Rekayasa Hijau: Jurnal Teknologi Ramah Lingkungan Volume 9 | Nomor 1 ISSN .
: 2579-4264 | DOI: https://doi.
org/10.
26760/jrh.
V9i1.
Maret 2025 Analisis Perubahan Tutupan Lahan Menggunakan Algoritma CART untuk Evaluasi Kesesuaian Lahan Terhadap RTRW Kabupaten Tangerang Gheo Damai Ramadhan1.
Hary Nugroho2 Program Studi Teknik Geodesi.
Institut Teknologi Nasional Bandung, 40124.
Indonesia Email: gheodamai@gmail.
Received 15 Januari 2.
Revised 25 Januari 2.
Accepted 2 Februari 2025
ABSTRAK
Kabupaten Tangerang mengalami pertumbuhan penduduk pesat yang mendorong perubahan tutupan lahan.
Rencana Tata Ruang Wilayah (RTRW) 2020 digunakan sebagai panduan pemanfaatan lahan, dengan klasifikasi utama: lahan terbangun, badan air, vegetasi, dan lahan terbuka.
Penelitian ini menganalisis perubahan tutupan lahan menggunakan algoritma Classification and Regression Trees (CART) pada citra Sentinel-2A tahun 2019 dan 2023 di Google Earth Engine.
Hasil menunjukkan peningkatan luas bangunan dan lahan terbuka masingmasing 19,866 kmA dan 17,877 kmA, sementara vegetasi dan badan air menurun 33,446 kmA dan 4,297 kmA.
Akurasi klasifikasi mendapatkan 89,36% .
dan 90,29% .
Selain itu, kesesuaian tutupan lahan dengan RTRW meningkat 36,71 kmA atau 4%.
Hasil ini menunjukkan efektivitas metode CART dalam memantau perubahan tutupan lahan serta relevansinya dengan kebijakan tata ruang di Kabupaten Tangerang.
Kata Kunci : Tutupan lahan.
Rencana Tata Ruang Wilayah (RTRW).
Google Earth Engine (GEE),Classification and Regression Trees (CART).
Penginderaan jauh.
ABSTRACT
Tangerang Regency is experiencing rapid population growth that is driving land cover change.
The 2020 Regional Spatial Plan (RTRW) is used as a guide for land use, with the main classifications: built-up land, water bodies, vegetation, and open land.
This study analyzed land cover change using the Classification and Regression Trees (CART) algorithm on 2019 and 2023 Sentinel-2A images in Google Earth Engine.
The results showed an increase in building area and open land of 19.
866 kmA and 17.
877 kmA respectively, while vegetation and water bodies decreased by 33.
446 kmA and 4.
297 kmA.
The classification accuracy was 89.
36% .
29% .
addition, land cover conformity with the RTRW increased by 36.
71 kmA or 4%.
These results demonstrate the effectiveness of the CART method in monitoring land cover change and its relevance to spatial policy in Tangerang District.
Keywords: Land cover.
Regional Spatial Plan (RTRW).
Supervised Classification.
Google Earth Engine (GEE).
Classification and Regression Trees (CART).
Remote sensing Rekayasa HijauAe 44
Analisis perubahan tutupan lahan menggunakan algoritma CART untuk evaluasi kesesuaian lahan terhadap RTRW Kabupaten Tangerang
PENDAHULUAN
Kabupaten Tangerang, yang terletak di bagian timur Provinsi Banten, mencakup 29 kecamatan dengan luas sekitar 103.
454 hektar .
Dalam periode 2019 hingga 2023, jumlah penduduk di wilayah ini meningkat sebesar 514.
396 jiwa .
, yang memicu tantangan signifikan dalam pengelolaan lahan.
Pertumbuhan penduduk yang pesat telah mendorong peningkatan permintaan lahan terbangun, mengakibatkan alih fungsi lahan yang mengancam tata ruang dan lingkungan .
Tutupan lahan, yang mencakup segala jenis ketampakan permukaan bumi pada lahan tertentu .
, menjadi faktor penting dalam memahami perubahan yang terjadi.
Teknik pengindraan jauh merupakan alat esensial dalam memantau perubahan tutupan lahan.
Pengindraan jauh telah terbukti efektif dalam menyediakan informasi spasial secara cepat, luas, dan akurat .
Pada Desember 2010.
Google memperkenalkan Google Earth Engine (GEE), sebuah platform komputasi berbasis cloud yang menyediakan katalog data pengindraan jauh berkapasitas multipetabyte dan algoritma machine learning.
Kehadiran GEE memberikan kesempatan baru bagi peneliti dalam mengidentifikasi tutupan lahan dengan lebih efisien .
Salah satu algoritma yang digunakan dalam klasifikasi tutupan lahan adalah Classification and Regression Tree (CART), yang merupakan teknik eksplorasi data decision tree untuk tugas klasifikasi dan regresi Penelitian ini bertujuan untuk menganalisis perubahan tutupan lahan serta kesesuaiannya dengan pola ruang dalam Rencana Tata Ruang Wilayah (RTRW) Kabupaten Tangerang pada tahun 2019 dan 2023.
Metode klasifikasi yang digunakan adalah klasifikasi terbimbing .
upervised learnin.
dengan algoritma CART.
Data yang digunakan meliputi citra satelit Sentinel-2A, data RTRW yang telah direklasifikasi, dan data administrasi Kabupaten Tangerang.
METODOLOGI
1 Fungsi dan Tutupan Lahan Klasifikasi penggunaan lahan memegang peran yang sangat penting, karena pembagian kelas ini dapat digunakan sebagai input dalam perencanaan pembangunan berkelanjutan .
Fungsi lahan merujuk pada peruntukan atau pemanfaatan suatu area lahan yang didasarkan pada kebijakan tata ruang dan perencanaan wilayah.
Setiap fungsi lahan ditetapkan untuk memenuhi tujuan tertentu, seperti permukiman, industri, pertanian, atau kawasan konservasi, sesuai dengan kebutuhan pembangunan dan pelestarian lingkungan.
Dalam Rencana Tata Ruang Wilayah (RTRW), terdapat berbagai kelas fungsi lahan yang menggambarkan penggunaan lahan berdasarkan kebijakan tata ruang.
Namun, memantau perubahan fungsi lahan melalui citra satelit sering kali menjadi tantangan, karena tidak semua fungsi lahan dapat diidentifikasi secara langsung melalui citra satelit.
Untuk mengatasi kesulitan ini, dilakukan reklasifikasi fungsi lahan menjadi kelas-kelas tutupan lahan yang lebih sederhana dan dapat dikenali melalui citra satelit.
Tutupan lahan merujuk pada penutup fisik yang ada di permukaan bumi, seperti vegetasi, bangunan, badan air, dan tanah kosong.
Dengan menggunakan citra satelit, kelas-kelas tutupan lahan ini dapat diidentifikasi dan dianalisis untuk memantau perubahan yang terjadi seiring waktu.
Dalam penelitian ini, kelas tutupan lahan disederhanakan menjadi empat kategori utama: bangunan, badan air, vegetasi, dan tanah kosong.
Melalui citra satelit, seperti Sentinel-2A, perubahan tutupan lahan dapat dipantau dengan lebih akurat dan berkelanjutan, sehingga memungkinkan evaluasi terhadap kesesuaian antara perubahan tutupan lahan dengan rencana tata ruang yang ada.
Rekayasa Hijau - 45 Gheo Damai Ramadhan dan Hary Nugroho 2 Area Studi Berikut adalah gambar lokasi penelitian yang digunakan dalam penelitian ini sebagaimana ditunjukkan pada Gambar 1.
Gambar 1.
Area Studi Studi ini dilakukan di Kabupaten Tangerang.
Provinsi Banten.
Indonesia.
Pusat pemerintahan kabupaten ini berada di Kecamatan Tigaraksa, dan secara geografis terletak di bagian timur Provinsi Banten.
Kabupaten Tangerang berada pada koordinat 106A20Ao-106A44Ao Bujur Timur dan 5A58Ao-6A21Ao Lintang Selatan.
Mayoritas wilayah Kabupaten Tangerang merupakan dataran rendah.
Sungai Cisadane, sungai terpanjang di wilayah ini, mengalir dari selatan dan bermuara di Laut Jawa.
Kabupaten Tangerang berperan sebagai wilayah penyangga sekaligus kawasan berkembang bagi ibu kota Jakarta.
Secara topografis, wilayah ini memiliki karakteristik yang relatif datar, dengan kemiringan tanah rata-rata 08% yang menurun ke arah utara.
Ketinggian wilayah bervariasi antara 0 hingga 50 meter di atas permukaan laut.
Bagian utara kabupaten ini terdiri dari daerah pesisir dan sebagian besar kawasan urban, bagian timur merupakan wilayah pedesaan dan pemukiman, sedangkan bagian barat didominasi oleh kawasan industri dan pengembangan perkotaan.
3 Data Penelitian Data yang digunakan dalam penelitian ini, sebagaimana disajikan pada Tabel 1, berasal dari beberapa instansi terkait dan mencakup informasi penting untuk mendukung studi ini.
Tabel 1.
Data Penelitian No.
Data Tahun Sumber Batas Administrasi Kabupaten Tangerang Citra Satelit Sentinel-2A 2019 dan 2023 Copernicus RTRW Kabupaten Tangerang 2011-2031 (Pembaharua.
Dinas Tata Ruang dan Bangunan (DTRB) Kabupaten Tangerang Dinas Tata Ruang dan Bangunan (DTRB) Kabupaten Tangerang Rekayasa Hijau - 46 Analisis perubahan tutupan lahan menggunakan algoritma CART untuk evaluasi kesesuaian lahan terhadap RTRW Kabupaten Tangerang 4 Diagram Alir Penelitian Perancangan penelitian ini dilakukan mengikuti metodologi yang diuraikan pada Gambar 2.
Penjelasan rinci terkait diagram alir tersebut telah disampaikan pada sub bab Pengolahan Data dan Analisis Data.
Gambar 2.
Diagram Alir Penelitian 5 Metode Classification and Regression Tree (CART) Classification and Regression Tree (CART) merupakan algoritma yang berasal dari teknik pohon keputusan, yang juga dikenal sebagai decision trees.
CART adalah algoritma statistik non-parametrik yang dapat digunakan untuk memprediksi variabel respons berdasarkan satu atau lebih variabel prediktor atau variabel independen .
Penggunaan analisis CART memiliki beberapa keunggulan, antara lain:
Bentuknya merupakan metode statistik non-parametrik, sehingga tidak memerlukan asumsi distribusi data maupun uji hipotesis.
Tidak memerlukan pemilihan variabel terlebih dahulu.
Efisien dalam perhitungan.
Mampu menangani dataset dengan struktur yang kompleks.
Tangguh dalam menghadapi outlier, di mana outlier biasanya diisolasi dalam satu atau beberapa Dapat menggabungkan data kontinu/numerik dan kategorikal.
Hasil analisis CART tetap konsisten meskipun variabel respons mengalami transformasi monoton, seperti perubahan skala atau satuan.
Rekayasa Hijau - 47 Gheo Damai Ramadhan dan Hary Nugroho Dalam algoritma CART, setiap sampel yang digunakan harus mempertimbangkan pola spektral pada panjang gelombang tertentu untuk memastikan bahwa daerah acuan yang dipilih dapat mewakili objek yang dimaksud .
Secara keseluruhan, analisis CART merupakan metode yang kuat dan fleksibel untuk pengklasifikasian data, dengan kemampuan memberikan interpretasi yang jelas melalui struktur pohon keputusan .
6 Matriks Konfusi (Confusion Matri.
Matriks konfusi merupakan salah satu alat yang menunjukkan dan membandingkan actual value atau nilai sebenarnya dengan nilai hasil prediksi model.
Alat ini dapat diperuntukkan untuk menghasilkan matriks evaluasi seperti producer accuracy, user accuracy, overall accuracy, dan kappa accuracy .
Tabel Ilustrasi matriks konfusi dapat dilihat pada Tabel 2.
Tabel 2.
Confusion Matrix .
Data hasil klasifikasi
Total Kolom
User accuracy Kesalahan Omisi
Overall Accuracy Kappa Accuracy X11
X21
X31
Data uji klasifikasi
X12
X22
X32
X13
X23
X33
Total
Baris X 1
X 2
X 3
Producer Accuracy Kesalahan Omisi Xii Berbagai rumus yang digunakan untuk menghitung matriks konfusi antara lain yang dijelaskan dalam .
ada pada keterangan berikut.
ycUycnycn ycEycycuyccycycayceyc yaycaycaycycycaycayc = ycu 100% .
ycUycn ycUycnycn ycOycyceyc yaycaycaycycycaycayc = ycu 100% .
ycU ycn yayceycycaycoycaEaycaycu ycuycoycnycycn = 100% Oe ycEycycuyccycycayceyc ycaycaycaycycycaycayc yayceycycaycoycaEaycaycu ycoycuycoycnycycn = 100% Oe ycOycyceyc ycaycaycaycycycaycayc Ocycycn=1 ycUycnycn ycCycyceycycaycoyco ycaycaycaycycycaycayc = ( ) ycu100% ycA ycA Ocycycn=1 ycUycnycn Oe Ocycycn=1.
cUycn .
ycU ycn ) yaycaycyycyyca ycaycaycaycycycaycayc = ( ) ycu100% ycA 2 Oe Ocycycn=1.
cUycn .
ycU ycn ) .
Keterangan:
: Banyaknya piksel dalam contoh : Jumlah piksel dalam baris ke-i X 1 : Jumlah piksel dalam kolom ke-i Xii : Nilai diagonal dari matriks kontingen baris ke-i dan kolom ke-i Citra hasil pengolahan memiliki akurasi baik dimana syarat minimum overall accuracy adalah 80% .
Sedangkan untuk kappa accuracy, dikategorikan menjadi 6 kelas .
Kategori kelas akurasi kappa sebagai berikut.
Rekayasa Hijau - 48 Analisis perubahan tutupan lahan menggunakan algoritma CART untuk evaluasi kesesuaian lahan terhadap RTRW Kabupaten Tangerang Tabel 3.
Kategori Kelas Akurasi Kappa .
Nilai akurasi kappa
<0%
Keterangan Less than chance agreement 1% Ae 20% Slight agreement 21% Ae 40% Fair agreement 41% Ae 60% Moderate agreement 61% Ae 80% Substantial agreement 81% Ae 99% Almost perfect agreement Tabel 3 mengklasifikasikan kesepakatan antar-penilai dalam hal nilai kappa namun dapat diketahui nilai kappa itu sendiri adalah statistik peluang.
Untuk mengevaluasi apakah kappa yang diamati signifikan secara statistik, disarankan untuk memberikan nilai P atau interval kepercayaan.
Meskipun nilai P menunjukkan apakah kappa berbeda dari nol secara kebetulan, kekuatan kesepakatan tidak tercermin dalam nilai P itu sendiri.
Selain itu, nilai P dan interval kepercayaan bergantung pada ukuran sampel.
Dengan demikian, kappa yang kecil sekalipun dapat menjadi signifikan secara statistik jika sampelnya Penggunaan perangkat lunak dalam penghitungan metrik ini memastikan akurasi dalam interpretasi tingkat kesepakatan.
7 Rencana Tata Ruang Wilayah (RTRW) Rencana Tata Ruang Wilayah (RTRW) adalah dokumen perencanaan yang menyusun tata ruang untuk suatu wilayah, termasuk seluruh unsur terkait, dengan batasan dan sistem yang ditentukan berdasarkan aspek administratif .
Pemerintah Pusat mewajibkan pemerintah daerah untuk menyusun RTRW guna mengatur penataan ruang di wilayahnya.
RTRW terbagi dalam tiga hierarki: Rencana Tata Ruang Wilayah Nasional.
Provinsi, dan Kabupaten/Kota.
Dokumen ini mencakup ruang darat, laut, udara, dan ruang bawah tanah, serta berfungsi sebagai pedoman pelaksanaan pembangunan wilayah .
Tujuan utama tata ruang adalah mengoptimalkan pemanfaatan sumber daya daerah melalui pengelolaan ruang yang efektif, mencakup perencanaan, pengendalian, dan pengaturan.
Skala ketelitian peta RTRW ditentukan berdasarkan tingkat wilayah: 1:250.
000 untuk Provinsi, 1:50.
000 untuk Kabupaten, dan 1:25.
000 untuk Kota .
8 Pengolahan Data Penelitian ini dimulai mengumpulkan data-data yang diperlukan, selanjutnya menetapkan batas wilayah penelitian menggunakan file shapefile yang diunggah ke Google Earth Engine untuk menentukan batas administratif wilayah yang akan diteliti.
Selanjutnya, citra satelit Sentinel-2A dipilih berdasarkan rentang waktu tertentu untuk memperoleh citra terbaik.
Dalam penelitian ini, citra yang digunakan mencakup periode dari 1 Januari 2019 hingga 31 Desember 2019, serta dari 1 Januari 2023 hingga 31 Desember 2023.
Setelah pemilihan citra, dilakukan kombinasi band untuk visualisasi, di mana band 4 digunakan sebagai kanal merah, band 3 sebagai kanal hijau, dan band 2 sebagai kanal biru.
Pada tahap berikutnya, kanal dan indeks spektral yang akan digunakan dalam klasifikasi ditentukan.
Kanal yang dipilih memiliki resolusi spasial 10 m dan mencakup kanal near-infrared (NIR), yaitu kanal 2, 3, 4, dan kanal 8.
Indeks spektral yang digunakan meliputi Simple Ratio (SR) atau Ratio Vegetation Index (RVI) serta Normalized Difference Vegetation Index (NDVI).
Indeks-indeks ini dipilih untuk mengidentifikasi karakteristik spesifik dalam citra yang tidak dapat terlihat hanya dengan satu band Selanjutnya, area latih dibentuk di Google Earth Engine berdasarkan kelas tutupan lahan yang telah ditentukan, yaitu vegetasi, badan air, lahan terbangun, dan lahan terbuka.
Sebanyak 300 sampel poligon dikumpulkan dan dibagi menjadi dua kelompok: data latih .
sampel poligon, 70%) dan data uji .
sampel poligon, 30%).
Pemilihan sampel untuk penelitian ini dilakukan secara langsung berdasarkan identifikasi visual dan analisis citra satelit Sentinel-2A pada Google Earth Engine.
Untuk pemilihan data validasi diambil 100 sampel poligon dari Google Earth Pro.
Data latih digunakan untuk Rekayasa Hijau - 49 Gheo Damai Ramadhan dan Hary Nugroho membangun model klasifikasi, sementara data uji digunakan untuk mengevaluasi akurasi model tersebut dan data validasi digunakan untuk melihat overfitting.
Proses klasifikasi terbimbing dilakukan menggunakan algoritma CART di Google Earth Engine.
Algoritma ini dipilih karena kemampuannya dalam mengelompokkan data secara akurat.
Data latih digunakan untuk membangun model, yang kemudian digunakan untuk menghasilkan hasil klasifikasi.
Akhirnya, uji akurasi dilakukan untuk menilai ketelitian dan kesalahan dalam klasifikasi.
Akurasi hasil klasifikasi dievaluasi menggunakan matriks konfusi untuk menghitung nilai akurasi.
Menurut .
, citra hasil pengolahan dianggap akurat jika nilai overall accuracy mencapai minimal 80%.
Data uji diperoleh dari citra satelit dengan sampel yang berbeda dari yang digunakan dalam pelatihan model.
Proses selanjutnya adalah overlay dengan tools overlay intersect antara hasil klasifikasi tutupan lahan 2019 dan 2023 dengan pola ruang Kabupaten Tangerang dilakukan di ArcMap 10.
8, kemudian dapat melihat hasil kesesuaiannya untuk dilakukan analisis.
9 Analisis Data Tahapan analisis dalam penelitian ini melibatkan dua kegiatan utama: analisis kecenderungan perubahan tutupan lahan di Kabupaten Tangerang dari 2019 hingga 2023, serta analisis kesesuaian tutupan lahan dengan Pola Ruang Rencana Tata Ruang Wilayah (RTRW) Kabupaten Tangerang tahun 2011 yang diperbaharui tahun 2020.
Analisis kecenderungan perubahan tutupan lahan bertujuan untuk mengidentifikasi tren perubahan tutupan lahan dari tahun ke tahun.
Dalam tahap ini, luas masing-masing kelas tutupan lahan yang telah diklasifikasikan dihitung dan dianalisis untuk mengidentifikasi pola Sementara itu, analisis kesesuaian tutupan lahan dengan RTRW dilakukan dengan membandingkan data tutupan lahan setiap tahun dengan data Pola Ruang RTRW yang telah Luas setiap kelas tutupan dihitung dan dibandingkan dengan data RTRW, baik dari segi posisi maupun luasannya.
Kedua analisis ini memberikan wawasan mengenai dinamika perubahan tutupan lahan serta tingkat kesesuaian antara tutupan lahan aktual dengan perencanaan tata ruang yang telah ditetapkan.
HASIL DAN PEMBAHASAN
1 Hasil dan Analisis Tutupan Lahan 2019 dan 2023 Metode Classification and Regression Tree (CART) yang digunakan dalam penelitian ini mengklasifikasikan tutupan lahan dengan cara mengelompokkan piksel-piksel citra menjadi beberapa kelas berdasarkan sampel piksel pelatihan .
Klasifikasi tutupan lahan di Kabupaten Tangerang untuk tahun 2019 dan 2023 dibagi menjadi empat kelas utama.
Pengelompokan kelas ini didasarkan pada kemampuan satelit dalam mengidentifikasi objek di permukaan bumi.
Jenis-jenis kelas yang digunakan dalam klasifikasi ini dapat dilihat pada Tabel 4 di bawah ini.
Tabel 4.
Kesesuaian Tutupan Lahan dengan RTRW No.
Kelas Vegetasi Value Lahan Terbangun Lahan Terbuka Badan Air Rekayasa Hijau - 50 Analisis perubahan tutupan lahan menggunakan algoritma CART untuk evaluasi kesesuaian lahan terhadap RTRW Kabupaten Tangerang Gambar 3.
Peta Tutupan Lahan Kabupaten Tangerang Tahun 2019 Tabel 5.
Matriks Konfusi Hasil Klasifikasi Data Uji Tutupan Lahan 2019 Producer Accuracy 94,8718 5,12821 88,3139 11,6861 69,6078 99,7797 30,3922 0,22026 (N) 87,4704 87,8738 89,6842 12,5296 12,1262 10,3158 Sampel Total Total User Accuracy Komisi Overall Accuracy Kappa Accuracy 89,35669456 84,50558314 Rekayasa Hijau - 51 .
Omisi Gheo Damai Ramadhan dan Hary Nugroho Tabel 6.
Matriks Konfusi Hasil Klasifikasi Data Validasi Tutupan Lahan 2019
Sampel
Total
Total
(N)
95,5063
94,7368
67,9412
97,7320
4,49371
5,26316
32,0588
2,26804
User
Accuracy Komisi
Overall Accuracy Kappa
Accuracy Producer Accuracy 95,5636 93,1953 75,4902 95,1807 Omisi
4,43645
6,80473
24,510
4,81928
93,0700837 89,5479835 Pada klasifikasi tahun 2019 memiliki overall accuracy yaitu 89% dapat dilihat pada Tabel 5, dimana accuracy tersebut sudah dinyatakan cukup untuk citra pengolahan klasifikasi yang di nyatakan USGS.
Serta overall accuracy data validasi menunjukan 93% dapat dilihat pada Tabel 6, menyatakan tidak Gambar 3 menunjukkan bahwa tutupan lahan di Kabupaten Tangerang pada tahun 2019 didominasi oleh kelas vegetasi, yang mencakup area seluas 813,482 kmA atau 79% dari total area.
Kelas lahan terbangun menempati posisi kedua dengan luas 155,949 kmA atau 15%.
Selanjutnya, kelas badan air memiliki luas 19,506 kmA atau 2%, sedangkan kelas lahan terbuka menempati urutan ketiga dengan total luas 45,606 kmA atau 4%.
Gambar 4.
Peta Tutupan Lahan Kabupaten Tangerang Tahun 2023 Rekayasa Hijau - 52 Analisis perubahan tutupan lahan menggunakan algoritma CART untuk evaluasi kesesuaian lahan terhadap RTRW Kabupaten Tangerang Tabel 7.
Matriks Konfusi Hasil Klasifikasi Data Uji Tutupan Lahan 2023
Sampel
Total
Producer Accuracy Omisi
94,5158
5,484
85,9965
14,00
87,538
12,462
97,4811
2,519
Total
(N)
User
Accuracy 87,3786 90,299 92,1109 99,7423 Komisi
12,6214
9,70104
7,88913
0,25773
Overall Accuracy 90,28844159 Kappa Accuracy 86,03053781 .
Tabel 8.
Matriks Konfusi Hasil Klasifikasi Data Validasi Tutupan Lahan 2023
Sampel
Total
Producer Accuracy Omisi
96,5138
3,48624
92,0229
91,1348
7,97706
8,86525
97,151
2,849
Total
(N)
93,7055
94,4861
90,8127
97,2896
6,29454
5,51392
9,18728
2,71041
User Accuracy Komisi Overall Accuracy Kappa Accuracy .
94,18966591 91,60623793 Pada klasifikasi tahun 2023 memiliki overall accuracy data uji yaitu 90% dapat dilihat pada Tabel 7, dimana accuracy tersebut sudah dinyatakan cukup untuk citra pengolahan klasifikasi yang di nyatakan USGS.
Serta overall accuracy data validasi menunjukan 94% dapat dilihat pada Tabel 8, menyatakan tidak overfitting.
Gambar 4 menunjukkan bahwa tutupan lahan di Kabupaten Tangerang pada tahun 2023 didominasi oleh kelas vegetasi, yang mencakup area seluas 780,036 kmA atau 75% dari total area.
Kelas lahan terbangun menempati posisi kedua dengan luas 175,815 kmA atau 17%.
Selanjutnya, kelas badan air memiliki luas 41,309 kmA atau 4%, dan kelas lahan terbuka menempati urutan keempat dengan total luas 37,384 kmA atau 4% Rekayasa Hijau - 53 Gheo Damai Ramadhan dan Hary Nugroho Tabel 9.
Luas Tutupan Lahan 2019 dan 2023 No.
Tutupan Lahan Luas ( km.
(%) Luas ( km.
(%) Selisih .
Vegetasi
813,482
780,036
-33,446
Lahan Terbangun 155,949 175,815 19,866 Lahan Terbuka 19,506 37,384 17,877 Badan Air
45,606
41,309
-4,297
Total
1034,544 1
1034,544
Tabel 9 menunjukkan perubahan tutupan lahan di Kabupaten Tangerang, di mana kelas vegetasi mendominasi, diikuti oleh lahan terbangun, badan air, dan lahan terbuka.
Kelas lahan terbangun mengalami peningkatan luas terbesar sebesar 19,866 kmA, yang disebabkan oleh pembangunan Sementara itu, lahan terbuka meningkat sebesar 17,877 kmA akibat reklamasi.
Sebaliknya, kelas vegetasi mengalami penurunan luas terbesar sebesar -33,446 kmA, yang dipengaruhi oleh pembangunan dan perubahan cuaca.
Kelas badan air mengalami penurunan kecil sebesar -4,297 kmA akibat reklamasi dan perubahan iklim.
Gambar 5 menyajikan perbandingan perubahan tutupan lahan.
Luas (KmA) Perubahan Tutupan Lahan 2019 dan 2023
Vegetasi
813,482
780,036
Lahan
Terbangun 155,949 175,815 Lahan Terbuka Badan Air
19,506
37,384
45,606
41,309
Gambar 5.
Grafik Perubahan Tutupan Lahan 2019 dan 2023 2 Hasil dan Analisis Kesesuaian Tutupan Lahan 2019 dan 2023 dengan RTRW Analisis kesesuaian antara tutupan lahan di Kabupaten Tangerang untuk tahun 2019 dan 2023 dengan Rencana Tata Ruang Wilayah (RTRW) dilakukan untuk mengatasi keterbatasan identifikasi citra dalam Penyetaraan kelas tutupan lahan dengan kelas pola ruang di RTRW sangat penting, dan hasil penyetaraan tersebut disajikan dalam Tabel 8.
Rekayasa Hijau - 54 Analisis perubahan tutupan lahan menggunakan algoritma CART untuk evaluasi kesesuaian lahan terhadap RTRW Kabupaten Tangerang Tabel 10.
Pengelompokan Kelas RTRW dengan Tutupan Lahan No.
Kelas Tutupan lahan berdasarkan hasil Vegetasi Lahan Terbangun Lahan Terbuka Badan Air Kelas Pola Ruang dalam Rencana Tata Ruang Wilayah (RTRW) di Kabupaten Tangerang Kawasan Tanaman Pangan.
Kawasan Hutan Lindung.
Kawasan Peternakan Kawasan Permukiman Kota.
Kawasan Permukiman Perdesaan.
Kawasan Pertambangan dan Energi.
Kawasan Pembangkit Tenaga Listrik.
Kawasan Peruntukan Industri.
Kawasan Transportasi Kawasan Permukiman Kota.
Kawasan Permukiman Perdesaan.
Kawasan Pertambangan dan Energi.
Kawasan Pembangkit Tenaga Listrik.
Kawasan Peruntukan Industri.
Kawasan Transportasi.
Kawasan Tanaman Pangan.
Kawasan Hutan Lindung.
Kawasan Peternakan Sempadan Sungai.
Sempadan Pantai.
Kawasan Sekitar Danau/Waduk.
Kawasan Perikanan Budidaya Kesesuaian Sesuai Sesuai Sesuai Sesuai Berdasarkan Tabel 10, analisis Kesesuaian dilakukan untuk memverifikasi apakah hasil klasifikasi penggunaan lahan menggunakan Google Earth Engine (GEE) sesuai dengan pedoman Rencana Tata Ruang Wilayah (RTRW) Kabupaten Tangerang.
Dalam analisis ini, lahan terbuka disesuaikan dengan hasil reklasifikasi, termasuk kawasan reklamasi Pantai Indah Kapuk 2 (PIK .
yang masih dalam tahap pembangunan dan diklasifikasikan sebagai lahan terbuka.
Selain itu, sawah kering juga terklasifikasi sebagai lahan terbuka setelah proses panen.
Gambar 6.
Peta Kesesuaian Tutupan Lahan Tahun 2019 Gambar 6 menunjukkan perbandingan antara tutupan lahan di Kabupaten Tangerang pada tahun 2019 dengan Rencana Tata Ruang Wilayah (RTRW) Kabupaten Tangerang.
Dari perbandingan ini, diperoleh peta kesesuaian yang menunjukkan bahwa kesesuaian tutupan lahan di Kabupaten Tangerang pada tahun 2019 mencapai 29%.
Rekayasa Hijau - 55 Gheo Damai Ramadhan dan Hary Nugroho Gambar 7.
Peta Kesesuaian Tutupan Lahan Tahun 2023 Gambar 7 menunjukkan perbandingan antara tutupan lahan di Kabupaten Tangerang pada tahun 2023 dengan Rencana Tata Ruang Wilayah (RTRW) Kabupaten Tangerang.
Dari perbandingan ini, diperoleh peta kesesuaian yang menunjukkan bahwa kesesuaian tutupan lahan di Kabupaten Tangerang pada tahun 2023 mencapai 33%.
Tabel 11.
Kesesuaian Tutupan Lahan 2019 dan 2023 No.
Kesesuaian Lahan Sesuai RTRW Tidak Sesuai RTRW Total Luas ( Km.
303,67 (%) Selisih (Km.
Luas ( Km.
340,39 (%) 36,71 730,87 694,16 -36,71 1034,544 1034,544 Rencana Tata Ruang Wilayah (RTRW) Kabupaten Tangerang berfungsi sebagai pedoman untuk pemanfaatan lahan oleh pemerintah dan masyarakat.
Kesesuaian tutupan lahan dengan RTRW, yang tertera dalam Tabel 11, menunjukkan bahwa tingkat kesesuaian di Kabupaten Tangerang masih rendah, yaitu 29% pada tahun 2019 dan 33% pada tahun 2023.
Penurunan kesesuaian ini mungkin disebabkan oleh penerapan RTRW yang baru pada tahun 2020, sementara banyak area tutupan lahan masih mengikuti RTRW yang berlaku dari 2011 hingga 2031.
Tabel 11 juga menunjukkan bahwa kesesuaian tutupan lahan mengalami peningkatan sebesar 36,71 kmA atau 4%.
KESIMPULAN
Berdasarkan hasil prediksi klasifikasi dan analisis, dapat disimpulkan bahwa kecenderungan perubahan tutupan lahan di Kabupaten Tangerang untuk tahun 2019 dan 2023, yang diklasifikasikan menggunakan metode klasifikasi terbimbing dengan algoritma CART, menunjukkan dominasi kelas vegetasi, diikuti oleh lahan terbangun, badan air, dan lahan terbuka.
Kelas lahan terbangun dan lahan terbuka mengalami peningkatan luas masing-masing sebesar 19,866 kmA dan 17,877 kmA, sementara kelas vegetasi Rekayasa Hijau - 56 Analisis perubahan tutupan lahan menggunakan algoritma CART untuk evaluasi kesesuaian lahan terhadap RTRW Kabupaten Tangerang mengalami penurunan signifikan sebesar 33,446 kmA, dan kelas badan air mengalami penurunan sebesar 4,297 kmA.
Tingkat kesesuaian antara tutupan lahan di Kabupaten Tangerang dengan Rencana Tata Ruang Wilayah (RTRW) pada tahun 2019 dan 2023 masih rendah, dengan kesesuaian 29% pada tahun 2019 dan meningkat menjadi 33% pada tahun 2023.
Penggunaan algoritma CART dalam penelitian ini menunjukkan keunggulan dalam kemudahan komputasi, namun memiliki keterbatasan dalam menangani data yang kompleks, karena hanya menggunakan satu pohon keputusan dan memerlukan ketepatan dalam pemilihan parameter data latih.
DAFTAR PUSTAKA