Untuk memperkirakan apakah perubahan penutupan atau penggunaan lahan bisa dikendalikan dengan rencana pola ruang, bisa dilakukan menggunakan permodelan LULCC (Land Use Land Cover Change). Salah satu aplikasi yang digunakan untuk itu adalah Idrisi, melalui metode CA Markov ataupun Land Change Modeler (LCM).
Dalam perencanaan dan pengembangan wilayah, salah satu masalah yang sering dihadapi adalah terjadinya perubahan penutupan atau penggunaan lahan yang kadang tidak terkendali. Perubahan memang merupakan suatu keniscayaan, lahan adalah kebutuhan hidup manusia. Perubahan penggunaan atau penutupan lahan pasti akan terjadi, karena mengikuti semakin bertambahnya jumlah penduduk yang pada gilirannya meningkatkan kebutuhan lahan seperti untuk permukiman, untuk lahan pertanian sebagai penyuplai kebutuhan pangan, dan sebagainya.
Akibat dari tekanan kebutuhan lahan, maka terjadi persaingan kebutuhan lahan antara untuk memenuhi kebutuhan manusia atau menjaga keseimbangan ekologi. Misalnya apakah hutan harus ditebang dan dijadikan kebun, permukiman, dan kegiatan budidaya lainnya. Ataukah hutan tetap dipertahankan namun akan terjadi kekurangan rumah, pangan, dan sebagainya.
Dalam konteks wilayah urban atau perkotaan yang pertumbuhan penduduknya cepat, biasanya hutan dan lahan-lahan pertanian lah yang kemudian dikorbankan atau dikonversi menjadi permukiman, kawasan industri, atau dalam konteks pertumbuhan ekonomi dirubah menjadi perkebunan, pertambangan, dan sebagainya.
Baca Juga : Mau Bikin Model Perubahan dan Prediksi Penggunaan Lahan? Pake Aja QGIS & MOLUSCE!
Peta Pola Ruang
Salah satu instrumen yang digunakan oleh pemerintah untuk mengendalikan perubahan penggunaan atau penutupan lahan adalah adanya peta pola ruang atau rencana penggunaan lahan. Menurut UU No 26 tahun 2007 tentang Penataan Ruang, Pola ruang adalah distribusi peruntukan ruang dalam suatu wilayah yang meliputi peruntukan ruang untuk fungsi lindung dan peruntukan ruang untuk fungsi budi daya.
Peta Pola Ruang biasanya dibuat untuk jangka waktu setiap 5 tahun, dan di akhir 5 tahun selalu dievaluasi dan direvisi apakah rencana di dalamnya masih relevan atau tidak dengan kondisi lingkungan dan kebutuhan saat itu. Efektif atau tidaknya sebuah pola ruang dalam mengendalikan perubahan penggunaan atau penutupan lahan memang dipengaruhi banyak faktor seperti implementasi di lapangan semisal pengetatan perizinan, penegakan hukum, dan sebagainya.
Baca Juga : Prediksi Perubahan Tutupan Lahan (Bagian 1) : Skenario Business As Usual (BAU) Pada Terrset
Transition Suitability Image Collection
Pada simulasi CA Markov di Terrset, selain menggunakan probabilitas transisi sebagai dasar, juga digunakan Transition suitability image collection. Suitability image ini pada intinya adalah raster yang menginformasikan ‘rambu’ mana-mana saja lokasi satu tipe penutupan lahan yang diperbolehkan berubah dan tidak (sesuai dan tidak). Transition suitability image collection yang digunakan pada CA Markov skenario Bussiness As Usual masih menggunakan data bawaan (pola linier). Nah, data tersebut sebenarnya bisa diganti dengan faktor-faktor atau data pembatas lainnya.
Dalam konteks pertanian, Suitability image ini bisa saja peta kesesuaian lahan untuk komoditas tertentu. Dalam konteks lain bisa juga peta kerawanan bencana, peta pola ruang (alokasi lahan) seperti yang akan dicontohkan dalam kasus ini, dan lain-lain. Peta pola ruang Kecamatan Kuningan yang digunakan Lintasbumi, di dalamnya terdapat 14 pola ruang dari mulai hutan produksi terbatas, permukiman, dan seterusnya.
Suitability atau kesesuaian tersebut bisa jadi sifatnya subyektif, bergantung kepada sejauh mana pemahaman si pembuat model. Dalam simulasi ini Lintasbumi mendefinisikan pola ruang sebagai faktor pembatas, yaitu apakah (ke depan) satu tipe penutupan lahan boleh berubah atau tidak di alokasi lahan tertentu. Contohnya pada pola ruang hutan produksi terbatas pasti akan dilarang ada permukiman, kebun/perkebunan rakyat, pertanian lahan kering (ladang / tegalan), sawah, dan yang sifatnya budidaya. Artinya tipe penutupan lahan budidaya menjadi tidak sesuai di pola ruang hutan produksi terbatas.
Penentuan Kesesuaian Pada Shp Pola Ruang
Dalam permodelan ini, pola ruang dianggap sebagai kesesuaian (suitability image). Kembali ke data penutupan lahan yang digunakan, di dalam contoh terdapat 7 tipe penutupan lahan, yang berarti kesesuaian pola ruangnya juga akan ada 7. Bagaimana membuatnya?
Sebagai langkah pertama, buka shp pola ruang di ArcMap. Lalu pada atributte table buatlah kolom (add field) sebanyak 7. Beri nama Sui_1 sampai dengan Sui_7 dengan tipe angka (bisa long/short integer atau double dan sejenisnya), nomor pada nama kolom disesuaikan dengan kode penutupan lahan.
Edit tabel tersebut, beri nilai di masing-masing baris yang bersilangan/bersesuaian untuk setiap tipe penutupan lahan. Nilai 0 jika tidak sesuai / tidak boleh, sedangkan yang boleh diberi nilai 1 — pada gambar di bawah lihat kolom Sui_1 sampai Sui 7 dan baris-baris di bawahnya.
Ketentuan Idrisi untuk nilai suitabulity map ini adalah angka integer antara 0 – 255 (8 bit), semakin tinggi angkanya artinya semakin sesuai. Misal jika diklasifikasikan kesesuaiannya menjadi 3 yaitu tidak sesuai – sesuai – sangat sesuai, maka bisa nilainya menjadi 0 = tidak sesuai, 1 = sesuai, 2 = sangat sesuai. Namun dalam simulasi ini Lintasbumi hanya memberi nilai 0 dan 1 saja (tidak sesuai dan sesuai).
Setelah bernilai semua, lalu ekspor shp pola ruang ke raster sebanyak 7 kali, beri nama rasternya misal Suit_1 sampai Suit_7. Karena nilai di dalam masing-masing kesesuaian tidak banyak yaitu hanya 0 – 1 disarankan rubah menjadi .tif, dengan parameter lainnya sama dengan ketika ekspor raster penutupan lahannya.
Setelah terekspor semua buka Terrset, lakukan impor dari GeoTIFF ke .rst. Nama file untuk yang 7 ini usahakan tidak terlalu berbeda dengan .tif nya agar tidak membingungkan. Misalnya Suit_1.rst, Suit_2.rst, dan seterusnya. Kalau ingin lebih cepat gunakan fasilitas batch agar ketika menjalankan perintah impor tersebut langsung untuk 7 file.
Membuat Grup Raster Kesesuaian
Setelah itu buat raster group untuk suitability map, langkahnya klik File – Collection Editor. Muncul jendela Collection Editor, pilih semua file kesesuaian (Shift + klik file awal sami akhir) lalu klik Insert before sampai kolom (Collection members) di kanan terisi, usahakan harus berurutan 1 – 7, jangan acak, jika acak perbaiki (urutkan kembali). Setelah itu di save as, pada kasus ini disimpan sebagai polaruang.rgf. Sampai sini raster kesesuaian sudah selesai dibuat.
Lakukan Simulasi Penutupan Lahan Berbasis Kesesuaian Pola Ruang
Untuk melakukannya sama saja menggunakan perintah CA Markov, hanya saja kali ini yang dijadikan simulasi adalah penutupan lahan tahun 2016 untuk memprediksi penutupan lahan tahun 2021, rentang waktu sama selama 5 tahun. Pertama lakukan untuk BAU, baru kemudian CA Markov yang kedua adalah dengan skenario Pola Ruang. Apa pembedanya? pembedanya yaitu pada Transition suitability image collection gunakan pola ruang.rgf.
Perbandingan antara proyeksi BAU dan skenario pola ruang menunjukan penambahan ladang (warna hijau tua), dan permukiman (hijau muda) pada skenario RTRW lebih terkendali (sedikit). Ini menunjukan pola ruang efektif untuk meredam konversi lahan menjadi terbangun jika saja implementasi di lapangannya benar.
Proyeksi Penutupan Lahan Hanyalah Alat Bantu
Di atas itu semua, permodelan CA Markov dan juga yang sejenis sama dengan ramalan, perkiraan, yang tentu saja bisa salah. Karena pada kenyataannya perubahan penutupan lahan tidaklah sesederhana proyeksi, tidak linier secara statistik. Banyak faktor yang mempengaruhi. Selain CA Markov ada juga metode-metode lain yang digunakan untuk proyeksi penutupan / penggunaan lahan.
Lahan adalah sesuatu yang sifatnya juga strategis secara ekonomis, jadi perubahan bisa saja karena adanya intervensi kebijakan untuk alasan ekonomi / investasi besar-besaran semisal tiba-tiba secara besar-besaran dibuka perkebuan, industri, pertambangan, dan lain-lain. Contoh lain tiba-tiba ada proyek strategis yang mendadak harus merubah semua perencanaan (pola ruang) yang telah ada, lalu ada kejadian bencana alam, dan faktor-faktor yang sifatnya tak terduga lainnya. Namu di sisi lain di kota besar seperti Jakarta bisa saja perubahan lahan horisontal sudah ‘mentok’, sehingga yang terjadi sudah diantisipasi secara vertikal (menjadi gedung tinggi seperti apartemen, dan sebagainya)
Paling tidak dengan alat bantu permodelan penutupan lahan ini, bisa memberikan gambaran kasar pada kita bahwa jika kondisi normal-normal saja, di masa depan perkembangan penutupan atau penggunaan lahan di suatu lokasi akan seperti apa. Itu sebagai bahan untuk mengantisipasi apa yang harus dilakukan ke depan yang merupakan inti perencanaan wilayah.