Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023

e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

PREDIKSI KONVERSI LAHAN PERTANIAN BERBASIS ARTIFICIAL

NEURAL NETWORK-CELLULAR AUTOMATA (ANN-CA) DI
KAWASAN SLEMAN BARAT
Prediction of Agricultural Land Conversion Based on Artificial Neural
Network-Cellular Automata (ANN-CA) in West Sleman Area

Tiara Sarastika1*, Yusuf Susena2, Dwi Kurniawan3

1 Program Studi Ilmu Tanah, Fakultas Pertanian, Universitas Pembangunan Nasional “Veteran” Yogyakarta
2 Departemen Sains Informasi Geografis, Fakultas Geografi, Universitas Gadjah Mada, Yogyakarta
3 PT. Aren Internasional, Jl. Pasir Impun, Komplek Bandung City View 2, Kota Bandung

* Penulis korespondensi: tiara.sarastika@upnyk.ac.id

Abstrak
Analisis dan prediksi konversi lahan menggunakan data spatial-temporal penting untuk pemantauan
lingkungan dan perencanaan serta pengelolaan penggunaan lahan yang lebih baik. Kawasan Sleman Barat
berpotensi mengalami perubahan penggunaan lahan akibat faktor antropogenik. Tujuan penelitian ini adalah
mengetahui dinamika spatial-temporal perubahan penggunaan lahan tahun 2012-2022 dan memprediksi
perubahan penggunaan lahan di masa depan menggunakan model ANN-CA untuk 20 tahun ke depan (2022-
2042). Dinamika spatial-temporal perubahan penggunaan lahan dianalisis berdasarkan data penggunaan lahan
yang diturunkan dari citra SPOT, kemudian dilakukan prediksi perubahan penggunaan lahan di masa depan
dengan model ANN-CA menggunakan plugin MOLUSCE pada QGIS Desktop 2.18.11. Hasil simulasi
menunjukkan akurasi sebesar 86,66% dan nilai Kappa keseluruhan 0,83 yang diperoleh dengan
membandingkan data aktual tahun 2022 dengan data simulasi perubahan penggunaan lahan di tahun yang
sama. Terjadi perubahan yang cukup besar pada lahan sawah irigasi yang berkurang sebesar 6,39% (685,22
ha) menjadi permukiman. Area bangunan permukiman meningkat 4,65% (498,49 ha) tahun 2012-2017.
Prediksi perubahan penggunaan lahan tahun 2022-2042 menunjukkan bahwa pengurangan lahan sawah
irigasi akan terus berlanjut dan bangunan permukiman cenderung meningkat.
Kata kunci : penggunaan lahan, Plugin MOLUSCE, Artificial Neural Network, Cellular Automata

Abstract
Analysis and prediction of land conversion using spatial-temporal data are essential for environmental
monitoring and better land use planning and management. The West Sleman area has the potential to
experience land use changes due to anthropogenic factors. This study aimed to determine the spatial-
temporal dynamics of land use change in 2012-2022 and predict future land use change using the ANN-CA
model for 20 years (2022-2042). Analyzed the spatial-temporal dynamics of land use change based on land
use data derived from SPOT imagery, then predicted future land use change with the ANN-CA model using
the MOLUSCE plugin on QGIS Desktop 2.18.11. The simulation results showed an accuracy of 86.66%
and an overall Kappa value of 83% obtained by comparing the actual data in 2022 with the simulated data
on land use change in the same year. The irrigated paddy fields decreased by 6.39% (685.22 ha) due to
conversion to settlements. The area of residential buildings increased by 4.65% (498.49 ha) during 2012-
2017. Predictions of land use change in 2022-2042 show that the reduction of irrigated paddy fields will
continue, and the number of residential buildings tend to increase.
Keywords: land use, MOLUSCE plugin, Artificial Neural Network, Cellular Automata

http://jtsl.ub.ac.id 471
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30
Pendahuluan
Konversi lahan atau alih fungsi lahan merupakan
perubahan fungsi guna lahan menjadi penggunaan
lain yang disebabkan oleh berubahnya nilai guna
suatu lahan. Nilai guna yang berubah dapat berupa
tingkat harga atau jenis manfaat, misalnya manfaat
sosial, layanan publik, budaya, dan sejarah (Surya,
2020). Konversi lahan dipengaruhi oleh faktor
internal dan eksternal. Faktor internal meliputi
pertumbuhan rumah tangga pengguna lahan,
perubahan luas penggunaan lahan, potensi lahan
dan aktor yang terlibat dalam penggunaan lahan.
Faktor eksternal terdiri atas pertumbuhan
penduduk, pergeseran struktur ekonomi wilayah
dan pengembangan kawasan terbangun.
Perubahan lahan berhubungan erat dengan
kehidupan sosial dan ekonomi penduduk di suatu
wilayah. Perubahan lahan yang kerap terjadi adalah
perubahan dari lahan bervegetasi, seperti sawah,
kebun, hutan, tegalan, dan ladang menjadi lahan
non vegetasi, seperti permukiman, gedung, dan
fasilitas umum. Li et al (2019) menyatakan bahwa
konversi lahan pertanian menjadi non pertanian
memberikan dampak ekonomi dan lingkungan.
Dampak positif dari perubahan penggunaan lahan
yaitu terbentuknya keragaman mata pencaharian
dan peningkatan fasilitas kehidupan. Sebaliknya,
dampak negatif konversi penggunaan lahan
mengakibatkan ketahanan pangan di suatu wilayah
menurun.
Berbagai kasus konversi penggunaan lahan
telah terjadi di Kabupaten Sleman. Penelitian
Martanto dan Andriani (2019) menunjukkan di
Kabupaten Sleman terjadi konversi penggunaan
lahan sebesar 9.810,06 ha per tahun dengan jumlah
penduduk pada tahun 2019 sebesar 1.075.575 jiwa.
Penggunaan lahan terbangun yang mengalami
perubahan signifikan adalah lahan permukiman dan
perdagangan jasa yang masing-masing mengalami
perubahan sebesar 471,52 ha dan 158,24 ha,
selanjutnya penggunaan lahan yang mengalami
penurunan luas adalah lahan kosong sebesar 137,63
ha karena berubahnya penggunaan lahan kosong
yang disediakan untuk lahan terbangun (Valent et
al., 2021).
Kawasan Sleman Barat terdiri atas 4
kapanewon, yaitu Kapanewon Godean, Seyegan,
Minggir, dan Moyudan. Secara administratif
kawasan ini memiliki luas 10.836 Ha yang
merupakan daerah perbatasan Kabupaten Sleman
dengan Kabupaten Kulon Progo dan Kabupaten
Bantul. Kawasan Sleman Barat berperan sebagai
http://jtsl.ub.ac.id
sentra pertanian bagi Kabupaten Sleman, didukung
dengan adanya irigasi besar yaitu Selokan Mataram
dan Selokan Van der Wijk. Di sisi lain, Kawasan
Sleman Barat menjadi lirikan investor dan kaum
milenial yang mulai kesulitan menemukan hunian
terjangkau di pusat perkotaan, terutama di
Kapanewon Godean dan Seyegan. Hal ini
mengakibatkan munculnya potensi perubahan
penggunaan lahan di Kawasan Sleman Barat,
terutama sektor pertanian menjadi non pertanian.
Kegiatan urbanisasi dan industrialisasi
mengakibatkan efek yang banyak terhadap
lingkungan. Aktivitas manusia yang banyak
dilakukan di daratan membuat perubahan
penggunaan lahan akan terekam pada permukaan
lahan. Penggunaan lahan secara langsung juga
mencerminkan pemanfaatan sumber daya lahan di
suatu daerah. Kegiatan penggunaan lahan dapat
mempengaruhi ekosistem dan proses ekologis
dengan mengubah tutupan lahan, tekstur
permukaan, evapotranspirasi, dan lain-lain (Yang et
al, 2022). Aktivitas manusia yang menyebabkan
perubahan penggunaan lahan dan tutupan lahan
akan sangat mempengaruhi kesejahteraan manusia.
Perubahan lahan yang sebagian besar tidak
direncanakan dengan baik akan mengakibatkan
penurunan kualitas ekosistem, krisis air, bahkan
krisis ketahanan pangan (Rasool et al, 2021).
Prediksi penggunaan lahan menjadi penting untuk
diteliti, agar dapat digunakan dalam mengelola
lanskap dan sumber daya yang ada serta
memberikan gambaran terhadap kebijakan yang
akan diambil kedepannya (Aniah et al, 2023).
Hapsary et al. (2021) menyebutkan bahwa Sistem
Informasi Geografis dapat digunakan dalam
mengkaji pemodelan perubahan penggunaan lahan
dalam kurun waktu tertentu. Pemodelan
penggunaan lahan ini nantinya diperlukan dalam
proses pengawasan pembangunan suatu wilayah.
Bagian dari Sleman Barat juga direncanakan
untuk termasuk dalam kawasan strategis provinsi
berupa kawasan perkotaan kabupaten yang masuk
dalam Kawasan Perkotaan Yogyakarta (KPY) dan
kawasan strategis kabupaten berupa kawasan fungsi
keamanan dan ketahanan pangan wilayah serta
kawasan strategis fungsi daya dukung lingkungan
hidup berupa kawasan resapan air. Adanya berbagai
kondisi tersebut sangat berpengaruh pada
perubahan pemanfaatan ruang serta pemanfaatan
sumber daya alam di Kawasan Sleman Barat. Oleh
karena itu perlu dilakukan pemodelan terhadap
prediksi perubahan penggunaan lahan di kawasan
Sleman Barat.
472
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

Prediksi penggunaan lahan ini dilakukan dengan Bahan dan Metode

rentang waktu 20 tahun. Mengacu pada Peraturan
Pemerintah Nomor 26 Tahun 2008 Tentang
Rencana Tata Ruang Wilayah Nasional yang
dijadikan pedoman dalam rencana pembangunan
nasional serta penataan ruang di wilayah provinsi
dan kabupaten/kota. Pemodelan prediksi
perubahan penggunaan lahan menggunakan
Artificial Neural Network-Cellular Automata (ANN-
CA) yang dilakukan melalui software Quantum GIS
(QGIS versi 2.18.11). Model ANN-CA
menggunakan jaringan syaraf tiruan (Artificial
Neural Network) yaitu beberapa neuron keluaran
untuk simulasi berbagai perubahan penggunaan
lahan. Melalui model prediksi konversi penggunaan
lahan dalam rentang waktu 20 tahun kedepan
(2020-2040), dapat menjadi bahan pertimbangan
bagi para stakeholder terkait dalam pengambilan
kebijakan.
Area kajian
Kabupaten Sleman membagi wilayahnya menjadi 4
kawasan, yaitu kawasan Sleman Barat, Sleman
Utara, Sleman Tengah, dan Sleman Timur.
Kawasan Sleman Barat secara administratif berada
di bagian barat kabupaten Sleman, terdiri atas 4
Kapanewon, yaitu Minggir, Moyudan, Godean, dan
Seyegan. Karakter Kawasan Sleman Barat sebagai
sentra pertanian, Sleman Utara sebagai kawasan
konservasi, Sleman tengah pusat pendidikan dan
perekonomian, sedangkan Sleman Timur sebagai
kawasan cagar budaya. Kawasan Sleman Barat
terpilih sebagai area studi karena fungsinya sebagai
sentra pertanian, sehingga penting untuk dianalisis
prediksi konversi lahan pertanian yang mungkin
terjadi. Lokasi Kawasan Sleman Barat ditunjukkan
melalui peta pada Gambar 1.

Gambar 1. Peta wilayah penelitian.

Data 2012, 2017, dan tahun 2022. Ketiga data tersebut

diperoleh dari hasil ekstraksi citra SPOT dengan
Data penelitian yang digunakan meliputi data
resolusi spasial 1.5 meter untuk pankromatik dan 6
penggunaan lahan wilayah Sleman Barat tahun
meter untuk multispektral. Data penggunaan lahan
http://jtsl.ub.ac.id 473
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30
tidak serta merta digunakan untuk prediksi, akan
tetapi dilakukan proses reklasifikasi terlebih dahulu
sesuai dengan jumlah kelas yang diinginkan.
Pengkelasan menghasilkan delapan kelas
penggunaan lahan, yaitu bangunan permukiman,
bangunan non permukiman, sawah irigasi, sawah
tadah hujan, kebun, tegalan, air tawar, dan lahan
terbuka. Data spasial berupa jaringan jalan juga
ditambahkan sebagai faktor pendorong (driving
factor) yang dianggap memiliki pengaruh terhadap
perubahan penggunaan lahan di kawasan Sleman
Barat.
Analisis data
Beberapa dekade terakhir ini, perkembangan
teknologi SIG berkembang cukup pesat terutama
untuk kajian prediksi. Penggunaan machine learning
juga semakin masif digunakan. Dalam penelitian ini,
pemodelan prediksi perubahan penggunaan lahan
diestimasi menggunakan kombinasi antara ANN
(artificial neural network) dan CA (Cellular Automata).
Pemrosesan dilakukan dengan bantuan plugin
MOLUSCE pada software QGIS Desktop versi
2.18.11. Kemampuan plugin tersebut yaitu dapat
secara efektif menghitung perubahan penggunaan
lahan secara spatio-temporal, melakukan pemodelan
potensi transisi, dan melakukan simulasi untuk
skenario masa depan (El-Tantawi et al,
2019). Jaringan syaraf tiruan (artificial neural network)
menjadi yang paling umum dalam penginderaan
jauh dan SIG untuk pemodelan dan klasifikasi
perubahan penggunaan lahan yang tepat (Gasarovic
et al, 2018). ANN terdiri atas neuron yang memiliki
mekanisme yang sama dengan otak manusia, dan
menggunakannya untuk mengenali tren data
(Pijanowski et al, 2002). Pada plugin MOLUSCE
yang terdapat di QGIS Desktop versi 2.18.11,
algoritma ANN digunakan untuk mengenali
potensi perubahan dengan keluaran berupa matrik
potensial transisi (transition potential matrix).
Model potensial transisi yang digunakan
dalam penelitian ini dilatih dengan momentum
0,050 dan learning rate 0,100 untuk stabilisasi grafik
pembelajaran. Selanjutnya, jumlah iterasi ditetapkan
menjadi 100 untuk mencegah masalah overfitting
pada model. Kemudian simulasi perubahan
penggunaan lahan diproses menggunakan plugin
MOLUSCE yang mendasarkan pada model ANN-
CA. Simulasi ANN-CA memilih data raster, seperti
kelas penggunaan lahan, raster parameter spasial,
dan model potensi transisi, berdasarkan algoritma
ANN. Simulasi tersebut memeriksa jumlah piksel
tetap, dengan kepastian terbesar untuk setiap
http://jtsl.ub.ac.id
transisi yang sesuai dengan transisi yang paling
mungkin, dan kemudian menyesuaikan kelas piksel.
Beberapa iterasi simulasi dilakukan untuk mencapai
peta prediksi berikutnya tahun 2022, 2032, dan
2042. Validasi hasil prediksi perubahan
penggunaan lahan dilakukan dengan
membandingkan peta prediksi tahun 2022 dengan
peta teraktual tahun 2022. Metode yang digunakan
yaitu menggunakan Kappa, dengan kriteria
minimum akurasi yang dicapai disajikan dalam
Tabel 1. Apabila hasil dari simulasi memiliki nilai
Kappa yang kuat, maka pemodelan untuk prediksi
dapat dilakukan untuk target tahun yang diinginkan.
Proses penelitian digambarkan melalui diagram
yang tersaji pada Gambar 2.
Tabel 1. Klasifikasi nilai Kappa.
Nilai Koefisien Interpretasi Nilai
Kappa Kappa
<0.20 Rendah (Poor)
0.21-0.40 Agak Rendah (Fair)
0.41-0.60 Cukup (Moderate)
0.61-0.80 Kuat (Good)
>0.80 Sangat Kuat (Very Good)
Sumber: Kunz (2017).
Hasil dan Pembahasan
Dinamika temporal perubahan penggunaan
lahan tahun 2012-2022
Perubahan penggunaan lahan yang bersifat dinamis
membutuhkan penilaian, analisis, dan pemantauan
yang berkelanjutan menggunakan data sosial,
ekonomi, dan geospasial untuk mendapatkan hasil
yang lebih akurat dan terintegrasi (Lukas et al, 2023).
Dinamika temporal perubahan penggunaan lahan
yang terjadi di Kawasan Sleman Barat cukup
beragam, beberapa jenis penggunaan lahan
mengalami pertambahan dan sebagian jenis lainnya
mengalami pengurangan.
Klasifikasi jenis penggunaan lahan dibedakan
menjadi 8, yaitu bangunan permukiman, bangunan
non permukiman, sawah irigasi, sawah tadah hujan,
kebun, tegalan, air tawar, dan lahan terbuka. Luasan
perubahan penggunaan lahan tahun 2012-2017
disajikan melalui Tabel 2. Luasan perubahan
penggunaan lahan terbesar yaitu pada jenis sawah
irigasi, sebesar -685,22 ha dan jenis bangunan
permukiman sebesar +498,49 ha. Hal ini
dipengaruhi oleh tuntutan kebutuhan tempat
tinggal bagi penduduk Sleman Barat.
474
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

Gambar 2. Diagram alir penelitian.

Tabel 2. Perubahan luas penggunaan lahan tahun 2012-2017.

Jenis Luas Luas Perubahan Persentase Persentase Persentase
Penggunaan Tahun Tahun Luas Tahun Luas Tahun Luas Tahun Perubahan
Lahan 2012 2017 2012-2017 (ha) 2012 (%) 2017 (%) Luas Tahun
(ha) (ha) 2012-2017 (%)
Bangunan 3488,69 3987,18 498,49 32,5347 37,1834 4,6487
Permukiman
Sawah Irigasi 6180,48 5495,26 -685,22 57,6376 51,2474 -6,3902
Kebun 754,29 1027,43 273,14 7,0343 9,5816 2,5473
Air Tawar 69,32 85,61 16,29 0,6465 0,7984 0,1519
Lahan Terbuka 30,24 4,46 -25,78 0,2820 0,0416 -0,2404
Tegalan 174,24 119,65 -54,59 1,6249 1,1158 -0,5091
Sawah Tadah 25,65 2,88 -22,77 0,2392 0,0269 -0,2123
Hujan
Bangunan Non 0,09 0,53 0,44 0,0008 0,0049 0,0041
Permukiman
Sumber: Analisis penggunaan lahan dari data Citra SPOT

Seperti penelitian yang dilakukan Rahman et al
(2017), dijelaskan bahwa perubahan penggunaan
lahan terjadi akibat faktor alam dan antropogenik.
Pada kasus wilayah Sleman Barat, faktor
antropogenik lebih dominan dalam memberikan
efek perubahan penggunaan lahan. Faktor
antropogenik yang terjadi antara lain kebutuhan
akan lahan permukiman, produktivitas lahan
pertanian yang menurun, dan regulasi pemanfaatan
lahan yang lemah.Perubahan penggunaan lahan
memiliki efek mul tidimensi pada keseimbangan
ekosistem, baik saat ini maupun masa depan
(Getachew et al, 2021). Analisis perubahan
penggunaan lahan menunjukkan bahwa terjadi
perubahan yang cukup besar pada lahan sawah
irigasi yang berkurang sebesar 6,39% karena
berubah fungsi menjadi penggunaan lahan lain,
terutama sebagai permukiman. Area bangunan

http://jtsl.ub.ac.id 475
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

permukiman meningkat sebesar 4,65% selama
rentang tahun 2012-2017, hal ini menunjukkan
bahwa terdapat transisi wilayah menuju kekotaan di
kawasan Sleman Barat. Berkurangnya area sawah
irigasi mengakibatkan menurunnya produktivitas
tanaman, padahal kawasan Sleman Barat berperan
sebagai sentra pertanian di kabupaten Sleman.
Transisi perubahan penggunaan lahan dari
jenis penggunaan lahan tertentu menjadi jenis lahan
lainnya dapat diketahui melalui Tabel 3. Semakin
besar nilai transisi, maka semakin besar pula
perubahan yang terjadi pada jenis penggunaan lahan
tersebut. Lahan sawah irigasi mengalami perubahan
terbesar menjadi bangunan permukiman dengan
nilai transisi 0,0886. Kemudian disusul dengan nilai
transisi 0,0300 lahan sawah irigasi berubah menjadi
kebun, sedangkan nilai transisi sebesar 0,01 lahan
sawah irigasi mengalami perubahan menjadi
tegalan. Perubahan pada lahan sawah irigasi
menjadi penggunaan lahan lain di Kawasan Sleman
Barat biasanya terjadi pada lahan yang berukuran
kecil. Lahan sawah irigasi yang berukuran kecil
dianggap kurang menguntungkan secara ekonomi
karena biaya produksi lebih besar dibanding hasil
panen.
Beberapa faktor yang mendukung terjadinya
perubahan penggunaan lahan antara lain
peningkatan populasi manusia dan kebutuhan akan
sumberdaya alam, terutama lahan untuk
permukiman (Khan et al, 2020). Hal ini sesuai
dengan kecenderungan perubahan lahan yang
terjadi di Kawasan Sleman Barat.

Tabel 3. Transition Matrix Penggunaan Lahan Tahun 2012-2017.

Penggunaan Bangunan Sawah Kebun Air Lahan Tegalan Sawah Bangunan
Lahan Permukiman Irigasi Tawar Terbuka Tadah Non
Hujan Permukiman
Bangunan 0,9250 0,0139 0,0607 0,0002 0,0003 0,0001 0,0000 0,0000
Permukiman
Sawah Irigasi 0,0886 0,8706 0,0300 0,0006 0,0000 0,0101 0,0000 0,0005
Kebun 0,2459 0,0245 0,7150 0,0139 0,0006 0,0001 0,0004 0,0000
Air Tawar 0,0013 0,0126 0,1323 0,8503 0,0033 0,0003 0,0000 0,0000
Lahan 0,3562 0,2318 0,0261 0,1491 0,0734 0,1567 0,0000 0,0066
Terbuka
Tegalan 0,0863 0,2079 0,3639 0,0396 0,0040 0,2981 0,0000 0,0003
Sawah Tadah 0,0585 0,1341 0,6904 0,0058 0,0000 0,0000 0,1111 0,0000
Hujan
Bangunan 1,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Non
Permukiman
Sumber: Analisis QGIS data Citra SPOT.

Secara spasial persebaran penggunaan lahan tahun
2012 dan 2017 disajikan melalui peta pada Gambar
3. Fenomena penurunan sawah irigasi dan
pertambahan bangunan permukiman dapat
teramati dengan jelas pada Kapanewon Godean
dan Kapanewon Seyegan. Pengembangan hunian
pada kedua kapanewon ini cukup pesat dalam
rentang waktu 5 tahun, hal ini disebabkan oleh
banyaknya developer yang membangun perumahan
ataupun cluster rumah. Kawasan Sleman Barat
menjadi lirikan bagi para investor untuk menciptakan
hunian murah jika dibandingkan dengan wilayah
Kota Yogyakarta yang berada tidak jauh dari
kawasan ini.
Informasi dan analisis tren mengenai
perubahan penggunaan lahan di masa lalu dapat
dijadikan dasar untuk dilakukan pemodelan prediksi
penggunaan lahan di masa depan. Hal ini dapat
bermanfaat untuk kegiatan evaluasi terkait
kebijakan penggunaan lahan saat ini dan masa
depan. Proses validasi dilakukan dengan
membandingkan data aktual penggunaan lahan
tahun 2022 dengan data simulasi perubahan
penggunaan lahan di tahun yang sama. Hasil analisis
menunjukkan bahwa akurasi keseluruhan sebesar
86,66% dan nilai kappa keseluruhan sebesar 0,83.
Nilai tersebut berarti bahwa terdapat kesesuaian
yang kuat antara hasil simulasi dengan kondisi
aktual, sehingga proses simulasi prediksi pada 20
tahun mendatang dapat dilakukan. Peta
penggunaan lahan eksisting dan peta prediksi tahun
2022 disajikan melalui peta pada Gambar 4.

http://jtsl.ub.ac.id 476
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

Gambar 3. Peta penggunaan lahan tahun 2012 (kiri) dan 2017 (kanan).

http://jtsl.ub.ac.id 477
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

Gambar 4. Peta penggunaan lahan tahun 2022 eksisting (kiri) dan prediksi (kanan).

http://jtsl.ub.ac.id 478
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

Prediksi perubahan penggunaan lahan 20 Contoh prediksi konversi lahan pertanian tahun
tahun kedepan (tahun 2022-2042) 2022 dan 2042 disajikan melalui peta pada Gambar
6. Melalui gambar tersebut dapat diketahui lokasi
Dinamika perubahan yang terjadi di negara
dan besarnya konversi lahan pertanian yang terjadi.
berkembang akibat kurangnya kesadaran tentang
Lahan pertanian yang terus berkurang
pemanfaatan sumberdaya lingkungan dan
menyebabkan krisis sumber pangan di Kawasan
pemanfaatan yang berlebihan tanpa
Sleman Barat. Kondisi ini menyebabkan Kabupaten
memperhatikan risiko di masa depan, yang
Sleman kehilangan sentra pertanian di wilayahnya.
bersumber dari kurangnya kerangka hukum yang
Perubahan penggunaan lahan yang terjadi
kuat (Belihu et al., 2020). Begitu juga dengan
akibat urban sprawl dan fragmentasi lahan pertanian
Kawasan Sleman Barat yang mengalami perubahan
dapat membahayakan sumberdaya alam,
pemanfaatan lahan, sehingga diperlukan model
lingkungan, dan ketahanan pangan (Abbas et al,
prediksi perubahan penggunaan lahan selama 20
2021). Hal ini sesuai dengan hasil simulasi prediksi
tahun ke depan. Hal ini mengacu pada Peraturan
penggunaan lahan di Kawasan Sleman Barat,
Pemerintah Nomor 26 Tahun 2008 Tentang
dimana lahan pertanian mengalami penurunan luas
Rencana Tata Ruang Wilayah Nasional yang
lahan (sesuai Tabel 4) sehingga dapat memicu
dijadikan pedoman dalam rencana pembangunan
permasalahan ketahanan pangan. Lahan sawah
nasional serta penataan ruang di wilayah provinsi
tadah hujan lebih berpotensi mengalami konversi
dan kabupaten/kota. Dokumen Rencana Detil Tata
lahan dibandingkan dengan lahan sawah irigasi. Hal
Ruang Kawasan Sleman Barat juga selama 20 tahun,
ini dipengaruhi oleh factor nilai produktivitas lahan
yaitu 2021-2041.
sawah tadah hujan yang rendah dengan biaya
Peta prediksi perubahan penggunaan lahan di
produksi yang lebih tinggi karena hanya
Kawasan Sleman Barat disajikan melalui peta pada
mengandalkan turunnya hujan. Oleh karena itu,
Gambar 5. Pemodelan prediksi menggunakan
hasil prediksi perubahan penggunaan lahan dapat
faktor berupa jalan yang memicu pertambahan
membantu pembuat kebijakan dalam menganalisis
jumlah bangunan permukiman. Nabila (2023)
intensitas perubahan dan dampak sosial ekonomi
menjelaskan dalam penelitiannya bahwa semakin
yang mungkin terjadi. Selain itu, perlu
dekat penggunaan lahan terhadap jalan, maka
dipertimbangkan pula unsur iklim dalam penelitian
semakin cepat perubahan penggunaan lahan yang
lebih lanjut, karena iklim menjadi salah satu faktor
terjadi. Hal ini akan semakin menguatkan asumsi
dalam pertumbuhan tanaman sehingga berkaitan
bahwa permukiman akan terbangun pada daerah
dengan produktivitas tanaman.
yang memiliki akses jalan. Prediksi yang dihasilkan
adalah terjadi pengurangan lahan pertanian, baik
Tabel 4. Luas lahan pertanian tahun 2012, 2022, dan
sawah irigasi maupun sawah tadah hujan.
prediksi 2042.
Sebaliknya, lahan terbangun, baik bangunan
permukiman maupun non permukiman akan Tahun Tipe Penggunaan Luas (ha)
meningkat. Kondisi ini perlu diperhatikan dan Lahan
disusun perencanaan pengelolaan yang sesuai, agar 2012 Sawah Irigasi 6180.5
kondisi lingkungan tetap lestari, perekonomian Sawah Tadah Hujan 25.7
tetap maju, dan kondisi sosial masyarakat merasa 2022 Sawah Irigasi 5931.5
aman dan nyaman. Sawah Tadah Hujan 11.4
Prediksi konversi lahan pertanian 2042 Sawah Irigasi 5523.0
Sawah Tadah Hujan 1.4
Konversi lahan menjadi isu umum karena berkaitan
dengan aspek manusia dan lingkungan. Seperti
Welde dan Gebremeriam (2017) melakukan analisis
Kesimpulan
perubahan penggunaan lahan menggunakan data Prediksi konversi lahan pertanian menggunakan
waktu yang berbeda dan menjelaskan dampaknya metode ANN-CA di Kawasan Sleman Barat dari
terhadap lingkungan dan manusia, sehingga tahun 2022 sampai dengan 2042 mengalami
informasi ini menjadi penting bagi perencana dan penurunan. Penggunaan lahan bangunan
pemangku kepentingan. Konversi lahan pertanian permukiman mengalami peningkatan. Tren alih
di kawasan Sleman Barat terjadi secara intensif pada fungsi lahan yang terjadi berupa perubahan dari
tahun 2012-2017 dan terus berlanjut di masa depan. lahan pertanian menjadi lahan non pertanian.

http://jtsl.ub.ac.id 479
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

Gambar 5. Peta prediksi penggunaan lahan tahun 2022, 2027, 2032, 2037, dan 2042.

http://jtsl.ub.ac.id 480
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

Gambar 6. Contoh perubahan penggunaan lahan pada hasil prediksi tahun 2022 dan 2042.

http://jtsl.ub.ac.id 481
 Jurnal Tanah dan Sumberdaya Lahan Vol 10 No 2: 471-482, 2023
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2023.010.2.30

Secara spasial sebaran perubahan lahan terjadi di Li, S., Nadolnyak, D. and Hartarska, V. 2019.
seluruh wilayah, dengan dominasi terbanyak terjadi Agricultural land conversion: Impacts of economic
di Kapanewon Godean dan Seyegan. Faktor and natural risk factors in coastal areas. Land Use
penyebab terjadinya alih fungsi lahan di Kawasan Policy 80:380-390.
Lukas, P., Melesse, A.M. and Kenea, T.T. 2023.
Sleman Barat diakibatkan oleh pemanfaatan lahan
Prediction of future land use/ land cover changes
yang tidak terkendali dibarengi dengan tingginya using a coupled CA-ANN model in the Upper Omo-
kebutuhan akan tempat tinggal, serta lemahnya Gibe River Basin, Ethiopia. Remote Sensing
hukum yang ada. Metode prediksi perubahan lahan 15(4):1148.
ini dapat diterapkan di wilayah lain sehingga Martanto, R. dan Andriani, V. 2019. Arahan penggunaan
bermanfaat dalam membantu para pemangku lahan di Kabupaten Sleman Indonesia. Prosiding
kebijakan dalam menyusun perencanaan dan Seminar FIT ISI 2020 Teknik Geodesi Universitas
pengelolaan wilayah. Diponegoro.
Nabila, D.A. 2023. Pemodelan prediksi dan kesesuaian
perubahan penggunaan lahan menggunakan Cellular
Daftar Pustaka Automata-Artificial Neural Network. Jurnal Tunas
Agraria 6(1):41-55.
Abbas, Z., Yang, G., Zhong, Y. and Zhao, Y. 2021.
Pijanowski, B.C., Brown, D., Shellito, A.B. and Manik,
Spatiotemporal change analysis and future scenario
A.G. 2002. Using neural networks and GIS to
of LULC Using the CA-ANN Approach: A Case
forecast land use changes: A land transformation
Study of the Greater Bay Area, China. Land 10, 584,
model. Computers, Environment and Urban
doi:10.3390/land10060584.
Systems 26:553-575.
Aniah, P., Bawakyillenuo, S., Codjoec, S.N.A. and
Rahman, M., Tabassum, F., Rasheduzzaman, M., Saba,
Dzanku, F.M. 2023. Land use and land cover change
H., Sarkar, L., Ferdous, J., Uddin, S.Z. and Islam,
detection and prediction based on the CA-Markov
A.Z.M.Z. 2017. Temporal dynamics of land use/land
chain in the savannah ecological zone of Ghana.
cover change and its prediction using CA-ANN
Environmental Challenges 10: 100664.
model for southwestern coastal Bangladesh.
Belihu, M., Tekleab, S., Abate, B. and Bewket, W. 2020.
Environmental Monitoring and Assessment 189:565,
Hydrologic response to land use land cover change
doi:10.1007/s10661-017-6272-0.
in the Upper Gidabo Watershed, Rift Valley Lakes
Rasool, R., Fayaz, A., Ul Shafiq, M., Singh, H. and
Basin, Ethiopia. HydroResearch 3:85-94.
Ahmed, P. 2021. Land use land cover change in
El-Tantawi, A.M., Bao, A., Chang, C. and Liu, Y. 2019.
Kashmir Himalaya: Linking remote sensing with an
Monitoring and predicting land use/cover changes in
indicator based DPSIR approach. Ecological
the Aksu-Tarim River Basin, Xinjiang-China (1990–
Indicators 125:107447, doi:10.1016/
2030). EnvironmentaL Monitoring and Assessment
j.ecolind.2021.107447.
191: 1–18, doi:10.1007/s10661-019-7478-0.
Surya, B., Ahmad, D.N.A., Sakti, H.H. and Sahban, H.
Gasarovic, M. and Jogun, T. 2018. The effect of fusing
2020. Land use change, spatial interaction, and
Sentinel-2 bands on land-cover classification.
sustainable development in the metropolitan urban
International Journal of Remote Sensing 39:822-841,
areas, South Sulawesi Province, Indonesia. Land 9(3):
doi:10.1080/01431161.2017.1392640.
95, doi:10.3390/land9030095.
Getachew, B., Manjunatha, B. and Bhat, H.G. 2021.
Valent, C.G., Subiyanto, S. dan Wahyuddin, Y. 2021.
Modeling projected impacts of climate and land
Analisis pola dan arah perkembangan permukiman di
use/land cover changes on hydrological responses in
wilayah aglomerasi perkotaan Yogyakarta (APY)
the Lake Tana Basin, upper Blue Nile River Basin,
(Studi kasus: Kabupaten Sleman). Jurnal Geodesi
Ethiopia. Journal of Hydrology 595:125974.
UNDIP 10(2):78-87.
Hapsary, M.S.A., Subiyanto, S. dan Firdaus, H.S. 2021.
Welde, K. and Gebremariam, B. 2017. Effect of land use
Analisis prediksi perubahan penggunaan lahan
land cover dynamics on hydrological response of
dengan pendekatan Artificial Neural Network dan
watershed: Case study of Tekeze Dam watershed,
regresi logistik di Kota Balikpapan. Jurnal Geodesi
northern Ethiopia. International Soil Water
Undip 10(2).
Conservation Research 5:1-16.
Khan, Z., Saeed, A. and Bazai, M.H. 2020. Land use /
Yang, R., Chen, H., Chen, S. and Ye, Y.M. 2022.
land cover change detection and prediction using the
Spatiotemporal evolution and prediction of land
CA-Markov model: A case study of Quetta city,
use/land cover changes and ecosystem service
Pakistan. Journal of Geography and Social Science
variation in the Yellow River Basin, China.
2:164-182.
Ecological Indicator 145:109579.
Kunz, A. 2017. Miscalssification and kappa-statistic:
Theoretical relationship and consequences in
application. Ludwig-Maximilians-Universitat
Munchen Institut fur Statistik.

http://jtsl.ub.ac.id 482