Meningkatkan kemampuan model CA-Markov terintegrasi untuk mensimulasikan trenpertumbuhan perkotaan spatio-temporal menggunakan Proses Hirarki Analitik dan RasioFrekuensi
Masalah pertumbuhan perkotaan adalah proses spatio-temporal dan sosial-ekonomi danmenunjukkan peningkatan signifikansi daerahperkotaan sebagai pusat populasi dan konsentrasikomersial dalam masyarakat tertentu (Bhatta et al., 2010; Aburas et al., 2016). Pola pertumbuhan kotayang simultan telah menjadi penting bagiperlindungan ekosistem dan pembangunanberkelanjutan (Barredo et al., 2003). Selain itu, struktur kompleks lingkungan perkotaan harusdipahami untuk memprediksi dinamika perkotaandengan benar (Barredo et al., 2003).
Saat ini, berbagai jenis model dan metode dalamteknik RS dan GIS umumnya digunakan untukmemodelkan tren pertumbuhan perkotaan dandalam simulasi perubahan penggunaan lahan(Aburas et al., 2016). Ada studi yang telahmenggunakan model tradisional, yang tergantungpada penilaian pertumbuhan dinamis daerahperkotaan, seperti model Cellular Automata (CA) (Clarke, 1997; White et al., 1997; Barredo et al., 2003) . Beberapa studi ini juga mengandalkanmodel kuantitatif, seperti Logistic Regression (LR), untuk simulasi dan prediksi (Alsharif dan Pradhan, 2014). Studi lain telah mengandalkanpenggabungan berbagai jenis model, seperti model CA dan Markov Chain (MC), untuk mencapai hasilyang akurat dan realistis (Al-sharif dan Pradhan, 2013). Pemodelan pola pertumbuhan perkotaanberdasarkan teknologi RS dan GIS dilakukan untukmemahami proses spasial untuk perkotaan.
Wilayah studi
Seremban adalah ibu kota demonstratif danekonomi Negara Sembilan. Ini mencakup area seluas sekitar 935,78 km persegi. Kota Seremban dibagi menjadi tujuh distrik administratif, yaitu; (i) Kota Seremban; (ii) Lenggeng; (iii) Ampangan; (iv) Pantai; (v) Setul; (vi) Rantau; dan (vii) Labu (Gbr. 1). Kepentingan spasial dari kota Seremban adalahbahwa ia terletak kira-kira 67 km dari Kuala Lumpur, pusat ekonomi Malaysia, 20 km dariPutrajaya, ibukota nasional Malaysia, danberbatasan dengan Negara Selangor, dianggapsebagai Negara terbesar di SemenanjungMalaysia. Dimensi spasial signifikan dari Serem-ban ini akan dijadikan Inkubator pembangunanperkotaan masa depan di Semenanjung Malaysia.
Bahan dan metode
Pengumpulan dan pemrosesan data
Studi ini menggunakan peta tata guna lahan tahun1984, 1990, 2000, dan 2010 yang diperoleh dariDepartemen Pertanian Malaysia (Gambar 2).Berdasarkan wawancara dengan teknisi DAM, petapenggunaan lahan diekstraksi dari Spot 2, 4, dan 5 gambar, dengan resolusi spasial 10 m dan 2,5 m untuk Spot 2, 4, dan 5, masing-masing. Tahap pra-pemrosesan dan pemrosesan citra satelit dilakukandi Departemen Pertanian Malaysia. Tahapan pra-pemrosesan dan pemrosesan meliputi koreksispasial, radiometrik, dan spektral. Semua citrasatelit didaftarkan dan diperbaiki menggunakan titikkontrol tanah dari lapangan (yaitu sistempenentuan posisi global (GPS)) dan diklasifikasikanmenggunakan teknik peningkatan gambar. DAM merekomendasikan bahwa metode klasifikasiterawasi digunakan untuk mengklasifikasikansemua gambar, sehingga dapat mengekstraksikategori penggunaan lahan. Selain itu, titik kontroltanah dikumpulkan untuk mengevaluasi keakuratanklasifikasi gambar satelit dalam penelitian ini. Studiini menggunakan metode penilaian akurasi padapeta penggunaan lahan tahun 1984, 1990, 2000 dan 2010. Peta-peta ini dibandingkan dengangambar resolusi tinggi untuk melihat kesepakatandan ketidaksepakatan antara peta tata guna lahanyang diklasifikasikan dan penggunaan lahan nyatatepat waktu. Nilai koefisien kappa masing-masingadalah 0,83, 0,85, 0,90 dan 0,88; sedangkan nilaiakurasi keseluruhan dari peta tata guna lahanmasing-masing adalah 86%, 88%, 92% dan 91%, yang berarti bahwa keakuratan klasifikasipenggunaan lahan memenuhi persyaratanpenelitian. Teknik fusi data diterapkan dalampenelitian ini di mana set data heterogenditransformasikan menjadi set data homogen.
Gambar 1. Gambaran umum area penelitian.
Untuk AHP, bobot faktor dihitung setelahpembentukan matriks perbandinganberpasangan. Perhitungan termasuk proses berikut:
a) Menentukan total nilai di setiap kolommatriks perbandingan pasangan-bijaksanauntuk faktor-faktor utama dan sub-faktor.
Gambar 2. peta penggunaan lahan yang dihasilkan oleh Departemen PertanianMalaysia (a) 1984 (b) 1990 (c) 2000 (d) 2010.
Gambar 4. Faktor-faktor yang digunakandalam analisis AHP dan FR (a) kepadatanpopulasi (b) jarak ke area komersial (c) jarakke area pendidikan (d) jarak ke area perumahan (e) jarak ke area industri (f) jarakke jalan (g) jarak ke jalan raya (h) jarak kekereta api (i) jarak ke saluran listrik (j) kemiringan (k) ketinggian (l) tekstur tanah (m) jarak untuk mengalirkan (n) tutupan lahan.
Gambar 4. Lanjutan
Gambar 5. Peta kesesuaian lahan primer (a) berdasarkan FR (b) berdasarkan AHP.
Model Rantai Markov digunakan untukmenghitung matriks probabilitas transisi, seperti yang disajikan pada Tabel 3. Selain itu, persentase potensial perubahan di masa depan dalam penggunaan lahan perkotaandan non-perkotaan dalam periode waktu1990-2000, 2000-2010, dan 2010-2020 dapatdipastikan menggunakan matriks probabilitastransisi. Dapat dicatat bahwa probabilitastransisi di masa mendatang dari wilayah non-perkotaan ke perkotaan dari tahun 1990 hingga 2000 adalah sebesar 25% sementaraprobabilitas transisi yang sama menurunmenjadi 21% dari tahun 2000 hingga 2010 (Tabel 3).
Dari hasil penelitian, dapat dicatat bahwapertumbuhan perkotaan di Seremban akanmeningkat di masa depan (Gbr. 6). Model rantai CA-Markov memperkirakan bahwawilayah perkotaan di Seremban akanmeningkat menjadi 242,1 km2 dan 278,1 km2 masing-masing pada tahun 2020 dan 2030. Di sisi lain, wilayah non-perkotaan akanberkurang masing-masing sebesar 709,77km2 dan 673,77 km2 pada tahun 2020 dan2030,
Gambar. 6. Jumlah daerah perkotaan dan non-perkotaan sebelumnya dan diprediksimenggunakan model CA-Markov.
Gambar 7. Jumlah wilayah perkotaan dan non-perkotaan sebelumnya dan diprediksimenggunakan AHP berbasis CA-Markov dalam km persegi.
Gambar. 8. Kuantitas daerah perkotaan dan non-perkotaan sebelumnya dan diprediksimenggunakan FR berbasis CA-Markov dalam km persegi.
Gambar 9. Peta pertumbuhan perkotaan untuk1984, 1990, 2000, 2010, 2020, 2030; (a) model CA-Markov; (B) CA-Markov berdasarkan model AHP; (c) CA-Markov berdasarkan model FR.
Gambar 10. Akurasi prediksi model menggunakanROC; (a) CA berdasarkan MC tahun 2000; (b)
Kesimpulan
Dalam studi ini, simulasi tren pertumbuhanperkotaan masa depan ditingkatkan. Proses simulasi CA-MC dikembangkan denganmengintegrasikannya dengan teknik kuantitatif danspasial (yaitu CA-MC berdasarkan model AHP danFR). Pendekatan integrasi digunakan untukmenutupi keterbatasan model CA-MC asli sepertiketerbatasan data dan kesulitan menggunakankekuatan pendorong dalam proses simulasi. Berbagai macam data dan sebagian besarkekuatan pendorong pertumbuhan perkotaandigunakan dengan mengintegrasikan AHP dan FR dengan model CA-MC asli. Berdasarkan temuanvalidasi model, CA-MC asli, CA-MC berdasarkanAHP, dan CA-MC berdasarkan model FR, masing-masing mencapai 80,6%, 84,2%, dan akurasiprediksi 88,2%. Hasil validasi menegaskan bahwakemampuan simulasi model CA-MC asliditingkatkan dengan menggunakan model AHP danFR. Di sisi lain, alasan utama untuk mendapatkanakurasi rendah CA-MC berdasarkan AHP dibandingkan dengan CA-MC berdasarkan FR adalah bahwa ada pendapat ahli yang berbeda danberbeda dalam memilih faktor dan bobot merekadalam metode AHP. Sementara itu, tingkat akurasidan kinerja yang lebih tinggi dicapai menggunakanCA-MC berdasarkan model FR karena tidakmemiliki batasan yang disebutkan dalam model sebelumnya. Akhirnya, CA-MC berdasarkan model FR yang dikembangkan akan membantu danmendukung perencana kota dan pembuatkeputusan untuk memantau dan mengendalikantren pertumbuhan perkotaan untuk mencapaiprinsip pembangunan kota berkelanjutan.
Referensi
Aburas, M.M., Ho, Y.M., Ramli, M.F., Ash’aari, Z.H., 2016. The simulation and prediction of spatio-temporal urban growth trends using cellular automatamodels: a review. Int. J. Appl. Earth Obs. Geoinf. 52, 380–389.
Al-Shalabi, M.A., Mansor, S.B., Ahmed, N.B., Shiriff, R., 2006. GIS based multicriteria approaches to housing site suitability assessment. Paper Presented at the Proc XXIII FIG Congress, Shaping the Change.
Al-sharif, A.A., Pradhan, B., 2013. Monitoring and predicting land use change in Tripoli Metropolitan City using an integrated Markov chain and cellular automata models in GIS. Arab. J. Geosci., 1–11.
Al-sharif, A.A., Pradhan, B., 2015. Spatio-temporal prediction of urban expansion using bivariate statistical models: assessment of the efficacy of evidential belief functions and frequency ratio models. App. Spat. Anal. Policy, 1–19.
Alsharif, A.A., Pradhan, B., 2014. Urban sprawl analysis of Tripoli Metropolitan city (Libya) using remote sensing data and multivariate logistic regression model. J. Indian Soc. Remote Sens. 42 (1), 149–163.
Arsanjani, J.J., Helbich, M., Kainz, W., Boloorani, A.D., 2013. Integration of logistic regression, Markov chain and cellular automata models to simulate urban expansion. Int. J. Appl. Earth Obs. Geoinf. 21, 265–275.
Tidak ada komentar:
Posting Komentar