88 QGIS Remote Sensing & Machine Learning: LULC Analysis for Urban Sprawl and Urban Fringe Dynamics.

Pertumbuhan kota sering berlangsung secara bertahap namun masif. Ekspansi kawasan terbangun ke wilayah pinggiran menyebabkan perubahan signifikan pada pola penggunaan lahan, yang dikenal sebagai fenomena urban sprawl. Area peralihan antara kota dan wilayah perdesaan yang mengalami dinamika perubahan paling intens sering disebut sebagai urban fringe.

Melalui pendekatan remote sensing dan analisis spasial, perubahan tersebut dapat diidentifikasi, dianalisis, dan bahkan diproyeksikan ke masa depan. Pelatihan ini dirancang untuk membekali peserta dengan kemampuan analisis Land Use–Land Cover (LULC) secara komprehensif menggunakan QGIS, mulai dari klasifikasi tutupan lahan berbasis citra satelit, analisis perubahan spasial-temporal, hingga pemodelan prediksi ekspansi kota menggunakan pendekatan machine learning dan model spasial dinamis.

Seluruh materi disusun secara aplikatif dan berjenjang sehingga peserta tidak hanya memahami teknik analisis, tetapi juga mampu menginterpretasikan dinamika pertumbuhan kota serta implikasinya terhadap perencanaan wilayah dan pengelolaan ruang.

Sesi 1. Remote Sensing & LULC Classification untuk Analisis Perkotaan

• Konsep Land Use dan Land Cover; 
• Pengenalan citra satelit (Landsat & Sentinel); 
• Preprocessing dasar citra (clip, reprojection, band composite); 
• Penyusunan training data; klasifikasi LULC menggunakan supervised classification di QGIS; 
• Evaluasi akurasi menggunakan confusion matrix; 
• Interpretasi kelas LULC untuk analisis wilayah perkotaan. 

Sesi 2. Urban Sprawl Detection & Change Detection Analysis

• Konsep urban sprawl dan urban fringe; dinamika ekspansi kota;
• Analisis perubahan LULC berbasis multi-temporal; 
• Metode post-classification comparison; 
• Analisis transisi LULC; 
• Identifikasi konversi lahan menuju kawasan terbangun; 
• Visualisasi dan kuantifikasi perubahan; 
• Interpretasi pola ekspansi perkotaan.

Sesi 3. Future Projection: Prediksi Ekspansi Kota dengan Machine Learning

• Konsep dasar pemodelan perubahan lahan; 
• Pengenalan plugin MOLUSCE; 
• Faktor pendorong urban expansion;
• Artificial Neural Network (ANN); Cellular Automata (CA); 
• Simulasi dan validasi model; 
• Proyeksi perubahan LULC masa depan; 
• Identifikasi potensi perluasan kawasan urban fringe.