Page 93 - Pemodelan Spasial untuk Prediksi Pengunaan dan Pengendalian Alih Fungsi Lahan Pertanian

Setiap pemodelan prediksi secara spasial akan membentuk
model potensi transisi berupa kurva matriks probabilitas yang
tampak pada Gambar 11. Matriks probabilitas menentukan kecocokan
area dari setiap klasifikasi dan perubahan yang terjadi antara kedua
data penggunaan tanah tersebut. Pemodelan ANN membutuhkan
beberapa parameter yang perlu diatur yaitu nilai neighbourhood,
learning rate, maximum iterations, hidden layers, dan momentum
yang tampak pada Tabel 13. Penentuan besaran nilai parameter ini
mengacu pada kajian terdahulu yang telah menerapkan prediksi
penggunaan tanah menggunakan pemodelan ANN (Basse dkk., 2014;
Saha dkk., 2021; Wang dkk., 2020; Yatoo dkk., 2022).

Tabel 13. Nilai Parameter dan Hasil Pemodelan ANN
Parameter Nilai
Neighbourhood 1
Learning Rate 0,1
Maximum Iterations 1.000
Hidden Layers 10
Momentum 0,05
Hasil Nilai
Δ Overall Accuracy -0,006
Min Validation Overall Error 0,047
Current Validation Kappa 0,827
Sumber: Pengolahan Data Penelitian, 2024
Hasil pemodelan ANN menunjukkan nilai overall accuracy
sebesar -0,006, min validation overall error sebesar 0,047, dan current
validation kappa sebesar 0,827. Menurut Choudhury dkk. (2019)
bahwa nilai kappa memiliki lima kelas yaitu nilai <0,40 menunjukkan
akurasi sangat buruk, nilai 0,40-0,55 menunjukkan akurasi buruk,
nilai 0,55-0,7 menunjukkan akurasi baik, nilai 0,70-0,85 menunjukkan
akurasi sangat baik, dan nilai >0,85 menunjukkan akurasi yang luar
biasa. Selain itu, Kamaraj & Rangarajan (2022) menyatakan prediksi
penggunaan tanah menggunakan molusce dapat dikategorikan akurasi
baik dan diterima jika memiliki nilai kappa di atas 0,63. Penerapan
penggunaan tanah tahun 2003 dan 2013 melalui pemodelan ANN

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