Perbandingan Akurasi Model Cellular Automata-Artificial Neural Network dan Cellular Automata-Logistic Regression Untuk Prediksi Konversi Lahan Pertanian di Kawasan Sleman Tengah

Annisa Caesa Meilani, Dr. Ir. Diyono, S.T., M.T., IPU.

2026 | Skripsi | TEKNIK GEODESI

Perkembangan Kota Yogyakarta sebagai pusat pertumbuhan telah mendorong perluasan wilayah terbangun ke daerah penyangga yang tergabung dalam kawasan aglomerasi Kartamantul, termasuk Kawasan Sleman Tengah di mana terdiri atas Kapanewon Depok, Mlati, Sleman, Ngaglik, dan Gamping. Peningkatan aktivitas akibat peningkatan kebutuhan ruang untuk pemukiman, fasilitas umum, dan aktivitas ekonomi mendorong perubahan penggunaan lahan, sehingga diperlukan pemodelan prediksi perubahan penggunaan lahan yang akurat sebagai dasar perencanaan dan pemanfaatan ruang. Pada penelitian ini, akurasi dari model Cellular Automata - Artificial Neural Network (CA-ANN) berbasis GeoSOS-FLUS dan MOLUSCE dan Cellular Automata - Logistic Regression (CA LR) berbasis MOLUSCE dibandingkan untuk memperoleh model prediksi konversi lahan paling akurat di Kawasan Sleman Tengah. Penelitian ini menggunakan data penggunaan lahan yang diperoleh dari hasil klasifikasi citra satelit Landsat multitemporal tahun 1996 – 2026 menggunakan metode Random Forest. Data ini digunakan sebagai data masukan dan data validasi dalam pemodelan prediksi perubahan penggunaan lahan menggunakan metode CA-ANN berbasis GeoSOS-FLUS dan MOLUSCE serta CA-LR berbasis MOLUSCE. Pemodelan dilakukan dengan memanfaatkan faktor pendorong berupa jarak terhadap jaringan jalan, jarak terhadap pusat ekonomi, dan kepadatan penduduk serta faktor pembatas berupa Rencana Detail Tata Ruang (RDTR) Kawasan Sleman Tengah tahun 2023-2043. Selanjutnya, hasil simulasi masing-masing model dengan interval lima tahun dibandingkan dengan hasil klasifikasi melalui uji akurasi menggunakan nilai overall accuracy dan Kappa untuk menentukan model dengan akurasi terbaik. Hasil penelitian menunjukkan bahwa model CA-ANN menghasilkan akurasi yang lebih tinggi dibandingkan CA-LR dalam mensimulasikan penggunaan lahan. Model CA ANN berbasis GeoSOS-FLUS nilai rata-rata overall accuracy sebesar 69,4?n nilai Kappa sebesar 0,517 selama periode 2006 – 2026. Hasil uji signifikansi menunjukkan bahwa akurasi CA-ANN GeoSOS-FLUS berbeda signifikan dibandingkan CA-LR MOLUSCE, tetapi tidak berbeda signifikan dengan CA-ANN MOLSUCE. Berdasarkan hasil tersebut, model CA-ANN GeoSOS-FLUS digunakan untuk memprediksi penggunaan lahan di Kawasan Sleman Tengah pada tahun 2031 dan 2036 dengan hasil prediksi menunjukkan peningkatan lahan terbangun sebesar 1.020,87 ha serta penurunan lahan pertanian dan daerah vegetasi sebesar 455,76 ha dan 565,11 ha dibandingkan tahun 2026. 

The development of Yogyakarta City as a regional growth center has driven the expansion of built-up areas into the surrounding buffer zones within the Kartamantul urban agglomeration, including the Central Sleman Area, which comprises the Depok, Mlati, Sleman, Ngaglik, and Gamping Districts. Increasing demand for residential land, public facilities, and economic activities has accelerated land use change, highlighting the need for accurate land use change prediction models to support spatial planning and land management. This study compares the accuracy of Cellular Automata-Artificial Neural Network (CA-ANN) models implemented in GeoSOS-FLUS and MOLUSCE and a Cellular Automata-Logistic Regression (CA-LR) model implemented in MOLUSCE to identify the most accurate model for predicting agricultural land conversion in the Central Sleman Area. Land use maps were generated from multitemporal Landsat imagery classified using the Random Forest algorithm. These maps were used as input and validation data for land use change prediction using the CA-ANN and CA-LR models. The simulation incorporated driving factors consisting of distance to road networks, distance to economic centers, and population density. Model validation was conducted at five-year intervals by comparing simulated land use maps with the corresponding classified land use maps using Overall Accuracy and the Kappa coefficient. In addition, a paired-sample t-test was performed to evaluate the statistical significance of differences in model accuracy. The results showed that the CA-ANN models generally achieved higher accuracy than the CA-LR model in simulating land use change. Among the evaluated models, the GeoSOS-FLUS-based CA-ANN obtained an average Overall Accuracy of 69.4% and an average Kappa coefficient of 0.517 during the 2006–2026 validation periods. The significance test indicated that the accuracy of the GeoSOS-FLUS-based CA-ANN was significantly different from that of the MOLUSCE-based CA-LR model but not significantly different from that of the MOLUSCE-based CA-ANN model. Based on its accuracy and consistency of performance, the GeoSOS-FLUS-based CA-ANN model was selected to predict land use in the Central Sleman Area for 2031 and 2036. The prediction results indicate an increase of 1,020.87 ha in built-up land, accompanied by decreases of 455.76 ha in agricultural land and 565.11 ha in vegetation areas compared with the 2026 condition.

Kata Kunci : Perubahan penggunaan lahan, Cellular Automata (CA), Artificial Neural Network, Logistic Regression, Kawasan Perkotaan Yogyakarta