Lahan basah adalah bagian penting yang terintegrasi dengan ekosistem global yang memiliki fungsi penting dalam menjaga keseimbangan lingkungan seperti mencegah atau mengurangi dampak banjir, menampung air permukaan dan serta menyediakan habitat unik baik flora maupun fauna. Lahan basah perkotaan memberikan jasa ekosistem langsung bagi masyarakat sekaligus mendorong kelangsungan funsi ekologi kota. Upaya pengendalian ruang wilayah kota memerlukan instrumen yang mampu mengintegrasikan variabel lingkungan kompleks yang terdiri dari aspek biofisik, aspek sosial-kultur, dan aspek ekonomi. Perkembangan pemodelan dinamika spasial saat ini masih terkonsentrasi pada penggunaan driving factor biofisik, sementara kompeksitas dinamika alih fungsi lahan perkotaan tentu dipengaruhi oleh faktor pendorong selain biofisik.Riset ini bertujuan; 1) menganalisis peran dari setiap faktor yang mempengaruhi alih fungsi lahan basah perkotaan berdasarkan hasil pemanfaatan penggalian data (data mining), 2) mengkontruksikan pemanfaatan penggalian data spasial untuk pemodelan dinamika spasial, dan 3) membangun model dinamika spasial untuk memproyeksikan komposisi spasial penggunaan lahan sebagai masukan dalam evaluasi keberlanjutan lahan basah perkotaan.Metode yang dipakai adalah pemodelan dinamika spasial dengan mengintegrasikan model markov, model cellular automata, dan model driving factor yang dihasilkan dari analisis spasial multitemporal dan pemanfaatan penggalian data spasial. Riset menggunakan 17 data driving factor yang dikategorikan dalam 3 varibel yaitu biofisik, sosio kultur dan ekonomi. Riset mengadopsi 8 driving factor biofisik yang digunakan dalam riset-riset sebelumnya, semnetara itu hasil kontruksi penggalian data spasial menambahkan 9 driving factor yang mewakili variabel sosio-kultur dan variabel ekonomi. Peran dari variabel sosio-kultur dan variabel ekonomi secara mayoritas lebih besar dalam mempengaruhi dinamika spasial alih fungsi lahan basah perkotaan.Hasil riset menunjukkan bahwa keberlangsungan lahan basah perkotaan wilayah riset masih dapat terus terjaga pada seluruh skenario model dengan tren luas lahan basah yang terus menurun. Skenario optimal merupakan pilihan terbaik dengan komposisi spasial yang rasional dan menunjukkan indikator penilaian lingkungan yang memiliki resiko paling rendah untuk indikator nilai koefisien limpasan rerata sebesar 0,458 lebih rendah dibandingkan skenario BAU dengan nilai koefisien limpasan rerata sebesar 0,462. Skenario optimal ini memiliki konsekuensi terjadinya fragementasi lahan basah yang lebih tinggi pada lahan basah yang terdapat pada alokasi lahan untuk permukiman dan lahan jasa perdagangan. Number of Patch (NP) pada skenario optimal pada tahun 2016 sebesar 105 meningkat menjadi 198 pada tahun 2034, lebih tinggi dibandingkan dengan skenario BAU yang menunjukkan NP sebesar 33 pada tahun 2016 dan NP sebesar 78 pada tahun 2034.
Wetlands are an important part that is integrated with global ecosystems that have important functions in maintaining environmental balance such as preventing or reducing the effects of flooding, storing surface water and as well as providing unique habitats for both flora and fauna. Urban wetlands provide ecosystem services directly to the community while promoting the sustainability of the city's ecological functions. Efforts to control spatial planning require instruments capable of integrating complex environmental variables consisting of biophysical aspects, socio-cultural aspects, and economic aspects. The development of spatial dynamics modeling is currently still concentrated on the use of biophysical driving factors, while the complexity of urban land use change is certainly influenced by driving factors other than biophysical aspects.This research aims; 1) analyzing the role of each factor that influences the conversion of urban wetlands based on the results of the utilization of data mining, 2) constructing the utilization of spatial data mining for spatial dynamics modeling, and 3) building spatial dynamics models to project the spatial composition of land use as input in evaluating the sustainability of urban wetlands.The method used is spatial dynamics modeling by integrating the Markov model, cellular automata model, and driving factor models resulting from multitemporal spatial analysis and the use of spatial data mining. The research uses 17 driving factor data which are categorized into 3 variables namely biophysical, socio-cultural and economic. The research adopted 8 biophysical driving factors used in previous research, while the results of the construction of spatial data mining added 9 driving factors representing sociocultural and economic variables. The role of socio-cultural variables and economic variables is predominantly higher in influencing spatial dynamics over the function of urban wetlands.The results of the research show that the sustainability of urban wetlands in the research area can still be maintained in all model scenarios with a trend of decreasing area of wetlands. The optimal scenario is the best choice with a rational spatial composition and shows the environmental assessment indicators that have the lowest risk for the average runoff coefficient value of 0.458 lower than the BAU scenario with an average runoff coefficient of 0.462. This optimal scenario has the consequence of higher fragmentation of wetlands in the wetland area contained in the allocation of land for settlements and commercial areas. The number of patches (NP) in the optimal scenario in 2016 was 105 increased to 198 in 2034, higher than the BAU scenario which showed a NP of 33 in 2016 and a NP of 78 in 2034. |
D2673-Habib Subagio.pdf :: Unduh