Analisis Spasiotemporal Deforestasi dan Identifikasi Zona Rawan Longsor di Kabupaten Bandung Barat Menggunakan Google Earth Engine Tahun 2013-2024

Achmad Faizal Zaelani; M. A. Basyid

Authors

Achmad Faizal Zaelani Institut Teknologi Nasional Author
M. A. Basyid Institut Teknologi Nasional Author

Keywords:

deforestasi, gerakan tanah, Indeks Kerawanan Longsor, Kabupaten Bandung Barat, Spasiotemporal

Abstract

Kabupaten Bandung Barat merupakan wilayah di Provinsi Jawa Barat yang memiliki kerentanan tinggi terhadap bencana gerakan tanah akibat kondisi topografi curam, intensitas curah hujan ekstrem, serta degradasi tutupan lahan yang terjadi secara masif. Salah satu faktor utama penyebab eskalasi potensi longsor adalah deforestasi yang menurunkan tingkat kestabilan lereng. Penelitian ini bertujuan untuk menganalisis pola spasiotemporal kehilangan tutupan tajuk pohon serta mendelineasi zona rawan longsor menggunakan komputasi awan Google Earth Engine selama periode observasi tahun 2013 hingga 2024. Metodologi penelitian mengintegrasikan dataset multi-sensor yang meliputi Hansen Global Forest Change dan JRC Tropical Moist Forest, data elevasi digital SRTM, serta data presipitasi CHIRPS. Hasil pengujian akurasi membuktikan bahwa algoritma Hansen memiliki tingkat keandalan yang lebih tinggi dengan nilai akurasi menyeluruh sebesar 0,762. Sintesis dari seluruh parameter bahaya tersebut berhasil mengidentifikasi keberadaan zona risiko sangat tinggi seluas 478,27 hektar. Zona kritis ini merupakan hasil sintesis penumpangan berbobot antara area kehilangan vegetasi pelindung, lereng bersudut ekstrem, dan paparan curah hujan di atas 2500 milimeter per tahun.

References

[1] Badan Pusat Statistik, Kabupaten Bandung Barat dalam Angka 2023. Kabupaten Bandung Barat: BPS Kabupaten Bandung Barat, 2023.

[2] Widayati, E. Purwanto, and S. Nugroho, “Pemantauan perubahan tutupan lahan menggunakan Google Earth Engine di Jawa Barat,” J. Penginderaan Jauh Indones., vol. 2, no. 1, pp. 15–24, 2021.

[3] Kementerian Lingkungan Hidup dan Kehutanan Republik Indonesia, “Deforestasi Indonesia Tahun 2021-2022,” Jakarta, 2022.

[4] B. A. Margono, P. V. Potapov, S. Turubanova, F. Stolle, and M. C. Hansen, “Primary forest cover loss in Indonesia over 2000-2012,” Nat. Clim. Chang., vol. 4, no. 8, pp. 730–735, 2014.

[5] N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, and R. Moore, “Google Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sens. Environ., vol. 202, pp. 18–27, 2017.

[6] M. C. Hansen, “High-resolution global maps of 21st-century forest cover change,” Science (80-. )., vol. 342, no. 6160, pp. 850–853, 2013.

[7] Joint Research Centre, “Tropical Moist Forest (TMF) monitoring: Annual changes v1.2,” 2023.

[8] United States Geological Survey, “SRTMGL1: Shuttle Radar Topography Mission Global 1 arc second,” 2015.

[9] Climate Hazards Group, “CHIRPS: Climate Hazards Group InfraRed Precipitation with Station data (Version 2.0),” 2024.

[10] European Space Agency, “ESA WorldCover 10m v100 product,” 2021.

[11] Pusat Penelitian Tanah dan Agroklimat, Petunjuk Teknis Evaluasi Lahan untuk Komoditas Pertanian. Bogor: Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian, 2004.

[12] R. A. Van Zuidam, Aerial photo-interpretation in terrain analysis and geomorphologic mapping. Enschede: International Institute for Aerospace Survey and Earth Sciences, 1985.

[13] R. G. Congalton and K. Green, Assessing the Accuracy of Remotely Sensed Data: Principles and Practices, 3rd ed. Boca Raton: CRC Press, 2019.

[14] J. R. Landis and G. G. Koch, “The measurement of observer agreement for categorical data,” Biometrics, vol. 33, no. 1, pp. 159–174, 1977.

[15] P. Olofsson, G. M. Foody, S. V. Stehman, and C. E. Woodcock, “Good Practices for estimating area and assessing accuracy of land change,” Remote Sens. Environ., vol. 148, pp. 42–57, 2014.