Laporan 3-5
Laporan 3-5
I. Tujuan
Taruna mampu melakukan pemodelan data spasial untuk tujuan tertentu dan melakukan
analisis hasil.
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:
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
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