Dinamika dan Proyeksi Perubahan Penggunaan Lahan di Kawasan Peri-Urban Kota Makassar (Kawasan Mamminasata)

Transkripsi

1 Dinamika dan Proyeksi Perubahan Penggunaan Lahan di Kawasan Peri-Urban Kota Makassar (Kawasan Mamminasata) Andi Ramlan 1, Muchtar S Solle 1, Seniarwan 2 1 JurusanIlmu Tanah FakultasPertanian, UniversitasHasanuddin 1 Alumni MitigasiBencanaKerusakanLahan, InstitutPertanian Bogor. PENDAHULUAN Abstrak Penetapan wilayah peri-urban pengembangan Kota Makassar yang merupakan bagian dari kawasan metropolitan Mamminasata dalam rencana tata ruang nasional dan kebijakan turunannya mendorong terjadinya perubahan penggunaan lahan di kawasan tersebut. Selain itu, mengingat sebagian wilayah pengembangan Kawasan Maminasata merupakan Daerah Irigasi Bili-Bili sehingga perkembangan kawasan tersebut akan menyebabkan terjadinya konversi lahan sawah. Oleh karena itu, proyeksi perubahan penggunaan lahan merupakan hal yang penting dilakukan untuk mengantisipasi dampak yang terjadi akibat implementasi kebijakan alokasi ruang kawasan. Penelitian ini bertujuan untuk menganalisis perubahan penggunaan lahan yang terjadi pada periode tahun dan memprediksi perubahan penggunaan lahan di tahun Teknologi penginderaan jauh digunakan untuk menganalisa data penggunaan lahan multi waktu (multi-temporal) berupa data citra satelit Landsat (akuisisi tahun 2014, 2009, dan 2004) di wilayah Maminasata yang dianalisis menggunakan metode klasifikasi terbimbing (supervised classification). Teknologi Sistem Informasi Geografis (SIG) digunakan untuk melakukan proses analisis data keruangan melalui model analisis CA-Marcov (Cellular Automata-Marcov Chain) yang diintegrasikan dengan model Regresi Logistik Biner diaplikasikan untuk memprediksi perubahan penggunaan lahan hingga 10 tahun mendatang (2024). Hasil penelitian menunjukkan bahwa telah terjadi perubahan penggunaan lahan dari lahan pertanian menjadi lahan terbangun yang semakin mengarah ke arah timur Kota Makassar dalam periode tahun Prediksi perubahan penggunaan lahan dengan menggunakan model CA-Marcov dan Regresi Logistik Biner mampu memprediksi perubahan yang terjadi pada tahun 2014 dengan sangat baik yang dapat dilihat dengan nilai indeks Kappa Prediksi dan proyeksi perubahan pada tahun 2024 dengan metode yang sama telah dilakukan dan memperlihatkan bahwa peningkatan luasan lahan terbangun secara kontinyu dimasa mendatang memiliki hubungan terbalik dengan menurunnya luasan lahan pertanian tanpa adanya pengendalian ruang. Kata kunci: Perubahan penggunaan lahan, CA-Marcov, Regresi Logistik Biner, Mamminasata, Irigasi Bili-Bili Pola pemanfaatan ruang di suatu wilayah merupakan dampak dari interaksi faktor sosial ekonomi yang berlangsung sejalan dengan perkembangan ruang dan waktu. Urbanisasi yang berlangsung cepat menyebabkan kebutuhan terhadap lahan pemukiman semakin meningkat. Hal tersebut menyebabkan terjadinya perubahan pola penggunaan akibat konversi lahan pertanian menjadi lahan non pertanian. Selain itu, perkembangan suatu wilayah turut dipengaruhi oleh kebijakan alokasi keruangan wilayah. Peraturan Pemerintah Nomor 26 Tahun 2008 tentang RTRW Nasional yang menetapkan Kawasan Mamminasata sebagai Kawasan Strategis Nasional (KSN) dan terbitnya Peraturan Presiden No. 11 Tahun 2011 tentang Rencana Tata Ruang Kawasan Perkotaan Mamminasata menempatkan Makassar sebagai Kota Inti dan Kota Satelit terdiri dari Kabupaten Maros, Kabupaten Gowa (Sungguminasa), dan Kabupaten Takalar. Penetapan wilayah peri-urban pengembangan Kota Makassar tersebut mendorong terjadinya perubahan penggunaan lahan di kawasan tersebut. Selain itu, mengingat sebagian wilayah pengembangan Kawasan Maminasata merupakan Daerah Irigasi Bili-Bili sehingga perkembangan kawasan tersebut akan menyebabkan terjadinya konversi lahan sawah. Oleh karena itu, proyeksi perubahan penggunaan lahan merupakan hal yang penting dilakukan untuk mengantisipasi dampak yang terjadi akibat implementasi kebijakan alokasi ruang kawasan. Teknologi penginderaan jauh dan Sistem Informasi Geografis (SIG) menyediakan sejumlah perangkat 1 JurusanIlmu Tanah FakultasPertanian, UniversitasHasanuddin 2 Alumni MitigasiBencanaKerusakanLahan, InstitutPertanianBogor. 57

2 analisis spasial yang dapat digunakan dalam mengetahui kecenderungan perubahan penggunaan lahan di suatu wilayah. Salah satu model spasial yang dapat digunakan dalam memprediksi perubahan penggunaan lahan yang terjadi pada tahun tertentu yaitu CA-Marcov. Dalam penelitian ini, model CA-Marcov dintegrasikan dengan model Regresi Logistik Biner digunakan untuk memprediksi perubahan penggunaan lahan pada tahun 2024 di wilayah peri-urban Kota Makassar. Penelitian ini bertujuan untuk menganalisis perubahan penggunaan lahan yang terjadi pada periode tahun dan memprediksi perubahan penggunaan lahan di tahun METODOLOGI Lokasi Penelitian Lokasi penelitian dilakukan di wilayah peri-urban Kota Makassar yang termasuk dalam kawasan pengembangan KSN Mamminasata. Lokasi tersebut tercakup dalam 3 wilayah administrasi kabupaten/kota yaitu Maros, Makassar dan Gowa yang masing-masing meliputi 4 kecamatan yaitu Kecamatan Moncongloe, Kecamatan Manggala, Kecamatan Sombaopu, dan Kecamatan Palangga (lihat Gambar 1). Gambar 1. Lokasi Penelitian Analisa Perubahan Penutupan/Penggunaan Lahan Perubahan penutupan lahan di lokasi penelitian dianalisis dalam kurun waktu 10 tahun yaitu dari tahun 2004 sampai tahun 2014 dengan menggunakan data citra Landsat 5 (tahun 2004 dan tahun 2009) dan Landsat 8 (tahun 2014) yang masing-masing tercakup dalam 1 scene. Pengolahan data citra dilakukan dengan menggunakan perangkat lunak Quantum GIS 2.4 untuk menghasilkan klasifikasi penutupan/penggunaan lahan secara multitemporal. Proses klasifikasi dilakukan dengan metode klasifikasi terbimbing (supervised classification) dengan bantuan Semi-Automatic Classification Plugin yang tersedia pada Quantum GIS. Pra-proses pengklasifikasian citra terdiri dari beberapa tahapan yaitu konversi nilai DN (Digital Number) menjadi nilai TOA (Top Of Atmosphere reflectance) masing-masing saluran (band), membuat data komposit citra, dan pembuatan ROI (Region Of Interest) atau training area. Konversi nilai DN ke TOA dilakukan dengan metode DOS1 (Dark Object Subtraction 1). Citra komposit dibuat dengan kombinasi saluran 432 untuk Landsat 5, dan kombinasi saluran 543 untuk Landsat 8. Pembuatan ROI didentifikasi berdasarkan 7 kelas penutupan/penggunaan lahan yang ada di lokasi penelitian yaitu badan air, lahan terbangun, tegalan/ladang, kebun campuran, lahan terbuka, semak belukar, dan sawah. Pengklasifikasian berdasarkan ROI yang telah dibuat dilakukan dengan pilihan algoritma Maximum Likelihood Classification. Setelah hasil klasifikasi diperoleh, proses selanjutnya adalah melakukan uji akurasi. Uji akurasi dilakukan dengan membandingkan hasil pengklasifikasian terhadap kondisi eksisting di lapangan melalui perhitungan overall accuracy dan nilai Kappa. Kondisi eksisting diamati dengan bantuan informasi secara visual dari citra resolusi tinggi yang tersedia di Google Earth untuk tahun-tahun yang dikaji. 58

3 Hasil klasifikasi yang terdiri dari 7 kelas penutupan/penggunaan lahan kemudian diklasifikasi ulang menjadi 5 kelas yang digolongkan menjadi badan air, lahan terbangun, pertanian lahan kering (tegalan/ladang, kebun campuran), sawah, dan lainnya (semak belukar, lahan terbuka). Selanjutnya, analisis perubahan penggunaan lahan dilakukan melalui proses tumpang susun (overlay) antara peta penggunaan lahan tahun 2004 dengan tahun 2009 dan peta penggunaan lahan tahun 2009 dengan tahun Pola perubahan ditunjukan dengan matriks transisi luas perubahan masing-masing kelas penggunaan lahan untuk setiap seri tahun yang dianalisis. Model Prediksi Perubahan Penutupan/Penggunaan Lahan Proyeksi perubahan penggunaan di masa mendatang dapat dilakukan dengan pendekatan hasil prediksi perubahan di masa sekarang melalui pemodelan spasial. Dalam penelitian ini, model prediksi yang digunakan adalah model CA-Marcov untuk menduga perubahan penggunaan lahan 10 tahun mendatang atau pada tahun CA-Marcov memiliki kemampuan untuk mensimulasikan perubahan penggunaan lahan antara beberapa kategori dan menggabungkan CA dengan prosedur rantai Markov (Eastman, 2009). CA-Marcov merupakan proses stokastik yang menggambarkan probabilitas dari perubahan satu state ke state lainnya (Mousiv etal, 2007) melalui matriks transisi dan masing-masing transisi didefinisikan sebagai tahapan (Zhang etal, 2011). Model CA- Marcov dijalankan dengan menggunakan perangkat lunak IDRISI Selva yang tersedia dalam suatu bentuk modul CA_Marcov. Data masukan dan aturan yang dibutuhkan dalam model ini terdiri dari data basis (periode sebelumnya) peta penutupan/penggunaan lahan, matriks area transisi (transition areas), peta kesesuaian lahan dan pengaturan filter ketetanggan. Data yang digunakan pada tahapan ini adalah dalam bentuk raster ukuran piksel 30 x 30 meter. Matriks Transisi Area Penentuan matriks transisi areadilakukan dengan menggunakan modul Marcov. Matriks transisi areaini merupakan hasil proses pendugaan kemungkinan berubahnya suatu kelas lahan menjadi kelas lahan lainnya dengan jumlah piksel tertentu pada periode selanjutnya berdasarkan data tahun awal dan tahun akhir pengamatan di suatu lokasi. Selain matriks transisi area, modul Marcov juga menghasilkan matriks probabilitas transisi yang merupakan nilai peluang setiap piksel kelas penggunaan lahan untuk berubah menjadi kelas lainnya. Akurasi hasil pendugaan matriks transisi area dan matriks probabilitas transis berdasarkan prosedur rantai Marcov ditentukan dengan nilai probabilitas error sebesar 15%. Kesesuaian Lahan Secara umum, penentuan peta kesesuaian setiap kelas penggunaan lahan pada model CA-Marcov dibuat dengan metode Multi-Criteria Evaluation (MCE). Namun dalam penelitian ini, kesesuaian kelas penggunaan lahan dibuat dengan model Regresi Logistik Biner. Regresi Logistik Biner menghasilkan peta prediksi probabilitas suatu kelas penggunaan lahan yang dapat berubah berdasarkan berbagai variabel yang diujikan. Peta probabilitas perubahan penggunaan lahan didapatkan dengan melibatkan variabel terikat/dependen (dependent) berupa perubahan penggunaan lahan eksisting serta variabel bebas/independen (independent) berupa faktor lingkungan pendorong yang mempengaruhi berubahnya suatu lahan di daerah kajian. Peta probalitas tersebut dapat dijadikan sebagai peta kesesuaian kelas penggunaan lahan. Nilai probabilitas juga menunjukkan suatu hubungan kesesuaian pada lokasi tertentu yang berpotensi menjadi kelas penggunaan lahan tertentu. Selain dengan menggunakan data diskrit (Boolean), kesesuaian suatu kelas penggunaan lahan juga dapat direpresentasikan dalam bentuk kontinyu yang menjadi masukan didalam model CA-Marcov. Faktor lingkungan pendorong sebagai variabel bebas yang digunakan dalam penelitian ini terdiri dari faktor topografi, faktor jarak, dan faktor sosial, seperti yang yang disajikan pada Tabel 1 dan Gambar 3. Tabel 1. Variabel bebas yang digunakan dalam model regresi logistik biner Variabel Bebas Sumber Data Metode Analisis Faktor Topografi Elevasi Lereng SRTM 30 m Analisa Permukaan Faktor Jarak Jarak dari Jalan Utama Jarak dari Jalan Non-Utama Jarak dari Ibukota Kecamatan Jarak dari Pusat Kegiatan Geodatabase RTRW Mamminasata Jarak Euclidean Faktor Sosial Jumlah Penduduk Sensus Penduduk 2010 Basis Administrasi Semua variabel independen dinormalisasi menjadi 0 1 untuk menyeimbangkan rentang nilai data. Normalisasi ini penting karena berpengaruh terhadap sensitivitas transformasi data regresi logistik. Selain itu, dalam analisis 59

4 multivariat seperti regresi logistik, variabel bebas yang kontinyu harus memiliki skala yang sama (Nefeslioglu etal, 2008). Proses normalisasi dilakukan dengan menggunakan persamaan berikut (Olaya, 2004): dimana X ij adalah nilai normalisasi data raster dan X ij adalah nilai asal data raster. Selanjutnya, variabel dependen model regresi logistik biner adalah lokasi yang mengalami perubahan pada masing-masing kelas penggunaan lahan. Lokasi perubahan penggunaan lahan didentifikasi dengan metode overlay (tumpang susun) antara peta penggunaan lahan tahun 2004 (t1) dengan 2009 (t2). Sebagai contoh, jika pada tahun 2004 terdapat kelas non-badan air yang kemudian berubah pada tahun 2009 menjadi kelas badan air maka kelas badan air yang terseleksi tersebut diberi nilai 1 dan yang tidak berubah diberi nilai 0, dan seterusnya untuk kelas lainnya. Hasil tersebut kemudian dijadikan sebagai variabel independen. Selain dapat diketahui lokasi persebarannya, juga dapat diketahui luas perubahannya. Proses identifikasi lokasi perubahan setiap kelas penggunaan lahan dapat dilakukan seperti pada Gambar 2. Gambar2. Ilustrasi proses overlay antara 2 data raster penggunaan lahan multi-temporal 60

5 Gambar 3. Variabel bebas yang digunakan dalam model regresi logistik: (a) Elevasi, (b) Lereng, (c) Jarak dari Jalan Utama, (d) Jarak dari Jalan Non-Utama, (e) Jarak dari Ibukota Kecamatan, (f) Jarak dari Pusat Kegiatan, dan (g) Jumlah Penduduk. Tahapan terakhir dari proses model CA-Marcov yaitu menentukan jenis filter ketetanggaan. Dalam penelitian ini, dipilih filter ketetanggan dengan ukuran filter 5 x 5. Dalam melakukan simulasi perubahan penggunaan lahan, pada penelitian ini dilakukan prediksi perubahan tahun 2014 sebagai proses validasi model berdasarkan data penggunaan lahan tahun 2004 dan Keakurasian model prediksi tahun 2014 dihitung dengan teknik validasi yaitu membandingkannya dengan peta penggunaan lahan eksisting tahun 2014 untuk menghasilkan nilai indeks Kappa statistik dengan menggunakan modul Validate pada Idrisi Selva. Menurut Foody (2002) dan Pontius (2002), Kappa dapat digunakan untuk menilai kecocokan keselurahan model (goodness of fit). HASIL DAN PEMBAHASAN Dinamika Perubahan Penggunaan Lahan Berdasarkan hasil pengamatan silang kondisi lapangan dengan pengambilan titik lokasi sampel secara acak sebanyak 70 titik pada citra resolusi tinggi yang tersedia di Google Earth, kemudian dibandingkan terhadap hasil klasifikasi penggunaan lahan pada masing-masing tahun, diperoleh nilai overall accuracy rata-rata sebesar 90% 61

6 dengan nilai indeks Kappa rata-rata lebih dari Overall accuracy serta Indeks Kappa tertinggi terdapat pada peta penutupan/penggunaan lahan tahun 2014, yaitu 95,87% untuk overall akurasi dan 0,91 untuk Indeks Kappa. Overall accuracy serta Indeks Kappa terendah terdapat pada peta penutup lahan tahun 2004 dengan nilai masingmasing yaitu 91,36% dan 0,88 untuk Indeks Kappa. Hasil tersebut menunjukkan bahwa akurasi peta penutupan/penggunaaan lahan pada penelitian ini (dapat dikatakan) baik. Menurut Jensen (2000), sebuah peta penutupan/penggunaan lahan hasil interpretasi dikatakan baik jika memiliki akurasi lebih dari 80%. Selain dengan menggunakan bantuan informasi dari citra resolusi tinggi, adanya pemahaman dan pengetahuan terhadap kondisi di lokasi penelitian menjadi salah satu faktor kunci dalam meningkatkan akurasi hasil interpretasi. Hasil klasifikasi dan perbandingan pola penggunaan lahan disajikan pada Gambar 4. Gambar 4. Perbandingan pola perubahan penutupan/penggunaan lahan dalam rentang waktu tahun Berdasarkan hasil overlay antara peta penutupan/penggunaan lahan tahun 2004 dan tahun 2009 menunjukkan perubahan luasan pada kelas lahan terbangun, pertanian lahan kering dan sawah yang cukup signifikan dalam kurun waktu 5 tahun tersebut. Lahan terbangun mengalami kenaikan luasan pada tahun 2009 menjadi 16.08%, sedangkan sawah mengalami penurunan menjadi 37.93% dan pertanian lahan kering menjadi 26.96% dari total luas lokasi penelitian pada tahun Adanya lahan terlantar yang merupakan perubahan kelas sawah menjadi kelas penggunaan lainnya terjadi di lokasi penelitian dengan luas sebesar Ha. Pola perubahan penggunaan lahan tahun dapat dilihat pada Tabel 2 dan Gambar 5. Hasil matriks transisi perubahan penggunaan lahan tahun (Tabel 3) menyajikan pola yang mirip dengan kondisi perubahan pada tahun Perubahan penggunaan lahan meningkat pada periode untuk kelas lahan terbangun menjadi 20.99%. Penurunan luasan lahan pertanian terus terjadi hingga saat ini, dimana luas lahan sawah semakin berkurang menjadi 38.41% dan diikuti oleh penurunan luas pertanian lahan kering menjadi 25.86% akibat terkonversi menjadi lahan terbangun. Perubahan Konversi lahan untuk pemukiman semakin pesat terjadi ke arah timur Kota Makassar yang merupakan wilayah peri-urban. Kebanyakan lahan yang terkonversi menjadi pemukiman dan lahan terbangun lainnya merupakan lahan yang produktif untuk pertanian. Tersedianya aksesibilitas dan dukungan kebijakan pemerintah mendorong terjadinya konversi lahan (Lanta, 2013). Fenomena ini merupakan indikasi terjadinya urban-sprawl, dimana telah terjadi perkembangan area periferi yang bergerak ke arah menjauhi pusat kota (Martinuzzi et al. 2007). Tabel 2. Matriksi Perubahan Penggunaan Lahan Tahun Penggunaan Lahan 2009 Penggunaan Lahan Lahan Penggunaan Pertanian Lahan Jumlah Badan Air Sawah 2004 Terbangun Lainnya Kering Ha % Ha % Ha % Ha % Ha % Ha % Badan Air Lahan Terbangun Penggunaan Lainnya Pertanian Lahan Kering Sawah Jumlah

7 Tabel 3. Matriksi Perubahan Penggunaan Lahan Tahun Penggunaan Lahan 2014 Badan Air Lahan Penggunaan Pertanian Lahan Jumlah Sawah Terbangun Lainnya Kering Penggunaan Lahan 2009 Ha % Ha % Ha % Ha % Ha % Ha % Badan Air Lahan Terbangun Penggunaan Lainnya Pertanian Lahan Kering Sawah Jumlah Simulasi Model Perubahan Penggunaan Lahan Prediksi Perubahan Penggunaan Lahan Tahun 2014 Predikasi perubahan penggunaan lahan pada tahun 2014 melalui analisa rantai Marcov dengan menggunakan data tahun 2004 sebagai tahun awal dan data tahun 2009 dapat dilihat pada Gambar 5. Berdasakan nilai probabilitas terjadinya perubahan penggunaan lahan pada tahun 2014 menunjukkan bahwa sawah (Class 5) memiliki peluang tertinggi untuk untuk berubah menjadi lahan terbangun (Class 2) dengan prediksi jumlah alokasi piksel sebanyak 8277 piksel atau setara dengan 745 Ha (luas piksel = 900 m 2 ). Nilai probabilitas 0 berarti bahwa tidak ada peluang berubahnya suatu kelas penggunaan lahan. Kelas lahan terbangun memiliki nilai probabilitas diatas 0 untuk berubah ke semua kelas lahan lainnya yang berarti bahwa peluang tersebut sesuai dengan hasil analisis perubahan penggunaan lahan eksisting. Gambar 5. Matriks transisi area dan probabilitas untuk peluang perubahan penggunaan lahan tahun Penentuan kesesuaian lahan untuk semua kelas penggunaan lahan dianalisis berdasarkan Tabel 4. Penggunaan model regresi logistik biner dalam menentukan kesesuaian lahan hanya digunakan untuk kelas lahan terbangun dan kelas penggunaan lainnya. Hal ini dilakukan berdasarkan hasil analisis penentuan variabel independen (berdasarkan Gambar 3) bahwa dalam periode tahun tidak terjadi perubahan dari suatu kelas penggunaan lahan menjadi kelas badan air, pertanian lahan kering, dan sawah. Berdasarkan hal tersebut, analisis kesesuaian lahan untuk masing-masing kelas tersebut tidak dilanjutkan untuk proses analisis dengan model regresi logistik biner. Cara lain agar diperoleh kesesuaian lahan untuk masing-masing kelas tersebut adalah mengacu pada kondisi eksisting penggunaan lahan pada tahun Masing-masing kelas penggunaan lahan yang eksis pada tahun 2014 dianggap sesuai (diberi nilai 1) dan yang tidak termasuk dianggap tidak sesuai (diberi nilai 0). 63

8 Tabel 4. Metode analisis kesesuaian lahan untuk semua kelas penggunaan lahan. Kelas Penggunaan Lahan Analisis Kesesuaian Badan Air Eksisting 2014 Lahan Terbangun Regresi Logistik Biner Penggunaan Lainnya Regresi Logistik Biner Pertanian Lahan Kering Eksisting 2014 Sawah Eksisting 2014 Berdasarkan hasil analisis kesesuaian lahan untuk semua kelas penggunaan lahan, diperoleh masing-masing kesesuaian lahan yang disajikan pada Gambar 5. Model regresi logistik untuk kelas lahan terbangun dan kelas penggunaan lainnya menghasilkan bahwa peta probabilitas yang dihasilkan oleh masing-masing kelas secara statistik dianggap valid dengan nilai ROC (Relative Operating Characteristics) masing-masing yaitu dan Kesuaian lahan masing-masing kelas penggunaan lahan ditunjukkan dengan rentang nilai 0-1 (indeks). Nilai 0 berarti alokasi lahan untuk penggunaan lahan tertentu tidak sesuai, sedangkan nilai 1 berarti sesuai untuk penggunaan lahan tertentu yang berarti bahwa peluang tersebut sesuai dengan hasil analisis perubahan penggunaan lahan eksisting. Gambar 5. Matriks transisi area dan probabilitas untuk peluang perubahan penggunaan lahan tahun Penentuan kesesuaian lahan untuk semua kelas penggunaan lahan dianalisis berdasarkan Tabel 4. Penggunaan model regresi logistik biner dalam menentukan kesesuaian lahan hanya digunakan untuk kelas lahan terbangun dan kelas penggunaan lainnya. Hal ini dilakukan berdasarkan hasil analisis penentuan variabel independen (berdasarkan Gambar 3) bahwa dalam periode tahun tidak terjadi perubahan dari suatu kelas penggunaan lahan menjadi kelas badan air, pertanian lahan kering, dan sawah. Berdasarkan hal tersebut, analisis kesesuaian lahan untuk masing-masing kelas tersebut tidak dilanjutkan untuk proses analisis dengan model regresi logistik biner. Cara lain agar diperoleh kesesuaian lahan untuk masing-masing kelas tersebut adalah mengacu pada kondisi eksisting penggunaan lahan pada tahun Masing-masing kelas penggunaan lahan yang eksis pada tahun 2014 dianggap sesuai (diberi nilai 1) dan yang tidak termasuk dianggap tidak sesuai (diberi nilai 0). 64

9 Hasil simulasi model CA-Marcov untuk memprediksi penggunaan lahan tahun 2014 disajikan pada Gambar 6. Berdasarkan hasil tersebut telah dilakukan uji validasi dengan membandingkan secara statistik antara peta hasil simulasi dengan peta eksisting. Hasil uji validasi yang diperoleh yaitu nilai overall Kappa (Kstandard) sebesar , Kappa for no information (Kno) sebesar , Kappa for grid-cell level location (Klocation) sebesar , dan Kappa for stratum-level location (KlocationStrata) sebesar menunjukkan bahwa simulasi model yang dilakukan sangat baik. Berdasarkan hasil tersebut dianggap bahwa model dapat digunakan untuk memprediksi perubahan penggunaan lahan di tahun Gambar 6. Hasil simulasi model prediksi perubahan penggunaan lahan tahun 2014 dan perbandingannya terhadap penggunaan lahan eksisting di tahun Prediksi Perubahan Penggunaan Lahan Tahun 2024 Berdasarkan hasil model prediksi CA-Marcov untuk perubahan penggunaan lahan di tahun 2024 menunjukkan bahwa akan terjadi perubahan secara pesat untuk lahan terbangun yang diikuti dengan semakin berkurang lahan pertanian (lihat Gambar 7). Hal ini menandakan bahwa di tahun mendatang akan terjadi konversi lahan pertanian menjadi lahan terbangun dengan sangat cepat ke arah timur Kota Makassar dimana sebagian besar wilayah tersebut merupakan daerah irigasi Bili-Bili. Perhitungan luasan antara tahun 2014 dan 2024 menghasilkan bahwa akan terjadi peningkatan luasan terhadap kelas badan air dan lahan terbangun yaitu masingmasing sebesar 0.15% dan 10.87% dari total luas lokasi penelitian. Kelas penggunaan lahan lainnya yaitu kelas penggunaan lainnya, pertanian lahan kering, dan sawah pada tahun 2024 akan mengalami penurunan luasan yaitu masing-masing sebesar 1.65%, 2.98%, dan 6.96% dari total luas lokasi penelitian. Proyeksi perubahan luasan penggunaan lahan dari tahun 2004 sampai tahun 2024 melalui tampilan grafik pada Gambar 8 menunjukkan bahwa dalam 10 tahun mendatang akan terjadi peningkatan luasan kelas lahan terbangun secara terus menerus. Perpotongan garis perubahan luasan antara kelas lahan terbangun dengan lahan pertanian (sawah ataupun pertanian lahan kering) di tahun 2024 menunjukkan bahwa luasan lahan pertanian akan terus menurun seiring dengan meningkatnya luas lahan terbangun. Kondisi ini tentunya sangat mengkhawatirkan, mengingat kebutuhan pangan terus meningkat yang juga seiring dengan pertumbuhan penduduk. Ironisnya, pertambahan penduduk dan dampak urbanisasi membutuhkan alokasi lahan untuk tempat tinggal dimana pilihan untuk tinggal di sekitar Kota Makassar mengarah pada wilayah peri-urban yang merupakan kawasan pertanian. Hal ini tentu saja harus mendapat perhatian pemerintah dalam merencanakan dan mengendalikan ruang di wilayah peri-urban. 65

10 Gambar 7. Hasil prediksi perubahan penggunaan lahan pada tahun Gambar 8. Proyeksi perubahan luasan penggunaan lahan dari tahun di lokasi penelitian KESIMPULAN DAN SARAN Kesimpulan Analisis perubahan penggunaan lahan dengan menggunakan matriks transisi perubahan lahan pada tahun telah dilakukan. Terjadi perubahan yang sangat signifikan dari lahan pertanian terkonversi menjadi lahan terbangun. Penggunaan model CA-Marcov untuk memprediksi perubahan penggunaan lahan pada tahun 2014 sebagai model validasi menghasilkan nilai akurasi yang sangat baik, sehingga dapat digunakan untuk memprediksi perubahan penggunaan lahan di tahun Model regresi logistik biner dalam menentukan kesesuaian lahan dapat digunakan untuk memodelkan perubahan penggunaan lahan. Proyeksi perubahan penggunaan lahan di tahun 2024 mengindikasikan terjadinya peningkatan luasan lahan terbangun secara kontinyu yang memiliki hubungan terbalik terhadap menurunnya luasan lahan pertanian. Saran Prediksi perubahan penggunaan lahan tidak hanya dapat dilakukan dengan model CA-Marcov, tetapi tersedia berbagai model lainnya. Perbandingan berbagai model kedepannya perlu dilakukan untuk melihat model mana yang terbaik dalam memprediksi perubahan penggunaan lahan di suatu wilayah. Perlu dilakukan penelitian lanjutan dalam menentukan kesesuaian lahan untuk masing-masing kelas penggunaan lahan dengan menambahkan variabel lainnya seperti faktor ekonomi dan kebijakan sebagai masukan dalam model regresi logisti biner. DAFTAR PUSTAKA Eastman, J. R IDRISI Taiga: guide to GIS and image processing. Worcester: Clark Labs.Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80, Jensen, J.R. (2000). Remote Sensing of The Environment: An Earth Resource Perspective. London: Prentice Hall, Inc. 66

11 Lanta, M.A Analisis Fragmentasi Penggunaan Lahan di Wilayah Peri-urban Kota Makassar Provinsi Sulawesi Selatan. Program Studi Ilmu Perencanaan Wilayah, Sekolah Pascasarjana Institut Pertanian Bogor. Martinuzzi S, Gould WA, Gonzales OMR Land development, land use, and urban sprawl in Puerto Rico integrating remote sensing and population census data. Landscape and Urban Planning 79: Mousiv &, A. J., Alimohammadi Sarab, A., & Shayan, S A new approach of predicting land use and land cover changes by satellite imagery and Markov chain model (Case study: Tehran). MSc Thesis. Tarbiat Modares University, Tehran, Iran. Nefeslioglu, H.A., Gokceoglu C. and Sonmez An assessment on the use of logistic regression and artificial neural networks with different sampling strategies for the preparation of landslide susceptibility maps. Engineering Geology, 97, Elsevier B.V, pp Olaya, V A gentle introduction to SAGA GIS. [diakses pada 26 Januari 2015] Pontius, R. G. (2002). Statistical methods to partition effects of quantity and location during comparison of categorical maps at multiple resolutions. Photogrammetric Engineering & Remote Sensing, 68, Zhang, Q., Ban, Y., Liu, J., & Hu, Y Simulation and analysis of urban growth scenarios for the Greater Shanghai Area, China. Computers, Environment and Urban Systems, 35,