METODE PENELITIAN. Badan Pusat Statistik Kabupaten Bengkalis

dokumen-dokumen yang mirip
PEMODELAN PERUBAHAN PENGGUNAAN LAHAN DENGAN PENDEKATAN ARTIFICIAL NEURAL NETWORK (Studi Kasus: Kabupaten Bengkalis, Provinsi Riau)

3 METODE. Lokasi dan Waktu Penelitian

Modeling Land Use/Cover Change Using Artificial Neural Network and Logistic Regression Approach (Case Study: Citarum Watershed, West Jawa)

II. TINJAUAN PUSTAKA 2.1 Penggunaan Lahan dan Perubahan Penggunaan Lahan

METODE PENELITIAN. Lokasi dan Waktu Penelitian

KAJIAN PERUBAHAN TUTUPAN LAHAN DENGAN MENGGUNAKAN METODE MULTI LAYER PERCEPTRON DAN LOGISTIC REGRESSION DI TAMAN NASIONAL GUNUNG CIREMAI

Prediksi Spasial Perkembangan Lahan Terbangun Melalui Pemanfaatan Citra Landsat Multitemporal di Kota Bogor

BAB I PENDAHULUAN 1.1 Latar Belakang

III. METODOLOGI. 3.1 Waktu dan Lokasi Penelitian

III. BAHAN DAN METODE

Komparasi Akurasi Model Cellular Automata untuk Simulasi Perkembangan Lahan Terbangun dari Berbagai Variasi Matriks Probabilitas Transisi

BAB IV METODE PENELITIAN

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN

MODEL PERUBAHAN PENUTUPAN/PENGGUNAAN LAHAN UNTUK IDENTIFIKASI LAHAN KRITIS DI KABUPATEN BOGOR, KABUPATEN CIANJUR, DAN KABUPATEN SUKABUMI

III. BAHAN DAN METODE

III. BAHAN DAN METODE

BAB IV HASIL DAN PEMBAHASAN

III. BAHAN DAN METODE

BAB III METODOLOGI PENELITIAN

III. METODOLOGI 3.1 Waktu Penelitian 3.2 Lokasi Penelitian

IV. METODE PENELITIAN

Gambar 2. Peta Batas DAS Cimadur

PREDIKSI PERUBAHAN LAHAN PERTANIAN SAWAH SEBAGIAN KABUPATEN KLATEN DAN SEKITARNYA MENGGUNAKAN CELLULAR AUTOMATA DAN DATA PENGINDERAAN JAUH

BAB III METODOLOGI PENELITIAN

METODOLOGI. Gambar 4. Peta Lokasi Penelitian

4. PERUBAHAN PENUTUP LAHAN

METODOLOGI PENELITIAN

BACK PROPAGATION NETWORK (BPN)

III. METODE PENELITIAN

IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR

Karena tidak pernah ada proyek yang dimulai tanpa terlebih dahulu menanyakan: DIMANA?

BAB I PENDAHULUAN Latar Belakang

HASIL DAN PEMBAHASAN

PEMODELAN SPASIAL PERKEMBANGAN FISIK KOTA YOGYAKARTA MENGGUNAKAN CELLULAR AUTOMATA DAN MULTI LAYER PERCEPTRON NEURAL NETWORK

PENGGUNAAN CITRA SATELIT RESOLUSI TINGGI UNTUK PEMBUATAN PETA DASAR SKALA 1:5.000 KECAMATAN NGADIROJO, KABUPATEN PACITAN

MODEL PERUBAHAN PENGGUNAAN LAHAN MENGGUNAKAN CELLULAR AUTOMATA MARKOV CHAIN DI KAWASAN MAMMINASATA

SISTEM INFORMASI GEOGRAFI. Data spasial direpresentasikan di dalam basis data sebagai vektor atau raster.

BAB I PENDAHULUAN 1.1. Latar Belakang

III. METODOLOGI PENELITIAN

BAB I PENDAHULUAN Latar Belakang Penelitian dan Perumusan Masalah

BAB II DAERAH PENELITIAN & BAHAN

METODE PENELITIAN. Kerangka Pemikiran

BAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.

3. METODE PENELITIAN

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

INTEGRASI MODEL SPASIAL CELLULAR AUTOMATA

BAB I PENDAHULUAN 1.1. Latar Belakang

BAHAN DAN METODE. Gambar 1 Peta Lokasi Penelitian

III. METODOLOGI. Gambar 2. Peta Orientasi Wilayah Penelitian. Kota Yogyakarta. Kota Medan. Kota Banjarmasin

BAB III KEGIATAN KERJA PRAKTIK. a. Surat permohonan kerja praktik dari Fakultas Teknik Universitas. lampung kepada CV.

Perumusan Masalah Bagaimana kondisi perubahan tutupan lahan yang terjadi di daerah aliran sungai Ciliwung dengan cara membandingkan citra satelit

BAB III METODOLOGI PENELITIAN

Gambar 1. Peta Lokasi Penelitian

BAB IV ANALISIS 4.1 Analisis terhadap Data Tutupan Lahan

IV. METODOLOGI 4.1. Waktu dan Lokasi

Aninda Nurry M.F., Ira Mutiara Anjasmara Jurusan Teknik Geomatika FTSP-ITS, Kampus ITS Sukolilo, Surabaya,

METODE PENELITIAN Lokasi dan Waktu Penelitian

Laporan Praktikum III KLASIFIKASI CITRA SATELIT MENGGUNAKAN ERDAS IMAGINE

BAB III PENGOLAHAN DATA ALOS PRISM

III. METODOLOGI. Gambar 1. Peta Administrasi Kota Palembang.

Pengendalian Posisi Mobile Robot Menggunakan Metode Neural Network Dengan Umpan Balik Kamera Pemosisian Global

PENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL

PRISMA FISIKA, Vol. VI, No. 2 (2018), Hal ISSN :

III. METODE PENELITIAN

BAB 3 METODOLOGI PENELITIAN

III. BAHAN DAN METODE

JURNAL TEKNIK POMITS Vol. X, No. X, (2013) ISSN: ( Print) 1 II. METODOLOGI PENELITIAN

III. METODE PENELITIAN. Kegiatan penelitian dilaksanakan pada bulan Oktober 2013 hingga Maret 2014.

BAB III KEGIATAN KERJA PRAKTIK. Persiapan

BAB III METODOLOGI PENELITIAN

HASIL DAN PEMBAHASAN

Gambar 6. Peta Lokasi Kabupaten Majalengka (Sumber : PKSKL IPB 2012)

Manfaat METODE. Lokasi dan Waktu Penelitian

BAB III IMPLEMENTASI MODEL MONTE CARLO

BAB IV HASIL DAN PEMBAHASAN

III. METODOLOGI PENELITIAN

PERANCANGAN SOFTSENSOR STEAM QUALITY PADA STEAM GENERATOR DENGAN OPTIMASI NILAI SPESIFIK VOLUM DENGAN METODE JARINGAN SYARAF TIRUAN (JST)

BAB III METODE PENELITIAN

III. METODE PENELITIAN

BAB II METODE PENELITIAN

III. BAHAN DAN METODE

III METODOLOGI. 3.1 Lokasi dan Waktu Penelitian

BAB I PENDAHULUAN 1.1. Latar Belakang

PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI

Aplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita

BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER

3. BAHAN DAN METODE. Penelitian dilakukan di wilayah yang tercemar tumpahan minyak dari

SISTEM INFORMASI SUMBERDAYA LAHAN (Kuliah ke 12)

PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK

Pengumpulan dan Integrasi Data. Politeknik elektronika negeri surabaya. Tujuan

SEMINAR TUGAS AKHIR. Oleh: Aninda Nurry M.F ( ) Dosen Pembimbing : Ira Mutiara Anjasmara ST., M.Phil-Ph.D

STUDI TENTANG IDENTIFIKASI LONGSOR DENGAN MENGGUNAKAN CITRA LANDSAT DAN ASTER (STUDI KASUS : KABUPATEN JEMBER)

Pembangunan Basis Data Guna Lahan Kabupaten Bengkalis

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK

BAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu

PERBANDINGAN METODE SUPERVISED DAN UNSUPERVISED MELALUI ANALISIS CITRA GOOGLE SATELITE UNTUK TATA GUNA LAHAN

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA

3. METODOLOGI PENELITIAN

Transkripsi:

III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian dilaksanakan mulai bulan Agustus 2011 sampai Januari 2012 dengan memilih Kabupaten Bengkalis, Provinsi Riau sebagai studi kasus penelitian. Analisis data dilakukan di Laboratorium Penginderaan Jauh dan Informasi Spasial, Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian, Institut Pertanian Bogor. 3.2 Bahan dan Alat Bahan yang digunakan dalam penelitian ini dapat dilihat pada Tabel 1. Tabel 1. Bahan yang digunakan dalam penelitian No. Data Skala/ Sumber Keterangan Resolusi 1. Citra Landsat TM 7 tahun 2000, 2003, 2006 dan 2009 30 x 30 m www.glovis.usgs Interpretasi penggunaan lahan 2. Peta Rupa Bumi Indonesia (RBI) 3. Data kepadatan penduduk Kabupaten Bengkalis 1:50.000 Bakosurtanal Peta dasar, variabel atau faktor pendorong - Badan Pusat Statistik Kabupaten Bengkalis Variabel atau faktor pendorong dalam membangun model Software yang digunakan dalam penelitian dapat dilihat pada Tabel 2. Tabel 2. Software yang digunakan dalam penelitian No. Software Fungsi 1. Idrisi Andes 15 Pemodelan perubahan penggunaan lahan 2. ArcGis 9.3 Interpretasi citra 3. Microsoft Excel Pengolahan data atribut dari peta penggunaan lahan 3.3 Metode Penelitian Penelitian ini terdiri dari beberapa tahap, yaitu tahap persiapan, tahap pengolahan data, tahap pembuatan model dan tahap pembuatan peta proyeksi penggunaan lahan ke depan.

10 3.3.1 Tahap Persiapan Tahap persiapan meliputi penentuan metode, studi literatur, dan pengumpulan data yang dibutuhkan dalam penelitian. Studi literatur dilakukan untuk menambah informasi yang berkaitan dengan penelitian dan memperdalam pemahaman tentang metode ANN. Data yang diperlukan dalam penelitian ini antara lain citra Landsat, peta RBI, dan data kepadatan penduduk Kabupaten Bengkalis. Selain itu, pembelajaran metode ANN dengan software Idrisi Andes 15 juga dilakukan untuk lebih memahami proses kerja metode tersebut. 3.3.2 Tahap Pengolahan Data Pada tahap awal dilakukan interpretasi citra Landsat tahun 2000, 2003, 2006 dan 2009. Hasil interpretasi menghasilkan suatu peta penggunaan lahan tahun 2000, 2003, 2006 dan 2009 dengan kelas penggunaan lahan sebanyak 10 kelas berdasarkan klasifikasi Badan Planologi Kementrian Kehutanan (Lampiran 5). Software Idrisi Andes 15 membutuhkan data dengan format raster. Oleh karena itu, format peta perlu dikonversi terlebih dahulu menjadi raster dengan memilih ukuran piksel 50 x 50 m. Ukuran ini dipilih atas dasar pertimbangan yang paling mendekati ukuran resolusi spasial citra Landsat. Tipe data yang digunakan adalah dalam bentuk byte, yang menyatakan bilangan dengan nilai range 8 bit biner (0-255) dan hanya berisi bilangan non-negatif. Peta jalan dan sungai diperoleh dari peta RBI skala 1:50.000. Peta jarak ke jalan, sungai, dan pemukiman dibuat dengan cara menjalankan modul Distance pada software Idrisi Andes 15. Jarak dihitung berdasarkan Euclidean, yaitu jarak dari satu objek ke objek yang lainnya. Sementara itu, peta jumlah penduduk dibuat dengan asumsi bahwa populasi penduduk menyebar secara sirkular dengan jari-jari 2 km dan populasi akan bertambah besar ketika mendekati pusatnya (Muin, 2009). Rumus proporsi populasi yaitu: P = 0.2402 * e (-0.9464 * (peta jarak ke pemukiman)/1000) dimana jarak ke pemukiman dalam satuan meter. Peta kepadatan penduduk per piksel dibuat dengan rumus :

11 Pd = ρ* A * P * C dimana Pd : peta kepadatan penduduk per piksel ρ : kepadatan penduduk non-spasial (penduduk/km 2 ) A : luas wilayah penyebaran populasi (km 2 ) = 3,14 * (2 km) 2 = 12,5 km 2 P : proporsi populasi C : faktor konversi, dari 1 km 2 ke 1 piksel 3.3.3 Tahap Pembuatan Model dan Peta Proyeksi Penggunaan Lahan Model yang digunakan dalam penelitian adalah model ANN dengan arsitektur jaringan Multi-layer Perceptron (MLP) dan algoritma Backpropagation. Model ANN ini dijalankan dengan menggunakan aplikasi LCM (Land Change Modeler) yang telah tersedia pada software Idrisi Andes 15 (Gambar 2). Peta penggunaan lahan yang digunakan hanya dua titik tahun, yaitu peta penggunaan lahan tahun 2000 dan 2009. Gambar 2. Tampilan Aplikasi Land Change Modeler Aplikasi ini memiliki lima tahapan yang dapat digunakan untuk memodelkan perubahan penggunaan lahan, namun yang dipakai dalam penelitian hanya tiga tahapan yang disesuaikan dengan tujuan penelitian, yaitu :

12 1. Tahap analisis perubahan (Change Analysis) untuk menganalisis perubahan penggunaan lahan yang telah terjadi selama dua titik tahun. Grafik perubahan luas tiap penggunaan lahan akan disajikan pada tahap ini. 2. Tahap pemodelan perubahan penggunaan lahan (Transition Potentials). - Masing-masing kelas perubahan penggunaan lahan akan dimodelkan dengan tujuan memprediksi lokasi yang berpotensi untuk berubah menjadi penggunaan lahan yang lain. Apabila menggunakan ANN, perubahan-perubahan tersebut dapat dikelompokkan dengan asumsi faktor yang mempengaruhi adalah sama. Dalam penelitian ini, diasumsikan bahwa faktor pendorong tiap perubahan tidak sama, sehingga tidak dilakukan pengelompokkan. Berikut adalah gambar yang menunjukkan tampilan kelas perubahan yang akan dimodelkan. Gambar 3. Tampilan Kelas Perubahan yang akan Dimodelkan - Variabel pendorong atau input yang digunakan untuk membangun model ditentukan pada tahap ini. Jumlah variabel pendorong yang digunakan ada 4, yaitu jarak ke jalan, sungai, pemukiman dan kepadatan penduduk. Masing-masing variabel diuji nilai Cramer s V untuk melihat keterkaitan antara variabel tersebut dengan 10 kelas penggunaan lahan (Gambar 4).

13 Gambar 4. Tampilan Tahap Pengujian Nilai Cramer s V Rentang nilai yang dihasilkan berkisar antara 0-1, dimana nilai 0 menunjukkan tidak ada keterkaitan, sedangkan nilai 1 menunjukkan adanya keterkaitan yang sangat erat antara variabel tersebut dengan kelas penggunaan lahan yang mendorong terjadinya perubahan. - Setelah semua variabel diuji nilai Cramer s V, model dijalankan. Model akan berhenti apabila telah mencapai kondisi yang telah ditentukan, yaitu iterasi 5000, RMS 0,0001 dan akurasi model 100%. Tampilan tahap pemodelan dapat dilihat pada gambar berikut ini. Gambar 5. Tampilan Tahap Pemodelan dengan ANN - Topologi jaringan yang dihasilkan adalah 4-3-2, yaitu 4 nodes pada input layer, 3 nodes pada hidden layer dan 2 nodes pada output layer yang menunjukkan 1 kelas yang berubah dan 1 kelas yang tidak berubah (Gambar 6). Setiap nodes pada layer akan berhubungan dengan nodes pada layer berikutnya. Hubungan atau jalur koneksi

14 tersebut mengandung bobot (W) berupa matriks yang ukurannya tergantung dari jumlah input nodes, hidden nodes dan output nodes. Jarak ke jalan Jarak ke sungai W ij W jk Jarak ke pemukiman Kepadatan penduduk Gambar 6. Topologi Jaringan - Output yang dihasilkan dari model ini adalah peta peluang perubahan (Potential Transition Map) yang memiliki nilai peluang antara 0-1, dimana semakin mendekati 1 maka daerah tersebut memiliki peluang yang tinggi untuk berubah menjadi penggunaan lahan lain. Masingmasing peta potensi perubahan tersebut direklasifikasi dengan hanya mengambil nilai peluang antara 0,5-1, dimana nilai < 0,5 dianggap penggunaan lahan tersebut tidak berubah menjadi penggunaan lahan yang lain. - Uji validasi model dilakukan dengan cara menumpangtindihkan peta peluang hasil pemodelan ANN dengan peta penggunaan lahan tahun 2009 hasil interpretasi. 3. Tahap proyeksi penggunaan lahan (Change Prediction). Peta proyeksi penggunaan lahan dibuat dengan aplikasi yang sama, yaitu Land Change Modeler. Metode yang digunakan adalah Markov Chain dengan tahun proyeksi adalah 2018. Berikut adalah gambar dari tahap proyeksi penggunaan lahan Gambar 7. Tampilan Tahap Proyeksi Penggunaan Lahan

15 Metode ini mengasumsikan bahwa perubahan yang terjadi di masa depan memiliki pola dan peluang serupa dengan pola perubahan yang terjadi selama periode waktu yang digunakan. Perlu diketahui bahwa dalam menentukan tahun prediksi yang akan disimulasikan harus berada dalam selisih rentang waktu dari tahun awal dan akhir yang digunakan. Oleh karena itu, prediksi dilakukan untuk tahun 2018 yang berjarak 9 tahun dari tahun 2009. Matriks transisi akan dihasilkan oleh Markov Chain sebagai dasar untuk membuat peta proyeksi (Gambar 8). Gambar 8. Matriks Transisi Secara rinci, diagram alir penelitian ditunjukkan pada Gambar 9 berikut ini.

Peta jarak ke pemukiman tiap kecamatan Image Calculator Citra Landsat Tahun 2009 Citra Landsat Tahun 2006 Citra Landsat Tahun 2003 Citra Landsat Tahun 2000 Proporsi=0.2402 * e (-0.9464 * (peta jarak ke pemukiman)/1000) Peta Jalan Peta Sungai Peta Proporsi Interpretasi Distance Distance Image Calculator Peta Penggunaan Lahan 2009 Peta Penggunaan Lahan 2006 Peta Penggunaan Lahan 2003 Peta Penggunaan Lahan 2000 Jarak ke Pemukiman Jarak ke Jalan Jarak ke Sungai Kepadatan penduduk Pd = ρ* A * P * C Peta Kepadatan Penduduk LCM Tentukan transisi Running Model Input model Peta Peluang Perubahan Reklasifikasi Validasi Model Peta Proyeksi Tahun 2018 Gambar 9. Diagram Alir Penelitian dimana: LCM = Land Change Modeler ρ = data kepadatan penduduk non-spasial (penduduk/km 2 ) A = luas wilayah penyebaran populasi (km 2 ) P = peta proporsi C = faktor konversi dari 1 km 2 ke 1 piksel Stopping criteria model = Iterasi : 5000 RMS : 0,0001 Accuracy Rate : 100% 16