Mau Bikin Model Perubahan dan Prediksi Penggunaan Lahan? Pake Aja QGIS & MOLUSCE!

Dari bahasa di judulnya memang agak berat, topik analisis atau permodelan perubahan penggunaan lahan dan penutupan lahan lebih dikenal dengan Land Use Land Cover (LULC) Change. Bisa dibilang topik perubahan LULC adalah topik khusus, tidak sering bergaung di ‘dunia’ praktis, dan lebih banyak dikaji oleh kalangan akademis. Kebetulan saat ini penulis sedang banyak berkutat dengan berbagai jurnal penelitian terkait perencanaan wailayah, dan  topik perubahan LULC seperti ‘kagak’ ada ‘matinye’, topik itu selalu ditemui di berbagai publikasi atau jurnal dari berbagai negara, artinya walaupun memang topik yang ‘serius’ namun ‘abadi’ dan selalu menarik untuk dikaji karena LULC adalah dinamika kehidupan.

Karena menurut penulis sejatinya LULC merupakan cerminan berkembangnya kehidupan manusia itu sendiri, cerminan bahwa selama manusia masih ada di dunia ini maka selama itu pula akan membutuhkan lahan dan membuat terjadinya perubahan LULC, sehingga selalu dinamis dan menarik untuk dibahas dari berbagai aspek baik fisik, sosial, ekonomi, dan bahkan politis. Dan berbicara lahan adalah berbicara spasial juga.

Terdapat perbedaan antara penutupan lahan (land cover) dengan penggunaan lahan (land use). Penutupan lahan (land cover) berkaitan dengan dengan jenis kenampakan yang ada di permukaan bumi, sedangkan penggunaan lahan berkaitan dengan kegiatan manusia pada bidang tertentu (Lillesand dan Kiefer, 1997). Penggunaan lahan (land use) adalah setiap bentuk intervensi (campur tangan) manusia terhadap lahan dalam rangka memenuhi kebutuhan hidupnya baik material maupun spiritual (Arsyad, 1989). Perubahan penutupan lahan merupakan bentuk peralihan dari penutupan lahan sebelumnya ke penutupan lahan yang lain, yang berarti berubahnya luas dan lokasi penggunaan lahan tertentu pada suatu kurun waktu.

[Referensi; 1). Lillesand, T.M., dan Kiefer, R.W. 1997. Penginderaan Jauh dan Interpretasi Citra (Terjemahan), Yogyakarta : Gadjah Mada University Press. 2). Arsyad, S. 1989. Konservasi Tanah dan Air. Bogor: Institut Pertanian Bogor.]

Di dunia analisis spasial, topik permodelan LULC sebetulnya sudah sejak lama muncul dan berkembang. Beberapa metode, teori, dan pendekatan telah diciptakan beberapa ilmuwan untuk menganalisis dan menggambarkan perubahan penggunaan lahan berbasis spasial. Tidak hanya sampai situ, bahkan sampai kepada prediksi atau proyeksi LULC di masa yang akan datang dan sering disebut dengan permodelan spasial. Beberapa pendekatan atau metode yang penulis ketahui antara lain Cellular Automata (CA) Markov, Artificial Neural Network (ANN), Logistic Regression, dan lain sebagainya.

Dalam praktisnya beberapa pendekatan tersebut telah diadopsi dan diaplikasikan ke dalam berbagai software berbasis spasial seperti misalnya IDRISI, Land Use Sim, CLUE, dan lain sebagainya. Tentu bagi anda yang sudah mendalami topik permodelan spasial sudah tidak asing dengan nama-nama software tersebut. Ada satu aplikasi lainya atau tepatnya tools, yang menurut pengalaman penulis bisa sangat membantu anda terutama yang baru atau sedang belajar mengenai perubahan LULC. Namanya adalah MOLUSCE (Modules for Land Use Change Simulations) yaitu suatu Plugin tambahan pada QGIS versi 2.x (pada saat ini ditulis belum ada untuk QGIS 3.x), lihat di sini untuk info plugin.

MOLUSCE bukanlah tools yang baru, telah lama dikembangkan oleh NEXTGIS dan Asia Air Survey. Menurut pengalaman dan pengamatan penulis, walaupun sudah lama dirilis penggunaan MOLUSCE ini masih relevan sampai sekarang. Operasionalnya tidak terlalu sulit, mudah difahami, relatif cepat memproses datanya dan hasilnya sudah bisa menggambarkan prediksi LULC yang umum digunakan, serta yang lebih penting lagi adalah open source alias gratis. Hal itu tentu akan sangat membantu siapa saja yang sedang membutuhkan analisis permodelan penggunaan lahan atau penutupan lahan yang mudah. Untuk lebih mengenalnya anda bisa mengunjungi juga gis-lab.info.

Kali ini penulis akan berbagi sedikit pengalaman dalam mengaplikasikan MOLUSCE. Perlu diketahui MOLUSCE seperti juga software permodelan LULC lainnya mensyaratkan data dalam bentuk raster. Maka untuk itu, bagi anda yang berniat menjalankan MOLUSCE ada baiknya anda mempersiapkan data dan mengetahui hal-hal sebagai berikut;

  1. Raster penggunaan/penutupan lahan minimal 3 waktu, yaitu 2 untuk t0 (awal) dan t1(akhir) serta t2 untuk validasi. Misal tahun 2003 dan 2006 untuk model, dan 2009 untuk validasi.
  2. Jumlah dan tipe penutupan lahan di setiap tahun tersebut harus sama, jika tidak maka MOLUSCE tidak akan bisa dijalankan.
  3. Dalam MOLUSCE, panjang waktu prediksi (default) adalah t1 + (t1 – t0), jadi jika sebagai contoh digunakan data pada no 1 di atas, maka prediksi yang dihasilkan adalah untuk tahun -> 2006 + (2006 – 2003) = tahun 2009. Jika ingin lebih dari tahun tersebut, maka tinggal ditambahkan jumlah iterasinya (dikalikan dengan 3 / hasil t1 – t0).
  4. Minimal anda harus punya satu raster driving factor atau faktor yang mendorong terjadinya perubahan penggunaan lahan seperti jarak dari jalan, lereng, jarak dari permukiman (kota), dan lain sebagainya.
    Contoh yang penulis gunakan yaitu data penutupan lahan Kecamatan Cibinong Kabupaten Bogor tahun 2003, 2006, dan 2009 (dari Kemen LHK) dalam format shp. Lalu shp tersebut dikonversi menjadi raster (tif). Adapun sebelum dijadikan raster, terlebih dulu masing-masing tipe penutupan lahan dalam setiap shp dirubah ke dalam kode angka (integer) di dalam field tersendiri.
    Untuk data spasial driving factor, penulis hanya mencoba satu yaitu melakukan analisis Euclidian Distance pada QGIS untuk mencari jarak dari jalan eksisting (peta RBI BIG).
    Catatan lainnya, ukuran atau exent dari semua data raster tersebut harus sama, termasuk juga resolusinya. Dalam hal ini penulis mengambil contoh 30 m. Usahakan agar nantinya mudah, semua raster dalam koordinat UTM.

Berikut adalah tahapan yang lebih teknis di MOLUSCE.

#1. Siapkan data raster penutupan lahan 3 waktu beserta dengan driving factor-nya (lebih dari 1 driving factor lebih baik).

#2. Setelah semua data raster penutupan lahan dan driving factor disiapkan pada QGIS, maka aktifkan atau install plugin MOLUSCE (anda harus online terlebih dulu!).

#3. Kini jalankan tools MOLUSCE, dan selanjutnya akan muncul tampilan pertama jendela MOLUSCE.

Semua data raster yang tadi dibuat akan secara otomatis terbaca oleh MOLUSCE.

#4. Tentukan Intial dan Final raster, caranya klik salah satu data disebelah kiri yang akan dijadikan t0 (dalam contoh 2003) lalu klik Intial, begitupun untuk Final klik data (dalam contoh 2006) dan klik Final. Beri keterangan di kolom kosong sebelah kananya. Untuk driving factor (contoh jarak_jalan_clip) klik di sebelah kiri, lalu di bawah kanan klik Add. Setelah itu klik Check Geometry, jika normal akan muncul Geometry is Matched, klik OK.

#5. Setelah itu berpindah ke Tab Evaluating Correlation, klik Check di bawahnya.

#6. Beralih lagi ke tab Area changes, pertama klik Update Table sampai muncul tabel perubahan penutupan lahan dari tahun 2003 ke 2006 untuk masing-masing tipe penutupan lahan. Lalu di bawahnya juga akan muncul Transition Matrix, yaitu matriks yang berisi besaran peluang dari masing-masing tipe penutupan lahan untuk berubah menjadi tipe penutupan lahan lain dalam rentang 2003 – 2006. Setelah itu klik Create Change Map, tentukan nama file (tif) peta perubahan (nama bebas).

#7. Berpindah lagi ke tab Transition Potential Modelling. Di dalam Method, anda bebas memilih metode apa yang akan digunakan untuk membuat prediksi penggunaan lahan. Secara default, ANN yang terpilih, dalam hal ini Multi-layer Perceptron (MLP). MLP adalah salah satu bentuk arsitektur jaringan ANN yang paling banyak digunakan. Tahap pelatihan (train) dan pengujian pada ANN harus dilakukan dengan hati-hati. Pada tahap pelatihan, nilai input akan dikalikan dengan suatu bobot yang nilainya ditentukan secara acak. Pada tahap pengujian, data yang terpisah akan disajikan untuk melatih jaringan secara independen dalam mengukur tingkat kesalahan.

Untuk lebih memastikan pilihan yang terbaik untuk kebutuhan anda di antara ANN, WoE, MCE, ataukah LR, sebaiknya anda juga perlu mempelajari berbagai teori mengenai metode-metode tersebut dari sumber lain.

#8. Neighbourhood  = 1 diartikan sebagai nilai pada sampling ketetanggaan adalah piksel pada ukuran 3×3 (9 piksel), jika anda misalnya merubah menjadi 2 maka itu berarti ukuran pikselnya menjadi 5×5 (25 piksel). Untuk lebih jelasnya lihat penjelasan bagian Description of the sampling process di sini. Jika anda bingung, pakai saja setting parameter default. Selanjutnya klik Train Neural Network (Multi-layer Perceptron), sampai proses berjalan 100% dan muncul grafik pada Kurva Neural Network Learning. Pada proses ini anda bisa tidak hanya cukup sekali melakukan Train Neural Network namun bisa mengulanginya lagi dan klik Stop kapanpun, biasanya sampai didapatkan nilai Min Validation Overall Error terkecil.

#9. Berpindah lagi pada tab Cellular Automata Simulation, di sini anda akan memulai proses prediksi penutupan lahan. Pertama tentukan nama file output untuk Certainty dan Simulation Result (penutupan lahan hasil prediksi). Biarkan jumlah iteration 1 (untuk proses validasi terlebih dahulu). Setelah itu klik Start, proses simulasi dimulai dan tunggu sampai selesai (100%).

#10. Berpindah lagi ke tab Validation, pertama tentukan Reference Map atau peta penutupan lahan aktual dalam hal ini tahun 2009. Yang kedua klik Start Validation dan tunggu sampai muncul grafik Multiple-Resolution Budget. Setelah itu klik Calculate Kappa. Dalam contoh ini, diperoleh Overall Kappa = 88,1 % (0,88134), yang berarti model bisa digunakan untuk prediksi, karena lebih dari 80%.

#11. Barulah kita kembali ke tab Cellular Automata Simulation untuk membuat prediksi di tahun yang anda inginkan. Tahun bergantung pada jumlah iterasi dikali dengan (t1 – t0). Dalam contoh ini adalah t1 – t0 = 3. Jadi jika saya ingin memprediksi penutupan lahan tahun 2024, maka 2024 – 2006 (t1) = 18, lalu 18/3 = 6, maka iterasi pada simulasi yang harus diisikan adalah 6. Karena iterasi nya ditambah, maka proses simulasi menjadi lebih lama.

#12. Berikut adalah hasil simulasi untuk tahun 2024, dan gambar di bawahnya adalah data riil penutupan lahan sebelumnya tahun (2003, 2006 dan 2009). Jika ingin menjadikan hasil simulasi menjadi shp, anda tinggal klik menu Raster -> Conversion -> Polygonize (Raster to Vector).

Sayangnya tidak ada fasilitas penyimpanan dari proses yang dilakukan pada MOLUSCE, paling hanya save sebagai QGIS Project, sehingga jika sudah selesai, tahapan permodelan yang dilakukan akan hilang begitu saja. Padahal mungkin suatu waktu setting parameter permodelan itu akan dibutuhkan kembali, maka praktis harus diulangi dari awal lagi dengan setting parameter yang kemungkinan tidak sama. Anyway selamat mencoba!

Bagikan ini:

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *