Pemodelan Potensi Perkembangan Lahan Terbangun Menggunakan Analisis Regresi Logistik Biner di Quezon City, Metro Manila, Filipina

Model regresi logistik merupakan model yang sering digunakan untuk mengasosiasikan perkembangan kota dengan faktor pendorong berupa demografi, ekonometrik, dan biofisik. Dalam analisis raster GIS, nilai biner terdapat pada variabel terikat (dependent) yaitu berupa lahan terbangun dan lahan non terbangun. Nilai 1 biasanya mengindikasikan lahan terbangun, dan nilai 0 mengindikasikan lahan non terbangun (Hu & Lo, 2007).

Analisis raster yang digunakan pada praktikum ini menggunakan software IDRISI. Tipe analisis adalah statistik yang menggunakan algoritma regresi logistik. Variabel terikat yang digunakan adalah lahan terbangun Quezon City dan variabel bebas berupa faktor jarak dari jalan utama, jarak dari jalan non utama, dan kemiringan. Semua data variabel yang digunakan merupakan data raster. Faktor jarak dari jalan utama dan jarak dari jalan non utama dihasilkan dari proses euclidean distance menggunakan software ArcGIS. Dalam menyiapkan data untuk regresi logistik ini, cell size tiap data harus sama dan dinormalisasikan.

lahanterbangun
Gambar 1. Lahan terbangun      

 

Gambar 1 merupakan data yang digunakan untuk variabel terikat. Kenampakan yang berwarna merah (nilai 1) adalah lahan terbangun yang menjadi fokus analisis awal. Warna hitam (nilai 0) menunjukkan lahan non terbangun. Lahan terbangun di atas adalah kondisi lahan terbangun di tahun 2016. Berdasarkan gambar di atas lahan terbangun menjadi dominasi wilayah kajian yang menandakan bahwa wilayah kajian merupakan kawasan perkotaan yang sangat berkembang. Terdapat kemungkinan hasil identifikasi prediksi perkembangan lahan terbangun tidak jauh berbeda dengan kondisi sekarang.

 

 

Gambar 2 dan gambar 3 merupakan faktor pendukung perkembangan kota (variabel bebas) berupa jarak jalan utama dan jarak jalan non utama. Variabel ini digunakan dengan asumsi semakin dekat dari jalan utama dan jalan non utama maka akan semakin besar probabilitas pertambahan lahan terbangunnya. Sebaliknya, semakin jauh dari jalan utama dan jalan non utama maka semakin kecil probabilitas pertambahan lahan terbangunnya. Jalan utama dan jalan non utama dipisahkan menjadi variabel bebas yang berbeda karena adanya perbedaan pengaruh jalan utama dan jalan non utama terhadap pertambahan lahan terbangun. Jalan utama memiliki pengaruh yang lebih besar terhadap pertambahan lahan terbangun karena aliran barang, jasa, dan manusia yang lebih banyak.

kemiringan
Gambar 4. Kemiringan

     

      Gambar 4 merupakan variabel bebas terakhir yang digunakan dalam analisis regresi logistik pada praktikum ini. Data kemiringan menginterpretasikan keadaan topografi wilayah kajian. Semakin besar kemiringannya, maka semakin kecil probabilitas pertambahan lahan terbangunnya. Hal ini dikarenakan proses pembangunan wilayah di wilayah kajian yang bertopografi landai lebih mudah, efektif, dan dapat menekan biaya pembangunan.

 

     Gambar 5 merupakan hasil prediksi lahan terbangun di Quezon City. Jika dibandingkan dengan lahan terbangun eksisting pada gambar 1, tidak terdapat perubahan yang besar. Hal ini dikarenakan tingginya tingkat perkembangan lahan terbangun di Quezon City. Namun, software tetap dapat menganalisis beberapa kemungkinan dalam statistik lokasi penambahan lahan terbangunnya. Fenomena yang jelas kelihatan adalah pada beberapa obyek sungai. Pada hasil prediksi lahan terbangun, obyek sungai memiliki probabilitas  yang tinggi untuk berubah menjadi lahan terbangun. Namun, hal ini hampir tidak mungkin terjadi karena sungai merupakan tubuh air. Oleh karena itu, dalam analisis pertambahan lahan terbangun ini, variabel berupa tubuh air sebaiknya digunakan. Fenomena lain yang dapat dilihat adalah terdapat zona yang sangat merah (probabilitas paling tinggi) mengikuti bentuk jalan utama. Secara realita, penambahan ini tidak diperlukan, karena sudah terdapat lahan terbangun (eksisting). Walaupun demikian, hasil analisis ini dapat digunakan untuk mengetahui alokasi ruang. Alokasi ruang dapat berupa ekstensifikasi dan intensifikasi. Teknik intensifikasi merupakan teknik mengalokasikan tambahan kebutuhan ruang pada alokasi ruang yang telah ada dengan cara pemadatan fungsi dan kegiatan secara lebih intensif, contohnya pembangunan vertikal. Teknik ekstensifikasi yaitu mengalokasikan tambahan kebutuhan ruang secara ekstensif dengan cara menjalar ke arah horizontal atau mengalokasikannya secara ekstensif dengan cara meloncat pada lokasi lain di luar fungsi dan kegiatan yang telah ada (ke arah lokasi baru). Jadi, untuk kajian wilayah yang digunakan pada praktikum ini, pemadatan lahan terbangun dapat berupa intensifikasi. Gambar 6 menunjukkan bentuk probabilitas penambahan lahan terbangun dalam nilai residual. Pada nilai residual ini dapat memiliki range nilai dari -1 hingga 1. Nilai residual merupakan fungsi dari nilai observed dikurangi probabilitas prediksi. Jika terdapat lahan non terbangun (eksisting) bernilai 0 dan prediksi probabilitas menjadi lahan terbangun bernilai 1, maka nilai residualnya bernilai -1. Oleh karena itu nilai -1 adalah nilai  dengan probabilitas berubah menjadi lahan terbangun paling tinggi (sempurna).

Informasi statistik yang dihasilkan pada analisis regresi logistik ini dapat dilihat pada lampiran. Secara statistik, formula lahan terbangun yang diprediksikan adalah 2,7549 – 1,356572*Jarak jalan utama – 2,618490*Jarak jalan non utama – 0,381178*Kemiringan. Pada informasi statistik tersebut dapat dilihat pula koefisien regresi tiap variabel. Koefisien ini menunjukkan besarnya pengaruh variabel independen terhadap variabel dependen pada perubahan lahan non terbangun menjadi lahan terbangun. Nilai besar pengaruh tiap variabel independen inilah yang menyusun formula prediksi lahan terbangun.

Kuat tidaknya hubungan antara variabel dependen dan independen pada sebuah persamaan regresi logistik biner dapat dilihat pada nilai pseudo square. Nilai pseudo square pada analisis ini bernilai 0,0988. Nilai ini menandakan bahwa hubungan antara variabel independen dan variabel dependen yang digunakan sangat  kecil atau hampir  tidak ada. Nilai yang menunjukkan kuatnya hubungan antara variabel dependen dan variabel independen adalah nilai yang mendekati 1.

Rasio perbandingan antara kejadian benarnya suatu prediksi dan tidak benarnya suatu prediksi dapat dilihat pada nilai odd ratio. Nilai odd ratio pada praktikum ini sebesar 6,9428. Nilai ini menandakan bahwa model regresi ini dapat digunakan untuk prediksi karena di atas nilai 1.

Kenampakan prediksi lahan terbangun yang bertambah di wilayah kajian dapat  dilihat secara detail (tanpa adanya lahan terbangun eksisting) pada gambar 7. Kenampakann ini merupakan hasil kali dari lahan non terbangun dengan nilai prediksi lahan terbangunnya.

prednonterb
Gambar 7. Prediksi lahan terbangun tanpa lahan terbangun eksisting

 

 Referensi :

Hu, Z., & Lo, C. P. (2007). Modeling urban growth in Atlanta using logistic regression. Computers, Environment and Urban Systems, 31, 667-688.

Rosyadi, R. I., Farda, N. M., Rosaji, F. S., Wijaya, M. S., Maretika, R. P., & Windu, W. D. (2013). Bahan Ajar Praktikum Spatial Data Mining (GKP 0306). Yogyakarta: Fakultas Geografi Universitas Gadjah Mada.

 

 

 

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s