Page 91 - Pemodelan Spasial untuk Prediksi Pengunaan dan Pengendalian Alih Fungsi Lahan Pertanian

dilanjutkan untuk penentuan prediksi penggunaan tanah tahun
2033 dan 2043. Pemodelan CA-ANN membutuhkan variabel penjelas
untuk membantu dan melengkapi transisi pola penggunaan tanah
pada variabel utama yang akan membentuk tren prediksinya.

Variabel penjelas yang digunakan ada empat data yaitu
jaringan jalan, pusat pendidikan, kantor pemerintahan, dan
elevasi. Penggunaan variabel elevasi mengacu pada kajian Sajan
dkk. (2022) yang telah menerapkan pemodelan CA-ANN untuk
prediksi penggunaan tanah. Menurut Saputra & Lee (2019), variabel
penjelas jaringan jalan memiliki pengaruh kuat terhadap prediksi
perubahan penggunaan tanah. Gharaibeh dkk. (2020) menyatakan
pusat pertumbuhan permukiman menjadi salah satu variabel untuk
prediksi penggunaan tanah, sehingga diputuskan untuk memakai
lokasi pusat pemerintahan yaitu kantor kecamatan dan kantor bupati
yang berada di lokasi yang ramai permukiman dan bisnis. Variabel
pusat pendidikan dimasukan yang mengacu hasil wawancara terhadap
kelima instansi yang menyatakan pertumbuhan wilayah Kabupaten
Sleman disebabkan pembangunan berbagai universitas. Data jaringan
jalan, pusat pendidikan, dan kantor pemerintahan bersumber dari
RBI Kabupaten Sleman, serta elevasi bersumber dari Digital Elevation
Model (DEM) dan Batimetri Nasional.

Tabel 12. Evaluasi Korelasi antara Variabel Penjelas

Jaringan Kantor Pusat
Variabel Elevasi
Jalan Pemerintahan Pendidikan
Jaringan Jalan - 0,609 0,762 0,683
Kantor
Pemerintahan - - 0,622 0,714
Pendidikan - - - 0,709
Elevasi - - - -
Sumber: Pengolahan Data Penelitian, 2024
Evaluasi korelasi menggunakan pemodelan pearson’s correlation
untuk mengukur ketergantungan dan hubungan linier antara variabel
penjelas yang menghasilkan statistik matriks seperti pada Tabel 12.
Menurut Schober & Schwarte (2018), pearson’s correlation memiliki

60 Pemodelan Spasial untuk Prediksi Penggunaan dan
Pengendalian Alih Fungsi Lahan pertanian