PEMODELAN SPASIAL KERENTANAN POPULASI PENDUDUK

TERHADAP BENCANA DI JAWA BARAT

Mahliyatin Muzayyana, Irwan Meilano, Akhmad Riqqi

Teknik Geodesi dan Geomatika, Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi Bandung
mahliyatin.muzayyana@students.itb.ac.id

ABSTRAK
Jawa Barat merupakan provinsi dengan populasi penduduk dan potensi bencana yang besar. Hal ini
menyebabkan Jawa Barat memiliki kerentanan populasi penduduk terhadap bencana yang tinggi.
Hingga saat ini belum terdapat informasi mengenai kerentanan penduduk terhadap bencana di Jawa
Barat secara detail. Padahal informasi tersebut sangat penting untuk diketahui sebagai landasan dalam
penyusunan kebijakan dan pengambilan keputusan yang berhubungan dengan tindakan untuk
mencegah dan/atau mengatasi bencana. Oleh sebab itu, perlu dilakukan pemodelan kerentanan populasi
penduduk terhadap bencana di wilayah Provinsi Jawa Barat. Pembuatan model kerentanan populasi
terhadap bencana dilakukan menggunakan analisis faktor untuk mengetahui hubungan antar variabel
kerentanan penduduk. Pemodelan dilakukan dalam grid skala ragam resolusi 5”x5” (±150m x 150m)
dengan terlebih dahulu melakukan pemodelan distribusi penduduk untuk dijadikan sebagai masukan
dalam pemodelan kerentanan penduduk. Tingkat kerentanan penduduk dalam suatu wilayah akan
direpresentasikan secara spasial oleh indeks kerentanan penduduk yang dimiliki oleh setiap sel grid.
Hasil pemodelan menunjukkan bahwa terdapat enam faktor utama yang mempengaruhi kerentanan
penduduk di Jawa Barat, yaitu faktor demografis, faktor lingkungan pemukiman, faktor kelompok
dengan kebergantungan tinggi, faktor kesehatan, faktor kemiskinan, dan faktor perumahan. Setiap
faktor memiliki variabel dominan yang memiliki nilai korelasi terbesar yaitu jumlah penduduk wanita
(faktor 1; 0,960), jumlah keluarga di lingkungan kumuh (faktor 2; 0,962), jumlah penduduk usia di atas
65 tahun (faktor 3; 0,979), jumlah penduduk cacat (faktor 4; 0,559), jumlah keluarga prasejahtera
(faktor 5; 0,716) dan jumlah pondok pesantren (faktor 6; 0,613). Daerah dengan indeks kerentanan
tertinggi berada di wilayah Kec. Baleendah (indeks kerentanan penduduk = 21,216 ) dan terendah
berada di wilayah Kec. Karangjaya (indeks kerentanan penduduk = 1,123 ).

Kata kunci: kerentanan penduduk, model spasial, bencana, Jawa Barat

indeks

PENDAHULUAN
Penduduk adalah orang-orang yang berada
dalam suatu wilayah, terikat oleh aturan-aturan
yang berlaku dan saling berinteraksi satu
dengan lainnya. Jawa Barat merupakan provinsi
di Indonesia yang memiliki jumlah penduduk
paling besar yaitu 43.053.732 jiwa (Sensus
Penduduk Tahun 2010). Provinsi Jawa Barat
juga memiliki kepadatan penduduk terbesar
kedua setelah DKI Jakarta yaitu mencapai
1.217 jiwa/km2.
Bencana adalah peristiwa atau rangkaian
peristiwa yang mengancam dan mengganggu
kehidupan dan penghidupan masyarakat yang
disebabkan baik oleh faktor alam dan/atau non
alam maupun faktor manusia sehingga
mengakibatkan timbulnya korban jiwa atau
manusia, kerusakan lingkungan, kerugian harta
benda, dan dampak psikologis. Jawa barat
merupakan salah satu provinsi dengan jumlah
kejadian bencana terbesar di Indonesia.
Berdasarkan data Indeks Risiko Bencana
Indonesia (IRBI) 2013 BNPB, Jawa Barat
merupakan provinsi kedua dengan indeks risiko
bencana tertinggi setelah Jawa Timur.
Tingginya potensi bencana yang dapat terjadi di
Jawa Barat ditambah dengan besarnya jumlah
penduduk yang tinggal di provinsi ini
menyebabkan penduduk di Jawa Barat sangat

1
rentan terhadap bencana alam. Kerentanan Pemodelan persebaran penduduk dilakukan
penduduk terhadap bencana adalah suatu dalam grid skala ragam resolusi 5”x5” dengan
kondisi dari suatu komunitas atau masyarakat mempertimbangkan kelas tutupan lahan dan
yang mengarah atau menyebabkan jenis jalan. Data yang menjadi masukan dalam
ketidakmampuan dalam menghadapi ancaman pemodelan persebaran penduduk adalah data
bencana. Informasi mengenai kerentanan ini batas administrasi kecamatan, data tutupan
sangat penting untuk diketahui karena dapat lahan, data jalan, data grid resolusi 5”x5”, dan
digunakan sebagai landasan dalam melakukan data jumlah penduduk per kecamatan di
berbagai tindakan pencegahan ataupun Provinsi Jawa Barat.
penanggulangan bencana. Akan tetapi, hingga
Masing-masing kelas tutupan lahan dan jenis
saat ini belum tersedia informasi mengenai
jalan memiliki nilai bobot yang berbeda. Bobot
kerentanan populasi penduduk di Provinsi Jawa
tutupan lahan diperoleh dari nilai fungsi lahan
Barat. Sehingga, dibutuhkan pemodelan
(Riqqi, 2008) sedangkan bobot jalan
kerentanan penduduk terhadap bencana untuk
merupakan nilai korelasi antara jenis jalan dan
wilayah Provinsi Jawa Barat.
kepadatan penduduk di jalan tersebut (Nengsih,
Penelitian ini bertujuan untuk memodelkan 2014). Perbandingan antara bobot tutupan lahan
persebaran penduduk serta memodelkan dan jenis jalan dalam perhitungan kepadatan
kerentanan populasi penduduk di Provinsi Jawa penduduk adalah 75% tutupan lahan dan 25%
Barat. Model persebaran penduduk yang jenis jalan. Bobot tutupan lahan dan jenis jalan
dihasilkan akan digunakan sebagai masukan pada penelitian ini diadopsi dari hasil penelitian
dalam pemodelan kerentanan penduduk. Nengsih (2014) dan ditunjukkan pada Tabel 1.
Produk dari penelitian ini adalah model Data tutupan lahan dan data jalan yang
persebaran penduduk dan model kerentanan digunakan dalam penelitian ini dapat dilihat
populasi penduduk di Provinsi Jawa Barat yang pada Gambar 1. Perhitungan jumlah penduduk
disajikan dalam peta persebaran penduduk dan dalam satu unit area dilakukan dengan
peta kerentanan penduduk. menggunakan persamaan (1).
METODE Tabel 1. Bobot persentase kelas tutupan lahan
Secara umum, penelitian ini dilakukan dalam dan jenis jalan (Nengsih, 2014)
beberapa tahapan. Tahap pertama adalah studi Jenis Jalan dan Kelas Lahan Bobot Awal Bobot Persentase
literatur mengenai teori ataupun penelitian Jalan Arteri 0.379 0.095
mengenai persebaran penduduk dan kerentanan Jalan Kolektor 0.036 0.009
Jalan Lokal 0.719 0.180
sosial. proses dilanjutkan dengan pengumpulan
Jalan Lain 0.2876 0.072
data yang akan digunakan dalam penelitian. Pemukiman 0.437 0.328
Bersamaan dengan pengumpulan data, Sawah 0.126 0.095
dilakukan pembuatan grid skala ragam resolusi Pertambangan 0.111 0.083
5”x5” untuk wilayah Jawa Barat. Setelah data Tambak 0.100 0.075
terkumpul, dilanjutkan dengan proses Pertanian Lahan Kering Campur 0.077 0.058
Pertanian Lahan Kering 0.077 0.058
pemodelan persebaran penduduk dan proses
Belukar 0.048 0.036
analisis faktor. Analisis faktor dilakukan pada Belukar Rawa 0.048 0.036
data dengan satuan administrasi kecamatan. Hutan Lahan Kering Sekunder 0.023 0.017
Hasil pemodelan persebaran penduduk dan Hutan Tanaman 0.023 0.017
anlaisis faktor menjadi masukan dalam Perkebunan 0.005 0.004
Hutan Lahan Kering Primer 0.000 0.000
perhitungan indeks kerentanan penduduk.
Bandara/ Pelabuhan 0.000 0.000
Setelah itu, proses dilanjutkan dengan Tanah Terbuka 0.000 0.000
pemodelan kerentanan populasi penduduk Badan Air 0.000 0.000
terhadap bencana. Setelah didapatkan model Rawa 0.000 0.000
kerentanan penduduk, dilakukan validasi pada Hutan Mangrove Primer 0.000 0.000
model tersebut. Setelah model kerentanan Hutan Mangrove Sekunder 0.000 0.000
Hutan Rawa Primer 0.000 0.000
penduduk divalidasi, dilakukan visualisasi dari
Savanna/ Padang rumput 0.000 0.000
kedua model dalam bentuk peta. Hutan Rawa Sekunder 0.000 0.000
Transmigrasi 0.000 0.000
2
 (a)

(b)
Gambar 1. (a) Data tutupan lahan Provinsi Jawa Barat tahun 2014 dan (b) data jalan Provinsi
Jawa Barat tahun 2011 (Sumber: Badan Informasi Geospasial (BIG))
𝑃𝑗 = ∑𝑛𝑖=1 𝐴𝑖𝑗(𝑊𝑖 + 𝑊𝑗𝑙)𝐷𝑖𝑗.................... (1)
untuk dua tingkat administrasi, yaitu untuk
dimana,
tingkat kecamatan dan tingkat desa. Validasi
Pj: jumlah penduduk total
dilakukan dengan membandingkan jumlah
Aij: luas area setiap kelas tutupan lahan
penduduk model dengan jumlah penduduk
Dij: densitas penduduk setiap kelas tutupan
yang berasal dari data kependudukan BPS.
lahan
Wi: bobot dari setiap kelas tutupan lahan
Pemodelan kerentanan penduduk dilakukan
Wjl: bobot dari setiap jenis jalan.
dengan analisis faktor eksploratori untuk
mendapatkan hubungan antar-variabel
Pemodelan persebaran penduduk ini juga
pembentuk kerentanan penduduk serta
dilakukan untuk jumlah penduduk wanita dan
mengurangi jumlah variabel yang diamati.
jumlah penduduk berdasarkan kelompok umur.
Metode ekstraksi yang digunakan Principal
Validasi model persebaran penduduk dilakukan
Axis Factoring dengan metode rotasi matriks

3
Varimax rotation. Metode pemilihan faktor penduduk dilakukan menggunakan persamaan
yang digunakan adalah Kaiser’s Criterion (2).
dimana faktor dipilih jika memiliki nilai eigen
lebih besar dari 1,0. Data dan variabel yang 𝐼𝐾𝑃 = ∑𝑛𝑖=1((𝑉𝑖 ) × (𝑉𝑓) ) × 𝐵𝑖 ...... (2)
digunakan dalam penelitian ini ditunjukkan dimana,
dalam Tabel 1. 𝐼𝐾𝑃 : Indeks kerentanan penduduk dalam
suatu daerah
Variabel Cutter, dkk. (2003) Fekete (2010) Data dalam penelitian ini
Socioeconomic status 𝑉𝑖 : Nilai variansi untuk variabel ke-i
(Income, political power, Pendapatan per kapita
prestige) 𝑉𝑓 : Variansi total dalam satu faktor
Income
Per capita income Jumlah bangunan kumuh
Status sosio-
ekonomi
resources
Jumlah keluarga di
𝐵𝑖 : Nilai elemen dari variabel ke-i
Economis dependencies
lingkungan kumuh
Population growth
Employment loss
Jumlah keluarga prasejahtera
Hasil pemodelan kerentanan penduduk
Laju pertumbuhan penduduk
Age Age
Penduduk usia dibawah 15 divalidasi secara kualitatif. Model yang telah
tahun

Komposisi dan Special needs population Dependencies

Penduduk usia diatas 65
tahun
terbentuk dibandingkan dengan variabel-
ketidakmampuan
anggota rumah
Social dependence Penduduk penderita cacat variabel penyusun kerentanan pada daerah
Jumlah penduduk per rumah
tangga Family structure
tangga maisng-masing sehingga akan diketahui
Gender Jumlah wanita
kesesuaian antara tingkat kerentanan model
Status minoritas Education Education Jumlah sekolah dasar
dan kemampuan Ethnical dengan variabel kerentanannya.
berbahasa Race and etnicity Jumlah taman kanak-kanak
background
Jumlah penduduk per area
Lingkungan
Medical Services Medical cares
pemukiman HASIL DAN PEMBAHASAN
tempat tinggal Urban-rural
Occupation Luas area pemukiman
context
Renters
Building or
apartment type
Kepadatan penduduk Model persebaran penduduk dan model
Insfrastructure and
lifelines
Potential of the
region/county
Jumlah puskesmas kerentanan penduduk terhadap bencana yang
Residential property dihasilkan dalam penelitian ini disajikan dalam
Rural/Urban Jumlah pondok pesantren
Commercial and bentuk peta. Peta tersebut disajikan dengan
industrial developement
teknik pewarnaan Choropleth yang
Sebelum melakukan analisis faktor, data harus menggunakan gradasi warna untuk
dinormalisasi terlebih dahulu agar memiliki menunjukkan perbedaan nilai. Hasil pemodelan
rentang yang sama. Setelah itu, proses tersebut dapat dilihat pada Gambar 2 dan
dilakukan dengan menguji kecocokan data Gambar 5.
untuk diterapkan dalam analisis faktor.
Pada peta persebaran penduduk, semakin gelap
Pengujian tersebut dilakukan dengan uji
warna daerah maka semakin besar jumlah
Kaiser-Mayer-Olkin of Sampling Adequancy
penduduk pada daerah tersebut. Sedangkan
(KMO) serta Bartlett’s test of Sphericity. Suatu
semakin terang warna suatu daerah, maka
data dikatakan cocok untuk diterapkan dalam
semakin kecil jumlah penduduk pada daerah
analisis faktor apabila memiliki nilai KMO >
tersebut. Dari peta tersebut, dapat dilihat bahwa
0,5 dan nilai signifikansi hasil tes Bartlett <
hasil pemodelan persebaran penduduk ini telah
0,005.
mencermikan keadaan yang sebenarnya.
Apabila analisis faktor telah dilakukan, akan Daerah yang memiliki jumlah penduduk yang
didapatkan seperangkat variabel dengan pola tinggi (berwarna gelap) sebagian besar
yang stabil. Sehingga, akan diperoleh variabel- terkonsentrasi pada daerah perkotaan, terutama
variabel yang memiliki korelasi yang besar dan pada kota-kota besar yang menjadi ibukota
mewakili satu atau beberapa variabel yang lain, provinsi serta dekat dengan ibukota Jakarta.
yang disebut faktor. Setiap faktor akan Beberapa daerah yang terlihat memiliki jumlah
memiliki variabel yang dipilih berdasarkan penduduk yang tinggi adalah Kota Bandung,
nilai variansi terbesarnya. Kemudian, setelah Kota Bekasi, Kota Cirebon, dan Kota Bogor.
semua variabel dikelompokkan dalam masing- Sedangkan daerah-daerah yang memiliki
masing faktor, akan dilakukan perhitungan jumlah penduduk yang rendah (berwarna
indeks kerentanan penduduk yang terang) umumnya berada di daerah sub-urban,
menggunakan nilai variansi variabel sebagai misalnya daerah Kabupaten Sukabumi,
bobot.. Perhitungan indeks kerentanan Kabupaten Cianjur, Kabupaten Garut, dsb.

4
 Gambar 2. Peta persebaran penduduk Provinsi Jawa Barat dalam sistem grid skala ragam resolusi
5”x5”
Kualitas dari hasil persebaran penduduk ini
dipastikan dengan adanya validasi. Validasi
untuk tingkat kecamatan dilakukan di seluruh
kecamatan di Kabupaten Pangandaran dan Kota
Bekasi. Hasil validasi menunjukkan bahwa
rata-rata selisih antara jumlah penduduk model
dengan jumlah penduduk BPS dalam satu
kecamatan mendekati 0. Sehingga, dapat
diketahui bahwa, baik untuk daerah perkotaan
ataupun non-perkotaan, persebaran penduduk
telah dilakukan dengan baik.
Validasi model persebaran penduduk untuk
tingkat administrasi desa dilakukan di
Kecamatan Harjamukti (Kota Cirebon) dan
Kecamatan Cisarua (Kabupaten Sumedang).
Rata-rata selisih antara jumlah penduduk model
dan jumlah penduduk BPS untuk Kec.
Harjamukti adalah 12,41% sedangakn Kec.
Cisarua adalah 19,91%. Dari hasil tersebut,
dapat dilihat bahwa pada daerah perkotaan nilai
selisihnya lebih kecil daripada daerah non-
perkotaan. Hal ini dikarenakan kelas tutupan di
daerah perkotaan sebagian besar adalah
pemikiman dan jenis jalan lain yang memiliki
bobot tertinggi. Berbeda dengan kawasan non-
perkotaan yang sebagian besar kelas tutupan
lahannya adalah non-pemukiman dengan jenis
jalan jalan lain yang memiliki bobot yang
rendah. Sehingga, pada daerah perkotaan
memiliki kepadatan penduduk yang tinggi
sesuai dengan kondisi sebenarnya dan pada
daerah non-perkotaan memiliki kepadatan
penduduk yang sangat rendah, jauh lebih
rendah dari keadaan sebenarnya. Visualisasi
kelas tutupan lahan dan jenis jalan dari daerah
perkotaan dan non-perkotaan yang digunakan
dalam validasi disajikan dalam Gambar 3.
Analisis faktor yang dilakukan dalam
pemodelan kerentanan penduduk menjelaskan
55, 158% dari total variansi kumulatif dengan
hasil enam faktor yang mewakili setiap variabel
kerentanan penduduk. Enam faktor tersebut
dipilih berdasarkan nilai eigen yang dimiliki.
Faktor dengan nilai eigen lebih dari 1,0
dianggap mewakili variabel yang lain dan akan
dipilih sebagai salah satu faktor. Visualisasi
dari nilai eigen masing-masing faktor dapat
dilihat pada Scree Plot yang disajikan dalam
Gambar 4. Setelah didapatkan faktor-haktor
tersebut, setiap variabel dikelompokkan ke
dalam faktor berdasarkan keberadaan nilai
loading terbesarnya. Hasil pengelompokkan
variabel tersebut ditujnjukkan dalam Tabel 3.
5
 (a) (b)
Gambar 3. (a) Kelas tutupan lahan dan jenis jalan pada daerah perkotaan dan (b) Kelas tutupan
lahan dan jenis jalan pada daerah nonperkotaan

Gambar 4. Scree Plot dari faktor-faktor hasil analisis faktor

Variabel dengan nilai loading terbesar di
masing-masing faktor adalah variabel dominan
dalam faktor tersebut. Sedangkan variabel
dengan nilai loading diatas 0,9 merupakan
variabel yang paling mempengaruhi kerentanan
penduduk.
Setiap faktor mewakili aspek yang berbeda,
bergantung pada variabel dominan yang berada
pada faktor tersebut. Faktor 1 mewakili aspek
permasalahan demografis karena pada faktor
ini didominasi oleh variabel jumlah penduduk
wanita, jumlah penduduk di area pemukiman,
dan juga jumlah penduduk per rumah tangga
yang menunjukkan adanya ketidakmerataan
persebaran penduduk. Faktor 2 mewakili aspek
lingkungan tempat tinggal karena didominasi
oleh variabel jumlah bangunan dan keluarga di
area kumuh yang mencerminkan kondisi
lingkungan tempat tinggal. Faktor 3 mewakili
aspek kebergantungan karena didominasi oleh
jumlah penduduk berdasarkan kelompok umur.
Variabel ini mewakili penduduk dengan usia
rentan yang memiliki kebergantungan tinggi.
Faktor 4 mewakili aspek kesehatan karena

6
didominasi oleh variabel jumlah penduduk semakin besar pula tingkat kerantanan
cacat dan jumlah unit pelayanan kesehatan. penduduk di daerah tersebut.
Faktor 5 mewakili aspek kemiskinan karena
Daerah dengan indeks kerentanan penduduk
didominasi oleh variabel keluarga prasejahtera.
tertinggi adalah Kecamatan Baleendah, Kab.
Faktor 6 mewakili aspek perumahan karena
Bandung, yaitu sebesar 21,216. Daerah tersebut
didominasi oleh variabel jumlah pondok
memiliki jumlah yang besar pada variabel-
pesantren. Jumlah pondok pesantren mewakili
variabel dominan kerentana penduduk.
bangunan atau perumahan dengan jumlah
Variabel-variabel tersebut adalah jumlah
penghuni yang banyak.
keluarga di area kumuh (0,962), jumlah
Tabel 3. Hasil pengelompokkan variabel bangunan di area kumuh (0,957), dan jumlah
dalam faktor penduduk wanita (0,960). Selain variabel
Faktor 1 20,634 Faktor 2 11,706 Faktor 3 10,245
Jumlah
dengan nilai variansi di atas 0,9, beberapa
Jumlah Keluarga di Penduduk usia
penduduk
wanita
0,960
area kumuh
0,962
>65 tahun
0,979 variabel yang memiliki nilai tinggi di
Penduduk di
area 0,929
Jumlah bangunan
0,957
Penduduk usia
0,743
kecamatan ini adalah variabel yang dominan
di area kumuh <15 tahun
pemukiman dalam faktornya. Variabel tersebut adalah
Luas area Densitas
0,783 0,228
pemukiman penduduk jumlah penduduk cacat (0,559; dominan di
Rasio luas area
Jumlah SD 0,608 0,072
pemukiman faktor 4) dan jumlah pondok pesantren (0,613;
Jumlah TK 0,465
Penduduk per
dominan di faktor 6). Banyaknya variabel yang
0,373
Rumah tangga
Faktor 4 4,524 Faktor 5 4,393 Faktor 6 3,656
dominan serta memiliki nilai yang tinggi
Jumlah
Jumlah keluarga
Jumlah tersebut sangat mempengaruhi nilai indeks
Penduduk 0,559 0,716 Pondok 0,613
prasejahtera
cacat pesantren kerentanan penduduk dan menyebabkan
Jumlah
0,211
puskesmas tingginya indeks kerentanan penduduk di
Pada peta kerentanan penduduk yang daerah ini.
ditunjukkan pada Gambar 3. daerah dengan Daerah yang memiliki nilai indeks kerentanan
warna paling gelap memiliki indeks kerentaan terendah adalah Kecamatan Karangjaya,
penduduk tertinggi dan daerah dengan warna Kabupaten Tasikmalaya, yaitu sebesar 0,76.
paling terang adalah daerah dengan indeks Daerah ini memiliki kerentanan penduduk
kerentanan penduduk terendah. Semakin besar terhadap bencana yang rendah karena hampir
nilai kerentanan penduduk di suatu daerah, semua variabel penysunnya memiliki jumlah

Gambar 3. Peta kerentanan penduduk terhadap bencana Provinsi Jawa Barat dalam sistem grid
skala ragam resolusi 5”x5” 7
yang kecil. Variabel yang memiliki jumlah
cukup besar (dengan indeks kerentanan
variabel lebih dari 1) hanyalah variabel jumlah
sekolah dasar dan jumlah penduduk per rumah
tangga.
Dengan adanya model kerentanan penduduk
ini, maka informasi mengenai kerentanan
penduduk di setiap area seluas ±150mx150m
Provinsi Jawa Barat telah diketahui. Dengan
demikian, model ini dapat digunakan sebagai
panduan dalam menyusun kebijakan terkait
kebencanaan
PENUTUP
Kerentanan penduduk penting untuk diketahui
karena dapat menjadi dasar dalam mitigasi serta
pengambilan keputusan saat terjadi suatu
bencana. Dari pemodelan kerentanan penduduk
untuk wilayah Jawa Barat yang telah dilakukan,
didapatkan beberapa kesimpulan:
1. Pemodelan persebaran penduduk
resolusi tinggi menggunakan grid skala
ragam dan bobot tutupan lahan dan
jenis jalan memiliki rata-rata nilai
selisih antara jumlah penduduk model
dan data BPS kurang dari 20% dan
dapat dijadikan sebagai masukan
dalam pemodelan kerentanan
penduduk.
2. Pemodelan kerentanan penduduk
menggunakan analisis faktor
menghasilkan enam faktor yang
mewakili variabel. Faktor-faktor
tersebut adalah faktor demografis,
faktor lingkungan pemukiman, faktor
kelompok dengan kebergantungan
tinggi, faktor kesehatan, faktor
kemiskinan, dan faktor perumahan.
Setiap faktor memiliki variabel
dominan yang memiliki nilai korelasi
terbesar dan paling mempengaruhi
kerentanan penduduk terhadap bencana
yaitu jumlah penduduk wanita (faktor
1; 0,960), jumlah keluarga di
lingkungan kumuh (faktor 2; 0,962),
jumlah penduduk usia di atas 65 tahun
(faktor 3; 0,979), jumlah penduduk
cacat (faktor 4; 0,559), jumlah keluarga
prasejahtera (faktor 5; 0,716) dan
jumlah pondok pesantren (faktor 6;
0,613).
3. Daerah dengan kerentanan penduduk
tertinggi di Provinsi Jawa Barat berada
di Kecamatan Baleendah, Kabupaten
Bandung, dengan indeks kerentanan
penduduk adalah 21,216. Daerah ini
memiliki jumlah penduduk wanita,
jumlah keluarga dan bangunan di area
kumuh, jumlah penduduk prasejahtera,
dan jumlah penduduk di area
pemukiman yang tinggi. Sedangkan
daerah dengan kerentanan penduduk
terendah adalah Kecamatan
Karangjaya, Kabupaten Tasikmalaya
dengan indeks kerentanan penduduk
sebesar 1,123. Hampir semua variabel
kerentanan penduduk pada daerah ini
memiliki nilai yang kecil.
Untuk meningkatkan kualitas hasil dalam
pemodelan persebaran penduduk serta
pemodelan kerentanan populasi penduduk pada
penelitian selanjutnya, terdapat beberapa saran
yang diberikan berdasarkan pengerjaan
penelitian ini.
1. Di dalam melakukan pemodelan
persebaran penduduk, sebaiknya
diperhitungkan pula aspek-aspek
demografi, seperti jumlah penduduk
per rumah tangga, sehingga akan
menghasilkan hasil yang lebih
merepresentasikan kondisi sebenarnya.
2. Di dalam melakukan pemodelan
kerentanan penduduk, sebaiknya
digunakan dapat yang lengkap dan
variabel sebanyak mungkin.
3. Pemilihan metode perhitungan
kerentanan penduduk harus dikaji
kembali untuk mengetahui kekurangan
serta kelebihannya.
4. Perlu dicoba metode perhitungan lain
di dalam pemodelan kerentanan
populasi penduduk terhadap bencana.
Agar hasil yang didapatkan lebih baik,
sebaiknya digunakan pula data mengenai
ancaman bencana di suatu daerah dalam
pemodelan kerentanan populasi penduduk
terhadap bencana.
DAFTAR PUSTAKA
Borden, K.A., Schmidtlein, M.C., Emrich,
C.T., Piegorsch, W.W., & Cutter, S.L.
(2007). Vulnerability of U.S. Cities to
Environmental Hazards. Journal of
8
 Homeland Security and Emergency Multiscale Grid System for
Management Vol. 4, Issue 2, Article 5. Environmental Data. Asia Geospatial
Forum 2011.
Badan Nasional Penanggulangan Bencana
(BNPB). (2012). Peraturan Kepala Riqqi, Akhmad. (2008). Pengembangan
Badan Nasional Penanggulangan Pemetaan Geografik Berbasis
Bencana Nomoor 02 Tahun 2012 Pendekatan Ragam Skala untuk
Tentang Pedoman Umum Pengkajian Pengelolaan Wilayah Pesisir. Disertasi.
Risiko Bencana. Bandung: Institut Teknlgi Bandung.
Cutter, Susan L. (1996). Vulnerability to Taherboost, H., Sahibuddin, S., & Jalaliyoon,
Envirnmental Hazards. Progress in N. (2014). Exploratory Factor Analysis;
Human Geography 20,4 pp. 529-539. Concept and Theory. Advanced in
Applied and Pure Mathematics ISBN:
Cutter, Susan L., Boruff, B. 2003. Social 978-960-474-380-3.
Vulnerability to Environmental Hazards.
Fekete, Alexander. (2010) Assessment of Social
Vulnerability for River-Floods in
Germany. Master Tesis. United Nations
University
Flanagal, B.E., Gregory, E.W., Hallisey, E.J.,
Heitgerd, J.L., & Lewis, B. (2011). A
Social Vulnerability Index for Disaster
Management. Journal of Homeland
Security and Emergency Managemnet
Vol. 8, Issue 1, Article 3.
Holand, I.S., Lujala, P. & Rod, JK. (2011).
Social Vulnerability Assasement for
Norwegia: A Quantitive Approach.
Norsk Geogafisk Tidsskrift-Norwegian
Journal of Geography Vol. 65, 1-17.
ISSN 0029-1951.
Junaedi, H., Budianto, H., Maryati, I., &
Melani, Y. (2011). Data Transformasi
pada Data Mining. Konferensi Nasional
“Inovasi dalam Desain dan Teknologi
ISSN: 2089-1121.
Kirby, Ryan Hamilton. (2015). Measuring
Social Vulnerability to Enviromental
Hazards in the Dutch Province of
Zeeland. Master Thesis. Louisiana State
University and Agricultural and
Mechanical College.
Nengsih, Siska Rusdi. (2014). Pembangunan
Model Distribusi Populasi Penduduk
Resolusi Tinggi untuk Wilayah Indonesia
Menggunakan Sistem Grid Skala Ragam.
Master Thesis. Bandung: Institut
Teknolgi Bandung.
Riqqi, A., Fitria, A., Prijatna, K., Pratama, R.E.,
& Mahmudy, J. (2011). Indonesian