ACARA 3, 4 DAN 5

PEMODELAN DATA SPASIAL PERUBAHAN PENGGUNAAN LAHAN

DI KABUPATEN SLEMAN

Hari/Tanggal : Selasa, 12-26 September 2023

Waktu : 14.10 – 16.30 WIB
Tempat : Ruangan Kelas 102

I. Tujuan
Taruna mampu melakukan pemodelan data spasial untuk tujuan tertentu dan melakukan
analisis hasil.

II. Alat dan Bahan

Alat dan bahan yang digunakan dalam praktikum, sebagai berikut:
1. Perangkat keras laptop yang telah diinstal software berikut:
a. ArcMap 10.7.1 digunakan untuk penyiapan data spasial; dan
b. QGIS 3.16.16 yang telah terinstal plugin MOLUSCE yang digunakan untuk
pemodelan perubahan penggunaan tanah.
2. Softfile berupa data .shp tutupan lahan Kabupaten Sleman Tahun 2015, 2016, 2017 dan
2019 yang bersumber dari KLHK.

III. Dasar Teori

Tanah merupakan sumber daya alam yang mempunyai peranan yang sangat penting
dalam pembangunan dan pengembangan karena tanah adalah tempat dimana manusia
melakukan segala aktivitasnya. Oleh karena itu, dalam penggunaanya memerlukan
perencanaan secara optimal dan efisien. Penggunaan tanah tidak bisa sembarangan, karena
harus memperhatikan kelestarian dan penataan tanah yang terarah agar penggunaan tanah
dapat memberikan manfaat bagi kesejahteraan masyarakat (Sugandhy dalam Maulana,
2002). Kabupaten Sleman yang letaknya tepat berbatasan dengan Kabupaten Bantul,
Kabupaten Kulonprogo, Kabupaten Gunungkidul, dan Kota Jogja menyebabkan adanya
pertumbuhan pesat dari aspek ekonomi, sosial, maupun infrastruktur. Pertumbuhan dari
segala aspek ini yang menyebabkan adanya peningkatan kebutuhan lahan dalam rangka
pembangunan daerah untuk mencukupi kebutuhan hidup masyarakat. Sebagai wilayah
periurban atau yang berbatasan langsung dengan kota, Kabupaten Sleman setidaknya
mengalami pertambahan bangunan baik sebagai tempat tinggal, perkantoran, maupun
bangunan untuk perdagangan dan jasa.
Penggunaan lahan (tanah) merupakan suatu bentuk kenyataan fisik berupa obyek
nyata yang ada di permukaan bumi yang menutupi area tertentu, baik itu akibat dari
aktivitas alamiah maupun sebagai bentuk dari perilaku manusia (Lillesand, et al., 2004).
Walaupun ada campur tangan alamiah dalam proses pembentukkannya, penggunaan lahan
cenderung dipengaruhi oleh aktivitas manusia. Pernyataan tersebut berbanding lurus
dengan pertumbuhan manusia yang semakin hari semakin meningkat sehingga
membutuhkan lahan memenuhi kebutuhannya seperti lahan untuk pertanian, permukiman
maupun perdagangan jasa (Bashit, et al., 2019).
Perubahan penggunaan lahan pada dasarnya merupakan hal yang pasti terjadi sebagai
akibat dari pelaksanaan pembangunan dalam rangka pemenuhan kebutuhan hidup manusia
(Lisdiyono, 2004). Pemanfaatan berbagai teknologi penginderaan jauh termasuk Sistem
Informasi Geografis (SIG) diharapkan mampu untuk memberikan gambaran data
mengenai penggunaan lahan eksisting dan juga memberikan gambaran mengenai kondisi
geomorfologis suatu kawasan (Utami, et al., 2018). Data tersebut kemudian dapat
dijadikan dasar dalam rangka penentuan arah suatu program ataupun pengambilan
kebijakan tertentu yang berkaitan dengan tata ruang, perencanaan dan pengembangan
wilayah, maupun kegiatan lainnya yang membutuhkan data spasial berupa perubahan
penggunaan perubahan lahan.
Peran Sistem Informasi Geografis (SIG) sangatlah penting dalam rangka memberikan
informasi mengenai kondisi terkini mengenai berbagai bentuk perubahan lahan yang
terjadi dalam kurun waktu tertentu (temporal) dalam rangka pemenuhan kebutuhan
kegiatan yang telah disebutkan sebelumnya. Secara sederhana perolehan informasi
perubahan penggunaan lahan (tanah) dapat dilakukan dengan analisis spasial terhadap
data-data yang ada, kemudian dianalisis secara temporal dengan metode overlay. Overlay
merupakan suatu proses menampalkan suatu peta atau layer dengan peta atau layer lainnya
sehingga terbentuk suatu gabungan tampilan visual secara fisik yang memuat kedua data
atribut dari peta atau layer yang digabungkan tersebut (Darmawan & Suprayogi, 2017).
Analisis perubahan penggunaan lahan dilakukan dengan metode tumpang susun
(overlay) antara peta penggunaan lahan tahun 2010 dan 2016 (Indrayani, 2017). Tahapan
pertama adalah penyamaan atau koreksi koordinat antara dua peta yang digunakan
kemudian dilanjutkan dengan proses overlay untuk mendapatkan data perubahan
penggunaan lahan antara dua titik tahun. Pengecekan lapang dilakukan untuk memastikan
 jenis penggunaan lahan dan mengetahui penyebab perubahan penggunaan lahan melalui
wawancara dengan masyarakat sekitar. Teknik pengecekan lapang dilakukan secara
purposive sampling berdasarkan penggunaan lahan yang mengalami perubahan dan
aksesibilitas untuk mencapai lokasi pengamatan. Keluaran akhir dari tahapan ini berupa
matriks perubahan penggunaan lahan dan peta perubahan penggunaan lahan (Kurnianty et
al.2015).
Perubahan pola penggunaan lahan juga dapat memberikan pengaruh terhadap
pengurangan kapasitas resapan (Permatasari et al., 2017). Perubahan penggunaan lahan
yang sangat fluktuatif dapat menyebabkan degradasi lahan sehingga dapat mempengaruhi
nilai produktivitas dan proporsional tanah. Pola penggunaan lahan yang tidak sesuai
dengan kemampuan lahan dapat menimbulkan berbagai masalah. Analisis perubahan
penggunaan lahan dengan memanfaatkan data spasial yang bersifat temporal sangat
bermanfaat, khususnya untuk melakukan pemantauan terhadap lokasi yang mengalami
perubahan penggunaan lahan dengan memperhatikan penampakan visual maupun estimasi
peningkatan serta penurunan luas lahan (As-syakur et al., 2008; Nuraeni et al., 2017).
Analisis spasial dengan SIG tersebut dapat digunakan dalam mengkaji pemodelan
perubahan penggunaan lahan pada kurun waktu tertentu (Hapsary et al., 2021).

IV. Langkah Kerja

1. Menyiapkan data-data yang akan digunakan untuk melakukan pemodelan yaitu data
.shp tutupan lahan Kabupaten Sleman tahun 2015, 2016, 2017 dan 2019. Lalu
melakukan add data dan menginput keempat data tersebut.
2. Pada tampilan Arc Catalog, klik folder penyimpanan lalu klik kanan → New →
Personal Geodatabase. Melakukan rename personal geodatabase ”Proses”. Kemudian
sorot geodatabase yang telah dibuat dengan klik kanan → New → Toolbox. Sorot
toolbox Proses tersebut lalu klik kanan → New → Model.

3. Pada window model yang telah terbuka klik Model → Save As → memberi nama
model dengan 01Prepare.
4. Klik kanan model → Edit kemudian melakukan drag data .shp PL2015, PL2016,
PL2017 dan PL 2019 ke dalam model.

5. Melakukan pengaturan koordinat dengan ketik define pada tools search kemudian
double klik Define Projection. Pada Input Dataset pilih PL yang akan diatur kemudian
koordinat system klik DGN 1995 UTM Zone 49S.
6. Pada tools search ketik project lalu drag pada tools project data management ke model.
Kemudian klik icon connect untuk menghubungkan antara PL dengan project.
Kemudian klik Input Dataset or Feature Class lalu klik kanan → Open
7. Kemudian akan muncul kotak dialog Project, data disimpan di folder proses yang
dibuat dengan nama 01P_PL2015 lalu menggunakan koordinat DGN 1995 UTM Zone
49S → Apply → OK. Melakukan hal yang sama juga pada PL 2016, 2017 dan PL 2019.
Pada masing

8. Pada masing-masing data project klik kanan → run kemudian pada outputnya Add to
Display
9. Pada jendela search ketik Dissolve lalu drag tools Dissolve (Data Management) ke
dalam model untuk mengelompokkan data. Menghubungkan data dengan
menggunakan icon connect. Kemudian klik Input Dataset or Feature Class lalu klik
kanan → Open. Maka akan muncul kotak dialog Dissolve, data disimpan pada folder
yang telah disiapkan kemudian beri nama 02P_PL2015. Kemudian lakukan hal yang
sama pada PL2016, PL2017 dan PL 2019. Tetapi karena banyaknya data pada PL2016
diberikan centang PL16_ID. Lalu klik Apply → OK
10. Pada masing-masing data project klik kanan → run kemudian pada outputnya Add to
Display

11. Pada jendela search ketik add field lalu drag tools add field ke dalam model.
Menghubungkan data dengan menggunakan icon connect. Kemudian klik Input
Dataset or Feature Class lalu klik kanan → Open. Menambahkan add field pada layers
02P_PL2015 begitu juga pada layer 2016, 2017 dan 2019 lalu memberi nama PLCode,
Type: Text dan Field Properties: Length 30 kemudian klik OK. Pada layer klik kanan
Edit Features → Start Editing. Selanjutnya mengisi kolom PlCode berdasarkan tabel
berikut:

Tabel 1. Kode Penggunaan Lahan

PL_ID plcode Keterangan
2002 1 Hutan tanaman
2006 1 Hutan tanaman yang sudah ditumbuhi
2007 2 Semak belukar
2012 3 Permukiman
2014 4 Tanah terbuka
5001 5 Tubuh air
20091 6 Ladang
20092 6 Ladang dengan semak terbuka
20093 7 Sawah
20121 8 Bandara
12. Selanjutnya raster data dengan pixel, pada jendela search ketik polygon to raster lalu
drag tools polygon to raster ke dalam model. Lalu menghubungkan data dengan
menggunakan icon connect. Kemudian klik Input Dataset or Feature Class lalu klik
kanan → Open. Selanjutnya akan muncul kotak dialog seperti dibawah ini:
13. Menyiapkan data-data yang akan digunakan untuk mengetahui faktor-faktor yang
berpengaruh. Data yang dimasukkan yaitu Jalan, Pendidikan dan Administrasi.

14. Pada tampilan Arc Catalog, klik folder penyimpanan lalu sorot toolbox Proses tersebut
lalu klik kanan → New → Model. Pada window model yang telah terbuka klik Model
→ Save As → memberi nama model dengan 02Prepare.
15. Klik kanan 02Prepare → Edit kemudian melakukan drag data .shp Jalan, Pendidikan
dan Administrasi ke dalam model. Melakukan pengaturan koordinat dengan ketik
Define pada tools search kemudian double klik Define Projections. Pada Input Dataset
pilih PL yang akan diatur kemudian koordinat system klik DGN 1995 UTM Zone 49S.

16. Pada tools search ketik project lalu drag pada tools project data management ke model.
Kemudian klik icon connect untuk menghubungkan antara Jalan dengan project.
Kemudian klik Input Dataset or Feature Class lalu klik kanan → Open
17. Pada masing-masing data project klik kanan → run kemudian pada outputnya Add to
Display

18. Melakukan seleksi kelas jalan dengan menggunakan tools select lalu drag pada tools
select ke model. Menghubungkan data dengan menggunakan icon connect. Kemudian
klik Input Dataset or Feature Class lalu klik kanan → Open.
19. Sedangkan untuk layers administrasi melakukan hal yang sama seperti layer jalan
hingga output Project. Pada jendela search ketik Dissolve lalu drag tools Dissolve
(Data Management) ke dalam model untuk mengelompokkan data. Menghubungkan
data dengan menggunakan icon connect. Kemudian klik Input Dataset or Feature
Class lalu klik kanan → Open. Maka akan muncul kotak dialog Dissolve sebagai
berikut:
20. Pada jendela search ketik polygon to raster lalu drag tools polygon to raster ke dalam
model. Lalu menghubungkan data dengan menggunakan icon connect. Kemudian klik
Input Dataset or Feature Class lalu klik kanan → Open. Selanjutnya akan muncul
kotak dialog seperti dibawah ini:
21. Pada layer jalan dan pendidikan menghitung Euclidean Distance dengan melakukan
setting environment dengan klik geoprocessing → environment setting → processing
extent → memasukkan file clip_raster → OK.
22. Pada jendela search ketik eiuclidean to raster lalu drag tools eiuclidean distance ke
dalam model. Lalu menghubungkan data dengan menggunakan icon connect. Tetapi
terlebih dahulu membuat geodatabase untuk menyimpan hasil eiuclidean distance.
23. Selanjutnya menyimpan semua data tutupan lahan tahun 2015, 2016, 2017 dan 2019
ke dalam format .tif hal ini dilakukan karena pada aplikasi QuantumGis hanya dapat
membaca format tif. Pada jendela search ketik copy to raster lalu double klik copy to
raster. Pada layer copy raster, mengisi kolom input raster dengan data yang akan di
rubah. Menyesuaikan kolom output raster dengan folder penyimpanan yang telah
dibuat sebelumnya dan memberi nama data dengan format: PL_Tahun_Kelas.tif.
mengubah NoData Value menjadi 99999 pada semua data agar dapat dibuka dan dilah
pada aplikasi QuantumGis. Mengubah format pixel tipe menjadi 8_BITUNSIGNED
pada seluruh data penggunaan lahan. Mengubah format data menjadi format TIIF.
Setelah berhasil melakukan penyesuian klik OK dan menunggu proses ekspor berjalan
dan muncul notifikasi. Melakukan hal yang sama terhadap data raster yang akan
digunakan.
24. Melakukan proses konversi dan pengolahan data dengan terlebih dahulu menginstal
plugins Select plugins → Manage and Install Plugins. → Search Molusce → Klik
Install plugins

25. Menyiapkan data yang akan diolah dengan cara drag file .tif ke arah layar panel.
Sebelumnya melakukan setting properties Klik kanan pada layer data → Properties
kemudian mengubah render type menjadi Singleband pseudacolor
26. Pada kolom minimal diisi 1 dan maximal diisi 8 kepada semua data yang akan diolah.
Selanjutnya Mode → Equal Interval, Classes → 8 kelas → Apply → OK

27. Melakukan metode pengolahan data menggunakan plugins Molusce untuk mendeteksi
perubahan lahan dari tahun ke tahun. Pada tampilan layar MOLUSCE, mengisi kolom
Initial dan Final dengan data tahun awal serta data tahun akhir yang akan diolah
perubahan penggunaan lahannya. Hal tersebut dapat dilakukan dengan cara: Klik data
tahun awal (misal: 2015) → Initial dan Klik data tahun akhir (misal: 2016) → Final.
Mengisi kolom Spatial variables dengan data jalan dan campus. Melakukan
pengecekan geometri dengan cara klik Check Geometry. Apabila muncul notifikasi
seperti contoh dibawah, maka data sudah dapat diproses. Lalu klik OK.
28. Melakukan Evaluating Corelation yang akan menghitung seberapa besar korelasi
(hubungan) antar spatial variables. Langkah ini dapat dilakukan dengan cukup meng-
klik Check. Membuat satu folder dengan nama Model Simulation di dalam folder, yang
akan digunakan untuk menyimpan semua data hasil pemodelan. Pada tahapan Area
Changes yang mana data akan diolah dan dihitung area perubahannya. Ubah raster
unit menjadi Ha (Hektare) → Update tables →Create changes map → Save

29. Melakukan Transition Potential Modelling yang pada praktikum kali ini, kita akan
menggunakan metode Artificial Neural Network (ANN). Pada bagian pengaturan,
sesuaikan dengan default dan untuk maximum iterations buat menjadi 1000. Lalu,
setelah itu Klik → Train neural network
30. Pada tahapan pengolahan data menggunakan CA-Simulation atau Celular Automata
Simulation. Simulation Result akan berisikan prediksi tahun kedepannya sesuai selisih
tahun perubahan. Setelah save file → Klik Start

31. Melakukan pemodelan berdasarkan tahun yang kita inginkan, kitaperlu melakukan uji
validitas terlebih dahulu. Reference Map, kita gunakan peta 2017 asli yang telah kita
siapkan pada folder Raster Process. Browse → 2017.tif → Open. Simulated Map,
dengan menggunakan peta hasil simulasi yang akan diuji validitasnya → 2017
Simulation → Open. Number of Validation disesuaikan dengan default dan Klik →
Start Validations. Dari hasil validasi tersebut, dapat memperoleh persentase
kebenarannya dengan cara: Klik → Calculate kappa
V. Hasil dan Pembahasan
Hasil
1. Printscreen tampilan model
a. Model 01Prepare
b. Model 02Prepare
2. Printscreen hasil polygon to raster PL 2015-2019
a. PL 2015

b. PL 2016
c. PL 2017

d. PL 2019
3. Printscreen hasil Euclidean distance Jalan dan pendidikan
a. Euclidean distance Jalan

b. Euclidean distance Pendidikan

4. Printscreen hasil update table pada QGIS

5. Printscreen hasil change map/peta perubahan pada QGIS

Pembahasan
1. Persiapan data spasial
Persiapan data spasial diawali dengan pembuatan model pada software ArcMap.
Pembuatan model dilakukan untuk lebih mempersingkat waktu dalam melakukan
analisis intensitas ke ruangan dengan konektor pada alat/tools analisis (Nugroho,
2021). Data yang digunakan dalam pembuatan model builder ini diantaranya
penggunaan lahan tahun 2015, 2016, 2017 dan 2019 dengan data spasial pendukung
berupa jaringan jalan, pendidikan dan administrasi. Dalam model builder tersebut
digunakan beberapa alat atau tools dalam penyiapan data spasial. Projection tools
dengan pengubahan dan penyamaan sistem referensi koordinat menjadi UTM Zona
49S, dimana sesuai dengan zona koordinat wilayah Kabupaten Sleman, dissolve
dengan menyederhanakan bentuk visual sesuai dengan jenis penggunaan lahan, add
field untuk menyamakan keterangan atau kode jenis penggunaan lahan pada seluruh
data spasial, polygon to raster dengan melakukan perubahan output spasial dari
polygon menjadi raster untuk dilakukan analisis spasial lanjutan pada software
berikutnya, euclidean distance untuk memberikan pengertian jarak atau network
terdekat antara dua titik (Danielsson, 1980). Tahap persiapan data spasial penggunaan
lahan diantaranya berupa proses penyatuan atau penggabungan visual kelompok
penggunaan lahan dengan tools dissolve serta penyeragaman kode dan nama kelas
penggunaan lahan. Berikut tampilan model builder tahap 1
 Dilanjutkan dengan model builder tahap 2 dengan menggunakan data jaringan
jalan dan sebaran tempat pendidikan melalui tools Euclidean distance. Tahap 2
merupakan persiapan data spasial berupa variabel pendukung dalam proses analisis
mengenai keterkaitan dan ketergantungan antar variabel dalam mempengaruhi tingkat
perubahan penggunaan lahan. Berikut tampilan model builder tahap 2

2. Pemodelan data spasial perubahan penggunaan lahan

Proyeksi dan pemetaan prediksi perubahan penggunaan lahan dilakukan dengan
software QuantumGIS melalui plugin molusce. Molusce merupakan salah satu plugin
yang digunakan untuk menganalisis, memodelkan, dan melakukan simulasi
penggunaan lahan dengan menggunakan algoritma utilitas seperti Artificial Neural
Networks (ANNs), Multi Criteria Evaluation (MCE), Weights of Evidence (WoE),
Logistic Regression (LR), maupun Monte Carlo Cellular Automata (MCA) model
(Muhammad et al., 2022).
3. Klasifikasi penggunaan lahan
Klasifikasi penggunaan lahan dikategorikan menurut generalisasi kesamaan
secara visual dari suatu objek. Kelas penggunaan lahan dibedakan menjadi beberapa
jenis tergantung dari tingkat kedetailan informasi spasial yang akan disampaikan.
Kedetailan informasi spasial ini mengacu pada besar angka skala dalam menampilkan
peta, seperti klasifikasi penggunaan lahan menurut Standar Nasional Indonesia (SNI);
menurut National Landuse Database; menurut Norma, Standar, Prosedur dan
Ketentuan (NSPK) Survei dan Pemetaan Tematik Pertanahan. Berikut data perubahan
penggunaan lahan kabupaten Sleman Tahun 2015-2016:
 Tabel 2. Perubahan Penggunaan Lahan Kabupaten Sleman Tahun 2015-2016

Luas (Ha)
No. Penggunaan Lahan
Tahun 2015 Tahun 2016
1. Hutan tanaman 4144.50 1755.81
2. Semak belukar 47.79 128.88
3. Permukiman 23392.71 23451.12
4. Tanah terbuka 1110.15 1051.11
5. Tubuh air 45.09 38.07
6. Ladang 5440.68 7641.18
7. Sawah 22991.40 23106.15
8. Bandara 405 405
Total 61712.28 61712.28
Perubahan penggunaan lahan menjadi pemukiman atau kawasan industri
berbanding lurus dengan pertumbuhan penduduk di suatu daerah untuk memenuhi
kebutuhan hidupnya baik sebagai tempat tinggal maupun sebagai penunjang kehidupan
melalui mata pencaharian yang dilakukan (Affan, 2014). Tren pada penggunaan lahan
sebagai pertanian atau sawah mengalami banyak penurunan sehingga dapat dibuktikan
bahwa banyaknya terjadi konversi lahan pertanian menjadi non pertanian (Wijaya, A.,
& Susetyo, 2017). Pertumbuhan penduduk secara fluktuatif hingga disertai dengan
bonus demografi diyakini sebagai faktor utama adanya konversi penggunaan lahan
(Tasha, 2012). Fluktuasi pertambahan maupun penurunan luas lahan akan signifikan
ketika selisih luas lebih besar daripada batas toleransi luas yang ditentukan. Sedangkan
akan tergolong tidak signifikan apabila selisih luas lebih kecil dari batas toleransi luas
(Kusniawati at al., 2020). Toleransi luas ini didapatkan dari hitungan Root Means
Square (RMS) apabila dilakukan metode analisis menggunakan overlay dengan
memperhitungkan titik centroid antar peta penggunaan lahan yang akan diamati.
4. Hasil uji akurasi Kappa
Hasil uji akurasi Kappa pada proyeksi perubahan penggunaan lahan di Kabupaten
Sleman tahun 2017 dengan eksisting penggunaan lahan tahun 2017 diperoleh sebesar
0,95861 dengan persentase correctness sebesar 97.28 %. Nilai correctness ini
merepresentasikan hasil prediksi dapat dipercaya dan dijadikan sebagai acuan dalam
pembentukan kebijakan selanjutnya dan tentunya dibutuhkan peninjauan ulang
terhadap hasil prediksi dengan kondisi fisik di lapangan. Nilai Kappa tersebut
 menunjukkan jika pemodelan memiliki kesesuaian cukup baik (Hapsary et al., 2021)
karena berada pada kategori koefisien Kappa > 0,80.

VI. Pertanyaan
1. Apakah semua data tersebut telah memiliki sistem koordinat dan spatial reference yang
sama?
Jawab:
Data yang telah diberikan belum memiliki sistem koordinat dan spatial
reference, sehingga terlebih dahulu mengatur koordinatnya dengan Geographic
coordinate system: WGS 1984 dan Datum WGS 1984 menjadi DGN 1995 UTM
Zone 49S

2. Menurut anda, kenapa menggunakan cell size 30 untuk permodelan ini?

Jawab:
Karena spesifikasi data yang ada pada tutupan lahan Kabupaten Sleman dari
tahun 2015, 2016, 2017, 2019 diperoleh dari hasil klasifikasi citra landsat yang
memiliki resolusi citra 30 meter. Maka cell size yang digunakan adalah 30.
Penggunaan cell size 30 menghasilkan data raster yang lebih halus
VII. Kesimpulan
Berdasarkan hasil praktikum yang dilakukan dapat ditarik kesimpulan sebagai
berikut: klasifikasi penggunaan lahan di Kabupaten Sleman dikategorikan menjadi 8
jenis penggunaan yang mengalami perubahan baik penurunan maupun peningkatan
pada tiap tahunnya karena adanya peningkatan jumlah penduduk. Dimana pemukiman
memiliki pertambahan yang cukup banyak yakni sebesar 58.41 Ha sedangkan
penggunaan lahan sebagai hutan tanaman, tanah terbuka dan tubuh air justru mengalami
penurunan luas sebesar 2388.69 Ha, 59.04 Ha dan 7.02 Ha. Kecenderungan perubahan
penggunaan lahan di Kabupaten Sleman cenderung mengelompok dan monoton sebab
bentuk perubahan penggunaan lahan terjadi di sekitar wilayah yang mengalami
perubahan penggunaan lahan pada periode sebelumnya.

VIII. Daftar Pustaka

Affan, F. M. (2014). Analisis perubahan penggunaan lahan untuk permukiman dan
industri dengan menggunakan Sistem Informasi Geografis (SIG). Jurnal Ilmiah
Pendidikan Geografi, 2(1), 49-60
As-syakur, A. R., Suarna, I. W., Adnyana, I. W. S., Rusna, I. W., Laksmiwati, I. A. A., &
Diara, I. W. (2008). Studi perubahan penggunaan lahan di Das Badung. Jurnal Bumi
Lestari, 10(2), 200–208. http://ejournal.unud.ac.id/
Bashit, N., Prasetyo, Y., & Suprayogi, A. (2019). Klasifikasi Berbasis Objek untuk
Pemetaan Penggunaan Lahan menggunakan Citra SPOT 5 di Kecamatan Ngaglik.
TEKNIK, 40(2), 122-128
Danielsson, P. E. (1980). Euclidean distance mapping. Computer graphics and image
processing, 14(3), 227–248. https://doi.org/10.1016/0146-664X(80)90054-4
Darmawan, K., & Suprayogi, A., 2017, ‘Analisis tingkat kerawanan banjir di kabupaten
sampang menggunakan metode overlay dengan scoring berbasis sistem informasi
geografis’. Jurnal Geodesi Undip, Vol 6, no (1), hlm. 31-40.
Hapsary, M. S. A., Subiyanto, S., & Firdaus, H. S. (2021). Analisis prediksi perubahan
penggunaan lahan dengan pendekatan artificial neural network dan regresi logistik
di kota Balikpapan. Jurnal Geodesi UNDIP, 10(2), 88–97.
https://ejournal3.undip.ac.id/index.php/geodesi/article/view/30637
Indrayani, P., Mitani, Y., Djamaluddin, I., & Ikemi, H. (2017). A GIS Based Evaluation
of Land Use Changes and Ecological Connectivity Index. Journal of Geomatics and
Planning, 4(1), 9-18.
Kusniawati, I.; Subiyanto, S.; Amarrohman, F. J. (2020). Analisis model perubahan
penggunaan lahan menggunakan artificial neural network di kota Salatiga. Jurnal
Geodesi Undip, 9, 1–11.
Kurnianty, D.N., Rustiadi, E., & Baskoro D. P. T. (2015). Land Use Projection for Spatial
Plan Consistency in Jabodetabek. Indonesian Journal of Geography, 47(2), 124-131.
Lillesand, T. M., Kiefer, R.W., Chipman, J.W. (2004). Remote Sensing and Image
Interpretation. Manhattan: John Wiley and Sons.
Lisdiyono. 2004. Penyimpangan Kebijakan Alih Fungsi Lahan Dalam Pelestarian
Lingkungan Hidup. Jurnal Hukum dan Dinamika Masyarakat Edisi Oktober 2004.
Fakultas Hukum Untag, Semarang.
Maulana, Mohammad Sidik, 2002, Evaluasi Perubahan Penggunaan Tanah Antara Tahun
1992 sampai Tahun 1999 kota Cirebon Dengan Menggunakan Sistem Informasi
Geografis, Skripsi, Jurusan Teknik Geodesi Fakultas Teknik Universitas Gadjah
Mada, Yogyakarta.
Muhammad, R., Zhang, W., Abbas, Z., Guo, F., & Gwiazdzinski, L. (2022).
Spatiotemporal change analysis and prediction of future land use and land cover
changes using QGIS molusce plugin and remote sensing big data: A case study of
Linyi, China. Land, 11(3). https://doi.org/10.3390/land11030419
Nuraeni, R., Risma, S., Sitorus, P., & Panuju, R. (2017). Lahan wilayah di kabupaten
Bandung An analysis of land use change and regional land use planning in Bandung
regency. 1(1), 79–85.
Nugroho, R. H. (2021). Aplikasi ArcGIS model builder untuk analisis intensitas
pemanfaatan ruang aplikasi ArcGIS model builder untuk analisis intensitas
pemanfaatan ruang. Prosiding Seminar Nasional “Kebijakan Satu Peta dan
Implementasinya Untuk Perencanaan Wilayah (DAS) Dan Mitigasi Bencana",
September, 28–37.
Permatasari, R., Arwin, & Natakusumah, D. K. (2017). Pengaruh Perubahan penggunaan
lahan terhadap rezim hidrologi DAS (Studi Kasus: DAS Komering) Arwin Dantje
Kardana Natakusumah. Jurnal Teknik Sipil, 24(1), 91–98.
Utami, W., Artika, I. G. K., & Arisanto, A., 2018,. 'Aplikasi Citra Satelit Penginderaan
Jauh untuk Percepatan Identifikasi Tanah Terlantar', BHUMI: Jurnal Agraria dan
Pertanahan, Vol. 4, No. (1), hlm. 53-66.
Sekolah Tinggi Pertanahan Nasional, 2023, ‘Studio 2 Penyusunan Sistem Informasi
Pertanahan dan Analisis Rencana Tata Ruang’
Tasha, K. (2012). Pemodelan perubahan penggunaan lahan dengan pendekatan artificial
neural network. Fakultas Pertanian: Institut Pertanian Bogor, (May 2014), 75.
Wijaya, A., & Susetyo, C. (2017). Analisis perubahan penggunaan lahan di kota
Pekalongan Tahun 2003, 2009, dan 2016. 6(2), 417–420.