Analisis efisiensi penggunaan lahan perkotaan untuk pembangunan berkelanjutan dengan citra satelit di Jawa Barat

Rahadian Eka Bagus Indra Rinangku, Elfina Dea Rosalita, Nindy Nur Setiawati, Diva Putra Pratama, Sri Nurmala Ningsih, Fitri Kartiasih

Abstract

Pertumbuhan penduduk dan perkembangan ekonomi meningkatkan kebutuhan lahan, sementara ketersediaannya terbatas. Urbanisasi di Provinsi Jawa Barat sebagai provinsi dengan populasi terbesar di Indonesia sangat penting untuk diteliti. Dalam urbanisasi, perubahan penggunaan lahan tak terhindarkan dan mempengaruhi lahan terbangun di wilayah perkotaan. Penelitian ini menggunakan Landsat 8 yang membawa muatan dua sensor Operational Land Imager (OLI) dan Thermal Infrared Sensor (TIRS) sehingga cocok digunakan sebagai sumber data citra satelit yang andal. Perbandingan antar wilayah dan antar periode sangat dibutuhkan sebagai landasan pengambilan keputusan untuk mewujudkan urbanisasi yang berkelanjutan. Nilai Rate of Change (ROC) digunakan untuk mengukur perbandingan antar periode waktu. Perkotaan di Jawa Barat mengalami laju konsumsi lahan lebih tinggi dibanding pertumbuhan penduduk, namun ada efisiensi penggunaan lahan pada periode 2018-2020 dibanding 2016-2018 dengan penurunan laju LCRPGR sebesar 49.92%. Korelasi LCR dan PGR menunjukkan tren positif namun sangat lemah, menunjukkan adanya faktor lain yang mempengaruhi laju penggunaan lahan perkotaan di Jawa Barat.


Keywords

Citra Satelit; LRCPGR; Pembangunan Berkelanjutan; Penggunaan Lahan

Full Text:

PDF PDF

References

[1]Utoyo B. Dinamika Penggunaan Lahan di Wilayah Perkotaan (Studi di Kota Bandar Lampung). Pros. Semin. Has. Penelit. FISIP Unila, 2012.

[2]Wijaya N. Deteksi Perubahan Penggunaan Lahan Dengan Citra Landsat dan Sistem Informasi Geografis: Studi Kasus di Wilayah Metropolitan Bandung, Indonesia. Geoplanning J Geomatics Plan 2015;2. https://doi.org/10.14710/geoplanning.2.2.82-92.

[3]Misa DPP, Moniaga IL, Lahamendu V. Penggunaan Lahan Kawasan Perkotaan berdasarkan Fungsi Kawasan. Spasial 2018;5:171–8.

[4]Prihatin RB. Alih fungsi lahan di perkotaan (Studi kasus di Kota Bandung dan Yogyakarta). J Aspir 2015;6:105–18.

[5]Suryani S, Nurjasmi R, Fitri R. Pemanfaatan Lahan Sempit Perkotaan untuk Kemandirian Pangan Keluarga. J Ilm Respati 2020;11:93–102. https://doi.org/10.52643/jir.v11i2.1102.

[6]Prasodjo I. Dampak Urbanisasi bagi Pembangunan Manusia 2010-2016 Studi Kasus: Jakarta, Surabaya dan Medan. J Ekon 2018;23:305. https://doi.org/10.24912/je.v23i3.415.

[7]Saputro A. Urban Crisis Produk Kegagalan Urbanisasi di Indonesia. Sosiol Reflektif 2020;15:173–94.

[8]Anggraeni FA. Analisis Faktor yang Mempengaruhi Peningkatan Urbanisasi di Kota Jakarta dan Surabaya Pada Tahun 2020-2021. J Ekon Bisnis Dan Akunt 2022;2:41–53. https://doi.org/10.55606/jebaku.v2i2.115.

[9]Adam FP. Tren Urbanisasi di Indonesia. Piramida 2010;6:1–15.

[10]Kartiasih F, Pribadi W. Environmental Quality and Poverty in Indonesia. J Pengelolaan Sumberd Alam Dan Lingkung (Journal Nat Resour Environ Manag 2020;10:89–97. https://doi.org/10.29244/jpsl.10.1.89-97.

[11]Calka B, Orych A, Bielecka E, Mozuriunaite S. The Ratio of the Land Consumption Rate to the Population Growth Rate: A Framework for the Achievement of the Spatiotemporal Pattern in Poland and Lithuania. Remote Sens 2022;14:1074. https://doi.org/10.3390/rs14051074.

[12]Widiawaty MA. Faktor-Faktor Urbanisasi di Indonesia 2019. https://doi.org/10.31227/osf.io/vzpsw.

[13]Badan Pusat Statistik. Jumlah Penduduk menurut Kelompok Umur, Daerah Perkotaan/Perdesaan, Kewarganegaraan, dan Jenis Kelamin, Indonesia, Tahun 2022. Jakarta: 2022.

[14]Harahap FR. Dampak Urbanisasi bagi Perkembangan Kota di Indonesia. Society 2013;1:35–45. https://doi.org/10.33019/society.v1i1.40.

[15]Badan Pusat Statistik. Kepadatan Penduduk menurut Provinsi (jiwa/km2). Jakarta: 2021.

[16]Badan Pusat Statistik. Jumlah Penduduk Menurut Provinsi di Indonesia (Ribu Jiwa), 2020-2022. Jakarta: 2022.

[17]Fariz TR, Daeni F, Sultan H. Pemetaan Perubahan Penutup Lahan Di Sub-DAS Kreo Menggunakan Machine Learning Pada Google Earth Engine. J Sumberd Alam Dan Lingkung 2021;8:85–92. https://doi.org/10.21776/ub.jsal.2021.008.02.4.

[18]Rahmawati AD, Asy’Ari R, Fathonah MA, Priyanto, Zamani NP, Pramulya R, et al. Vegetation-Water-Built Up Index Combined: Algorithm Indices Combination for Characterization and distribution of Mangrove Forest through Google Earth Engine. Celeb Agric 2022;3:20–42. https://doi.org/10.52045/jca.v3i1.298.

[19]Roy DP, Wulder MA, Loveland TR, C.E. W, Allen RG, Anderson MC, et al. Landsat-8: Science and Product Vision for Terrestrial Global Change Research. Remote Sens Environ 2014;145:154–72. https://doi.org/10.1016/j.rse.2014.02.001.

[20]Guha S, Govil H, Dey A, Gill N. Analytical Study of Land Surface Temperature with NDVI and NDBI using Landsat 8 OLI and TIRS Data in Florence and Naples City, Italy. Eur J Remote Sens 2018;51:667–78. https://doi.org/10.1080/22797254.2018.1474494.

[21]Bhatti SS, Tripathi NK. Built-up Area Extraction using Landsat 8 OLI Imagery. GIScience Remote Sens 2014;51:445–67. https://doi.org/10.1080/15481603.2014.939539.

[22]Fahrudin F, Tambunan MM. Pemodelan Urban Change SDGS 11.3. 1 dalam Mendukung Municipal Comprehensive Planning di Kota Mang. Kamikawa (Jurnal Perenc Pembang Dan Inovasi) 2021;1:26–35.

[23]Estoque RC, Ooba M, Togawa T, Hijioka Y, Murayama Y. Monitoring Global Land-Use Efficiency in the Context of the UN 2030 Agenda for Sustainable Development. Habitat Int 2021;115:102403. https://doi.org/10.1016/j.habitatint.2021.102403.

[24]Roy DP, Kovalskyy V, Zhang HK, Vermote EF, Yan L, Kumar SS, et al. Characterization of Landsat-7 to Landsat-8 Reflective Wavelength and Normalized Difference Vegetation Index Continuity. Remote Sens Environ 2016;185:57–70. https://doi.org/10.1016/j.rse.2015.12.024.

[25]Zha Y, Gao J, Ni S. Use of Normalized Difference Built-Up index in Automatically Mapping Urban Areas from TM Imagery. Int J Remote Sens 2003;24:583–94. https://doi.org/10.1080/01431160304987.

[26]Watik N, Jaelani LM. Flood Evacuation Routes Mapping based on Derived-Flood Impact Analysis from Landsat 8 Imagery using Network Analyst Method. Int Arch Photogramm Remote Sens Spat Inf Sci 2019;XLII-3/W8:455–60. https://doi.org/10.5194/isprs-archives-XLII-3-W8-455-2019.

[27]United Nations Human Settlements Programme (UN-Habitat). Metadata on SDG Indicator 11.3.1: Ratio of Land Consumption Rate to Population Growth Rate. UN-Habitat 2020.

[28]Wang Y, Huang C, Feng Y, Zhao M, Gu J. Using Earth Observation for Monitoring SDG 11.3.1-Ratio of Land Consumption Rate to Population Growth Rate in Mainland China. Remote Sens 2020;12:357. https://doi.org/10.3390/rs12030357.

[29]Franzese M, Iuliano A. Correlation Analysis. Encycl. Bioinforma. Comput. Biol. ABC Bioinforma., vol. 1, Elsevier; 2018, p. 706–21.

Refbacks

  • There are currently no refbacks.