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.