha) 2030 (Ha) 2050 (Ha)
Lahan
Badan Air 2750 2762 2770
Kawasan
110943 112616 113073
Terbangun
Ruang Terbuka 22526 24154 25204
Hutan 3215 3672 3489
Pertanian 20162 16392 15060
Tabel 4. Simulasi Pemodelan Penggunaan Lahan Kota London
Berdasarkan hasil pemodelan menggunakan metode CA-Markov, didapatkan hasil
bahwa pada tahun 2030 dan 2050 terjadi peningkatan kawasan terbangun, ruang
terbuka, dan kawasan hutan di wilayah Kota London. Peningkatan kawasan terbangun
dan ruang terbuka kota merupakan akibat dari tren perubahan penggunaan lahan yang
terjadi, sedangkan peningkatan pada luas kawasan hutan terjadi akibat perhitungan
dampak dari peningkatan curah hujan dan perubahan iklim yang terjadi sehingga
kawasan greenbelt atau hutan kota harus dikembangkan lebih lanjut berikut dengan
kawasan ruang terbuka hijau dan non-hijau perkotaan.
 Perbandingan Luas Penggunaan Lahan
20 Tahun 2012-2050
15
10
5
0
-5 Badan Air Kawasan Ruang Terbuka Hutan Pertanian
Terbangun
-10
-15
-20
-25
-30
2012-2030 2012-2050

Gambar 10. Grafik Peningkatan dan Pengurangan Luas Lahan Masing-Masing Kelas
Landuse Tahun 2012-2050

Penggunaan 2030 (dengan 2050(tanpa 2030 (dengan 2050 (tanpa

Lahan flood impact) flood impact) flood impact) flood impact)

Badan Air 2762 2775 2770 2782

Kawasan 112.616 112.625 113.073 113.121
Terbangun

Ruang 24.154 24.140 25.204 25.191

Terbuka
Hutan 3672 3672 3489 3489
Pertanian 16.392 16.384 15.060 15.013
Tabel 4. Perbandingan Hasil Pemodelan Penggunaan Lahan Kota London Dengan
dan Tanpa Flood Impact
Perbedaan simulasi penggunaan lahan dengan maupun tanpa memperhatikan faktor
banjir tidak terlalu signifikan, hal ini mungkin disebabkan oleh bobot yang terlalu kecil
dalam memperhitungkan faktor banjir. Bobot faktor yang lebih tinggi banyak
ditempatkan pada faktor-faktor yang bersifat social ekonomi.
 KESIMPULAN
Dalam penelitian ini, terdapat beberapa kesimpulan yang dapat diambil berdasarkan
hasil analisis dan pembahasan yang telah dilakukan sebagai berikut:
• Sejak tahun 1700-an telah sering terjadi banjir di wilayah London dengan dampaknya
yang mengancam pembangunan kota tersebut di masa depan. Oleh karena itu sangat
diperlukan adanya simulasi perubahan penggunaan lahan berdasarkan dampak banjir
dan berbagai factor lainnya yang akan menjadi factor pendorong dan penghambat
pembangunan.
• Simulasi perubahan penggunaan lahan dilakukan dengan model Markov Chain
berdasarkan Cellular Automata, digabungkan dengan prediksi curah hujan
menggunakan Statistical DownScaling Model (SDMS)
• Curah hujan di London akan mengalami Peningkatan yang cukup signifikan pada tahun
2030 dan mengalami Peningkatan yang kurang signifikan pada 2050 berdasarkan hasil
prediksi SDSM.
• Luas kawasan perkotaan dan ruang terbuka mengalami Peningkatan yang semakin
besar pada tahun 2030 menuju tahun 2050
• Area hutan mengalami sedikit Peningkatan pada tahun 2030, namun kemudian
berkurang akibat terjadinya perubahan iklim
• Area pertanian akan berkurang secara signifikan akibat urbanisasi dan perubahan
iklim
• Badan air akan sedikit mengalami Peningkatan akibat Peningkatan curah hujan dan
wilayah terdampak banjir
• Scenario berdasarkan diperhitungkannya dampak dari banjir yang terjadi menunjukkan
bahwa masih diperlukan adanya pembangunan ruang terbuka dan mengurangi kawasan
perkotaan

DAFTAR PUSTAKA

Litman, T. (1995). Land Use Impact Costs of Transportation. World Transport Policy and
Practice. Vol. 1. World Transport Policy and Practice (Pp. 9–16).
Greater London Authority (2002). Flooding in London: A London assembly scrutiny report.
London: UK.
Andersson, C., Frenken, K., & Hellervik, A. (2006). A Complex Network Approach To Urban
Growth. Environment and Planning A, 38, 1941–1964.
Lu, Qi, Chang Ni-Bin, Joyce, Justin. (2018). Exploring the Potential Climate Change Impact
on Urban Growth in London by A Cellular Automata-Based Markov Chain Model.
Computers, Environment, and Urban Systems 68, 121-132