Tutor QGIS | Cara Memprediksi Perkembangan Lahan dengan Cellular Automata di QGIS 2.18.20

Halo, Sobat semua. Saya pada tulisan kali ini akan membagikan cara memprediksi perkembangan lahan dengan Cellular Automata di QGIS 2.18.20. Dalam praktik ini, saya menggunakan hasil Support Vector Machines (selanjutnya akan saya singkat "SVMs") atas citra Metropolitan Semarang tahun 2013 dan 2018. Dari dua tahun data tersebut, saya akan memprediksikan perkembangan lahannya pada tahun 2023.

Sobat perlu tahu, jika jangka waktu data yang kita gunakan adalah 5 (lima) tahun, maka output prediksiya akan 5 (lima) tahun juga.

Ada lagi yang Sobat perlu tahu juga, bahwa pada kasus yang saya temui, proses "Train Neural Network" dan "Cellular Automata Simulation" tidak bisa dilakukan di QGIS 2.18.28. Akan muncul notifikasi python error seperti gambar di bawah. Berjam-jam saya uninstall dan install QGIS, dan install ulang "pip" juga tetap sama saja kasusnya di QGIS 2.18.28.

Kemudian saya menggunakan QGIS 3.2.3 atau 3.6.1, ternyata justru plugin MOLUSCE yang tidak ada di dalamnya. Padahal instalasi plugin MOLUSCE adalah salah satu syarat utama untuk bisa menggunakan "Neural Network" dan "Cellular Automata."

Akhirnya, saya mencoba uninstall QGIS 2.18.28 saya dan meng-install yang versi 2.18.20. Ternyata berhasil, Saudara-Saudari. Tanpa perlu saya install "pip." Mungkin bagi Sobat yang mengalami kendala saat "Update Tables" dalam plugin MOLUSCE, bisa mencoba melakukannya QGIS "2.18.20".

Mari kita mulai langkah pertama dengan menginput data raster hasil SVMs tahun 2013 dan tahun 2018 ke dalam QGIS. Klik tab "Layer," pilih "Add Layer" dan klik "Add Raster Layer..." Atau kitalangsung menekan Ctrl+Shift+R saja.

Kemudian kita browse data raster yang akan kita input. Dalam hal ini, kita akan memasukkan data hasil pengolahan citra tahun 2013 dan 2018 dengan tool SVMs. 

Ini adalah gambaran langkah saat men-select data raster hasil SVMs, kemudian klik "Open."

Setelah kita memilih dua data raster hasil klasifikasi dengan tahun yang berbeda, kemudian kita klik "Add" satu kali saja, dan bisa kita langsung klik "Close."

Ini adalah tampilan begitu saya tambahkan data raster.

Kita bisa melihat di window "Layers" bahwa labelnya masih "0" dan "5." Supaya berwarna sesuai klasifikasinya, maka kita perlu atur pewarnaannya di "Properties." Cukup kita klik kanan pada layer yang ingin kita ganti warnanya, dan klik "Properties."

Begitu kita memasuki window "Layer Properties," kita atur dulu "Render type" menjadi "Singleband pseudocolor." Mengapa? Karena jika tidak kita lakukan demikian, maka tidak akan muncul tampilan seperti gambar di bawah. Kemudian kita pastikan kolom "Interpolation" berisi "Linear" dan kita ubah "Mode" menjadi "Equal Interval." Selanjutnya kita set jumlah kelas sebanyak 6 (enam) kelas. Ini bertujuan agar klasifikasi warnanya berjumlah enam, sehingga bisa kita atur value ke-0 sebagai "No Data." Value "0" adalah background pada data raster yang kita masukkan. Langkah berikutnya adalah mengganti warna dan label tiap klasifikasi. Cukup klik kanan item warna yang dituju, dan klik "Change Color."

Kita mengatur warna tiap value berdasarkan warna yang umumnya digunakan pada peta. Setelah warna dan label kita atur, kemudian kita klik ikon disket, yaitu "Export color map to file." Ini bertujuan agar kita memiliki template warna yang bisa load secara berulang-ulang. Tanpa merepotkan kita untuk mengatur warna dan label satu-persatu.

Misalnya kita tuliskan "File name" dengan "Pengaturan Warna Output SVMs." Penamaannya bebas sesuai selera. Kemudian kita klik "Save."

Ini adalah tampilan setelah kita mengatur warna dan label untuk layer data raster yang pertama. Kemudian kita klik kanan pada data raster yang kedua, dan klik "Properties." Oh, iya, bagi Sobat yang belum mengerti SVMs, sebagai sedikit gambaran, SVMs adalah metode klasifikasi citra satelit. Ouput dari SVMs adalah seperti peta pada gambar di bawah ini. Pada prinsipnya, hasil SVMs akan mampu mengkelaskan value untuk tiap nilai pixel pada citra satelit. Saya sebelumnya menggunakan 5 (lima) kelas dalam klasifikasi nilai pixel, sehingga di legenda/label warna akan muncul seperti gambar ini. Ada 1 (satu) kelas tambahan untuk "No Data" sebagai background citra yang berwarna putih.

Mari kita lanjutkan, Saudara-Saudari. Di "Properties" data raster yang kedua, secara sederhana kita pilih "Render type" menjadi "Singleband pseudocolor" dan langsung kita klik ikon "Load color map from file." Kita tidak perlu lagi repot dan lelah mengatur warna serta label satu-persatu, karena kita sedang me-load template warnanya.

Kita langsung memilih file color map yang baru saja kita buat, lalu klik "Open."

Ini adalah tampilan saat selesai kita "Open" file color map-nya. Kita lihat, langsung sama, bukan? Kemudian, kita klik "OK." Langsung kita ke tahap berikutnya.

Ini adalah gambaran bahwa sama persis untuk warna dan label pada kedua data raster yang kita input.

Setelah melakukan ritual memberi warna dan label yang "sama persis" untuk dua data raster, kita buka plugin "MOLUSCE. Klik pada tab "Raster," pilih "MOLUSCE," dan klik "MOLUSCE." Perlu diingat bahwa kita perlu meng-install pluginnya dulu. Sebab plugin ini tidak akan muncul jika plugin ini belum di-install. Bagi Sobat yang belum meng-install, bisa meng-install-nya lebih dahulu di tab "Plugins" dan nantinya search serta install "MOLUSCE."

Begitu kita memasuki window "MOLUSCE," kita input di kolom "Initial" untuk data raster tahun awal, dan di kolom "Final" untuk data raster tahun akhir. Kemudian kedua data raster tersebut juga kita "Add" di kolom "Spatial variables." Jika sudah, kita klik "Check geometry."

Ini adalah notifikasi setelah klik "Check geometry." Kita klik "OK" saja.

Kita lanjut ke tab berikutnya, "Evaluating correlation." Kita pastikan bahwa ada tanda silang di "Check all rasters," dan dengan "Method" berupa "Pearson's Correlation." Kita klik "Check."

Setelah itu, akan muncul tampilan seperti ini. Langsung kita lanjutkan ke tab berikutnya.

Tab "Area Changes." Ini adalah tab yang memunculkan notifikasi "Python error" di QGIS 2.18.28. Sedangkan di QGIS 2.18.20 lancar-lancar saja. Di tab ini, kita langsung klik "Update tables." Muncul tidaknya notifikasi "Python error" terjadi setelah kita klik "Update tables." Jika "Python error,"  maka tidak akan muncul tampilan yang saya beri kotak merah pada gambar ini. Jika QGIS Sobat juga lancar jaya dan muncul tabel seperti ini, langsung kita klik "Create changes map."

Kita ketikkan nama file sesuai selera. Kemudian kita klik "Save."

Ini dia, tampilan hasil creating "Changes Map" yang baru saja kita lakukan. Cukup menarik, karena di peta ini kita bisa melihat pixel yang awalnya sebuah lahan tertentu, yang berubah menjadi jenis lahan lain.

Kita kembali ke window MOLUSCE. Sedikit lagi selesai, Saudara-Saudari. Pada tab berikutnya, "Transition Potential Modelling." Di sini, kita tinggal mengubah jumlah maksimal iterasi yang ingin kita lakukan. Idealnya, kita gunakan 1000 (seribu), supaya hasilnya bagus. Jika ingin lebih loading-nya lebih cepat, kita bisa input angka 300 (tiga ratus), namun mungkin hasilnya tidak akan sebagus seribu kali iterasi. Setelah menentukan jumlah maksimal iterasi yang kita butuhkan, kita klik "Train neural network." Yang saya beri tanda kotak, adalah output yang akan muncul setelah "Train neural network" berjalan. Kita tunggu sampai proses train model selesai.

Jika proses "Train neural network" sudah selesai, kita lanjut ke tab berikutnya. "Cellular Automata Simulation." Di tab ini, kita nonaktifkan "Certancy function." Kemudian kita klik "Browse" dan tentukan lokasi dan nama penyimpanan pada kolom "Simulation result." Untuk "Number of simulation iterations," saya biarkan angka 1 (satu). Kemudian kita klik "Start." Tahap inilah yang menyita waktu loading paling lama dalam plugin "MOLUSCE." Kita bersabar sampai proses loading selesai.

Kita bisa langsung meng-close window MOLUSCE begitu proses simulasi Cellular Automata selesai. Secara otomatis, di layar QGIS kita akan muncul hasil prediksi berdasarkan perbedaan nilai pixel pada dua tahun data raster yang berbeda. Kita harus tetap ingat, jika data raster yang Sobat masukkan memiliki perbedaan lima tahun, maka output prediksi Cellular Automata-nya secara otomatis akan lima tahun ke depan juga. Di bawah ini adalah tampilan hasil simulasi Cellular Automata saya.

Demikian cara memprediksi perkembangan lahan dengan Cellular Automata di QGIS 2.18.20. Tidak terasa sudah di penghujung tulisan. Kita berjumpa di tulisan berikutnya. Semoga bermanfaat!

Catatan:

Delineasi wilayah studi bersumber dari data milik Pak Anang Wahyu Sejati.