Analisis Multitemporal Pengaruh Perubahan Penggunaan Lahan terhadap Klasifikasi Resapan Air Tanah di Kota Surakarta

Sulistiani Sulistiani; I Putu Santikayasa; Muh Taufik; Rachmat Fajar Lubis

doi:10.22146/mgi.89966

Analisis Multitemporal Pengaruh Perubahan Penggunaan Lahan terhadap Klasifikasi Resapan Air Tanah di Kota Surakarta

https://doi.org/10.22146/mgi.89966

Sulistiani Sulistiani⁽¹⁾, I Putu Santikayasa^(2*), Muh Taufik⁽³⁾, Rachmat Fajar Lubis⁽⁴⁾

(1) Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Penegtahuan Alam, Institut Pertanian Bogor, Bogor, Jawa Barat, Indonesia
(2) Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Penegtahuan Alam, Institut Pertanian Bogor, Bogor, Jawa Barat, Indonesia
(3) Departemen Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Penegtahuan Alam, Institut Pertanian Bogor, Bogor, Jawa Barat, Indonesia
(4) Pusat Riset Limnologi dan Sumber Daya Air, Badan Riset dan Inovasi Nasional, Bogor, Jawa Barat, Indonesia
(*) Corresponding Author

Abstract

Abstrak. Meningkatnya mobilitas penduduk menyebabkan peningkatan kebutuhan air serta perubahan penggunaan lahan di perkotaan. Adanya peningkatan kebutuhan air, maka sangat diperlukan sumber-sumber air baru khususnya dari air tanah. Disisi lain, perubahan lahan sangat mempengaruhi kemampuan pengisian air tanah. Penelitian ini bertujuan untuk menganalisis secara multitemporal dari perubahan penggunaan lahan tahun 2010-2040 dan mengidentifikasi kondisi resapan air tanah di Kota Surakarta. Adapun metode yang digunakan untuk prediksi Land Use Land Cover (LULC) yaitu menggunakan pendekatan metode Cellular Automata – Artificial Neural Network (CA-ANN) dimana untuk mengevaluasi hasil prediksi LULC menggunakan metode akurasi kappa, sedangkan untuk analisis kondisi resapan air tanah menggunakan metode skoring. Bahan yang digunakan yaitu LULC dari citra Landsat 7 ETM+ dan Landsat OLI tahun 2000, 2010, dan 2020, DEM, jenis tanah, kemiringan lereng, dan curah hujan. Hasil prediksi LULC di Kota Surakarta menunjukkan bahwa terjadi peningkatan LULC untuk kawasan terbangun dengan total luasan sebesar 71,08% pada tahun 2030 dan 71,83% pada tahun 2040. Selain kawasan terbangun, area vegetasi mengalami penurunan sebesar 1,26% di tahun 2040. Hasil simulasi kondisi resapan air tanah di Kota Surakarta tahun 2020 dan 2040 menunjukkan bahwa lokasi penelitian memiliki 5 kelas klasifikasi yaitu kondisi resapan baik, normal alami, mulai kritis, agak kritis, dan kritis. Kota Surakarta didominasi oleh kelas agak kritis dan kritis dengan luasan area sebesar 17,29 km² tahun 2020 menjadi 20,85 km²tahun 2040 untuk kelas IV yaitu agak kritis, dan untuk kelas V yaitu kritis memiliki luasan area sebesar 13,91 km² tahun 2020 menjadi 15,08 km² tahun 2040.

Abstract. Increased population mobility leads to increased water demand and changes in land use in urban areas. With the increase in water demand, new water sources, especially from groundwater, are needed. On the other hand, land use change greatly affects groundwater recharge capacity. This research aims to analyse multitemporal land use change from 2010-2040 and identify the condition of groundwater recharge in Surakarta City. The method used for Land Use Land Cover (LULC) prediction is using Cellular Automata - Artificial Neural Network (CA-ANN) method approach where to evaluate the LULC prediction results using the kappa accuracy method, while for the analysis of groundwater recharge condition using scoring method. The materials used are LULC from Landsat 7 ETM+ and Landsat OLI images in 2000, 2010, and 2020, DEM, soil type, slope, and rainfall. The prediction results of LULC in Surakarta City show that there is an increase in LULC for built-up areas with a total area of 71.08% in 2030 and 71.83% in 2040. In addition to the built-up area, the vegetation area decreased by 1.26% in 2040. Meanwhile, the simulation results of groundwater infiltration conditions in Surakarta City in 2020 and 2040 show that the research location has 5 classification classes, namely good infiltration conditions, natural normal, starting to be critical, somewhat critical, and critical. Surakarta City is dominated by the mildly critical and critical classes with an area of 17.29 km² in 2020 to 20.85 km² in 2040 for class IV which is mildly critical, and for class V which is critical has an area of 13.91 km² in 2020 to 15.08 km² in 2040.

Keywords

CA-ANN; Penginderaan Jauh; LULC; Resapan Air

Full Text:

PDF

References

[DLH] Dinas Lingkungan Hidup Kota Surakarta 2021. (2021). Indeks Kualitas Lingkungan Hidup Kota Surakarta Tahun 2021. Surakarta: Dinas Lingkungan Hidup

[DLH] Dinas Lingkungan Hidup Kota Surakarta 2022. (2022). Indeks Kualitas Lingkungan Hidup Kota Surakarta Tahun 2022. Surakarta: Dinas Lingkungan Hidup

[DJRRL] Direktorat Jenderal Reboisasi dan Rehabilitasi Lahan. (1998). Keputusan Direktorat Jenderal Reboisasi dan Rehabilitasi Lahan Nomor : 041/Kpts/V/1998 Tanggal 21 April 1998, tentang Pedoman Penyusunan Rencana Teknik Lapangan Rehabilitasi Lahan dan Konservasi Tanah Daerah Aliran Sungai. Dirjen Reboisasi dan Rehabilitasi Lahan, Departemen Kehutanan. Jakarta.

[LHK] Peraturan Menteri Lingkungan Hidup dan Kehutanan RI. (2022). Peraturan Menteri Lingkungan Hidup dan Kehutanan Republik Indonesia Nomor 10 Tahun 2022 tentang Penyusunan Rencana Umum Rehabilitasi Hutan dan Lahan Daerah Aliran Sungai dan Rencana Tahunan Rehabilitasi Hutan dan Lahan. Jakarta

Abbas, A. (2002). Diktat Untuk Kalangan Sendiri : Sosiologi Perkotaan. Padang: Jurusan Sosiologi Universitas Andalas.

Abbas, Z., Guang, Y., Yuanjung, Z., & Yaolong, Z. (2021). Spatiotemporal Change and Future Scenario of LULC using the CA-ANN Approach: A Case Study of the Greater Bay Area, China. Land, 10(6), 584, https://doi.org/10.3390/land10060584

Adzhani, M.D., & Tayubi, Y.R. (2019). Analisis Curah Hujan terhadap Debit Air Sungai di daerah Aliran Sungai Citarum. Prosiding Seminar Nasional Fisika, pp. 459-471

Alfandhani, R.S., Hizbaron, D.R., & Widyastuti, M. (2021). Kajian Pengaruh Kondisi Daerah Resapan Air pada Pola Pemanfaatan Ruang di Sub DAS Jlantah-Walikun pada Wilayah DAS Bengawan Solo Hulu. Jurnal Pendidikan Tambusai, 5(3), 11236-11244

Arsyad, U., Barkey, R., Wahyuni., & Matandung, K.K. (2018). Karakteristik Tanah Longsor di daerah Aliran Sungai tangka. Jurnal Hutan dan Masyarakat, 10(1), 203-2014

As-syakur, A.R., Suarna, W.I., Adnyana, I.W.S., Rusna, I.W., Laksmiwati, I.A.A., & Diara, I.W. (2008). Studi Perubahan Lahan di DAS Bandung. Bumi Lestari Journal of Environment, 10 (2): 200 – 207

Belihu, M., Tekleab, S., Abate, B., & Bewket, W. (2020). Hydrologic Response to Land Use Land Cover Change in the Upper Gibadi Watershed , Rift Valley Lakes Basin, Ethiopia. Hydro Research, 3: 85-94

Chow, V.T., Maidment D.R., & Mays, L.W. (1988). Applied Hydrology. McGraw-Hill International Edition. Civil Engineering Series. 572 p

Dyah. (2018, 9 Juni). Taman Balekambang, Solo. Riwayatmu Kini. Diakses pada 17 Februari 2024, dari http://www.sukasukadee.com/2018/06/taman-balekambang-solo-riwayatmu-kini.html

Fariz, T.R,. Nurhidayati, E., Damayanti, H.N., & Safitri, E. (2020). Komparasi Model Cellular Automata dalam Memprediksi Perubahan Lahan Sawah di Kabupaten Purworejo. Jurnal Teknik Lingkungan, 6(2): 157-167

Fauzi, R.G.N., Utomo, D.H., & Taryana, D. (2018). Pengaruh Perubahan Penggunaan Lahan terhadap Debit Puncak di Sub DAS Penggung Kabupaten Jember. Jurnal Pendidikan geografi, 23(1), 50-61

Febrianingsih, W., Priyana, Y., Cholil, M., & Sigit, A.A. (2021). Analisis Daerah Resapan Air terhadap Tata Ruang Wilayah di Kota Surakarta. Publikasi Geografi

Fitriana, A.L., Subiyanto, S., & Firdaus, H.S. (2017). Model Cellular Automata Markov untuk Prediksi Perkembangan Fisik Wilayah Permukiman Kota Surakarta menggunakan Sistem Informasi Geografis. Jurnal Geodesi Undip, 6(4), 246-253

Gismondi, M. (2021). MOLUSCE-an Open Source Land Use Change Analyst. FOSS4G. diakses tanggal 10 Januari 2023 dari https://2013.foss4g.org/conf/programme/presentations/107/

Hastono, F.D., Sudarsono, S., & Sasmito, B. (2012). Identifikasi Daerah Resapan Air dengan Sistem Informasi geografis (Studi Kasus: Sub DAS Keduang). Jurnal Geodesi Undip, 1(1), doi: https://doi.org/10.14710/jgundip.2012.2232

Khawaldah, H.A. (2016). A Prediction of Future Land Use/Land Cover in Amman Area using GIS-Based Markov Model and Remote Sensing. Journal of Geographic Information System, 8(3), 412-427, doi: 10.4236/jgis.2016.83035.

Kusumastuti, A.L., Yudana, G., & Rini, E.F. (2020). Kemampuan Ruang Terbuka Hijau Publik dalam Berkontribusi Meresapkan Genangan Air Hujan di Kota Surakarta. Journal of Urban and Regional Planning, 1(1), 20-30

Landis, J.R., & Koch, G.G. (2012). The Measurement of Observer Agreement for Categorical Data. Biometrics, 33(1), 159-74

Liu, J., Hanqin, T., Mingliang, L., Dafang, Z., Jerry, M.M., & Zengxiang, Z. (2005). China’s Changing Landscape during the 1990s: Large-scale Land Transformations Estimated with Satellite Data. Advancing Earth and Space Sciences, 32(2), https://doi.org/10.1029/2004GL021649

Liu, X., Liang, X., Li, X., Xu, X., Ou, J., Chen, Y., Li, S., Wang, S., & Pei, F. (2017). A Future Land Use Simulation Model (FLUS) for Simulating Multiple Land use Scenearios by Coupling Human and Natural Effects. Landsc. Urban Plan. 168, 94-116, doi: https://doi.org/10.1016/j.landurbplan.2017.09.019

Liu, X., Wei, M., & Zeng, J. (2020). Simulating urban Growth Scenario Based on Ecological Security Pattern: A Case Study in Quanzhou, China. Int. J. Environ. Res. Public Health. 17, 7282, doi: https://doi.org/10.3390/ijerph17197282

Mengistu, T.D., Chung, I., Kim, M.G., Chang, S.W., & Lee, J.E. (2022). Impacts and Implications of Land Use Land Cover Dynamics on Groundwater Recharge and Surface Runoff in East Africa Watershed. Water. 14, 2068, https:// doi.org/10.3390/w14132068

Mustafa, A., Van Rompaey, A., Cools, M., Saadi, I., & Teller. J. (2018). Addressing the Determinants of Built-up Expansion and Densification Processes at the Regional Scale. Urban studies, 55(15): 3279-329

Nabila, D.A. (2023). Pemodelan Prediksi dan Kesesuaian Perubahan Penggunaan Lahan dengan menggunakan Cellular Automata-Artificial Neural Network. Jurnal Tunas Agraria, 6(1), 41-55

Nuryanti, Tanesib, J.L., & Warsito, A. (2018). Pemetaan Daerah Rawan Banjir dengan Penginderaan Jauh dan Sistem Informasi Geografi di Kecamatan Kupang Timur Kabupaten Kupang Provinsi Nusa tenggara Timur. Jurnal Fisika, 3(1), ISSN: 2503-5274

Obuch, S,K., & Starzec, M. (2020). Statistical Approach to the Problem of Selecting the Most Appropriate Model for Managing Stormwater in Newly Designed Multi-Family Housing Estate. Resources, 9(9), 110. https://doi.org/10.3390/resources9090110

Pahlavani, P., Askarian, O.H., & Bigdeli, B. (2017). A Multiple Land Use Change Model Based on Artificial Neural network, Markov Chain, and Multi Objective Land Allocation. Earth Obs. Geomat. Eng. 1, 82-99

Pandiangan, N.L., Diara, I.W., & Kusmiyarti, T.B. (2021). Analisis Daerah Resapan Air Kecamatan Sukasada Kabupaten Buleleng menggunakan Sistem Informasi Geografis. Jurnal Agroteknologi Tropika, 10(3), 324-336

Prakoso, T.S. (2022, 29 Desember). 10.000 Pohon Ditanam di 4 Wilayah di Bantaran Bengawan Solo. Diakses pada 17 Februari 2024, dari https://soloraya.solopos.com/10-000-pohon-ditanam-di-4-wilayah-di-bantaran-bengawan-solo-termasuk-klaten-1510674

Pomerol, J.C., & Barba-Romero, S. (2000). Multicriterion Decision in Management: Principles and Practices. Springer Science, LCC: New York, USA

Qiao, Z., Luo, L., Yuanwei, Q., Xinliang, X., Binwu, W., & Zhenjie, L. (2020). The Impact of Urban Renewal on Land Surface Temperature Changes: A Case Study in the Main City of Guangzhou, China. Remote Sens, 12(5), 794, https://doi.org/10.3390/rs12050794

Rahman, M.T.U., Tabassum, F., Rasheduzzaman, M., Saba, H., Sarkar, L., Ferdous, J., Uddin, S.Z., & Islam, A.Z. (2017). Temporal Dynamics of Land Use/Land Cover Change and its prediction using CA-ANN model for Southwestern Coastal Bangladesh. Environmental Monitoring and Assessment, 565, doi: 10.1007/s10661-017-6272-0

Sajjad, M.M., Wang, J., Abbas, H., Ullah, I., Khan, R., & Ali, F. (2022). Impact of Climate and Land Use Change on Groundwater Resources, Study of Faisalabad District, Pakistan. Atmosphere, 13: 1097. Https:// Doi.Org/10.3390/Atmos13071097

Scanlon, B.R., Robert, C.R., David, A.S., David, E.P., & Kevin, F.D. (2005). Impact of Land Use and Land Cover Change on Groundwater Recharge and Quality in the Southwestern US. Global Change Biology, 11, 1577-1593. Doi: 10.1111/j.1365-2486.2005.010126.x

Seiler, K.P., & Gat, J.R. (2007). Groundwater Recharge From Run-off, Infiltration and Percolation. The Netherlands: Springer.

Sejati, S.P. (2020). Potensi Pencemaran Air Tanah Bebas pada Sebagian Kawasan Resapan Air di Lereng Selatan Gunung Api Merapi. Jurnal Pendidikan Geografi, 25(1), 25-38

Sloan, S., Zamora, P.J.C., Labbate, G., Asner, G.P., Imbach, P. (2018). The Cost and Distribution of Forest Conservation for National Emissions Reductions. Glob. Environ. Chang. 53, 39-51, doi: https://doi.org/10.1016/j.gloenvcha.2018.09.002

Supraptohardjo, M. (1962). Suatu Cara Penilaian Kemampuan Wilayah. UGM-Bakosurtanal

Tantawi, A.M., Bao, A., Chang, C., & Liu, Y. (2019). Monitoring and Predicting Land Use/Cover Changes in the Aksu-Tarim River Basin, Xinjiang-China (1990-2030). Environmental Monitoring and Assessment, 480, doi: 10.1007/s10661-019-7478-0

Turunen, V., Sorvari, J., & Mikola, A. (2018). A Decision Support Tool for Selecting the Optimal Sewage Sludge Treatment. Chemosphere, 193, 521-529

Verburg, P.H., & Overmars, K.P. (2007). Dynamic Simulation of Land-Use Change Trajectories with the Clue–s Model. Modell. Land Use Chang. 90, 321–335.

Wang, L., & Zong, L.Y. (2020). Changes in Land Use Influenced by Anthropogenic Activity. Environmental Science, https://doi.org/10.1093/acrefore/9780199389414.013.37

Wibisono, P., Miladan, N., & Utomo, RP. (2022). Hubungan Perubahan Kerapatan vegetasi dan Bangunan terhadap Suhu Permukaan Lahan; Studi Kasus di Aglomerasi Perkotaan Surakarta. Desa-Kota Jurnal Perencanaan Wilayah, Kota, dan Permukiman. 5(1), 148-162

Xu, T., Gao, J., & Coco, G. (2019). Simulation of urban expansion via integrating artificial neural network with Markov chain – cellular automata. International Journal of Geographical Information Science. DOI: 10.1080/13658816.2019.1600701

Yang, X., Chen, R., & Zheng, X.Q. (2015). Simulating Land Use Change by Integrating ANN-CA Model and Landscape Pattern Indices. Geomat. Nat. hazards Risk. 7, 918-932, doi: https://doi.org/10.1080/19475705.2014.1001797

Yoe, C. (2002). Trade-off Analysis Planning and Procedures Guidebook; Document No. IWR 01-R-2; U.S. Army Institute of Water Resources : Alexandria , USA

DOI: https://doi.org/10.22146/mgi.89966