Bab II Tinjauan Pustaka membahas konsep bentuk kota, jaringan jalan, pemanfaatan *deep learning* dalam kajian perkotaan, dan landasan konseptual penelitian. **Bentuk Kota:** Bentuk kota dipahami sebagai deskripsi karakteristik fisik suatu kota, yang dipengaruhi persepsi individu. Dempsey dkk. (2008) mengidentifikasi lima elemen utama: 1. **Kepadatan:** Tidak hanya kuantitatif (jumlah penduduk/rumah per hektar), tetapi juga kualitatif (persepsi keramaian), mempengaruhi layanan publik, transportasi, interaksi sosial, dan kualitas hidup. 2. **Penggunaan Lahan:** Mencakup hunian, komersial, industri, ruang terbuka. *Mixed-use development* penting untuk lingkungan yang hidup dan efisien. 3. **Aksesibilitas dan Infrastruktur Transportasi:** Menentukan kemudahan menjangkau lokasi, mencakup jarak, keterjangkauan, dan mobilitas. Transportasi publik, jaringan jalan, dan fasilitas pejalan kaki penting. 4. **Tata Letak:** Susunan blok, jalan, dan bangunan mempengaruhi pergerakan penduduk. Struktur *grid* lebih mendukung konektivitas daripada *cul-de-sac*. 5. **Karakteristik Bangunan dan Perumahan:** Tipe hunian, ukuran, ketinggian, dan kondisi fisik mempengaruhi kenyamanan, efisiensi energi, dan adaptasi. Clifton dkk. (2008) mengklasifikasikan perspektif bentuk kota menjadi lima disiplin ilmu utama: ekologi lanskap (konservasi lingkungan, penggunaan lahan), ekonomi (efisiensi spasial, struktur kota), perencanaan transportasi (aksesibilitas, jaringan transportasi), desain komunitas (kapasitas pembangunan, keberagaman penggunaan lahan), dan desain urban (estetika, *walkability*). Schwarz (2010) menambahkan bahwa bentuk kota mencakup struktur fisik, ukuran jaringan perkotaan, dan distribusi populasi. Pengukuran bentuk kota meliputi *landscape metrics* (area terbangun, densitas tepi, fragmen kota) dan indikator sosial ekonomi (kepadatan penduduk, indeks disimilasi, Gini koefisien, akses internet). Huang dkk. (2007) menganalisis bentuk kota menggunakan *spatial metrics* dan data ekonomi (GDP per kapita, kepemilikan kendaraan). Lobsang dkk. (2019) mengidentifikasi hubungan antara jaringan jalan dan PDRB. W. Chen dkk. (2024) menemukan korelasi antara pola jaringan jalan dan polusi udara. Penelitian ini akan berfokus pada aspek fisik-spasial dan sosial-ekonomi bentuk kota, khususnya visualisasi jaringan jalan (W. Chen dkk., 2024). **Jaringan Jalan:** Jaringan jalan adalah sekumpulan *node* (persimpangan, jalan buntu) dan *link* (segmen jalan) yang menghubungkannya (Barthlemy, 2011), merupakan tulang punggung kota (Sharifi, 2019). Analisis jaringan jalan mengukur geometri (panjang, luas) dan topologi (konfigurasi, konektivitas). Sentralitas dan konektivitas umum digunakan. Pendekatan visual pola jaringan jalan juga digunakan. Taksonomi pola jaringan jalan yang umum adalah *gridiron, radial, tributary*, dan *linear* (S. Marshall, 2004). Penelitian ini mengadopsi klasifikasi W. Chen dkk. (2024): * **Gridiron:** Pola kotak, mempermudah pergerakan non-motor, efisien, dapat menyebabkan kemacetan dan emisi. * **Organic:** Pola alami tidak beraturan, responsif terhadap geografis, sulit untuk infrastruktur dan pemusatan aktivitas. * **Radial:** Jalan menyebar dari pusat, pemusatan aktivitas, aksesibilitas baik ke pusat, rentan kemacetan di pusat. * **Tributary:** Jalan bercabang seperti anak sungai, hierarki jelas, bergantung pada jalan utama, rentan macet. * **Linear:** Jalan utama memanjang, pergerakan cepat, akses mudah, ketergantungan pada jalur utama. * **Chaotic:** Tata letak acak tanpa struktur jelas, menunjukkan dinamika sosial ekonomi, sulit dan mahal infrastruktur. **Machine Learning dalam Kajian Perkotaan:** *Machine learning* (ML) mengembangkan algoritma untuk belajar dari data dan membuat prediksi. *Deep learning* (DL) menggunakan jaringan saraf tiruan (*deep neural networks*) untuk mengekstraksi representasi data otomatis. ML digunakan untuk perencanaan dan pengelolaan kota yang cerdas. Casali dkk. (2022) mengklasifikasikan aplikasi ML dalam analisis spasial perkotaan ke dalam empat kategori: guna lahan dan bentuk kota, sosial ekonomi, lingkungan, dan infrastruktur. Analisis kluster, khususnya *k-means*, banyak digunakan untuk mengungkap pola tersembunyi dari data spasial dan sosial ekonomi (Wang & Biljecki, 2022). **Tinjauan Peraturan Pemerintah No. 59/2022 tentang Perkotaan:** Peraturan ini mengatur klasifikasi perkotaan berdasarkan bentuk (kota otonom, kawasan perkotaan) dan klasifikasi (besaran, kondisi geografis, fungsi/peran). Besaran kota diklasifikasikan menjadi kecil, sedang, besar, metropolitan, atau megapolitan, berdasarkan jumlah penduduk dan fungsi ekonomi. Penelitian ini juga merujuk PP No. 26/2008 tentang RTRWN untuk batasan jumlah penduduk setiap klasifikasi kota. **Sintesis Literatur:** Bentuk kota terdiri dari aspek fisik, sosial ekonomi, dan lingkungan. Penelitian ini fokus pada aspek fisik (pola jaringan jalan) karena mencerminkan proses historis, aksesibilitas, aktivitas ekonomi, dan kondisi lingkungan. Data sosial ekonomi (PDRB, populasi) diintegrasikan. Penerapan ML dalam kajian bentuk kota berkembang, tetapi sebagian besar fokus pada aspek visual saja. Penelitian ini mengintegrasikan data pola jaringan jalan, populasi, dan PDRB menggunakan *k-means clustering* untuk mengidentifikasi kelompok kota berdasarkan karakteristik fisik dan sosial ekonomi, memberikan dasar perencanaan kota yang adaptif dan berbasis bukti.