DOI: https://doi.org/10.14710/tataloka.28.4.306-323

Model Perubahan Tutupan Lahan dan Daya Dukung Permukiman di Kabupaten Luwu Timur

*Fauzi Achmady Syam  -  Departemen Teknik Geodesi, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta, Indonesia
Catur Aris Rokhmana orcid scopus  -  Departemen Teknik Geodesi, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta, Indonesia

Citation Format:
Abstract
Perubahan lahan akibat aktivitas pertambangan dan urbanisasi terjadi dengan sangat pesat di Kabupaten Luwu Timur. Perubahan tersebut kerap tidak selaras dengan Rencana Tata Ruang Wilayah (RTRW), sehingga mempengaruhi daya dukung lahan dan menyulitkan perencanaan ruang. Studi ini bertujuan untuk memetakan dinamika tutupan lahan periode 2015–2025 serta memprediksi tutupan lahan hingga tahun 2030. Hasil pemetaan dan proyeksi kemudian diintegrasikan ke dalam perhitungan Daya Dukung Lahan Permukiman (DDPm) untuk mendukung kebijakan ruang yang lebih adaptif. Pendekatan menggabungkan klasifikasi citra Sentinel-2 tahun 2015, 2020, dan 2025 menggunakan Support Vector Machine (SVM) yang dikenal andal pada data multispektral, dengan model prediksi Cellular Automata – Artificial Neural Network (CA–ANN) berbasis faktor pendorong jarak ke jalan, sungai, dan pusat pelayanan. Akurasi dinilai melalui matriks konfusi dan indeks Kappa, sementara proyeksi penduduk 2025–2030 dihitung secara geometrik untuk memperoleh luas Lahan Layak Huni/Lahan Permukiman (LPm) dan Daya Dukung Permukiman (DDPm) pada tingkat kecamatan/kabupaten. Hasil menunjukkan kinerja tinggi (OA klasifikasi 98,06% dan OA prediksi 97,51% dengan Kappa 0,97 dan 0,96), dengan tantangan terbesar pada kelas permukiman (PA prediksi 55,64%) sementara kelas lain stabil tinggi. Pada 2030 seluruh kecamatan berada pada kondisi DDPm > 1 misalnya Angkona 137,92 dan Mangkutana 117,04 dan secara agregat DDPm kabupaten mencapai 78,07, yang menuntut pengelolaan ruang adaptif dan spesifik wilayah (konsolidasi pada kawasan berdaya dukung rendah serta pengembangan terarah pada kawasan surplus). Kesimpulannya, integrasi SVM dan CA-ANN dalam perhitungan DDPm menghasilkan indikator spasial yang andal untuk mendukung penyesuaian RTRW dan perencanaan permukiman berkelanjutan hingga 2030.
Fulltext View|Download Email colleagues
Keywords: Perubahan Tutupan Lahan, Prediksi Tutupan Lahan, Molusce, Support Vector Machine, Cellular Automata – Artificial Neural Network

Article Metrics:

Article Info
Section: Articles
Language : ID
  1. Achmadi, P. N., Dimyati, M., Manesa, M. D. M., & Rakuasa, H. (2023). Model Perubahan Tutupan Lahan Berbasis Ca-Markov: Studi Kasus Kecamatan Ternate Utara, Kota Ternate. Jurnal Tanah Dan Sumberdaya Lahan, 10(2), 451–460. https://doi.org/10.21776/ub.jtsl.2023.010.2.28
  2. Amarrohman, F. J., Putri, T., Sudarsono, B., Awaluddin, M., & Subiyanto, S. (2020). Analisis Kualitas Hasil Prediksi Klasifikasi Penggunaan Lahan Menggunakan Ca Markov Model Berdasarkan Peta Rencana Tata Ruang. Elipsoida : Jurnal Geodesi Dan Geomatika, 3(02), 192–197. https://doi.org/10.14710/elipsoida.2020.9200
  3. Arafat, R., Yunaf, A. S., & Marliantoni. (2021). Analisis Perubahan Penggunaan Lahan dan Kerapatan Vegetasi di Kawasan Pertambangan Rantau Pandan Kabupaten Bungo Provinsi Jambi. Mine Magazine (MineMagz), 2(1), 1–8. https://doi.org/10.36355/.v2i1.681
  4. Baja, S. (2012). Perencanaan Tata Guna Lahan dalam Pengembangan Wilayah. Andi
  5. Bateman, B., Jha, A. R., Johnston, B., & Mathur, I. (2020). The Supervised Learning Workshop: A New, Interactive Approach to Understanding Supervised Learning Algorithms, 2nd Edition. Packt
  6. BPS Kabupaten Luwu Timur. (2025). Kabupaten Luwu Timur Dalam Angka 2025. In BPS Kabupaten Luwu Timur. BPS Kabupaten Luwu Timur
  7. Chinnamgari, S. K. (2019). R Machine Learning Projects: Implement supervised, unsupervised, and reinforcement learning techniques using R 3.5. Packt Publishing Ltd
  8. Choudhary, P., Devatha, C. P., & Azhoni, A. (2025). Integration of multi-layer perceptron neural network and cellular Automata-Markov chain approach for the prediction of land use land cover in land change modeler. Ecological Modelling, 506(February), 111162. https://doi.org/10.1016/j.ecolmodel.2025.111162
  9. Congalton, R. G. (2003). A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data. Remote Sensing of Environment, 37(1), 35–46. https://doi.org/10.1016/0034-4257(91)90048-B
  10. Congalton, R. G., & Green, K. (2019). Assessing the Accuracy of Remotely Sensed Data Principles and Practices, Third Edition. CRC Press. https://doi.org/https://doi.org/10.1201/9780429052729
  11. de Souza, J. M., Morgado, P., da Costa, E. M., & de Novaes Vianna, L. F. (2022). Modeling of Land Use and Land Cover (LULC) Change Based on Artificial Neural Networks for the Chapecó River Ecological Corridor, Santa Catarina/Brazil. Sustainability (Switzerland), 14(7). https://doi.org/10.3390/su14074038
  12. ESA. (2015). Sentinel-2 Data Access and Products. Europan Space Agency. https://sentiwiki.copernicus.eu/web/s2-mission
  13. Fadlin, F., Thaha, M. A., Maricar, F., & Hatta, M. P. (2022). Monitoring Perubahan Penggunaan Lahan Menggunakan Citra Satelit Sentinel 1 di DAS Wanggu Kota Kendari. Jurnal Teknik Sumber Daya Air, 1(2), 77–88. https://doi.org/10.56860/jtsda.v1i2.5
  14. Greiving, S., Gruehn, D., & Reicher, C. (2022). The Rhenish Coal-Mining Area—Assessing the Transformational Talents and Challenges of a Region in Fundamental Structural Change. Land, 11(6), 826. https://doi.org/10.3390/land11060826
  15. Hatta, E., Manaf, M., & Alimuddin, I. (2022). Analisis Pengaruh Sektor Pertambangan Terhadap Kawasan Permukiman Kabupaten Luwu Timur. Urban and Regional Studies Journal, 5(1), 70–76. https://doi.org/10.35965/ursj.v5i1.1971
  16. Hidayat, W., Rustiadi, E., & Kartodihardjo, H. (2015). Dampak Pertambangan Terhadap Perubahan Penggunaan Lahan dan Kesesuaian Peruntukan Ruang (Studi Kasus Kabupaten Luwu Timur, Provinsi Sulawesi Selatan). Jurnal Perencanaan Wilayah Dan Kota, 26(2), 130–146. https://doi.org/10.5614/jpwk.2015.26.2.5
  17. Hussain, S., Qaisrani, S. A., Tariq, A., Mubeen, M., & Ullah, S. (2025). Assessing Past, Present, and Simulated Future Prediction of Land Use Land Cover Changes Using CA-Markov Chain Models with Satellite Data. Results in Engineering, 26(June), 105585. https://doi.org/10.1016/j.rineng.2025.105585
  18. Ilachinski, A. (2001). Cellular Automata: A Discrete Universe. World Scientific Publishing Company
  19. Khalid, W., Shamim, S. K., & Ahmad, A. (2024). Synergistic Approach for Land Use and Land Cover Dynamics Prediction in Uttarakhand Using Cellular Automata and Artificial Neural Network. Geomatica, 76(2), 100017. https://doi.org/https://doi.org/10.1016/j.geomat.2024.100017
  20. Latue, P. C. (2023). Analisis Spasial Temporal Perubahan Tutupan Lahan di Pulau Ternate Provinsi Maluku Utara Citra Satelit Resolusi Tinggi. Buana Jurnal Geografi, Ekologi Dan Kebencanaan, 1(1), 31–38. https://doi.org/10.56211/buana.v1i1.339
  21. Liu, Y. (2008). Modelling Urban Development with Geographical Information Systems and Cellular Automata. CRC Press. https://doi.org/10.1201/9781420059908
  22. Ma, Z., Duan, X., Wang, L., Wang, Y., & Yan, W. (2025). Evaluation of China ’ s rural resource and environmental carrying capacity based on the ZI – CI – GI framework. Ecological Indicators, 171(February), 113174. https://doi.org/10.1016/j.ecolind.2025.113174
  23. Mahmoud, R., Hassanin, M., Al Feel, H., & Badry, R. M. (2023). Machine Learning-Based Land Use and Land Cover Mapping Using Multi-Spectral Satellite Imagery: A Case Study in Egypt. Sustainability (Switzerland), 15(12), 1–21. https://doi.org/10.3390/su15129467
  24. Mather, P., & Tso, B. (2009). Classification Methods for Remotely Sensed Data. CRC Press. https://doi.org/https://doi.org/10.1201/9781420090741
  25. Mohammed, M., Khan, M. B., & Bashier, E. (2016). Machine Learning Algorithms and Applications. CRC Press. https://doi.org/10.1201/9781315371658
  26. Moreno, N. L. (2008). A Vector-Based Geographical Cellular Automata Model to Mitigate Scale Sensitivity and to Allow Objects’ Geometric Transformation. University of Calgary
  27. Muta’ali, L. (2015). Teknik Analisis Regional Untuk Perencanaan Wilayah, Tata Ruang, Dan Lingkungan (1st ed.). Yogyakarta : Badan Penerbit Fakultas Geografi (BPFG) Universitas Gajah Mada
  28. Osman, M., Abdel-Rahman, E., Onono, J. O., Olaka, L., Muna, E., Adan, M., & Tonnang, H. (2023). Mapping, Intensities and Future Prediction of Land Use/Land Cover Dynamics Using Google Earth Engine and CA- Artificial Neural Network Model. PLOS ONE, 18, e0288694. https://doi.org/10.1371/journal.pone.0288694
  29. Septory, J. S. I., Latue, P. C., & Rakuasa, H. (2023). Model Dinamika Spasial Perubahan Tutupan Lahan dan Daya Dukung Lahan Permukiman Kota Ambon Tahun 2031. GEOGRAPHIA : Jurnal Pendidikan Dan Penelitian Geografi, 4(1), 51–62. https://doi.org/10.53682/gjppg.v4i1.5801
  30. Sheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., & Homayouni, S. (2020). Support Vector Machine Versus Random Forest for Remote Sensing Image Classification: A Meta-Analysis and Systematic Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 6308–6325. https://doi.org/10.1109/JSTARS.2020.3026724
  31. Svobodova, K., Owen, J.R., Kemp, D. Decarbonization, Population Disruption and Resource Inventories in the Global Energy Transition. Nat Commun, 13, 7674 (2022). https://doi.org/10.1038/s41467-022-35391-2
  32. Tanie, F. A., Polii, B. V. J., & Memah, M. Y. (2023). Analisis Daya Dukung Lahan Permukiman Di Kota Manado. Agri-Sosioekonomi, 19(2), 1177–1188. https://doi.org/10.35791/agrsosek.v19i2.49320
  33. Ureta, J. C., Clay, L., Motallebi, M., & Ureta, J. (2021). Quantifying the Landscape’s Ecological Benefits—an Analysis of the Effect of Land Cover Change on Ecosystem Services. Land, 10(1), 1–20. https://doi.org/10.3390/land10010021
  34. Wahidah, A. N., Martono, D. N., & Supriatna. (2022). Land use sustainability to mitigate potential land slide in Ciletuh watershed, Sukabumi, Indonesia. IOP Conference Series: Earth and Environmental Science, 950(1). https://doi.org/10.1088/1755-1315/950/1/012006
  35. Wang, L. (2005). Support Vector Machines: Theory and Applications. Springer
  36. Zudilin, S. N., Lavrennikova, O. A., Samokhvalova, E. V., Iralieva, J. S., & Osorgina, O. N. (2021). Geoinformation Technologies in Land Management Projects on the Agro-Landscape Basis. IOP Conference Series: Earth and Environmental Science, 867(1). https://doi.org/10.1088/1755-1315/867/1/012161

Last update:

No citation recorded.

Last update:

No citation recorded.