BAB IV ANALISIS HASIL PEMODELAN

BAB IV ANALISIS HASIL PEMODELAN

BAB IV ANALISIS HASIL PEMODELAN Perubahan penggunaan lahan di daerah pinggiran Kota Yogyakarta dalam penelitian ini dikaji menggunakan integrasi SIG dan binary logistic regression. Pelaksanaan penelitian dan hasil yang diperoleh pada hakekatnya dimaksudkan untuk menjawab pertanyaan penelitian yang telah dirumuskan pada bagian pendahuluan. Sesuai dengan tujuan yang telah ditetapkan dan sasaran yang hendak dicapai, hasil penelitian yang telah diperoleh perlu dianalisis secara lebih mendalam. Analisis terhadap hasil penelitian diuraikan pada setiap sub bab berikut ini. 4.1. Distribusi Spasial Perubahan Penggunaan Lahan Penggunaan lahan dan perubahannya, di enam wilayah kecamatan di daerah pinggiran Kota Yogyakarta, di kaji dalam rentang waktu antara tahun 1981 sampai dengan tahun 2000. Distribusi spasial penggunaan lahan pada tahun 1981, tahun 2000 dan perubahan penggunaan lahan yang terjadi antara tahun 1981-2000 ditunjukkan dalam bentuk peta (Gambar 3.4, Gambar 3.5 dan Gambar 3.7). Luas setiap kategori penggunaan lahan dan perubahannya dianalisis berdasarkan atribut dari peta-peta tersebut dan ditunjukkan pada Tabel 4.1. Luas penggunaan lahan dan perubahannya, dengan kategori lebih detil, dapat dilihat pada Lampiran 4. Penggunaan lahan dominan di daerah penelitian pada tahun 1981 adalah bukan lahan terbangun. Kategori penggunaan lahan ini terdiri dari sawah, tegal, kebun dan lahan kosong. Berdasarkan Tabel 4.1, kategori bukan lahan terbangun di setiap wilayah kecamatan menempati proporsi luasan lebih dari 50% dari luas total wilayahnya. Pada tahun 2000, kategori bukan lahan terbangun masih tetap dominan di seluruh wilayah kecamatan kecuali di Kecamatan 74

Depok. Lahan terbangun di Kecamatan Depok pada tahun 2002 meningkat cukup signifikan dan menempati proporsi luasan kurang lebih 53 % dari luas total wilayahnya. Luas total perubahan penggunaan lahan di daerah penelitian antara tahun 1981-2000 adalah 905,95 hektar. Perubahan penggunaan lahan yang terjadi, sesuai dengan kategori penggunaan lahan yang digunakan, bersifat satu arah. Perubahan satu arah yang dimaksud adalah dari bukan lahan terbangun (disingkat BLT) menjadi lahan terbangun (disingkat LT). Perubahan dengan arah sebaliknya (LT menjadi BLT) secara umum tidak mungkin terjadi. Berdasarkan luas total perubahan, 7,8 % dari kategori bukan lahan terbangun telah dikonversi menjadi lahan terbangun selama kurun waktu 19 tahun. Nilai tersebut mengindikasikana perubahan rata-rata yang terjadi setiap tahun adalah 0,4%, atau dengan kalimat lain 47,68 hektar bukan lahan terbangun dikonversi menjadi lahan terbangun setiap tahunnya. Luas perubahan penggunaan lahan bervariasi pada setiap wilayah kecamatan. Perubahan luas yang tertinggi terdapat di Kecamatan Depok sedangkan yang tertendah terdapat di Kecamatan Sewon. Luas rata-rata kategori bukan lahan terbangun yang dikonversi menjadi lahan terbangun di Kecamatan Depok adalah 16,65 hektar per tahun. Persentase kategori bukan lahan terbangun yang dikonversi menjadi kategori lahan terbangun di Kecamatan Depok adalah 0,88 % pertahun. Kecamatan Tabel 4.1. Penggunaan Lahan dan Perubahannya Antara Tahun 1981 2000 Luas Kategori Penggunaan Lahan (Ha) Perubahan 1981 2000 1981-2000 LT BLT LT BLT (Ha) % Mlati 1.094,15 1.784,79 1.234,45 1.644,48 140,30 7,9 Depok 1.496,23 1.917,26 1.812,52 1.600,96 316,29 16,5 Gamping 954,18 2.008,90 1.060,47 1.902,61 106,29 5,3 Kasihan 1.125,84 2.076,71 1.270,62 1.931,87 144,78 7,0 Banguntapan 850,98 1.971,13 953,09 1.869,13 102,11 5,2 Sewon 865,43 1.920,51 961,61 1.824,30 96,18 5,0 Total Daerah Penelitian 6.386,81 11.679,30 7.292,76 10.773,35 905,95 7,8 Sumber : Hasil Analisis 75

4.2. Distribusi Spasial Variabel Perubahan Penggunaan Lahan Variabel perubahan penggunaan lahan adalah variabel yang berlaku sebagai prediktor pada pemodelan perubahan penggunaan lahan. Variabel prediktor yang digunakan dalam penelitian ini terdiri dari enam variabel yaitu: jarak terhadap jalan utama, jarak terhadap jalan lokal, jarak terhadap perguruan tinggi, jarak terhadap lahan terbangun (existing), jarak terhadap pusat perekonomian dan kepadatan jaringan jalan. Seluruh variabel prediktor dalam penelitian ini berupa peta (data spasial) sehingga nilai dan lokasinya dapat diketahui. Distribusi nilai setiap variabel dianalisis per wilayah kecamatan dan per kategori perubahan penggunaan lahan. 4.2.1. Jarak Terhadap Jalan Utama Nilai variabel jarak terhadap jalan utama, di daerah penelitian secara keseluruhan, memiliki rentang antara 0 m (jarak minimum) sampai dengan 4.773,86 m (jarak maksimum). Nilai rata-rata (mean) adalah 972,07 m dengan standar deviasi 928,26. Distribusi nilai variabel jarak terhadap jalan utama per wilayah kecamatan dan per kategori perubahan lahan ditunjukkan pada Tabel 4.2. Tabel 4.2. Distribusi Nilai Variabel Jarak Terhadap Jalan Utama Distribusi Per : Nilai Variabel Min Max Range Mean Std Dev Kecamatan Mlati 0,00 4.334,17 4.334,17 1.414,27 1.174,11 Depok 0,00 2.777,14 2.777,14 709,75 564,42 Gamping 0,00 2.824,18 2.824,18 680,83 564,76 Kasihan 0,00 4.773,86 4.773,86 1.477,18 1.239,40 Banguntapan 0,00 3.267,25 3.267,25 789,98 726,25 Sewon 0,00 2.849,86 2.849,86 750,09 617,06 Kategori Perubahan Tidak Berubah 0,00 4.773,86 4.773,86 1.100,10 978,60 Berubah 0,00 3.639,18 3.639,18 546,46 549,43 76

Berdasarkan nilai rata-rata jarak terhadap jalan utama, lahan yang terdapat di Kecamatan Depok, Gamping, Banguntapan dan Sewon secara umum relatif dekat dengan jalan utama. Hal ini mengindikasikan aksesibilitas lahan yang terdapat di empat kecamatan tersebut lebih baik dibandingkan dua kecamatan lainnya. Lahan yang mengalami perubahan, secara umum relatif dekat dekat dengan jalan utama dibandingkan dengan lahan yang tidak mengalami perubahan. Kondisi tersebut mengindikasikan adanya keterkaitan antara jarak terhadap jalan utama dengan terjadinya perubahan penggunaan lahan. 4.2.2. Jarak Terhadap Jalan Lokal Nilai variabel jarak terhadap jalan lokal, di daerah penelitian secara keseluruhan, memiliki rentang antara 0 m (jarak minimum) sampai dengan 1.940 m (jarak maksimum). Nilai rata-rata (mean) adalah 362 m dengan standar deviasi 304,20. Distribusi nilai variabel jarak terhadap jalan lokal per wilayah kecamatan dan per kategori perubahan lahan ditunjukkan pada Tabel 4.3. Tabel 4.3. Distribusi Nilai Variabel Jarak Terhadap Jalan Lokal Distribusi Per : Nilai Variabel Min Max Range Mean Std Dev Kecamatan Mlati 0,00 1.861,96 1.861,96 439,36 345,73 Depok 0,00 1.932,59 1.932,59 261,43 237,76 Gamping 0,00 1.940,00 1.940,00 492,32 379,69 Kasihan 0,00 1.537,34 1.537,34 331,53 286,41 Banguntapan 0,00 1.186,97 1.186,97 305,60 242,98 Sewon 0,00 1.110,00 1.110,00 358,85 242,78 Kategori Perubahan Tidak Berubah 0,00 1.940,00 1.940,00 376,12 308,77 Berubah 0,00 1.520,03 1.520,03 299,71 269,30 77

Rata-rata jarak terhadap jalan lokal di seluruh di wilayah kecamatan secara umum tidak jauh berbeda. Perbedaan nilai rata-rata tertinggi dan terendah adalah 170 meter. Secara umum, lahan-lahan yang terdapat di Kecamatan Depok lebih dekat dengan jalan lokal dibandingkan lahan yang terdapat di kecamatan lainnya. Kondisi tersebut mengindikasikan dua hal: pertama, keberadaan jalan lokal di Kecamatan Depok lebih banyak dibandingkan kecamatan lainnya dan kedua distribusi jalan lokal di Kecamatan Depok lebih merata. Lahan yang mengalami perubahan, rata-rata berada lebih dekat dengan jalan lokal dibandingkan dengan lahan yang tidak mengalami perubahan. 4.2.3. Jarak Terhadap Perguruan Tinggi Variabel jarak terhadap perguruan tinggi menunjukkan jauh dekatnya lahanlahan di daerah penelitian terhadap lokasi perguruan tinggi tertentu. Lima perguruan tinggi dipilih dari sejumlah perguruan tinggi yang terdapat di daerah penelitian. Perguruan tinggi yang dimaksud adalah Universitas Gadjah Mada (UGM), Universitas Negeri Yogyakarta (UNY), Universitas Pembangunan Nasional Yogyakarta (UPN), Universitas Atmajaya Yogyakarta dan Universitas Muhammadiyah Yogyakarta (UMY). Pertimbangan utama yang digunakan untuk memilih perguruan tinggi tersebut adalah lokasinya yang berada di daerah penelitian. Empat perguruan tinggi (UGM, UNY, Universitas Atmajaya dan UPN) berloksi di wilayah Kecamatan Depok, sedangkan kampus terpadu Universitas Muhammadiyah berada di wilayah Kecamatan Kasihan. Nilai variabel jarak terhadap perguruan tinggi, di daerah penelitian secara keseluruhan, memiliki rentang antara 0 m (jarak minimum) sampai dengan 10.017,59 m (jarak maksimum). Nilai rata-rata (mean) adalah 4.009,55 m dengan standar deviasi 2.383,00. Distribusi nilai variabel jarak terhadap perguruan tinggi per wilayah kecamatan dan per kategori perubahan lahan ditunjukkan pada Tabel 4.4. Sesuai dengan lokasi perguruan tinggi yang dianalisis, lahan disetiap wilayah kecamatan di daerah penelitian bervariasi jaraknya terhadap perguruan tinggi. Jarak 78

minimum 0 m terhadap perguruan tinggi terdapat di Kecamatan Mlati, Kecamatan Depok dan Kecamatan Kasihan. Lahan yang jaraknya terjauh dari perguruan tinggi terdapat di Kecamatan Banguntapan. Berdasarkan nilai jarak rata-ratanya, lahanlahan yang berada di wilayah Kecamatan depok adalah yang paling dekat sedangkan lahan yang terjauh terdapat di wilayah Kecamatan Sewon. Perbedaan nilai rata-rata antara lahan yang mengalami perubahan dan lahan yang tidak mengalami perbedaan cukup besar, yaitu kurang lebih 2 kilometer. Lahan yang mengalami perubahan, ratarata lebih dekat dengan perguruan tinggi dibandingkan lahan yang tidak mengalami perubahan. Tabel 4.4. Distribusi Nilai Variabel Jarak Terhadap Perguruan Tinggi Distribusi Per : Nilai Variabel Min Max Range Mean Std Dev Kecamatan Mlati 0,00 8.794,48 8.794,48 4.476,12 2.196,75 Depok 0,00 5.416,02 5.416,02 1.825,56 1.311,09 Gamping 372,16 4.876,74 4.504,59 2.805,52 993,36 Kasihan 0,00 5.741,24 5.741,24 2.893,88 1.300,11 Banguntapan 1.298,65 10.017,59 8.718,94 6.256,32 2.099,85 Sewon 3.440,71 9.773,81 6.333,10 6.490,55 1.400,68 Kategori Perubahan Tidak Berubah 0,00 10.017,59 10.017,59 4.366,61 2.357,80 Berubah 0,00 9.750,00 9.750,00 2.494,51 1.864,37 4.2.4. Jarak Terhadap Lahan Terbangun (Existing) Variabel ini menunjukkan jauh dekatnya lahan-lahan di daerah penelitian terhadap lokasi lahan terbangun yang sudah ada (existing). Nilai variabel jarak terhadap lahan terbangun, di seluruh daerah penelitian, memiliki rentang antara 0 m (jarak minimum) dan 813,45 m (jarak maksimum). Nilai jarak rata-rata (mean) 79

adalah 59,80 m dengan standar deviasi 77,50. Distribusi nilai variabel jarak terhadap lahan terbangun per wilayah kecamatan dan per kategori perubahan lahan ditunjukkan pada Tabel 4.5. Tabel 4.5. Distribusi Nilai Variabel Jarak Terhadap Perguruan Tinggi Distribusi Per : Nilai Variabel Min Max Range Mean Std Dev Kecamatan Mlati 0,00 640,08 640,08 54,62 72,94 Depok 0,00 392,17 392,17 45,28 62,38 Gamping 0,00 514,20 514,20 64,92 79,33 Kasihan 0,00 813,45 813,45 65,51 93,82 Banguntapan 0,00 410,00 410,00 64,11 71,70 Sewon 0,00 575,85 575,85 66,58 79,03 Kategori Perubahan Tidak Berubah 0,00 813,45 813,45 94,29 80,07 Berubah 0,00 375,77 375,77 68,12 63,22 Rata-rata jarak terhadap lahan terbangun di Kecamatan Depok adalah yang terendah, sedangkan nilai rata-rata di wilayah kecamatan lainnya secara umum relatif sama. Nilai maksimum di Kecamatan Depok juga tertinggi dibandingkan kecamatan lainnya. Nilai-nilai tersebut dapat digunakan sebagai indikasi bahwa kepadatan lahan terbangun di Kecamatan Depok relatif lebih tinggi dibandingkan kecamatan lainnya. Nilai rata-rata jarak terhadap lahan terbangun pada lahan yang mengalami perubahan dan lahan yang tidak mengalami perubahan juga tidak jauh berbeda. Perbedaan antara kedua kategori perubahan terletak pada jarak maksimum dari lahan terbangun. Lahan yang mengalami perubahan berjarak tidak lebih dari 380 meter dari lahan terbangun yang sudah ada. Perbedaan nilai pada kategori perubahan mengindikasikan bahwa lahan terbangun yang baru umumnya berada tidak jauh dari lahan terbangun yang sudah ada (existing). 80

4.2.5. Jarak Terhadap Pusat Perekonomian Pusat perekonomian dalam penelitian ini mengacu pada pengertian yang kurang lebih sama dengan istilah central business district (CBD). Secara geografis CBD terletak di jantung kota (heart of the city) dan merupakan pusat aktifitas komersial (http://en.wikipedia.org). Berdasarkan pengertian tersebut dan dengan pertimbangan tertentu, lokasi pusat perekonomian yang digunakan dalam penelitian ini adalah pusat aktifitas komersial yang berada Kota Yogyakarta. Pertimbangan yang digunakan adalah Kota Yogyakarta merupakan ibukota propinsi dan daerah penelitian berada di daerah sekitar Kota Yogyakarta. Variabel jarak terhadap pusat perekonomian menunjukkan jauh dekatnya lahan-lahan di daerah penelitian terhadap pusat perekonomian. Nilai variabel jarak terhadap pusat perekonmina, di seluruh daerah penelitian, memiliki rentang antara 120,4 m (jarak minimum) dan 9.989,8 m (jarak maksimum). Nilai jarak rata-rata (mean) adalah 4.555,9 m dengan standar deviasi 1.919,4. Distribusi nilai variabel jarak terhadap pusat perekonomian per wilayah kecamatan dan per kategori perubahan lahan ditunjukkan pada Tabel 4.6. Tabel 4.6. Distribusi Nilai Variabel Jarak Terhadap Pusat Perekonomian Distribusi Per : Nilai Variabel Min Max Range Mean Std Dev Kecamatan Mlati 560,00 8.972,71 8.412,71 4.680,85 1.884,24 Depok 120,42 7.442,26 7.321,85 3.607,97 1.651,69 Gamping 1.212,11 8.737,70 7.525,59 4.688,36 2.085,54 Kasihan 898,05 9.989,79 9.091,74 4.995,56 2.207,74 Banguntapan 977,19 7.655,85 6.678,66 4.517,87 1.467,94 Sewon 1.180,04 8.067,96 6.887,92 4.980,22 1.711,08 Kategori Perubahan Tidak Berubah 190,00 9.989,79 9.799,79 4.900,57 1.869,41 Berubah 432,67 8.737,70 8.305,03 3.380,66 1.613,59 81

Berdasarkan nilai variabel yang terdapat pada Tabel 4.6, lahan-lahan yang terdapat di Kecamatan Depok secara umum berjarak lebih dekat ke pusat perekonomian dibandingkan dengan lahan yang terdapat di kecamatan lainnya. Lahan yang terdapat di Kecamatan Sewon, rata-rata berjarak lebih jauh dari pusat perekonomian di bandingkan lahan di kecamatan lainnya. Lahan yang terjauh dari pusat perekonomian terdapat di Kecamatan Kasihan. Lahan yang mengalami perubahan, rata-rata berjarak lebih dekat terhadap pusat perekonomian dibandingkan lahan yang tidak mengalami perubahan. 4.2.6. Kepadatan Jaringan Jalan Variabel kepadatan jaringan jalan menunjukkan banyaknya jalan yang berada disekitar lahan pada radius tertentu. Semakin tinggi kepadatan jaringan jalan pada suatu lokasi, semakin mudah mencapai lokasi tersebut. Di seluruh daerah penelitian, nilai variabel ini memiliki rentang antara 1,79 m/km 2 (kepadatan minimum) dan 19,50 m/km 2 (kepadatan maksimum). Nilai kepadatan rata-rata (mean) adalah 7,74 m/km 2 dengan standar deviasi 2,41. Distribusi nilai variabel kepadatan jaringan jalan per wilayah kecamatan dan per kategori perubahan lahan ditunjukkan pada Tabel 4.7. Tabel 4.7. Distribusi Nilai Variabel Kepadatan Jaringan Jalan Distribusi Per : Nilai Variabel Min Max Range Mean Std Dev Kecamatan Mlati 3,37 18,04 14,67 7,81 2,44 Depok 3,12 19,50 16,38 9,86 2,99 Gamping 3,97 15,25 11,28 8,01 1,74 Kasihan 2,22 14,40 12,18 7,06 1,81 Banguntapan 3,13 12,68 9,55 6,98 1,50 Sewon 1,79 10,70 8,91 6,36 1,61 Kategori Perubahan Tidak Berubah 1,79 19,26 17,47 7,27 2,10 Berubah 3,53 19,50 15,96 9,97 3,00 82

Nilai rata-rata kepadatan jaringan jalan di setiap wilayah kecamatan di daerah penelitian bervariasi. Nilai rata-rata yang terendah adalah di Kecamatan Sewon sedangkan nilai rata-rata yang tertinggi adalah di Kecamatan Depok. Nilai tersebut mengindikasikan bahwa secara umum aksesibilitas lahan yang terdapat di Kecamatan Depok lebih tinggi dibandingkan kecamatan lainnya. Kondisi sebaliknya adalah, aksesibilitas lahan yang terdapat di Kecamatan Sewon secara umum lebih rendah dibandingkan kecamatan lainnya. Nilai minimum, maksimum dan rata-rata variabel kepadatan jalan pada kategori perubahan mengindikasikan bahwa tingkat aksesibilitas lahan yang mengalami perubahan umumnya lebih tinggi dibandingkan dengan lahan yang tidak mengalami perubahan 4.3. Korelasi dan Independensi Variabel Perubahan Penggunaan Lahan Variabel prediktor yang digunakan dalam pemodelan diutamakan tidak saling berkorelasi. Adanya korelasi antar variabel prediktor dapat menyebabkan bias (over fitting) pada hasil pemodelan. Bias pada hasil pemodelan dapat dihindari dengan cara memilih variabel yang tidak saling berkorelasi dengan variabel lainnya. Cara lain adalah dengan memilih variabel yang nilai korelasinya, dengan variabel yang lain, tidak melebihi batas tertentu. Batas nilai korelasi dapat ditentukan dengan merujuk pada suatu referensi. 4.3.1. Koefisien Korelasi Spearman Korelasi antara variabel prediktor diuji dengan metode Spearman dan hasilnya ditunjukkan pada Tabel 4.8. Koefisien korelasi Spearman (r ) antar enam variabel prediktor berkisar antara 0,098 (terendah) dan - 0,558 (tertinggi). Tanda minus di depan nilai koefisien korelsi menunjukkan sifat hubungan yang berkebalikan. Secara umum, koefisien korelasi antar seluruh variabel prediktor dalam penelitian ini lebih kecil dari 0,65. Nilai koefisien korelasi Spearman sebesar 0,65 digunakan sebagai batas untuk pemilihan variabel prediktor oleh sejumlah peneliti (Almeida, 2002; Aguayo, 2007) 83

Variabel jarak terhadap jalan lokal, secara umum, memiliki tingkat korelasi yang paling rendah dengan variabel lainnya. Nilai koefisien korelasi variabel ini dengan variabel lainnya berkisar antara 0,098 sampai dengan 0,228. Korelasi dengan semua variabel bersifat positif kecuali dengan variabel kepadatan jalan. Berdasarkan korelasinya dengan variabel prediktor lainnya, variabel jarak terhadap jalan lokal dapat dikatakan sebagai prediktor terbaik. Variabel kepadatan jaringan jalan memiliki tingkat korelasi yang tinggi dengan variabel lainnya. Nilai koefisien korelasi dengan variabel jarak terhadap pusat perekonomian (Jr_CBD) merupakan yang tertinggi di antara seluruh koefisien korelasi. Korelasi dengan semua variabel prediktor bersifat negatif. Sifat korelasi dengan variabel prediktor lain mengindikasikan tingginya nilai variabel kepadatan jaringan jalan cenderung diikuti dengan rendahnya nilai variabel prediktor lainnya. Indikasi tersebut dapat diinterpretasikan menggunakan contoh: lahan yang kepadatan jaringan jalannya tinggi cenderung dekat dengan pusat perekonomian. Tabel 4.8. Koefisien Korelasi Spearman rho Antar Variabel Prediktor Variabel * Jr_Jalut Jr_Jalok Jr_Kmps Jr_Bang Jr_CBD Kpdt_Jl Jr_Jalut 1,000 0,110 0,347 0,352 0,532-0,451 Jr_Jalok 1,000 0,098 0,151 0,228-0,144 Jr_Kmps 1,000 0,254 0,475-0,521 Jr_Bang 1,000 0,332-0,475 Jr_CBD 1,000-0,558 Kpdt_Jl 1,000 * Keterangan : Jr_Jalut : variabel jarak terhadap jalan utama (arteri dan kolektor) Jr_Jalok : variabel jarak jalan lokal Jr_Kmps : variabel jarak perguruan tinggi Jr_Bang : variabel jarak lahan terbangun (existing) Jr_CBD : variabel jarak pusat perekonomian Kpdt_Jl : variabel kepadatan jaringan jalan. 84

4.3.2. Koefisien Statistik U (Mann-Whitney) Analisis statistik Mann-Whitney digunakan untuk mengetahui ada tidaknya perbedaan nilai variabel prediktor pada dua kategori. Kategori yang dimaksud dalam penelitian ini adalah berubah dan tidak berubah. Kategori berubah adalah lahan yang mengalami perubahan sedangkan kategori tidak berubah adalah lahan yang tidak mengalami perubahan. Hipotesis 0 dalam analisis adalah tidak ada perbedaan nilai variabel pada dua kategori perubahan. Hasil analisis Mann-Whitney dengan bantuan perangkat lunak SPSS 15 adalah rangking dari setiap variabel prediktor pada setiap kategori (grup) dan nilai statistik U serta W untuk setiap variabel prediktor. Rangking setiap variabel prediktor pada setiap kategori ditunjukkan pada Tabel 4.9, sedangkan nilai koefisien statistik U serta W ditunjukkan pada Tabel 4.10. Tabel 4.9. Rangking Variabel Prediktor Pada Setiap Kategori Lahan Variabel Grup / Kategori * N Mean Rank Sum of Ranks Jr_Jalut 0 16000 18.971,34 303.541.448,50 1 16000 13.029,66 208.474.551,50 Jr_Jalok 0 16000 16.936,21 270.979.358,00 1 16000 15.064,79 241.036.642,00 Jr_Kmps 0 16000 19.619,82 313.917.049,00 1 16000 12.381,18 198.098.951,00 Jr_Bang 0 16000 22.034,41 352.550.621,00 1 16000 9.966,59 159.465.379,00 Jr_CBD 0 16000 19.900,77 318.412.293,50 1 16000 12.100,23 193.603.706,50 Kpdt_Jl 0 16000 10.867,76 173.884.135,50 1 16000 21.133,24 338.131.864,50 * Grup/Kategori: 0 = Lahan yang tidak mengalami perubahan penggunaan lahan (tahun 1981 2000) 1 = Lahan yang mengalami perubahan penggunaan lahan (tahun 1981 2000) 85

Statistik U setiap variabel prediktor dihitung pada dua kategori perubahan. Nilai U pada dua kategori (U 1 dan U 2 ) dihitung menggunakan persamaan (3.1) dan persamaan (3.2). Nilai U setiap variabel prediktor yang terdapat pada Tabel 4.10 adalah nilai terkecil diantara dua nilai U (U 1 atau U 2 ). Jumlah sampel yang dianalisis untuk setiap kategori adalah 16.000 piksel. Berdasarkan persamaan (3.3), total nilai U (U 1 + U 2 ) adalah 16.000 x 16.000 atau 256.000.000. Hipotesis 0 dalam analisis Mann-Whitney pada penelitian ini adalah U 1 = U 2 = 128.000.000. Nilai U masingmasing variabel lebih kecil dari 128.000.000, artinya terdapat perbedaan nilai variabel prediktor pada dua kategori perubahan. Nilai statistik W (Wilcoxon) adalah jumlah rangking terkecil diantara dua jumlah rangking. Jumlah rangking setiap variabel predikto pada dua kategori perubahan dapat dilihat pada Tabel 4.9. Nilai variabel prediktor pada dua kategori perubahan dikatakan sama apabila jumlah rangking pada dua kategori adalah sama. Nilai Z merupakan aproksimasi distribusi normal standar dari nilai U 1 = U 2. dan W1 = W2. Siginifikan tidaknya perbedaan nilai U dan W dari setiap variabel prediktor pada dua kategori perubahan dianalisis berdasarkan nilai Z dan ditunjukkan oleh nilai Sig. Nilai Sig. pada setiap variabel prediktor menunjukkan probabilitas untuk memperoleh nilai Z sedemikian rupa sehingga U 1 = U 2. dan W 1 = W 2 adalah sangat kecil, jauh dibawah 0,05. Nilai-nilai statistik tersebut cukup kuat untuk menolak hipotesis 0 dan membuktikan bahwa nilai variabel prediktor pada dua kategori perubahan berbeda secara signifikan. Tabel 4.10. Statistik Mann-Whitney U dan Wilcoxon W dari Variabel Prediktor Variabel Nilai Statistik Mann-Whitney U Wilcoxon W Z Sig. Jr_Jalut 80.466.552 208.474.552-57,53 0,000 Jr_Jalok 113.028.642 241.036.642-18,12 0,000 Jr_Kmps 70.090.951 198.098.951-70,09 0,000 Jr_Bang 31.457.379 159.465.379-116,85 0,000 Jr_CBD 65.595.707 193.603.707-75,53 0,000 Kpdt_Jl 45.876.136 173.884.136-100,07 0,000 86

4.4. Distribusi Spasial Probabilitas dan Prediksi Perubahan Probabilitas perubahan penggunaan lahan adalah besaran yang menunjukkan peluang atau kemungkinan terjadinya perubahan penggunaan lahan. Probabilitas direpresentasikan dengan nilai yang berkisar antara 0 sampai dengan 1. Distribusi spasial probabilitas perubahan penggunaan lahan ditunjukkan dalam bentuk peta probabilitas perubahan penggunaan lahan. Nilai probabilitas perubahan penggunaan lahan dianalisis pada setiap wilayah kecamatan. Hasil analisis ditunjukkan dalam bentuk histogram seperti terlihat pada Gambar 4.1. Histogram menghubungkan nilai probabilitas dan persentase kumulatifnya. Garis pada histogram adalah representasi kurva normal nilai probabilitas. Distribusi nilai probabilitas di Kecamatan Depok berbeda dengan kecamatan lainnya. Persentase nilai probabilitas 0,9 di Kecamatan Depok kurang lebih 40%, sedangkan di kecamatan lainnya kurang dari 25 %. Peta prediksi perubahan penggunaan diperoleh dari konversi nilai probabilitas menjadi nilai kategori perubahan. Konversi dilakukan menggunakan tershhold 0,95. Nilai probabilitas lebih dari atau sama dengan 0,95 dikonversi menjadi kategori berubah, sedangkan nilai probabilitas kurang dari 0,95 dikonversi menjadi kategori tidak berubah. Distribusi spasial hasil prediksi direpresentasikan dalam bentuk peta prediksi perubahan penggunaan lahan. Luas prediksi perubahan dianalisis per kecamatan dan dibandingkan dengan luas perubahan aktual, seperti terlihat pada Tabel 4.11. Hasil perbandingan menunjukkan prediksi bersifat over estimate di tiga kecamatan dan bersifat under estimate di tiga kecamatan lainnya. Tabel 4.10. Statistik Mann-Whitney U dan Wilcoxon W dari Variabel Prediktor Kecamatan Perubahan Penggunaan Lahan (1981-2000) Aktual (ha) Prediksi (ha) Mlati 140,30 239,86 Depok 316,29 600,91 Gamping 106,29 136,66 Kasihan 144,78 132,94 Banguntapan 102,11 63,24 Sewon 96,18 6,64 Total Daerah Penelitian 905,95 1.180,25 87

Gambar 4.1 Histogram Nilai Probabilitas Perubahan Pada Setiap Kecamatan 88

4.5. Aspek Penting dalam Model SIG-Binary Logistic Regression Perubahan penggunaan lahan dalam penelitian ini diprediksikan berdasarkan probabilitas perubahan. Probabilitas perubahan dihitung berdasarkan enam variabel prediktor dengan menggunakan persamaan regresi logistik biner (binary logistic regression): Y = 0,8963-0,0200X 1 + 0,3551X 2-0,0002X 3-0,0002X 4 + 0,0003X 5 + 0,0007X 6 Subsitusi nilai variabel prediktor pada persamaan regresi logistik di atas menghasilkan logit perubahan. Logit perubahan adalah logaritma normal dari odds, yaitu rasio antara probabilitas terjadinya perubahan dengan probabilitas tidak terjadinya perubahan. Logit perubahan atau log odds merupakan fungsi linier dari variabel prediktor. 4.5.1. Kontribusi Variabel Prediktor Nilai odd bervariasi dari 0 hingga tak terbatas (infinity). Nilai odd =1 berarti probabilitas terjadinya perubahan dan probabilitas tidak terjadinya perubahan adalah sama yaitu 0,5. Nilai odd <1 berarti probabilitas perubahan kurang dari 0,5, sedangkan nilai odd >1 berarti probabilitas terjadinya perubahan lebih dari 0,5. Setiap variabel prediktor memberikan kontribusi yang berbeda terhadap perubahan nilai odd. Kontribusi atau pengaruh suatu variabel prediktor pada model regresi linier dapat dilihat dari nilai koefisien regresi (β) variabel tersebut. Pada model regresi logistik, kontribusi variabel prediktor merupakan fungsi eksponensial nilai koefisien regresi (Exp.β). Eksponen nilai koefisien regresi (Exp.β) menunjukkan perubahan nilai odd karena perubahan satu unit nilai prediktor. Arti dari nilai (Exp.β) dapat lebih mudah dipahami dengan persamaan berikut: Exp.(β) = Nilai odd setelah perubahan 1 unit variabel prediktor Nilai odd sebelum perubahan 1 unit variabel prediktor 89

Nilai Exp.β setiap variabel prediktor pada model regresi logistik biner yang digunakan dalam penelitian ini dapat dilihat pada Tabel 4.11. Secara umum, nilai Exp.β pada tabel tersebut dapat dibedakan menjadi dua, yaitu Exp.β >1 dan Exp.β <1. Nilai lebih dari 1 menunjukkan meningkatnya satu unit nilai variabel prediktor akan meningkatkan nilai odd. Nilai kurang dari 1 menunjukkan meningkatnya satu nilai variabel prediktor akan menurunkan nilai odd. Semakin jauh nilai Exp.β dari 1, lebih dari atau kurang dari, semakin besar kontribusi variabel dalam menentukan variasi nilai odd yang dihasilkan oleh model. Tabel 4.11. Nilai Koefisien Regresi Variabel Prediktor Variabel Β Exp(β) Jr_Jalut.0003 1.0003 Jr_Jalok.0007 1.0007 Jr_Kmps -.0002.9998 Jr_Bang -.0200.9802 Jr_CBD -.0002.9998 Kpdt_Jl.3551 1.4264 Constant.8963 2.4506 Variabel kepadatan jaringan jalan memiliki nilai Exp.β sebesar 1,426. Nilai tersebut adalah yang tertinggi diantara nilai variabel prediktor lainnya. Meningkatnya satu unit nilai variabel kepadatan jaringan jalan, akan meningkatkan odd perubahan sebesar 42,6 %. Variabel jarak terhadap lahan terbangun memiliki nilai Exp.β sebesar 0,98. Nilai tersebut adalah yang terendah diantara nilai variabel prediktor lainnya. Meningkatnya satu unit nilai variabel jarak terhadap lahan terbangun, akan menurunkan odd perubahan sebesar 2 %. Hubungan antara perubahan nilai odd dengan perubahan variabel kepadatan jaringan jalan dan variabel jarak terhadap lahan terbangun ditunjukkan pada Gambar 4.2. Hubungan antara perubahan nilai kedua variabel prediktor dengan perubahan nilai odd mengindikasikan hubungan variabel dengan probabilitas perubahan. 90

Semakin tinggi kepadatan jaringan jalan, semakin besar kemungkinan terjadinya perubahan penggunaan lahann. Semakin jauh dari lahan terbangun semakin kecil kemungkinan terjadinya perubahan penggunaan lahan. Gambar 4.2 Hubungan Odd Perubahan dengan Kepadatan Jaringan Jalan dan Jarak Terhadap Lahan Terbangun 91

4.5.2. Peranan Sistem Informasi Geografi Model binary logistic regression pada hakekatnya merupakan model yang bersifat a spasial. Perubahan penggunaan lahan dapat diprediksikan dalam bentuk nilai probabilitas berdasarkan kombinasi nilai-nilai variabel prediktor. Model dapat menghasilkan nilai probabilitas perubahan penggunaan lahan, tetapi tidak dapat menunjukkan distribusi dari nilai-nilai tersebut secara keruangan. Integrasi model dengan sistem yang berbasis keruangan dapat menghasilkan prediksi yang bersifat keruangan (spasial). Sistem Informasi Geografi (SIG) adalah sistem informasi yang berbasis keruangan. SIG memegang peranan yang sangat penting dalam pemodelan perubahan penggunaan lahan pada penelitian ini. Proses pemodelan dalam penelitian ini hampir seluruhnya dilakukan dengan bantuan perangkat lunak SIG. Secara garis besar, SIG digunakan dalam lima proses atau tahapan utama pemodelan. Proses atau tahapan yang dimaksud adalah: analisis perubahan penggunaan lahan, penyusunan peta variabel prediktor, perolehan kombinasi nilai variabel, penyusunan peta prediksi perubahan penggunaan lahan dan validasi peta prediksi. Integrasi model binary logistic regression dengan SIG menghasilkan model yang, dalam penelitian ini, disebut dengan model SIG-binary logistic regression. Integrasi tersebut berlandaskan pada konsep aljabar peta (map algebra). Konsep aljabar peta memungkinkan suatu peta disusun dari peta-peta lainnya menggunakan persamaan matematis tertentu. Model binary logistic regression adalah persamaan matematis dan peta merepresentasikan nilai variabel pada persamaan matematis. Peta probabilitas dihasilkan dari substitusi peta variabel pada persamaan regresi logistik. Substitusi nilai variabel pada suatu persamaan matematis merupakan prinsip aljabar dalam menyelesaikan persamaan tersebut. Operasi aljabar peta dapat dilakukan dengan relatif cepat dan mudah menggunkan fasilitas yang lazim terdapat pada perangkat lunak SIG. 92

4.5.3. Validitas Model SIG-Binary Logistic Regression Validitas Model SIG-Binary Logistic Regression diuji berdasarkan ketelitian peta yang dihasilkan oleh model tersebut. Ketelitian peta prediksi perubahan penggunaan lahan diuji menggunakan teknik tabulasi silang. Peta perubahan penggunaan aktual digunakan sebagai referensi atau acuan dalam uji ketelitian. Validasi hasil pemodelan dengan tabulasi silang termasuk dalam kategori teknik event validity. Hasil analisis tabulasi silang (Tabel 3.9) menunjukkan ketelitian aktual hasil prediksi adalah 88,1%. Perubahan penggunaan lahan aktual yang terjadi antara tahun 1981-2000, dalam satuan piksel, adalah 90.595 piksel. Perubahan penggunaan lahan tahun 1981-2000 hasil prediksi adalah 118.025 piksel. Model SIG-Binary Logistic Regressioni secara umum cenderung menghasilkan prediksi yang bersifat over estimate. Analisis hasil prediksi per wilayah kecamatan menunjukkan, prediksi perubahan penggunaan lahan di Kecamatan Mlati, Depok dan Gamping lebih tinggi dibandingkan perubahan aktual. Prediksi perubahan penggunaan lahan di Kecamatan Kasihan, Banguntapan dan Sewon lebih rendah dibandingkan perubaha aktual. Statistik Kappa memberikan gambaran yang lebih komprehensif mengenai validitas model. Kesesuaian atau kecocokan antara hasil prediksi dan kondisi aktual dinilai berdasarkan nilai koefisien Kappa ( ). Rentang nilai dari koefisien Kappa adalah 0 sampai dengan 1. Landis dan Koch (1977, dalam Sim dan Wright, 2005) membuat enam kategori kesesuaian berdasarkan nilai Kappa, yaitu < 0 No agreement 0.0 0.20 Slight agreement 0.21 0.40 Fair agreement 0.41 0.60 Moderate agreement 0.61 0.80 Substantial agreement 0.81 1.00 Almost perfect agreement Analisis tabulasi silang (Tabel 3.9) menghasilkan koefisien statistik Kappa senilai 0,269. Model SIG- Binary Logistic Regression dalam penelitian ini menghasilkan prediksi dengan ketelitian dalam kategori fair. 93