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.