Kelompok 31

Meningkatkan Kemampuan Model CA-markov Terintegrasi Mensimulasikan Tren Pertumbuhan Perkotaan Spatio-temporal Menggunakan Analytical Proses Hirarki dan Rasio Frekuensi

ABSTRAK

Tujuan dari penelitian ini adalah untuk meningkatkan kemampuan simulasi model CA-Markov Chain (CA-MC) yang terintegrasi menggunakan CA-MC berdasarkan pada Analytical Hierarchy Process (AHP) dan CA-MC berdasarkan Frequency Ratio (FR), keduanya diterapkan di Seremban, Malaysia, serta untuk membandingkan kinerja dan akurasi antara model tradisional dan hibrida. Berbagai kriteria fisik, sosial ekonomi, utilitas, dan lingkungan digunakan sebagai prediktor, termasuk ketinggian, kemiringan, tekstur tanah, kepadatan penduduk, jarak ke area komersial, jarak ke area pendidikan, jarak ke area perumahan, jarak ke area industri, jarak ke jalan, jarak ke jalan raya, jarak untuk kereta api, jarak ke saluran listrik, jarak ke aliran, dan tutupan lahan. Untuk kalibrasi, tiga model diterapkan untuk mensimulasikan tren pertumbuhan perkotaan pada tahun 2010; data aktual tahun 2010 digunakan untuk validasi model menggunakan metode Karakteristik Operasi Relatif (ROC) dan koefisien Kappa Akibatnya, di masa depan peta pertumbuhan perkotaan tahun 2020dan 2030dibuat.

INTRODUCING

Masalah pertumbuhan perkotaan adalah spatio-temporal dan sosial-ekonomi proses dan menunjukkan peningkatan signifikansi area perkotaan sebagaipusat populasi dan konsentrasi komersial dalam masyarakat tertentu (Bhatta et al., 2010; Aburas et al., 2016). Mensimulasikan pola pertumbuhan perkotaan telah menjadi hal yang penting bagi ekosistem perlindungan dan pembangunan berkelanjutan (Barredo et al., 2003). Selain itu, struktur kompleks lingkungan perkotaan harus dipahami untuk memprediksi dinamika perkotaan dengan benar (Barredo et al., 2003). Pemodelan pola pertumbuhan kota berdasarkan teknik RS dan GIS dilakukan untuk memahami proses spasial untuk pergerakan perkotaan dalam waktu tertentu menuju terciptanya masa depan. kebijakan pembangunan berkelanjutan (Yagoub dan Al Bizreh, 2014). Dengan adanya perubahan tren dan dimensi pertumbuhan kota adalah biasanya disimulasikan menggunakan model Rantai Markov (Muller dan Middleton, 1994; Sang et al., 2011; Balzter, 2000; Kamusoko et al., 2009).

Model Cellular Automata (CA) memiliki struktur terbuka dan dapat diintegrasikan dengan model lain untuk mensimulasikan dan memprediksi perkotaan pola pertumbuhan (Clarke, 1997). pentingnya menggunakan model CA-Markov Chain yang terintegrasi adalah bahwa ia memainkan peran penting dalam memodelkan pertumbuhan perkotaan, terutama di negara-negara berkembang, yang memiliki fitur perkotaan yang berbeda.

METHODOLOGY

Seremban adalah ibu kota demonstrasi dan ekonomi Negara Sembilan. Ini mencakup area seluas sekitar 935,78 km persegi. Kota Seremban dibagi menjadi tujuh distrik administratif, yaitu : Kota Seremban, Lenggeng, Ampangan, Pantai, Setul, Rantau dan Labu Tata ruang Pentingnya kota Seremban adalah terletak sekitar 67 km dari Kuala Lumpur, pusat ekonomi Malaysia, 20 km dari Putrajaya, ibukota nasional Malaysia, dan sekarang berdekatan dengan Negara Bagian Selangor, dianggap sebagai Negara terbesar di Indonesia Semenanjung Malaysia. Dimensi spasial yang signifikan dari Seremban ini akan dijadikan Inkubator pembangunan perkotaan di masa depan di Semenanjung Malaysia.

Studi ini menggunakan peta tata guna lahan tahun 1984, 1990, 2000, dan 2010 diperoleh dari Departemen Pertanian Malaysia. Peta topografi tahun 2012 dikumpulkan dan digunakan untuk mengidentifikasi batas administrasi seluruh wilayah Seremban dan bahwa masing-masing kabupaten dan untuk mengekstrak faktor yang digunakan dalam GIS-AHP Analisis. Selain itu, Model Elevasi Digital (DEM) digunakan untuk menghasilkan lapisan kemiringan dan ketinggian. Selain itu, data populasi digunakan untuk membuat peta kepadatan populasi dari Seremban.

CA-Markov adalah model spasial struktur terbuka yang dapat digunakan untuk meningkatkan kemampuan simulasi pertumbuhan perkotaan. Dalam studi ini, model CA – Markov diterapkan untuk mensimulasikan dan memprediksi masa depan pertumbuhan kota di Seremban. Pada simulasi camarkov terintegrasi berdasarkan ahp dan ca-markov berdasarkan pada model fr, Model CA-Markov diintegrasikan dengan AHP, dan kemudian terintegrasi dengan FR untuk meningkatkan kemampuannya dalam mensimulasikan dan memprediksi pertumbuhan kota.  

Studi sebelumnya digunakan untuk mengidentifikasi faktor-faktor signifikan yang mempengaruhi penentuan lokasi yang tepat untuk perkotaan pertumbuhan. Faktor-faktor yang mempengaruhi tingkat lokal ditentukan berdasarkan pernyataan yang diperoleh dari ahli lokal yang bekerja di otoritas Pemerintah terkait seperti Departemen Perencanaan Kota, Dewan Daerah, dan Departemen Perencanaan Federal. Pembuatan peta kesesuaian lahan primer, Peta kesesuaian primer berdasarkan FR dan AHP dikembangkan menjadi salah satu input signifikan dalam model integrase digunakan untuk penelitian ini, peta kesesuaian. Ini digunakan daripada Rantai Markov peta probabilitas sehingga mereka dapat dimasukkan dengan model CA.

PEMBUATAN PETA KESESUAIAN LAHAN PRIMER DAN FINAL

Peta kesesuaian primer berdasarkan FR dan AHP dikembangkan menjadi salah satu input signifikan dalam model integrase digunakan untuk penelitian ini. Untuk kesesuaian lahan FR peta, konsep yang sama dari Formula digunakan untuk menghasilkan peta kesesuaian lahan.

Dimana, Cn = Peta kriteria (mis. Sel raster terstandarisasi). Wn = Berat berasal dari perbandingan berpasangan AHP, dan rasio frekuensi area built-up di setiap domain. Peta-peta ini tidak dapat diintegrasikan langsung dengan CAMarkov model untuk tujuan simulasi.

Ini digunakan daripada Rantai Markov peta probabilitas sehingga mereka dapat dimasukkan dengan model CA. Peta kesesuaian primer dikombinasikan dengan probabilitas peta transformasi, yang mencakup negara-negara non-perkotaan dan perkotaan untuk setiap sel, sedangkan peta kesesuaian primer digabungkan sebagai nilai integer antara 0 dan 255. Peta terintegrasi ini dihasilkan dalam lingkungan IDRISI Selva sebagai raster grup.

HASIL

Model Rantai Markov digunakan untuk menghitung transisi matriks probabilitas, Dari hasil penelitian, dapat dicatat bahwa pertumbuhan perkotaan di Seremban akan meningkat di masa mendatang, CA-Markov model rantai meramalkan bahwa daerah perkotaan di Seremban akan meningkat hingga 242,1 km2 dan 278,1 km2 masing-masing pada tahun 2020 dan 2030. Di sebaliknya, wilayah non-perkotaan akan berkurang sebesar 709,77 km2 dan 673,77 km2 masing-masing pada tahun 2020 dan 2030. peta analisis kesesuaian lahan situs utama berdasarkan model AHP dan FR mengungkapkan bahwa Seremban dapat dibagi menjadi lima kategori yang sesuai. temuan AHP menunjukkan Persentase tinggi kesesuaian pertumbuhan kota sangat tinggi di Seremban, sedangkan temuan FR menunjukkan kesesuaian kota sedang pertumbuhan lebih mungkin bila dibandingkan dengan kategori tanah lainnya kesesuaian. Apalagi persentase kesesuaian perkotaan rendah pertumbuhan FR kurang dari AHP .

Model CA-Markov dan AHP yang terintegrasi meramalkanperkotaan itu daerah di Seremban akan meningkat CA-Markov dengan FR Masa depan pola pertumbuhan perkotaan berhasil disimulasikan dengan menggunakan CAMC berdasarkan FR, seperti yang ditunjukkan pada Gambar. 8. Yang terintegrasi Model CA – Markov dan FR meramalkan bahwa daerah perkotaan di Seremban akan meningkat menjadi 281,28 km2 dan 341,19 km2 pada tahun 2020 dan 2030, masing-masing. Di sisi lain, daerah non-perkotaan seperti pertanian, hutan, lahan terbuka, dan pedesaan, serta air permukaan akan berkurang 670,59 km2 dan 610,68 km2 masing-masingpada tahun 2020 dan 2030.

Hasil validasi berbasis CA-Markov, CA-Markov pada AHP, dan CA-Markov berdasarkan model AHP untuk mensimulasikan pertumbuhan perkotaan pada tahun 2000 menggunakan koefisien Kappa menunjukkan 83,9%, 87,2%, dan 90,3% akurasi prediksi, masing-masing. Sementara itu di Keakuratan prediksi 2010, 83%, 86,2%, dan 90,8% telah tercapai masing-masingmodel.

KESIMPULAN

Dalam studi ini, simulasi tren pertumbuhan perkotaan masa depan adalah ditingkatkan. Proses simulasi CA-MC dikembangkan dengan mengintegrasikannya dengan teknik kuantitatif dan spasial (yaitu CA-MC berdasarkan model AHP dan FR). Pendekatan integrasi digunakan untuk menutupi keterbatasan model CA-MC asli seperti keterbatasan data dan kesulitan menggunakan kekuatan penggerak di proses simulasi. Beragam data dan sebagian besar kekuatan pendorong pertumbuhan perkotaan digunakan dengan mengintegrasikan AHP dan FR dengan model CA-MC asli. Berdasarkan temuan validasi model, CA-MC asli, CA-MC berdasarkan AHP, dan CA-MC berdasarkan Model FR, mencapai akurasi prediksi 80,6%, 84,2%, dan 88,2%, masing-masing. Hasil validasi mengkonfirmasi bahwa simulasi kemampuan model CA-MC asli ditingkatkan dengan menggunakan AHP dan model FR. Di sisi lain, alasan utama untuk memperoleh akurasi CA-MC rendah berdasarkan AHP dibandingkan dengan CA-MC pada FR adalah bahwa ada pendapat ahli yang berbeda dan kontras dalam memilih faktor dan bobotnya dalam metode AHP .

Sementara itu, tingkat akurasi dan kinerja yang lebih tinggi dicapai dengan menggunakan CAMC didasarkan pada model FR karena tidak memiliki batasan disebutkan dalam model sebelumnya. Akhirnya, CA-MC berdasarkan FR model yang dikembangkan akan membantu dan mendukung perencana kota dan pengambil keputusan untuk memantau dan mengendalikan tren pertumbuhan perkotaan mencapai prinsip pembangunankota berkelanjutan.

Review Jurnal "Penginderaan Jarak Jauh"

Definisi

·       Lillesand dan Kiefer (1979), penginderaan jauh adalah ilmu dan seni untuk memperoleh informasi tentang obyek, daerah, atau gejala dengan jalan menganalisis data yang diperoleh dengan menggunakan alat tanpa kontak langsung terhadap obyek, daerah, atau gejala yang dikaji.

·       Colwell (1984) penginderaaan jauh yaitu suatu pengukuran atau perolehan data pada objek di permukaan bumi dari satelit atau instrumen lain di atas atau jauh dari objek yang diindera.

Sejarah Penginderaan Jauh

Captive Balloons

Ø  Tahun 1860 pemotretan dengan sukses dilakukan dari CAPTIVE BALLOONS, militer pertama kali menggunakan foto udara ketika perang Sipil Amerika. \

Wilbur Wright (1909)

Ø  Tahun 1900 teknologi fotografi berkembang dengan ditemukannya kamera lebih kecil, lensa lebih cepat dan film. 1909 Wilbur Wright is credited with taking the first photographs from an airplane.

Tiga Hal Penting dalam Penginderaan Jauh

1. Sumber energi/tenaga yang berasal dari matahari,

2. Media perantara yang berupa gelombang elektromagnetik dan

3. Sensor yang sensitif untuk tiap spektrum gelombang elektromagnetik

Sistem Penginderaan jauh

a)    Sumber energi

b)    Radiasi dan atmosfir

c)     Interaksi dengan obyek

d)    Perekaman energi oleh sensor

e)    Transmisi, resepsi, pemrosesan

f)      Stasiun bumi dan penyimpanan

g)    Analisa

h)    Aplikasi

Sistem Sensor Aktif  : Memanfaatkan energi dari satelit sendiri

Sistem Sensor Pasif : Memanfaatkan energi dari energi matahari

Review Jurnal "BASISDATA – PETA DIGITAL – SIG"

BASISDATA – PETA DIGITAL – SIG

•       Sekarang ini Peta (Data Geospasial) baik topografi maupun tematik dalam bentuk model yang disajikan di atas kertas (peta cetak) dapat (harus) dikonversi ke dalam sistem digital (komputer), dan dikenal sebagai Peta Digital;

•       Peta Digital tiada lain adalah sistem pemetaan dengan penyimpanan data (spasial & non-spasial) dalam bentuk basisdata, dikenal sebagai Basisdata Spasial;

•       Sistem Informasi Geografis (SIG) atau Geographical Information Systems (GIS) berbasiskan Peta Digital (Basisdata Spasial).

SIG/GIS

•       Sebuah Teknologi

–       Perangkat Keras & Perangkat Lunak

•       Strategi Penanganan Informasi

•       Tujuannya yaitu untuk meningkatkan pengambilan keputusan secara keseluruhan

•       Definisi secara formal:

Sistem untuk menangkap, menyimpan, memeriksa, mengintegrasikan, memanipulasi, menganalisis, dan menampilkan data yang secara spasial yang direferensikan ke Bumi. Hal ini biasanya dianggap melibatkan basis data komputer yang direferensikan secara spasial dan perangkat lunak aplikasi yang sesuai

Tujuan Pengembangan SIG/GIS

·       Dipakai untuk memberikan informasi geografis yaitu :

o       Informasi tentang dimana lokasi sesuatu di muka bumi.

o       Pengetahuan tentang apa yang ada di suatu lokasi.

·       Secara umum digunakan untuk merepresentasikan real world (dunia nyata).

·       Maksud SIG ini ialah :

o       Mengijinkan unsur geografis, dalam arti lokasi nyata, untuk direpresentasikan secara digital sehingga dapat ditampilkan dalam bentuk peta (analog).

o       Menyediakan representasi digital real world untuk dipakai dalam operasi management, pengambilan keputusan dan pengetahuan

Latar Belakang Sejarah SIG/GIS

Teknologi SIG dibangun dari dua komponen dasar:

o       Digital cartography and CAD (Computer Aided Design)

o       Data Base Management Systems (DBMS)

Pentingnya SIG/GIS

•       80% aktivitas dari pemerintah daerah berhubungan dengan persoalan lokasi (geographically based) : rencana tata ruang, zoning, pekerjaan umum (jalan, air minum, pembuangan), sampah, kepemilikan tanah, penilaian harga tanah, dsb

•       Sebagian besar pekerjaan yang berkaitan dengan pengelolaan sumber daya alam,  sumber daya lahan, transportasi memiliki komponen lokasi (yang menjadi tanggung jawab pemerintah pusat)

–       adanya aktivitas business yang memanfaatkan teknologi SIG:

–       site selection, costumer analysis, logistics (vehicle tracking & routing), eksplorasi sumber daya alam (minyak), pekerjaan teknik sipil & rekayasa.

•       Penelitian ilmiah yang memanfaatkan SIG: geodesi, geografi, geologi, antropologi, sosiologi, ekonomi, politik, epidemi, dll

•        

Aktivitas/Fungsi Pada Sig/Gis

Mengelola, menganalisis, berkomunikasi dengan data geografik dan menggunakannya untuk tujuan-tujuan, antara lain:

o    Otomatisasi (automation) dalam:

o    Produksi peta, menghitung (luas, jarak, panjang rute), mengukur kelerengan (slope), sudut pandang (aspect & view)

o    Integrasi (data dari berbagai macam sumber)

o    Memecahkan persoalan spasial yang cukup kompleks

o    Memenuhi permintaan (query) pengguna

o    Pemodelan (modelling)

Review Jurnal "Pemodelan Urban Sprawl Menggunakan Remotely SensedData: Studi Kasus Kota Chennai, Tamilnadu"

Abstrak

Urban sprawl (AS), didorong oleh pertumbuhan populasi yang cepat menyebabkan penyusutan lahan pertanian yang produktif dan hutan yang masih asli di daerah pinggiran kota dan, sebaliknya, merugikan mempengaruhi penyediaan layanan ekosistem. Kuantifikasi AS dengan demikian penting untuk efektif perencanaan kota dan manajemen lingkungan. Seperti banyak kota besar yang berkembang pesat negara, Chennai, ibukota Tamilnadu dan salah satu pusat bisnis di India, telah mengalami luas AS dipicu oleh penggandaan total populasi selama tiga ndust terakhir.

Pendahuluan

Peningkatan populasi manusia secara global yang cepat telah memicu perpindahan penduduk miskin pedesaan kota-kota untuk standar kehidupan, ndustryn, dan pendapatan yang lebih baik [1] Pada 2030 populasi dunia adalah diperkirakan akan meningkat 72% dengan kenaikan 175% di daerah perkotaan (> 100.000 penduduk) [2] Si migranmasyarakat miskin pedesaan sering melanggar batas pinggiran kota yang murah [3,4] dan, akibatnya, kota-kota berkembang untuk mengakomodasi imigran serta menciptakan lapangan kerja dengan intensifikasi ndustry [4] Ini akhirnya mengarah ke urban sprawl (AS) dan perkembangan yang tidak merata, melalui konversi tanah pinggiran kota ke pemukiman yang dibangun.

Wilayah Studi

Chennai adalah ibu kota negara bagian Tamilnadu, India, dan pintu gerbang India selatan (Gambar 1). Lokasi geografis Chennai mencakup antara 13,04◦ N 80.17◦E dengan ketinggian antara 6 m dan 60 m di atas permukaan laut rata-rata. Ini mencakup area seluas sekitar 42.600 ha [16] Ini keempat India kota terbesar, dengan total populasi 8.233.084 menurut sensus India 2011.

Material dan Metode

Menggunakan gambar Landsat Thematic Mapper ™ dan Enhanced Thematic Mapper (ETM +) dengan aResolusi spasial 30 m yang mencakup adegan temporal dari 1991, 2003, dan 2016 (Tabel 1). Gambarsecara bebas diunduh dari portal Survei Geologi Amerika Serikat [USGS] [41] di GeoTIFFformat dan georeferensi menggunakan World Geodetic System (WGS) 1984 sistem referensi koordinat.Data awalnya dikoreksi secara geografis dan diperbaiki, dan dipangkas ke area studi (Gambar 1). Fotopra-pemrosesan dilakukan menggunakan paket perangkat lunak Environment for Visualizing Images (ENVI)(Versi 5.1).

Hasil dan Diskusi

Gambar 1

Luas dan Pola US di Chennai antara 1991 dan 2016

Ubah Level US di Chennai

Gambar 2

Luas dan Tingkat Prediksi untuk 2027

Kelompok 30

Analisis Keputusan Multi-Kriteria Berbasis Gis ​

Untuk Kerentanan Kebakaran Hutan Pemetaan​

Studi Kasus Di Hutan Harenna, Ethiopia Barat Daya​

STUDI KASUS​

Daerah penelitian Bale Mountains National Park terletak di bagian tenggara dari Ethiopia, yang dibatasi oleh garis lintang 6 ° 0' 00" N - 6 ° 57' 28" N dan 

bujur 39°15'00 E - 40 ° 42'25" E​

METODE​

Analisis kerentanan resiko kebakaran hutan menggunakan data dan kedekatan fisiografi faktor, seperti ​

1.     ketinggian​

2.     kemiringan​

3.     aspek​

4.     jenis vegetasi​

5.     kedekatan dengan pemukiman dan ​

6.     jarak dari jalan​

HASIL

Hasil sensitivitas api​

1.     Padang rumput memiliki risiko pengapian tertinggi, yang menyumbang 48.603 ha (7,1%) di

      daerah penelitian ini. ​

2.     Semak adalah daerah yang mudah terbakar tertinggi kedua, dengan tingkat 81.805 ha

      (12%), diikuti oleh​

3.      Afro-alpine vegetasi (22.827 ha, 3,4%), ​

4.     cemara hutan (55.298 ha, 8,1%) dan ​

5.     hutan lembab (236.976 ha, 34,8 %). ​

6.     tipe vegetasi, suhu dan kelembaban berkorelasi dengan faktor ketinggian

​

Tingkat kerentanan kebakaran hutan dan tingkat yang sesuai kerentanan resiko kebakaran. Dari total luas 6,80,592 ha​

·          3,4% jatuh dalam kategori risiko kebakaran kerentanan 'sangat tinggi’​

·          24% di bawah risiko tinggi, ​

·          37,3% risiko sedang dan ​

·          0,15% risiko rendah. ​

Validasi peta keluaran diuji oleh overlay poin tempat api mengungkapkan bahwa kawasan yang terbakar terletak di daerah yang sangat tinggi . Daerah di bawah tingkat kebakaran hutan kerentanan sangat tinggi, tinggi dan sedang adalah wilayah di mana api tidak sengaja disebabkan oleh aktivitas manusia.​

​