Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022

e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9

ANALISIS DAN PREDIKSI PERUBAHAN TUTUPAN LAHAN

MENGGUNAKAN MODEL CELULAR AUTOMATA-MARKOV CHAIN
DI DAS WAE RUHU KOTA AMBON
Analysis and Prediction of Land Cover Change Using Cellular Automata-
Markov Chain Model in Wae Ruhu Watershed, Ambon City

Heinrich Rakuasa1,2*, Melianus Salakory2, Philia Christi Latue3

1 Departemen Geografi, FMIPA, Universitas Indonesia, Depok 16424
2 Program Studi Pendidikan Geografi, FKIP, Universitas Pattimura, Ambon 97233
3 Departemen Biologi, Fakultas Biologi, Universitas Pedagogis Negeri Herzen Rusia, Saint Petersburg, 191186

* Penulis korespondensi: heinrichrakuasa001@gmail.com

Abstrak
Letak geografis DAS Wae Ruhu berada di Kecamatan Sirimau yang merupakan kecamatan dengan jumlah
penduduk terbesar di Kota Ambon dan juga merupakan pusat kegiatan ekonomi, pendidikan, dan industri;
Hal ini menciptakan pertumbuhan ekonomi dan penduduk yang berpotensi memicu konversi lahan di
sekitar kawasan ini. Penelitian ini bertujuan untuk menganalisis perubahan tutupan lahan di Kota Ambon
pada tahun 2012, 2017, 2022 dan memprediksi tutupan lahan pada tahun 2031. Penelitian ini menggunakan
pemodelan Cellular Automata Markov Chains untuk memprediksi perubahan tutupan lahan pada tahun 2031.
Hasil penelitian menunjukkan bahwa jenis tutupan lahan adalah terbangun dan tutupan lahan. Areal terbuka
terus bertambah luas, sedangkan areal pertanian dan nonpertanian terus mengalami pengurangan luas, dan
badan air tidak mengalami pengurangan atau pertambahan luas. Hasil prediksi tutupan lahan tahun 2031
menunjukkan luas terbangun 345,79 ha, lahan terbuka 121,18 ha, lahan pertanian 657,35 ha, lahan non
pertanian 507,65 ha, dan badan air 11,46 ha. Hasil penelitian ini diharapkan dapat dijadikan acuan dalam
pengambilan kebijakan terkait penataan dan pemanfaatan ruang khususnya DAS Wae Ruhu serta dapat
mengoptimalkan pengelolaan DAS yang berkelanjutan sebagai langkah awal dalam upaya mitigasi bencana
alam.
Kata kunci: cellular automata, Kota Ambon, rantai Markov, tutupan lahan, Wae Ruhu

Abstract
The geographical location of the Wae Ruhu watershed is in Sirimau District, which is the sub-district with
the largest population in Ambon City and is also the center of economic, educational, and industrial
activities; this creates economic and population growth that has the potential to trigger land conversion
around this area. This study aimed to analyze land cover changes in Ambon City in 2012, 2017, 2022 and
predict land cover in 2031. This study used Cellular Automata Markov Chains modeling to predict land
cover changes in 2031. The results showed that the types of land cover are built and land cover. The open
area continues to increase in area, while agricultural and non-agricultural areas continue to experience a
decrease in area, and water bodies do not experience a decrease or increase in area. The results of land cover
predictions in 2031 showed that the built-up area is 345.79 ha, open land is 121.18 ha, agricultural land is
657.35 ha, non-agricultural land is 507.65 ha, and water bodies are 11.46 ha. The results of this study are
expected to be used as a reference in making policies related to spatial planning and utilization, especially
the Wae Ruhu watershed and can optimize sustainable watershed management as the first step in efforts to
mitigate natural disasters.
Keywords: Ambon City, cellular automata, land cover, Markov chain, Wae Ruhu

http://jtsl.ub.ac.id 285
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9
Pendahuluan
Salah satu permasalahan dalam pembangunan
berkelanjutan adalah tekanan populasi penduduk
terhadap sumber daya alam yang didorong oleh
ekspansi perkotaan yang intensif dan pertumbuhan
ekonomi yang cepat yang mengakibatkan urbanisasi
yang tidak terkendali dan sangat berkontribusi
terhadap alih fungsi lahan, kerusakan lingkungan
dan perubahan iklim (Mwabumba et al., 2022).
Perubahan tutupan lahan merupakan salah satu
variabel mendasar yang mempengaruhi perubahan
lingkungan fisik dan manusia serta berdampak pada
perubahan iklim (Kim et al., 2019). Perubahan
tutupan lahan yang terjadi disebabkan oleh banyak
faktor, termasuk faktor fisik dan manusia yang
terdistribusi secara spasial (Näschen et al., 2019).
Perubahan tutupan lahan yang tidak sesuai dengan
peruntukannya dapat mengakibatkan keprihatinan
dalam pengendalian sumber daya alam dan
pembangunan berkelanjutan dalam skala lokal dan
global (Zheng et al., 2015).
Peningkatan jumlah penduduk yang sejalan
dengan meningkatnya kegiatan manusia diberbagai
sektor terutama sektor ekonomi, sehingga
kebutuhan akan sumber daya lahan juga akan
meningkat (Teklay et al., 2021), sedangkan
keberadaan lahan yang tetap mengakibatkan
terjadinya penurunan daya dukung lingkungan (Tan
et al., 2022) dan kerusakan lingkungan (Shang dan
Wu, 2022). Oleh karena itu, pemanfaatan dan
efisiensi tutupan lahan wilayah Daerah Aliran
Sungai (DAS) harus ditingkatkan berdasarkan
perencanaan tutupan lahan yang rasional dengan
tujuan pembangunan berkelanjutan (Tian et al.,
2016), sehingga perlu adanya peningkatan dan
pengelolaan potensi pengembangan wilayah
berdasarkan rencana tata ruang yang sudah diatur
(Mohamed dan Worku, 2019).
Penelitian ini dilakukan di DAS Wae Ruhu
yang berada di Kecamatan Sirimau, yang
merupakan kecamatan dengan jumlah penduduk
terbanyak di Kota Ambon yaitu 1.917 jiwa km-2
(BPS, 2021). Jumlah penduduk Kecamatan Sirimau
yang terus meningkat dapat memicu terjadinya
perluasan lahan terbangun di DAS Wae Ruhu.
Secara spasial DAS Wae Ruhu berada dekat dengan
pusat Kota Ambon yang merupakan sentral dari
kegiatan ekonomi dan industri yang sangat
berpotensi memicu alih fungsi lahan yang tidak
terkendali yang nantinya akan menyebabkan
terjadinya bencana alam seperti banjir, erosi dan
longsor di daerah DAS (Tentua et al., 2018). Oleh
karena itu analisis dan prediksi terhadap perubahan
http://jtsl.ub.ac.id
tutupan lahan di DAS Wae Ruhu perlu dilakukan
secara spasial yang nantinya informasi tersebut
dapat dijadikan sebagai dasar dan pijakan dalam
pengambilan kebijakan terkait penataan dan
pemanfaatan ruang khususnya DAS Wae Ruhu
serta dapat mengoptimalisasi pengelolaan DAS
yang sustainable dan sebagai langkah awal dalam
upaya mitigasi bencana alam.
Penelitian sebelumnya tentang perubahan
tutupan lahan di DAS Wae Ruhu sudah dilakukan
oleh Tayane et al. (2021) tetapi penelitian ini hanya
menganalisis perubahan tutupan lahan yang terjadi
pada tahun 2004 dan 2019 tanpa melakukan
prediksi perubahan kedepannya. Penelitian
menawarkan sesuatu yang baru yaitu dimana
penelitian ini bukan hanya menganalisis perubahan
tutupan lahan tahun 2012, 2017 dan 2022 tetapi
juga memprediksi tutupan lahan lahan di tahun
2031. Penelitian ini menggunakan pemodelan
Cellular Automata Markov Chain (CA MC) untuk
memprediksi perubahsn tutupan lahan tahun 2031
yang nantinya akan dibandingkan dengan Rencana
Tata Ruang Wilayah (RTRW) Kota Ambon 2011-
2031.
Cellular Automata Markov Chain (CA MC)
merupakan pemodelan yang paling andal, akurat,
dan berguna untuk mensimulasikan dan
memprediksi perubahan lahan secara spasial dan
temporal di masa yang akan datang dengan akurat
(Putri dan Supriatna, 2021). Pemodelan CA MC
dipilih karena memiliki kemampuan prediksi secara
spasial temporal dan statistik yang sangat baik dan
akurat yang bersifat dinamis (Mustafa et al., 2021).
Berdasarkan latar belakang di atas maka yang
menjadi tujuan penelitian ini yaitu untuk
menganalisis perubahan tutupan lahan di DAS Wae
Ruhu Kota Ambon tahun 2012, 2017, 2022 dan
memprediksi perubahan tutupan lahan tahun 2031
dengan menggunakan pemodelan Cellular Automata
Markov Chain.
Bahan dan Metode
Penelitian ini dilakukan di DAS Wae Ruhu yang
secara administrasi berada di Kecamatan Sirimau
Kota Ambon, yang memiliki luas 1.648,44 ha
(Gambar 1). Untuk melakukan analisis dan prediksi
tutupan lahan DAS Wae Ruhu, perlu dilakukan
dengan penggumpulan data dilakukan dengan tiga
acara, yaitu studi literatur, studi instansional dan
survei lapangan. Jenis data dan sumbernya dapat
dilihat pada Tabel 1. Data citra satelit IKONOS
tahun 2012 dan citra satelit SPOT 6 tahun 2017 dan
tahun 2022 diolah menggunakan software Arc GIS
286
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9
10.8 untuk menghasilkan peta tutupan lahan tahun
2012, 2017 dan 2022. Proses interpretasi dan
digitasi dilakukan untuk mengklasifikasi tutupan
lahan di DAS Wae Ruhu yang mengacu pada SNI
7465:2010 (Badan Standarisasi Nasional, 2010),
yaitu lahan terbangun, daerah pertanian, daerah
Tabel 1. Teknik pengumpulan data.
Komponen Data
Citra Satelit IKONOS tahun 2012 dan citra SPOT
6 tahun 2017 dan 2022
Batas DAS Wae Ruhu
Jaringan Jalan
Jaringan Sungai
Ketinggian Lahan
Kemiringan Lereng
Pusat Kegiatan Ekonomi
Gambar 1. Lokasi penelitian.
Faktor pendorong (driving factors) dalam penelitian
ini adalah sejumlah variabel spasial yang dapat
mempegaruhi perubahan tutupan lahan disuatu
lokasi. Setiap driving factors mempunyai pengaruh
yang berbeda terhadap setiap jenis perubahan
tutupan lahan maka dilakukan weighting atau
pembobotan (Tabel 2), untuk menghitung kekuatan
http://jtsl.ub.ac.id
bukan pertanian, lahan terbuka dan perairan. Data
driving factors yang digunakan dalam penelitian ini
terdiri atas kemiringan lereng, ketinggian lahan,
jarak dari jalan, jarak dari sungai dan jarak dari pusat
kegiatan ekonomi (Tabel 2).
Sumber Data
BAPPEKOT Ambon
PU Balai Sungai Kota Ambon
Badan Informasi Geospasial
Badan Informasi Geospasial
DEMNAS BIG
DEMNAS BIG
Interpretasi Citra SPOT 6 dan Survei Lapangan
driving factors. Pengolahan data driving factors
dilakukan menggunakan aplikasi Arc Map 10.8
dengan menggunakan teknik fuzzy overlay dan
menghasilkan output berupa driving factors (Gambar
3). Fuzzy adalah logical system yang bertujuan untuk
melakukan formalisasi dari perkiraan terhadap
penalaran yang direpresentasikan dalam bentuk
kadar kepentingan yang memiliki rentang nilai 0-1
(Boolean) (Zadeh, 1994). Menurut Ghosh et al.
(2017), logika dalam fuzzy merupakan hal yang
sangat baik untuk menafsirkan data yang terjadi
secara terus menerus secara efektif dan efisien, ini
merupakan cara yang baik untuk melakukan
pemodelan berbasis cellular automata karena
menggunakan komputasi secara paralel yang terdiri
atas sel yang saling terkoneksi dan memiliki nilai
yang continue (terus menerus), sehingga pada
penelitian ini penulis mengolah data driving factors
menggunakan konsep logika fuzzy. Klasifikasi setiap
parameter driving factors dalam penelitian ini dapat
dilihat pada Tabel 2 dan hasil analisis fuzzy pada
driving factors dapat dilihat pada Gambar 2 sedangkan
driving factors yang sudah di overlay dapat dilihat pada
Gambar 3. Nilai logika fuzzy ditampilkan dengan
gradasi warna merah-hijau, semakin hijau gradasi
warna yang dihasilkan maka nilainya akan semakin
tinggi, artinya akan semakin tinggi terjadinya
perkembangan lahan terbangun atau permukiman
di daerah tersebut. Kelima variabel yang sudah
dilakukan fuzzy membership kemudian dioverlay
dengan logika fuzzy gamma pada aplikasi Arc Map
10.8 yang kemudian dapat dihasilkan gabungan
kesesuaian seluruh variabel seperti yang
ditunjukkan pada Gambar 3.
287
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9

Tabel 2. Klasifikasi driving factors.

No Variabel Klasifikasi Bobot Sumber
0-3 % 4
3-15 % 3
1 Kemiringan Lereng
15-40 % 2
>40 % 1
0-7 mdpl 2 (Pratami et al., 2019)
7-25 mdpl 3
Ketinggian 25-100 mdpl 4
100-500 mdpl 5
>500 mdpl 1
0-100 m 1
101-200 m 2
3 Jarak dari Sungai 201-300 m 3 (Supriatna et al., 2020)
301-500 m 4
>500m 5
Jarak dari 0 – 2000 m 3
4 Pusat Kegiatan 2001-2500 m 2 (Lisanyoto et al., 2019)
Ekonomi >2500 m 1
0-25 m 5
25-50 4
5 Jarak dari Jalan 50-100 3 (Irawan et al., 2019)
100-1000 2
>1000 1

Gambar 2. Driving Factors a). kemiringan lereng, b).ketinggian lahan, c). jarak dari sungai, d). jarak dari
pusat kegiatan ekonomi, e). jarak dari jalan.

Gambar 3 menampilkan hasil overlay dari kelima Semakin merah warnanya maka semakin rendah
parameter driving factors, dimana pada gambar perkembangan lahan terbangun dan sebaliknya jika
tersebut menampilkan derajat (merah-hijau) yang warna semakin hijau maka daerah tersebut sangat
sama seperti kelima parameter sebelumnya. sesuai untuk permukiman.

http://jtsl.ub.ac.id 288
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9
Gambar 3. Driving factors yang di overlay.
Hasilnya dapat diketahui bahwa daerah yang berada
dekat dengan sungai, lereng yang terjal dan
kemiringan lereng yang rendah memiliki nilai yang
lebih rendah sedangkan daerah yang berada dekat
dengan jaringan jalan pusat kegiatan ekonomi,
derajat kemiringan lereng yang rendah dan
ketinggian lahan yang tinggi memiliki nilai yang
lebih tinggi. Maka potensi berkembangnya
Gambar 4. Alur kerja.
http://jtsl.ub.ac.id
permukiman di DAS Wae Ruhu berada dekat
dengan jaringan jalan dan pusat kegiatan ekonomi.
Model Markov Chain menghasilkan
trasilation/probability area matrix yang merupakan
matriks transisi perubahan dari tahun sebelumnya
ke tahun proyeksi (Difanty dan Supriatna, 2021).
Persamaan Markov dibangun menggunakan
distribusi penggunaan lahan pada awal dan akhir
masa pengamatan yang terpresentasikan dalam
suatu vector (matriks satu kolom), serta sebuah
matriks transisi (Kim et al., 2019). Selanjutnya,
melakukan validasi model. Untuk itu, dilakukan
pula proyeksi pada tahun aktual (2022), berdasarkan
data tahun 2011 dan tahun 2016. Validasai
kemudian dilakukan dengan membandingkan
penggunaan lahan hasil simulasi (2021) dengan
penggunaan lahan hasil digitasi dan observasi
lapangan (2022), yang didasarkan pada nilai Kappa.
Pembuatan model prediksi tutupan lahan dilakukan
di aplikasi Idrisi Selva 17 dimana dalam proses
pembuatan model diperlukan kemampuan untuk
menggunakan tools Land Change Modeller (LCM).
Proses dilakukan dengan menjalankan proses
Markov Chains dan memasukan driving factors dalam
format raster ke dalam aplikasi Idrisi Selva 17. Setelah
itu, dilakukan uji akurasi model menggunakan
perhitungan K-Standard (Kappa Coefficient) hingga
nilai mencapai >70% atau lolos uji akurasi dan
dapat dapat dilakukan prediksi untuk tahun 2031.
Alur kerja penelitian ini digambarkan pada Gambar
4.
289
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9

Hasil dan Pembahasan lahan juga akan terus meningkat. Tingginya

Perkembangan tutupan lahan yang terjadi di DAS
Wae Ruhu dilihat dari hasil pengolahan data citra
DAS Wae Ruhu tahun 2012, 2017, dan 2022. Data
hasil digitasi kemudian menjadi acuan untuk
mengetahui perkembangan tutupan lahan di DAS
Wae Ruhu selama 15 tahun (2012-2022) dibagi
menjadi lima kelas, yaitu lahan terbangun, lahan
terbuka, lahan pertanian, bukan lahan pertanian dan
badan air. Analisis untuk mengetahui perubahan
tutupan lahan dilakukan secara spasial, tabular, dan
deskriptif.
Perkembangan tutupan lahan tahun 2012, 2017
dan 2022
Perubahan tutupan lahan di DAS Wae Ruhu
periode 2012, 2017 dan 2022 menunjukkan
peningkatan pada jenis tutupan lahan terbangun
dan lahan terbuka, sedangkan jenis tutupan lahan
daerah pertanian dan tutupan lahan daerah bukan
pertanian mengalami penurunan luasan. Hal ini
dipengaruh oleh peningkatan jumlah penduduk di
DAS Wae Ruhu yang sejalan dengan peningkatan
kegiatan manusia diberbagai sektor terutama sektor
ekonomi, sehingga kebutuhan akan sumberdaya
pertambahan jumlah penduduk di DAS Wae Ruhu
dapat meningkatkan kebutuhan lahan yang
diwujudkan dalam bentuk pembangunan secara
fisik, fasilitas ekonomi ataupun fasilitas sosial.
Secara spasial luasan perubahan tutupan lahan di
DAS Wae Ruhu pada tahun 2012, 2017 dan 2022
dapat dilihat pada Gambar 5 dan Tabel 3.
Berdasarkan Tabel 3 dan Gambar 5 diketahui
bahwa jenis tutupan lahan terbangun mengalami
pertambahan luasan dari sebesar 6,18% dari total
luasan di tahun 2012 menjadi 6,70% di tahun 2017
dan 7,36% di tahun 2022. Jenis tutupan lahan
terbuka juga terus mengalami persentase kenaikan
luasan dari 1,46% di tahun 2012 bertambah menjadi
1,69% di tahun 2017 dan 2,03% di tahun 2022,
berbeda dengan jenis tutupan lahan pertanian yang
terus mengalami presentasi penurunan luasan yaitu
21,56% di tahun 2012 menjadi 21,04% dan terus
menurun di tahun 2022 menjadi 20,64%. Jenis
tutupan lahan bukan lahan pertanian juga terus
mengalami penurunan luasan yaitu 15.59% di tahun
2012 menjadi 15,23% di tahun 2017 dan terus
mengalami penurunan yaitu 14,49% di tahun 2022
sedangkan tutupan lahan tubuh air tidak mengalami
penurunan maupun pertambahan luasan.

Tabel 3. Komposisi tutupan lahan Kota Ambon tahun 2012, 2017 dan 2022.
Jenis Tutupan Lahan Luas
2012 2017 2022
ha % ha % ha %
Lahan Terbangun 226,63 13,75 245,50 14,89 272,70 16,54
Lahan Terbuka 52,70 3,20 61,84 3,75 76,54 4,64
Lahan Pertanian 789,30 47,88 771,34 46,79 756,64 45,90
Bukan Lahan Pertanian 568,36 34,48 558,29 33,87 531,09 32,22
Badan Air 11,46 0,69 11,46 0,69 11,46 0,69
Total Luas 1.648, 44

Gambar 5. Tutupan lahan DAS Wae Ruhu tahun 2012, 2017 dan 2022.
http://jtsl.ub.ac.id 290
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9

Simulasi tutupan lahan tahun 2022 lahan disebut dengan Transition Probability Matrix
(TPM) (Tabel 2), sedangkan angka-angka yang
Pemodelan tutupan lahan DAS Wae Ruhu tahun
terdapat pada Tabel TPM menunjukkan bersaranya
2022 dilakukan dengan menggunakan Markov
kemungkinan tutupan lahan yang mengalami
Chains dan data driving factors yang telah dipersiapkan.
perubahan menjadi tutupan lahan yang lainnya.
Besarnya kemungkinan terjadi perubahan tutupan

Tabel 4. Transition Probability Matrix (TPM) tahun 2012-2022.

I II III IV V
I 0,8500 0,0375 0,0375 0,0375 0
II 0,3261 0,6739 0 0 0
III 0,0736 0,0966 0,8298 0 0
IV 0 0,1621 0 0,8379 0
V 0 0 0 0 1
Keterangan: I. Lahan Terbangun, II. Lahan Terbuka, III. Lahan Pertanian, IV. Bukan Lahan Pertanian, V. Badan
Air.

Pada Tabel 4. merupakan Transition Probability
Matrix (TPM) dari tahun 2012 ke tahun 2022
dimana angka romawi I merupakan lahan
terbangun, angka romawi II merupakan lahan
terbuka, angka romawi III merupakan daerah
pertanian, angka romawi IV merupakan daerah
bukan pertanian dan angka romawi V merupakan
perairan. Nilai 0 pada Transition Probability Matrix
(TPM) menunjukkan tidak terjadi perubahan
tutupan lahan pada suatu wilayah ke tutupan lahan
yang lainnya, sedangkan nilai 1 menunjukkan bahwa
tutupan lahan tersebut akan tetap dan tidak berubah
ke tutupan lahan lainnya. Tabel 4 juga menunjukkan
bahwa tutupan lahan jenis daerah pertanian
memiliki kemungkinan lebih tinggi untuk
mengalami perubahan menjadi lahan terbangun
dengan nilai transition probability sebesar 0,0736 kelas
tutupan lahan lahan terbuka memiliki nilai
transition probability 0,3261 untuk kemungkinan
berubah menjadi permukiman, sedangkan daerah
bukan pertanian memiliki nilai transition
probability yaitu 0, dan perairan memiliki nilai
Transition Probability 0 berarti tidak akan berubah
menjadi jenis tutupan lahan lainnya.
Secara spasial tutupan lahan perbandingan
tutupan lahan Exsisting tahun 2021 dan sumulasi
untuk tahun 2021 dapat dilihat pada Gambar 6 dan
Tabel 5.

Tabel 5. Perbandingan luasan tutupan lahan 2021 eksisting dan prediksi 2021 (ha).
Jenis Tutupan Lahan Luas (ha)
2021 Prediksi 2021
Lahan Terbangun 272,70 292,91
Lahan Terbuka 76,54 127,02
Lahan Pertanian 756,64 697,53
Bukan Lahan Pertanian 531,09 514,51
Badan Air 11,46 11,46
Total 1.648,44 100,00

Berdasarkan hasil pemodelan tutupan lahan tahun
2022 (Gambar 6), pada kelas lahan terbangun lebih
luas dibandingkan dengan hasil tutupan lahan 2022
eksisting berbeda dengan jenis tutupan lahan
lainnya dimana luasannya lebih luas dibandingkan
dengan tutupan lahan hasil pemodelan tahun 2022.
Berdasarkan luasan tutupan lahan eksisting tahun
2022 dan hasil simulasi tahun 2021 (Tabel 5), dapat
dilihat bahwa terjadi perubahan tutupan lahan
secara segnifikan di DAS Wae Ruhu. Kelas tutupan
lahan yang mengalami penambahan luasan yaitu
kelas tutupan lahan permukiman dan lahan terbuka,
sedangkan tutupan lahan yang mengalami
penurunan luasan yaitu kelas tutupan lahan pertanin
sedangkan kelas tutupan lahan daerah bukan
pertanian dan perairan tidak mengalami
penambahan dan pengurangan luasan. Setelah
pembuatan model 2022 kemudian model tersebut

http://jtsl.ub.ac.id 291
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9

harus dilakukan uji akurasi. Uji Akurasi dilakukan
untuk mengetahui apakah model yang dihasilkan
pertama dapat digunakan untuk membuat model
prediksi kedua. Uji akurasi dilakukan dengan datan
tutupan lahan tahun 2022 ekisting sebagai data
dasar (reference image) (Kusratmoko et al., 2017) dan
data model prediksi tutupan lahan tahun 2022
sebagai pembanding (comparison image). Hasil Uji
akurasi dapat dilihat pada Gambar 7 menunjukkan
bahwa nilai Kappa (K standard) yaitu 0,9267 atau
92,67% yang menunjukkan bahwa nilai akurasi ini
dikatakan sangat baik dan dapat dilanjutkan untuk
memodelkan tutupan lahan Kawasan pusat Kota
Ambon pada tahun 2041.

Gambar 6. Perbandingan tutupan lahan a) eksisting tahun 2022 dan b) prediksi 2022.

Gambar 7. Validasi model 2022 dengan uji Kappa.

Model prediksi tutupan lahan DAS Wae Ruhu
tahun 2031
Pemodelan tutupan lahan tahun 2031 dilakukan
untuk memprediksi tutupan lahan di DAS Wae
Ruhu pada tahun 2031. Pada tahapan ini digunakan
driving factors yang sudah siapkan. Pada
pemodelan tutupan lahan tahun 2031 ini juga
menggunakan metode Markov Chains namun, pada
pemodelan ini menghasilkan nilai Transition
Probability Matrix (TPM) yang berbeda pemodelan
pertama dimana transition probability yang dilihat
memilki rentang waktu 9 tahun dari tahun 2022 ke

http://jtsl.ub.ac.id 292
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9

2031. Untuk lebih jelasnya dapat dilihat pada Tabel pertanian, angka romawi II menunjukkan daerah
6. Dapat dilihat pada Tabel 6 terdapat transitional pertanian, angka romawi III menunjukkan lahan
probability matrix dari tahun 2022 ke tahun 2031, terbuka, angka romawi IV menunjukkan perairan,
angka romawi I menunjukkan daerah bukan dan angka romawi V menunjukkan permukiman.

Tabel 6. Transition Probability Matrix (TPM) tahun 2022-2031.

I II III IV V
I 0,8600 0,0104 0,0016 0,0677 0
II 0,0580 0,9399 0 0,0011 0
III 0,0913 0,1562 0,7490 0,0019 0
IV 0,0045 0,2696 0 0,7259 0
V 0 0 0 0 1
Keterangan: I. Lahan Terbangun, II. Lahan Terbuka, III. Lahan Pertanian, IV. Bukan Lahan Pertanian, V. Badan.

Model prediksi tutupan lahan DAS Wae Ruhu
tahun 2031 disajikan pada Gambar 8.
Gambar 8. Model prediksi tutupan lahan DAS
Wae Ruhu tahun 2031.
Nilai probabilitas antara jumlah kolom dan baris
maksimal adalah 1. Semakin besar nilai probabilitas
pada tutupan lahan tujuan, maka akan semakin
besar kemungkinan tutupan lahan untuk berubah.
Angka 1 pada TPM tutupan lahan perairan berarti
tutupan lahan tersebut akan tetap menjadi perairan,
sedangkan angka 0 menunjukkan bahwa tidak
terjadi perubahan dari tutupan lahan satu ke
tutupan lahan lainnya. Dari Tabel 6 dapat dilihat
bahwa masing-masing tutupan lahan mengalami
sedikit perubahan ke tutupan lahan lainnya pada
tahun 2031. Lahan bukan lahan pertanian memiliki
nilai TPM terkecil untuk berubah menjadi lahan
terbangun yaitu 0,0045, sedangkan jenis tutupan
lahan pertanian memiliki nilai TPM tertinggi yaitu
0.0913 untuk kemungkinan berubah menjadi lahan
terbangun. Berdasarkan hasil pengolahan prediksi
model tutupan lahan di tahun 2031 menggunakan
Celullar Automata Markov Chain diketahui jenis
tutupan lahan terbangun dan tutupan lahan terbuka
terus mengalami penambahan luasan dan untuk
jenis tutupan lahan pertanian dan jenis tutupan
lahan bukan pertanian terus mengalami penurunan
luasan dan jenis tutupan lahan badan air tidak
mengalami penambahan dan pengurangan luasan.
Luasan model tutupan lahan lahan DAS Wae Ruhu
tahun 2031 disajikan pada Tabel 7.

Tabel 7. Luasan model tutupan lahan DAS Wae Ruhu Tahun 2031.
Jenis Tutupan Lahan Luas
ha %
Lahan Terbangun 345,79 21,04
Lahan Terbuka 121,18 7,37
Lahan Pertanian 657,35 40,00
Bukan Lahan Pertanian 507,66 30,89
Badan Air 11,46 0,70
Total 1.643,44 100,00

http://jtsl.ub.ac.id 293
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9
Berdasarkan Tabel 7 diketahui bahwa presentasi
luasan hasil prediksi model tutupan lahan DAS Wae
Ruhu pada tahun 2031 dimana jenis tutupan lahan
lahan pertanian memiliki presentasi luasan tertinggi
yaitu 657,35 ha atau sebesar 40,00% dari total
luasan wilayah penelitian, bukan lahan pertanian
memiliki presentasi luasan yaitu 507,66 ha atau
sebesar 30,89%, jenis tutupan lahan terbangun
memiliki presentasi luasan 345,79 ha atau sebesar
21,04%, jenis tutupan lahan terbuka memiliki
presentasi luasan yaitu 121,18 ha atau 7,37% dan
jenis tutupan lahan yang memiliki presentase luasan
paling sedikit yaitu badan air yaitu 11,46 atau 0,70%.
Kesimpulan
Selama 20 tahun terakhir dari tahun 2012, 2017 dan
2022 perubahan tutupan lahan di DAS Wae Ruhu
terus mengalami peningkatan pada tutupan lahan
jenis lahan terbangun dan lahan terbuka, sedangkan
tutupan lahan bukan daerah pertanian dan daerah
pertanian terus mengalami penurunan dan untuk
tutupan lahan badan air tidak mengalami
peningkatan maupun penurunan. Hasil pemodelan
tutupan lahan di tahun 2031 juga menunjukkan hal
yang sama dimana jenis tutupan lahan terbangun di
daerah DAS Wae Ruhu terus mengalami
peningkatan yang sangat cepat, oleh karena itu
analisis dan prediksi terhadap perubahan tutupan
lahan di DAS Wae Ruhu ini sangat penting dan
bermanfaat serta dapat dapat dijadikan sebagai
bahan dalam pengambilan kebijakan terkait
penataan dan pemanfaatan ruang khususnya di
DAS Wae Ruhu serta dapat mengoptimalisasi
pengelolaan DAS yang berkelanjutan.
Ucapan Terima Kasih
Penulis mengucapkan terimakasih pada Departemen
Geografi, Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Indonesia, Program Studi Pendidikan
Geografi, Fakultas Keguruan dan Ilmu Pendidikan
Universitas Pattimura dan Departemen Biologi, Fakultas
Biologi, Universitas Pedagogis Negeri Herzen Rusia
yang sudah bekerjasama dalam penelitian ini
Daftar Pustaka
Badan Standarisasi Nasional. 2010. SNI 7645-2010
Tentang Klasifikasi Penutup Lahan.
BPS. 2021. Kota Ambon Dalam Angka 2021 (BPS Kota
Ambon (ed.)). BPS Kota Ambon.
https://ambonkota.bps.go.id/publication/2020/04
/27/0072157fa7d7bf288ceb130a/kota-ambon-
dalam-angka-2020.html#:~:text=Kota Ambon
http://jtsl.ub.ac.id
Dalam Angka 2020 merupakan seri publikasi
tahunan BPS, demografi dan perekonomian di
Indonesia.
Difanty, A. dan Supriatna, S. 2021. Spatial modeling for
prediction agricultural land-use change in Jampang
Kulon, Sukabumi Regency. IOP Conference Series:
Earth and Environmental Science 623:12084.
Ghosh, P., Mukhopadhyay, A., Chanda, A., Mondal, P.,
Akhand, A., Mukherjee, S., Nayak, S.K., Ghosh, S.,
Mitra, D., Ghosh, T. and Hazra, S. 2017. Application
of Cellular automata and Markov-chain model in
geospatial environmental modeling- A review.
Remote Sensing Applications: Society and
Environment 5:64-77.
Irawan, I.A., Supriatna, S., Manessa, M.D.M. and Ristya,
Y. 2019. Prediction model of land cover changes
using the cellular automata-Markov Chain affected
by the BOCIMI toll road in Sukabumi Regency. KnE
Engineering 4(3 SE-Articles).
Kim, I., Arnhold, S., Ahn, S., Le, Q.B., Kim, S.J., Park,
S.J. and Koellner, T. 2019. Land use change and
ecosystem services in mountainous watersheds:
Predicting the consequences of environmental
policies with cellular automata and hydrological
modeling. Environmental Modelling & Software
122:103982.
Kusratmoko, E., Albertus, S.D.Y. and Supriatna. 2017.
Modelling land use/cover changes with markov-
cellular automata in Komering Watershed, South
Sumatera. {IOP} Conference Series: Earth and
Environmental Science 54:12103.
Lisanyoto, L., Supriatna, and Sumadio, W. 2019. Spatial
Model of Settlement Expansion and its Suitability to
the Landscapes in Singkawang City, West
Kalimantan Province. IOP Conference Series: Earth
and Environmental Science 338:12034.
Mohamed, A. and Worku, H. 2019. Quantification of the
land use/land cover dynamics and the degree of
urban growth goodness for sustainable urban land
use planning in Addis Ababa and the surrounding
Oromia special zone. Journal of Urban Management
8(1):145-158.
Mustafa, A., Ebaid, A., Omrani, H. and McPhearson, T.
2021. A multi-objective Markov Chain Monte Carlo
cellular automata model: Simulating multi-density
urban expansion in NYC. Computers, Environment
and Urban Systems 87:101602,
doi:10.1016/j.compenvurbsys.2021.101602.
Mwabumba, M., Yadav, B.K., Rwiza, M.J., Larbi, I. and
Twisa, S. 2022. Analysis of land use and land-cover
pattern to monitor dynamics of Ngorongoro world
heritage site (Tanzania) using hybrid cellular
automata-Markov model. Current Research in
Environmental Sustainability 4:100126.
Näschen, K., Diekkrüger, B., Evers, M., Höllermann, B.,
Steinbach, S. and Thonfeld, F. 2019. The impact of
land use/land cover change (LULCC) on water
resources in a tropical catchment in Tanzania under
294
 Jurnal Tanah dan Sumberdaya Lahan Vol 9 No 2: 285-295, 2022
e-ISSN:2549-9793, doi: 10.21776/ub.jtsl.2022.009.2.9
different climate change scenarios. Sustainability
11(24):7083, doi:10.3390/su11247083.
Pratami, M., Susiloningtyas, D. and Supriatna. 2019.
Modelling cellular automata for the development of
settlement area Bengkulu City. IOP Conference
Series: Earth and Environmental Science
311:012073.
Putri, R.A. and Supriatna, S. 2021. Land cover change
modeling to identify critical land in the Ciletuh
Geopark tourism area, Palabuhanratu, Sukabumi
Regency. IOP Conference Series: Earth and
Environmental Scienc, 623:012081.
Shang, C. and Wu, J. 2022. A legendary landscape in
peril: Land use and land cover change and
environmental impacts in the Wulagai River Basin,
Inner Mongolia. Journal of Environmental
Management 301:113816.
Supriatna, S., Pratiwi, S.F., Marko, K., Manessa, M.D.M.
and Ristya, Y. 2020. Spatial Dynamics of Tsunami
Prone Areas in Pariaman City, West Sumatera.
Journal of Computational and Theoretical
Nanoscience 17(2):1474-1491.
Tan, S., Liu, Q. and Han, S. 2022. Spatial-temporal
evolution of coupling relationship between land
development intensity and resources environment
carrying capacity in China. Journal of Environmental
Management 301:113778.
http://jtsl.ub.ac.id
Tayane, Y.A., Boreel, A. dan Putuhena, J.D. 2021.
Perubahan tutupan lahan di DAS Waeruhu Kota
Ambon menggunakan citra satelit MultitempORAL.
Jurnal Hutan Pulau-Pulau Kecil 5(2):139-151.
Teklay, A., Dile, Y.T., Asfaw, D.H., Bayabil, H.K. and
Sisay, K. 2021. Impacts of climate and land use
change on hydrological response in Gumara
Watershed, Ethiopia. Ecohydrology & Hydrobiology
21(2).
Tentua, V. C., Gaspersz, E.J. dan Puturuhu, F. 2018.
Evaluasi permukiman berdasarkan tingkat
kerawanan banjir pada DAS Wae Ruhu. Jurnal
Budidaya Pertanian 14(2):113-124.
Tian, G., Ma, B., Xu, X., Liu, X., Xu, L., Liu, X., Xiao,
L. and Kong, L. 2016. Simulation of urban expansion
and encroachment using cellular automata and multi-
agent system model-A case study of Tianjin
metropolitan region, China. Ecological Indicators
70:439-450.
Zadeh, L.A. 1994. Fuzzy logic, neural networks, and soft
computing. Communications of the ACM 37(3):77-
84.
Zheng, H.W., Shen, G.Q., Wang, H. and Hong, J. 2015.
Simulating land use change in urban renewal areas: A
case study in Hong Kong. Habitat International
46:23-34.
295