ASINKRONUS - Prediksi Perubahan Tutupan Lahan Masa Depan Berbasis CA-ANN Menggunakan QGIS dan Analisis Statistik Spasial dengan R

Pelatihan ini membekali Sobat Geosoftware dengan kemampuan memprediksi perubahan tutupan lahan di masa depan serta menganalisis dinamikanya secara statistik dan spasial menggunakan Sistem Informasi Geografis (SIG). Peserta akan membangun model prediksi berbasis Cellular Automata dan Artificial Neural Network (CA-ANN) yang hasilnya dapat mendukung perencanaan wilayah, analisis lingkungan, serta pengambilan kebijakan yang lebih terarah dan berkelanjutan.

Pada tahap awal, peserta mengenal konsep dasar prediksi perubahan tutupan lahan sekaligus menyiapkan data parameternya. Selain memahami urgensi prediksi bagi perencanaan wilayah, prinsip kerja CA-ANN, dan alur kerja plugin MOLUSCE di QGIS, peserta menyiapkan data tutupan lahan dua periode waktu (2015 dan 2020) sebagai dasar pemodelan dan mengunduh data pendorong seperti DEMNAS, jaringan sungai, serta jaringan jalan.

Tahap berikutnya berfokus pada pengolahan parameter dan pemodelan yang dilakukan secara bertahap dalam 3 kali iterasi. Peserta membuat peta elevasi, kemiringan lereng, serta jarak ke sungai dan jalan, lalu membangun model transisi dengan ANN dan menjalankan simulasi Cellular Automata: iterasi 1 mensimulasikan tahun 2025 menggunakan data 2015 dan 2020 lalu divalidasi dengan uji akurasi Kappa terhadap data aktual, sebelum model yang telah teruji digunakan sebagai dasar iterasi 2 (proyeksi 2030) dan iterasi 3 (proyeksi 2035).

Pada tahap akhir, peserta mengolah hasil prediksi menjadi informasi yang mudah dibaca dan dikomunikasikan. Menggunakan R Studio, peserta menghitung perubahan luas tiap kelas tutupan lahan antar tahun, menyajikannya dalam bentuk grafik dan peta perbandingan antarperiode (before-after), hingga menginterpretasikan pola perubahan sebagai dasar perencanaan tata ruang dan pengambilan keputusan berbasis spasial.

Jadwal dan List Materi:

Sesi 1

• Pengenalan konsep perubahan tutupan lahan dan urgensinya bagi perencanaan wilayah
• Memahami prinsip kerja pemodelan prediksi berbasis Cellular Automata dan Artificial Neural Network (CA-ANN)
• Pengenalan plugin MOLUSCE pada QGIS: instalasi dan alur kerja
• Memahami konsep proyeksi ke masa depan melalui pengaturan 3 iterasi (validasi 2025, proyeksi 2030 dan 2035)
• Persiapan data tutupan lahan dua periode waktu (2015 dan 2020) sebagai dasar pemodelan
• Praktik unduh data parameter prediksi: DEMNAS, data jaringan sungai, dan data jaringan jalan
• Penyiapan seluruh dataset parameter untuk proses pemodelan
  

Sesi 2

• Pembuatan peta elevasi dan kemiringan lereng (slope) dari data DEMNAS
• Pembuatan peta jarak ke sungai dan jarak ke jalan (Euclidean Distance)
• Reklasifikasi dan standardisasi seluruh parameter pemodelan
• Pemodelan transisi lahan menggunakan Artificial Neural Network (ANN)
• Simulasi prediksi tutupan lahan (Cellular Automata) secara bertahap dalam 3 iterasi: iterasi 1 (simulasi tahun 2025 dari data 2015 & 2020), iterasi 2 (proyeksi 2030), dan iterasi 3 (proyeksi 2035)
• Validasi model dengan uji akurasi Kappa pada iterasi 1 (tahun 2025) sebelum digunakan untuk proyeksi 2030 dan 2035
  

Sesi 3

• Ekspor hasil prediksi tutupan lahan menjadi data tabular luas per kelas
• Pengenalan dan penyiapan lingkungan kerja R Studio
• Perhitungan dan tabulasi perubahan luas tiap kelas tutupan lahan antar tahun
• Visualisasi tren perubahan luas tutupan lahan dalam bentuk grafik
• Pembuatan peta perbandingan kondisi eksisting dengan hasil prediksi
• Interpretasi pola dan tren perubahan tutupan lahan
• Penyajian hasil analisis untuk mendukung perencanaan dan pengambilan keputusan berbasis spasial