Analisis Pola Perubahan Tutupan Lahan Berdasarkan Metode Spatial Cluster di Provinsi Jawa Barat
DOI:
https://doi.org/10.29408/geodika.v7i1.7105Keywords:
tutupan lahan, spatial cluster, Global MoranAbstract
Secara empiris, tutupan lahan di Provinsi Jawa Barat menunjukkan adanya sebaran pola perubahan secara signifikan. Informasi pola sebaran ini menjadi penting untuk diketahui agar dapat diidentifikasi penyebabnya. Studi ini mempunyai tujuan untuk menemukenali pola perubahan lahan dari perspektif spasial, khususnya di Provinsi Jawa Barat. Pencapaian tujuan melibatkan analisis pola cluster global dan pola cluster local untuk mengetahui pola dan konsentrasi lokasi perubahan tutupan lahan. Analisis pola cluster global mengidentifikasi pola sebaran data di suatu wilayah, sementara analisis pola cluster lokal mengidentifikasi keberadaan cluster yang terjadi di setiap lokasi. Penentuan pola distribusi spasial menggunakan metode statistik Global Moran yang menghasilkan informasi umum tentang pola distribusi untuk seluruh area. Studi ini juga menganalisis pola setiap titik terhadap pola sekitarnya yang memanfaatkan metode Local Moran untuk penyelesaiannya. Pelibatan Sistem Informasi Geografis (SIG) melengkapi studi ini yang menunjukkan bahwa 8,2% dari luas yang ada di Jawa Barat terjadi perubahan tutupan lahan. Analisis Global Moran memberikan informasi bahwa perubahan lahan di Jawa Barat membentuk pola cluster. Analisis Local Moran menghasilkan 7,94% untuk tipe HH pada lokasi lahan yang mengalami perubahan. Tipe cluster HH ini menunjukkan bahwa lokasi-lokasi yang mengalami perubahan di kelilingi juga oleh lokasi yang berubah.
References
Adawiyah, H., Mutia, T., Subhani, A., Kabul, L. M., & Saputra, A. M. (2021). Analisis Sistem Informasi Geografis Perubahan Penggunaan Lahan di Kecamatan Labuhan Haji. Geodika: Jurnal Kajian Ilmu dan Pendidikan Geografi Volume 5 Nomor 1, Halaman: 174 -184.
Biswas, P., & Chatterjee, N. D. (2017). Spatial Distributional Pattern of Eve-Teasing in Urban Area; Mapping for Security, Safety and Prevention - A Case Study of Asansol Municipal Area, West Bengal, India. Indian Cartographer, 37(October), 127–135.
Bufebo, B., & Elias, E. (2021). Land Use/Land Cover Change and Its Driving Forces in Shenkolla Watershed, South Central Ethiopia. ScientificWorld Journal.
Derek, M., Woźniak, E., & Kulczyk, S. (2019). Clustering Nature-Based Tourists by Activity. Social, Economic And Spatial Dimensions. Tourism Management, 75, 509-521.
ESRI. (2019a). How Cluster And Outlier Analysis (Anselin Local Moran’s I) Works. http://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-statistics-toolbox/h-how-cluster-and-outlier-analysis-anselin-local-m.htm
ESRI. (2019b). How Spatial Autocorrelation (Global Moran’s I) Works. http://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-statistics-toolbox/h-how-spatial-autocorrelation-moran-s-i-spatial-st.htm
Fu, W. J., Jiang, P. K., Zhou, G. M., & Zhao, K. L. (2014). Using Moran’s I and GIS to study the spatial pattern of forest litter carbon density in a subtropical region of southeastern China. Biogeosciences, 11(8), 2401–2409. doi:10.5194/bg-11-2401-2014.
Garg, V., Nikam, B. R., Thakur, P. K., Aggarwal, S. P., Gupta, P. K., & Srivastav, S. K. (2019). Human-Induced Land Use Land Cover Change And Its Impact on Hydrology. Hydro Research Volume 1.
Getis, A. (2010). Spatial Autocorrelation. Dalam M. M. Fischer & A. Getis (Ed.), Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications (hal. 255–278). Springer.
Ghalhari, G. F., & Roudbari, A. D. (2018). An Investigation on Thermal Patterns in Iran Based on Spatial Autocorrelation. Theoretical and Applied Climatology, 131(3-4), 865-876.
Handayani, A. P., Deliar, A., & Abdulharis, R. (2021). Pola Spasial Harga Tanah Untuk Perencanaan Strategis Dalam Perspektif Pembangunan Berkelanjutan (Studi Kasus: Kota Bandung, Jawa Barat, Indonesia). Jurnal Sosioteknologi, 20(1), 104-113.
Hu, Y., & Nacun, B. (2018). An Analysis of Land-Use Change and Grassland Degradation from a Policy Perspective in Inner Mongolia, China, 1990–2015. Sustainability, 10(11), 4048.
Jiwa, M., Gudes, O., Varhol, R., & Mullan, N. (2015). Impact Of Geography on The Control of Type 2 Diabetes Mellitus: A Review of Geocoded Clinical Data From General Practice. BMJ Open, 5(12), e009504.
Khan, D., Rossen, L. M., Hamilton, B. E., He, Y., Wei, R., & Dienes, E. (2017). Hot Spots, Cluster Detection And Spatial Outlier Analysis of Teen Birth Rates in The U.S., 2003–2012. Spatial and Spatio-temporal Epidemiology, 21, 67-75.
Liu, G. X., Wu, M., Jia, F. R., Yue, Q., & Wang, H. M. (2019). Material Flow Analysis And Spatial Pattern Analysis of Petroleum Products Consumption And Petroleum-Related CO2 Emissions in China During 1995–2017. Journal of Cleaner Production, 209, 40–52.
Musakwa, W., & van Niekerk, A. (2014). Monitoring Urban Sprawl and Sustainable Urban Development Using the Moran Index: A Case Study of Stellenbosch, South Africa. International Journal of Applied Geospatial Research (IJAGR), 5(3), 1-20.
Santoso, P.B.K., Widiatmaka, Subiham, S., & Rusastra, I. W. (2017). Analisis Pola Konversi Lahan Sawah Dan Struktur Hubungan Penyebab Dan Pencegahannya (Studi Kasus Kabupaten Subang, Provinsi Jawa Barat). Jurnal Pengelolaan Sumberdaya Alam dan Lingkungan, 7(2):184-194. DOI: 10.29244/jpsl.7.2.184-194
Scott, L. M., & Janikas, M. V. (2010). Spatial Statistics in ArcGIS. Dalam M. M. Fischer & A. Getis (Ed.), Handbook of Applied Spatial Analysis: Software Tools, Methods and Applications (hal. 27–41). Springer.
Tadese. S., Soromessa, T., & Bekele, T. (2021). Analysis of the Current and Future Prediction of Land Use/Land Cover Change Using Remote Sensing and the CA-Markov Model in Majang Forest Biosphere Reserves of Gambella, Southwestern Ethiopia. Scientific World Journal.
Virtriana, R., Sumarto, I., Deliar, A., Pasaribu, U. S., & Taufik, M. (2015). Model of Land Cover Change Prediction in West Java Using Cellular Automata-Markov Chain (CA-MC). AIP Conference Proceedings, 1658, 060008.
