Pembuatan Model Prediksi Lahan Terbangun di Kabupaten Kulon Progo dengan Citra Satelit Penginderaan Jauh
Authors:
- Rifqi Alghifari WibowoRWRifqi Alghifari Wibowo
- Harintaka HarintakaHHHarintaka Harintaka
Open Access
- 8 September 2023
- journal article
- research article
- Published by Lembaga Penelitian dan Pengabdian kepada Masyarakat ITS in Geoid
- Vol. 19 (1) , 18
Abstract
Perubahan tutupan lahan terbangun pada kota atau kabupaten menjadi suatu hal umum yang sering terjadi dan terus berkembang di kawasan yang cepat tumbuh. Perkembangan lahan terbangun tersebut dapat diprediksi dengan melakukan pembuatan model prediksi dengan menggunakan teknologi penginderaan jauh dan sistem informasi geografis. Pada kajian ini, dilakukan pemodelan prediksi tutupan lahan di wilayah Kabupaten Kulon Progo pada tahun 2023 dengan menggunakan metode Cellular Automata (CA). Model prediksi tersebut disusun dengan hasil klasifikasi tutupan lahan pada tahun 2017 dan 2020 dengan menggunakan algoritma Support Vector Machine (SVM) dan variabel spasial berupa jangkauan jalan terhadap lahan terbangun. Model prediksi lahan terbangun yang berhasil dimodelkan memiliki pola persebaran dimana kelas daerah bervegetasi banyak mendominasi di Kapanewon Kokap, Girimulyo, Samigaluh, dan Kalibawang. Untuk Kapanewon lain lebih didominasi oleh tutupan lahan pertanian dan lahan terbangun. Berkaitan dengan itu, luasan tutupan lahan untuk masing-masing kelas meliputi lahan terbangun dengan 7.353,84 ha, badan air dengan 440,59 ha, daerah bervegetasi dengan 29.273,71 Ha, lahan pertanian dengan 17.665,76 ha, dan lahan terbuka dengan 2.920,24 ha. Di samping itu, untuk nilai akurasi tutupan lahan terbangun pada model prediksi memiliki nilai producer’s accuracy dan user’s accuracy secara berturut-turut sebesar 89% dan 76%. Adapun secara keseluruhan model prediksi ini mendapatkan nilai overall accuracy dan Indeks Kappa berturut-turut sebesar 81% dan 0,75. Berdasarkan nilai tersebut, model prediksi memiliki nilai akurasi yang cukup baik dan dapat digunakan sebagai salah satu alternatif untuk menjadi acuan dalam melihat potensi perubahan yang terjadi di masa yang akan datang.Keywords
This publication has 4 references indexed in Scilit:
- Support Vector Machine Versus Random Forest for Remote Sensing Image Classification: A Meta-Analysis and Systematic ReviewIEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020
- PENGELOLAAN KOTA-KOTA KECIL DI JAWA TENGAH: STUDI KASUS PADA EMPAT KOTA KECIL DI WILAYAH JOGLOSEMARTATALOKA, 2017
- Modelling Urban Development with Geographical Information Systems and Cellular Automata2008
- A land use and land cover classification system for use with remote sensor data1976