Praktek Land Change Modeler

dengan IDRISI – Part 1:

Analisa Perubahan
Software IDRISI banya digunakan oleh peneliti lingkungan. Salah
satunya adalah untuk memprediksi perubahan lahan, misalnya dari
lahan pertanian menjadi perumahan, perikanan, dan sebagainya.
Bagi yang belum memiliki pengetahuan tentang dasar-dasar sistem
informasi geografis (GIS) sepertinya agak sulit. Untungnya tutorial
yang diberikan oleh aplikasi ini cukup baik bahkan disediakan file-
file praktek yang mendukung tutorialnya .
Singkatnya, untuk memprediksi perubahan lahan puluhan tahun ke
depan kita memerlukan data lahan di masa lampau. Misalnya untuk
memprediksi lahan 2019 kita memerlukan data lahan tahun 86 dan
94 (data yang disediakan software IDRISI untuk latihan). Misalnya
lahan terkini adalah tahun 2000, maka dengan lahan tahun 86 dan
94 dengan IDRISI dapat dibuat model untuk memprediksi lahan
tahun 2000. Setelah itu, dilakukan proses validasi untuk mengukur
sejauh mana model yang dirancang mampu memprediksi lahan.
Jika sudah akurat (AUC di atas 70-an persen) maka dapat
digunakan untuk memprediksi tahun yang akan datang misalnya
2019.
Buka IDRISI dan arahkan folder project ke folder yang berisi file
raster klasifikasi lahan, yaitu di folder LCM\CMA. Gunakan IDRISI
versi selva. Langkah-langkah yang perlu dilakukan untuk
pemodelan LCM antara lain: Change Analysis, Transition Potential
Modeling, Change Prediction, Validation, dan
terakhir Prediction.Kelihatannya prosesnya panjang, tetapi
sebenarnya itu sudah singkat. Pada prakteknya banyak proses
yang terlibah, dari mengunduh citra satelit, pemotongan
(WINDOW), klasifikasi (hard classification) hingga mempersiapkan
driver.
A. CHANGE ANALYSIS
Ini merupakan langkah pertama dan terpenting. Dengan file yang
tersedia, sepertinya tidak ada masalah, tetapi kenyataannya ketika
kita membuat file sendiri, perlu banyak melakukan modifikasi-
modifikasi, yaitu menyamakan antara dua peta yang beda waktu
(temporal) agar bisa dilakukan analisa serempak. Masukan file-file
yang diperlukan mengikuti tutorial yang diberikan.

Ketika tombol Continue ditekan, maka LCM akan masuk ke tahap

berikutnya yaitu Gain and Loses. Rubah UNIT dari cells menjadi
hectares. Coba utak-atik sendiri bagian analisa Gain and Loses,
setelah dipilih Contributors to net change ke Residential (>2 acre).
Coba buat peta (Create Map) yang memperlihatkan transisi dari
seluruh jenis lahan menjadi lahan perumahan (residential), caranya
seperti gambar di bawah ini.

Tekan Create Map untuk membuat peta-nya. Di bagian bawah

Change Maps, Anda bisa juga melihat trend perubahan ke
pemukiman dengan membuat peta tren.
Kesimpulan dari gambar di atas adalah trend pertumbuhan
pemukiman (residential) adalah mengarah ke sisi timur laut dan
tenggara (ditunjukan oleh warna merah tua dengan skor tinggi).
Berikut ini rinciannya, di youtube.
Selamat mencoba.
Praktek Land Change Modeler
dengan IDRISI – Part 3:
Change Prediction
21 Maret 2017 rahmadya Asian Institute of Technology, Geographic Information System, Riset
dan Penulisan

Setelah change analysis dan pembuatan model, tahap

berikutnya adalah memprediksi perubahan lahan di masa yang
akan datang (change prediction). Buka dan baca kembali tutorial
dari IDRISI di link berikut pada bab land change modeler sebelum
lanjut ke sub-bab change prediction. Ada baiknya memahami
prinsip kerja MLPNN. Pelajari apa itu bobot, bias, training, dan
sebagainya yang berhubungan dengan neural network.
MLPNN menganalisa hubungan antara dependent
variable dan independent variable. Pada contoh kasus sebelumnya
ada satu dependent variable yaitu Antrophogenic Disturbance
dengan independent variable yaitu drivers yang terlibat (road,
elevation, dan lain-lain). MLPNN membuat hubungan antara
keduanya dengan prinsip membagi dua rombongan pixel
untuk training kedua hubungan dan sisanya untuk testing.
Change prediction bermaksud memprediksi perubahan lahan
berdasarkan suatu lokasi dengan dua perbedaan waktu. IDRISI
menyediakan fasilitas hard prediction dan soft prediction. Keduanya
memiliki manfaat tersendiri. Tulisan kali ini bermaksud melanjutkan
project sebelumnya tentang transition potential.
Sebelum memprediksi lahan di masa yang akan datang, terlebih
dahulu model yang sudah dilatih digunakan untuk memprediksi
laham saat ini yang sudah diketahui komposisinya. Fungsinya
adalah untuk mengetahui akurasi model apakah layak untuk
memprediksi di masa yang akan datang. Isikan prediction date
dengan tahun saat ini, misalnya tahun 2000. Pastikan transition
potential sudah dibuat di tahap sebelumnya.
Ada empat sub-tab di tab change prediction antara lain: Change
demand modelling, Dynamic road development, Change
allocation, dan validation. Singkatnya coba masuk ke sub-
tab change allocation dan jangan mencentang soft prediction untuk
menjalankan hard prediction. Karena ada empat transisi pada
model kita maka ada indikator four pass di IDRISI.
Secara default, output name adalah landcov_predict_2000. Tentu
saja Anda boleh menggantinya sesuka hati. Tekan Run Model dan
tunggu beberapa saat hingga IDRISI selesai memrediksi lahan.
Pastikan hard prediction muncul seperti gambar berikut ini.

Jika tidak mau dan menanyakan transition potensial maka berarti

belum dibentuk map transition potential di tahap sebelumnya.
Kemudaian jika sudah muncul, pilih soft prediction dan juga pilih
semua transisi yang diinginkan. Soft prediction sangat berguna
untuk menghitung nilai AUC saat validasi yang biasanya digunakan
untuk membandingkan antar scenario.
Perhatikan, soft prediction berbeda dengan hard prediction yang
mematok perubahan ke LU tertentu. Soft prediction memberikan
kemungkinan lebih dari satu perubahan LU sehingga cocok untuk
memprediksi suatu habitat dan bio-diversity. Dan selamat Anda
telah berhasil memprediksi lahan dari dua data waktu. Silahkan
baca tutorial resminya untuk variabel tambahan yaitu untuk variabel
jenis dinamis dan constraint yang diisikan di tab Planning.
Prinsip Kerja Land Change
Modeler IDRISI
11 Juli 2017 rahmadya Asian Institute of Technology, Geographic Information System, Riset dan
Penulisan

Land Change Modeler (LCM) adalah modul yang ada di IDRISI

untuk memprediksi perubahan lahan (land use & land cover –
LULC). Perubahan lahan tersebut berdasarkan kondisi lahan di
masa yang lampau (dua interval waktu). Misalnya lahan tahun 2000
dibandingkan dengan tahun 2010 untuk memprediksi lahan di tahun
2015. Setelah lahan hasil prediksi dengan model LCM dengan
kondisi riil lahan tahun 2015 divalidasi, kondisi lahan di tahun-tahun
berikutnya akan diperoleh asalkan hasil validasinya cukup baik
(biasanya di atas 75%).
Silahkan buka IDRISI dan masuk ke menu LCM (masuk ke
menu modeling). Banyak juga tab yang harus diisi. Panduan
utama cara kerjanya bisa dibuka di situs resmi IDRISI, di sini
saya akan meringkas langkah-langkah yang saya lakukan ketika
memodelkan perubahan lahan.
A. Menyiapkan Dua Peta Lahan
Untuk memprediksi kondisi lahan di masa yang akan datang
minimal dibutuhkan dua peta lahan di masa lampau untuk
memprediksi kondisi saat ini. Hasilnya divalidasi dengan kondisi
lahan saat ini. Jadi harus ada tiga peta lahan berdasarkan periode
waktu tertentu, biasanya sepuluh tahunan atau kurang.
Untuk mengunduhnya silahkan buka situs USGS (satelit Landsat).
B. Klasifikasi Lahan dengan Image Processing
Peta lahan yang dimaksud adalah klasifikasi LULC berdasarkan
citra satelit yang diunduh. Tutorial dari IDRISI menganjurkan
klasifikasi dengan pengolahan citra (hard classification) dengan
ISOCLAS. Setelah itu di klasifikasi ulang (RECLAS) untuk
menghasilkan klasifikasi sesuai kebutuhan. Tahap ini memaksa kita
untuk teliti membedakan warna tertentu yang merepresentasikan
kelas lahan (tumbuhan, bangunan, air, dan sebagainya).
C. Analisa Perubahan (Change Analysis)
Sebelum masuk ke tahap ini sebenarnya banyak proses yang perlu
dilakukan mengingat dua peta lahan yang akan dibandingkan harus
“klop” baik ukuran (extent), legend, piksel, dan lain-lain yang dapat
dilihat pada menu metadataIDRISI. Change Analysis disediakan
IDRISI dalam satu tab khusus. Di sana dapat diketahui mana saja
konversi-konversi penting antara dua peta lahan yang
dibandingkan.
D. Transition Potential
Setelah analisa perubahan, kita diminta memutuskan berapa besar
piksel/area yang dijadikan patokan perubahan lahan. Besarnya
tergantung area penelitian, misalnya untuk kota Bekasi sebesar 100
hektar dan jika perubahan di bawah 100 hektar, bisa diabaikan.
Untuk area yang luas, misalnya jabotabek, tentu saja bisa
diperbesar lagi.
Tahap ini penting karena menentukan model LCM yang digunakan.
LCM mengandalkan transition potential untuk
memprediksinya. Transition potentialberisi konversi-konversi dari
satu kelas lahan ke kelas lainnya misalnya dari vegetasi menjadi
bangunan, air menjadi pertanian, dan lain-lain.
E. Menentukan Driver
Transition potential bekerjasama dengan driver untuk merakit LCM.
Driver di sini adalah peta tematik yang berisi besaran-besaran yang
menggambarkan kondisi lahan. Biasanya berupa jarak tertentu
terhadap jalan, sungai, bangunan tertentu, dan sejenisnya. Bisa
juga berupa ketinggian/slope, harga tanah dan lain-lain. Perlu
usaha keras untuk membuat driver dan kebanyakan tidak bisa
digambar dengan Idrisi. ArcGIS, ArcView, QGIS, dan GIS tools
lainnya sangat diperlukan. Dan impor-expor ke Idrisi terkadang
memerlukan keahlian khusus.
Transition potential dan driver kemudian bekerjasama untuk
menyeleksi transition potential yang dilibatkan dalam LCM. Caranya
adalah menghitung Relative Operationg Characteristic (ROC)-nya,
yang jika di bawah 0.75 maka transition potential tersebut tidak
dilibatkan dalam LCM. Oiya, driver sebelumnya diuji juga nilai
Cramer-nya, jika di bawah 0.15 maka driver tersebut tidak memiliki
pengaruh yang kuat terhadap perubahan.
F. Training LCM
Training yang dimaksud di sini adalah membentuk peta transition
potential yang nanti digunakan untuk memprediksi. Isinya
adalah probability perubahan dari satu kelas ke kelas lainnya dalam
area penelitian. Yang terbaik menurut anjuran IDRISI adalah MLP
Neural Network. Dianjurkan akurasi 0.75 ke atas untuk dihasilkan
model yang baik.
G. Seting Lain-lain
Di sini merupakan komponen tambahan dan terkadang penting
juga. Salah satunya adalah peta rancangan pembangunan jalan.
Jalan sangat menentukan perubahan lahan karena biasanya di
sekitar jalan cenderung dibangun gedung yang mengkonversi lahan
kosong atau vegetasi/pertanian. Selain itu ada tab khusus
“planning” untuk mengarahkan perubahan. Isinya adalah zonasi
dan batasan serta insentif. Misalnya untuk menjaga vegetasi
berubah menjadi bangunan perlu dibuat peta tambahan yang berisi
seluruh vegetasi diset dengan kelas “nol” sehingga tidak boleh
(persistence) ada perubahan terhadap vegetasi. Sementara kelas
lain diset “satu” (kisaran dari 0 hingga 1 juga boleh) yang berarti
boleh berubah. Sedang insentif diset “dua” untuk menambah
peluang untuk berubah, misalnya lahan kritis (nganggur) yang diset
“2” untuk berubah menjadi bangunan.
Demikian ringkasan sederhana bagaimana LCM Idrisi bekerja
dalam memprediksi perubahan lahan. Semoga bisa dijadikan
patokan berapa lama mengerjakan proyek tersebut, selamat
mencoba.