Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87

Dinamika Spasial Wilayah Rawan Tsunami di Kecamatan Nusaniwe,

Kota Ambon, Provinsi Maluku
(Spatial Dynamics of Tsunami Prone Areas in Nusaniwe District, Ambon City, Maluku Province)

Philia Christi Latue1*, Heinrich Rakuasa2

1
Departemen Biologi, Fakultas Biologi, Universitas Herzen, Jl River Moyka 48, St Petersburg, Rusia 191186
2
Departemen Geografi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia, Jl Margonda Raya, Depok, Jawa
Barat, Indonesia 10430

Abstrak: Berdasarkan kondisi geografis Kecamatan Nusaniwe yang merupakan

Dikirim: kawasan rawan tsunami, dengan pertumbuhan penduduk yang semakin berkembang,
24 September 2022
hal ini dapat meningkatkan risiko tsunami sebagai bencana yang sulit diprediksi
Direvisi: kedatangannya. Penelitian ini bertujuan untuk menganalisis dinamika spasial wilayah
8 November 2022 rawan tsunami di Kecamatan Nusaniwe. Penelitian ini menggunakan data tutupan lahan
multi temporal, data driving factor perkembangan lahan terbangun, data jarak dari garis
Diterima: pantai, jarak dari sungai, ketinggian lahan dan kemiringan lereng. Metode yang
14 November 2022 digunakan yaitu cellular automata-markov chain digunakan untuk memodelkan
perkembangan lahan terbangun dan metode weighted overlay digunakan untuk
mengalisi bahaya tsunami. Hasil pemodelan tutupan lahan tahun 2031 menunjukkan
jenis tutupan lahan terbangun terus mengalami peningkatan luas. Tingkat bahaya
tsunami di Kecamatan Nusaniwe, didominasi oleh tingkat bahaya sedang dengan luas
* Email Korespondensi: 2.103,90 ha. Disimpulkan bahwa perkembangan lahan terbangun di kawasan rawan
philialatue04@gmail.com tsunami terus mengalami peningkatan setiap tahunnya. Hasil penelitian ini diharapkan
dapat menjadi masukan bagi pemerintah Kota Ambon dalam upaya penataan ruang
berbasis mitigasi bencana tsunami ke depannya.
Kata kunci: cellular automata-markov chain, dinamika spasial, nusaniwe, tsunami

Abstract: Based on the geographical condition of the Nusaniwe Sub-district which is a tsunami-prone area, with
a growing population, this can increase the risk of a tsunami as a disaster that is difficult to predict. This study aims
to analyze the spatial dynamics of tsunami-prone areas in Nusaniwe District. This study uses multi-temporal land
cover data, data on driving factors for the development of built-up land, data on distance from the shoreline,
distance from rivers, land height and slope. The method used is the Cellular Automata-Markov chain used to model
the development of built-up land and the weighted overlay method is used to analyze the tsunami hazard. The
results of land cover modeling in 2031 show that the type of built-up land cover continues to increase in area. The
tsunami hazard level in Nusaniwe District is dominated by a moderate hazard level with an area of 2103.90 ha. It
is concluded that the development of built-up land in tsunami-prone areas continues to increase every year. The
results of this study are expected to be input for the Ambon City government in spatial planning efforts based on
tsunami disaster mitigation in the future.
Keywords: cellular automata-markov chain, spatial dynamics, nusaniwe, tsunami

1. PENDAHULUAN yang sangat rawan terhadap bencana tsunami,

Bertambahnya jumlah penduduk dan kebutuhan
akan lahan permukiman menuntut perluasan
daerah untuk dijadikan sebagai daerah
permukiman, sehingga daerah pesisir menjadi
prioritas untuk pengembangan permukiman di
Kecamatan Nusaniwe, Kota Ambon (Salakory &
Rakuasa, 2022). Meningkatnya kebutuhan akan
lahan permukiman mengakibatkan perubahan
penggunaan lahan/tutupan lahan di daerah pesisir,
padahal daerah pesisir sangat rentan terhadap
tsunami dan kenaikan permukaan air laut
(Supriatna dkk., 2020; Rakuasa dkk., 2022).
Perencanaan pembangunan yang baik tidak dapat
menjamin suatu wilayah dapat luput dari bencana
alam dan bencana sosial maka, pertimbangan
terhadap ancaman bencana pun harus terintegrasi
dengan baik dan berdasar pada konsep
Sustainable Development Goals (SDGs).
Berdasarkan Catalogue of Tsunamis on The
Western Shore of the Pacific Ocean, Provinsi
Maluku merupakan provinsi kepulauan di Indonesia
ISSN 2722-3647
ISSN 2722-3639 (e)
dimana dari tahun 1600- 2015 sudah terjadi 85
kejadian tsunami di provinsi ini dan merupakan 40%
dari 210 peristiwa tsunami yang melanda Indonesia
dan pada umumnya kejadian tsunami yang terjadi
di Provinsi maluku itu berlokasi di Pulau Ambon dan
Sekitarnya (Kurniawan dkk., 2021; Rakuasa dkk.,
2022). Selain dari tsunami lokal kejadian tsunami di
kepulauan Maluku juga disebabkan oleh ancaman
tsunami jarak jauh di mana sumber gempa yang
dapat menyebabkan tsunami berasal dari
pergerakan lempeng di Filipina, Jepang dan dari
Samudera Pasifik (Pranantyo & Cummins, 2020).
Kecamatan Nusaniwe merupakan salah satu
kecamatan di Kota Ambon yang memiliki resiko
terhadap bencana tsunami tertinggi di Provinsi
Maluku (BNPB, 2021). Berdasarkan catatan sejarah
tsunami yang ditulis oleh George Everhard
Rumphius, di tahun 1674 pernah terjadi tsunami
yang diperkirakan korban jiwa akibat bencana ini
mencapai 2.500 orang (Latief dkk., 2016).
Available online at https://jgrs.eng.unila.ac.id/
DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
78 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87
Kecamatan Nusaniwe memiliki indeks resiko
tertinggi terhadap bencana tsunami hal dibuktikan
kondisi geografis, geologi dan kondisi demografi
yang mempengaruhi wilayah ini sangat berisiko
terhadap tsunami sebagai bencana yang sulit
diprediksi kedatangannya, hal ini diperkuat oleh
hasil Ekspedisi Jala Citra bulan September ditahun
2022 yang dilakukan oleh pusat hidro-oseanografi
angkatan laut yang menemukan pegunungan
berapi setinggi 3.400 meter di bawah Laut Banda,
hal ini tentu membuat daerah Kecamatan Nusaniwe
yang berhadapan langsung dengan Laut Banda
paling berpotensi terdampak bencana tsunami
(CNN Indonesia, 2022).
Berdasarkan kondisi geografis Kecamatan
Nusaniwe yang merupakan kawasan rawan
bencana gempa dan tsunami, dengan pertumbuhan
penduduk yang semakin berkembang maka lahan
terbangun akan semakin berkembang pula, hal ini
dapat meningkatkan risiko terhadap bencana
gempa bumi dan tsunami sebagai bencana yang
sulit diprediksi kedatangannya. Berdasarkan hal
tersebut, perlu adanya prediksi dinamika spasial
wilayah rawan tsunami di Kecamatan Nusaniwe
yang bisa dilakukan dengan model Cellular
Automata Markov Chains (CA MC). Model CA MC
digunakan untuk memprediksi pola tutupan lahan
Kecamatan Nusaniwe tahun 2031, model ini
menunjukkan seberapa besar dan dimana
perubahan tutupan lahan terjadi. Model CA MC
digunakan karena model ini sangat baik dan efektif
untuk memprediksi pola perubahan tutupan
lahan/penggunaan lahan secara spasial baik
temporal maupun masa yang akan datang dengan
hasil yang akurat (Mustafa dkk., 2021).
Jenis tutupan lahan terbangun tahun 2022 dan
hasil pemodelan CA MC tahun 2031 akan dioverlay
dengan peta bahaya tsunami yang diperoleh dari
hasil overlay variabel-variabel yang mempengaruhi
suatu wilayah terpapar tsunami seperti jarak dari
garis pantai, jarak dari sungai, ketinggian lahan dan
kemiringan lereng (Akbar dkk., 2020). Hasil
penelitian ini sangatlah penting sebagai informasi
dalam pengambilan kebijakan terkait penataan
ruang berbasis mitigasi bencana tsunami di
Kecamatan Nusaniwe, Kota Ambon, Provinsi
Maluku. Penelitian ini bertujuan untuk menganalisis
dinamika spasial wilayah rawan tsunami di
Kecamatan Nusaniwe, Kota Ambon, Provinsi
Maluku.
2. BAHAN DAN METODE PENELITIAN
Penelitian ini dilakukan di Kecamatan Nusaniwe,
Kota Ambon, Provinsi Maluku yang memiliki luas
4.684 ha. Penelitian ini menggunakan data citra
Ikonos tahun 2012 dari citra satelit tahun 2017 dan
2022 untuk menganalisis perubahan tutupan lahan
di Kecamatan Nusaniwe yang diperoleh dari
BAPEKOT Ambon. Data kemiringan lereng,
ketinggian lahan, diperoleh dari hasi pengolahan
data DEMNAS - Badan Informasi Geospasial, data
jarak dari jalan dan jarak dari pusat kegiatan
ekonomi diperoleh dari hasil pengolahan data RBI
ISSN 2722-3647
ISSN 2722-3639 (e)
Kota Ambon - Badan Informasi Geospasial. Alur
kerja penelitian ini terdiri dari pengolahan data
tutupan lahan, pengolahan data bahaya tsunami,
dan pengolahan data permukiman tahun 2022 dan
hasil model tahun 2031 yang berada pada daerah
rawan tsunami di Kecamatan Nusaniwe.
Analisis tutupan lahan dimulai dari koreksi
geometrik, interpretasi dan digitasi serta klasifikasi
pada citra satelit multitemporal yang sudah ada
yang mengacu pada SNI 7465:2010 (Badan
Standarisasi Nasional, 2010), yang secara
sederhana diklasifikasi menjadi 5 kelas yaitu
permukiman, lahan terbuka, daerah pertanian,
daerah bukan pertanian, dan badan air.
Driving factor yang digunakan dalam penelitian
ini terdiri dari kemiringan lereng, ketinggian lahan,
jarak dari jalan dan jarak dari pusat kegiatan
ekonomi. Data driving factor diklasifikasi dan
diberikan bobot berdasarkan tingkat kesesuaian
pengembangan pemukiman (Lisanyoto dkk., 2019;
Rakuasa dkk., 2022). Variabel driving factor dapat
dilihat pada Tabel 1.
Tabel 1. Klasifikasi Driving Factor
Variabel Kelas Skor
0-7 m dpl 1
8-25 m dpl 3
Ketinggian Lahan 26-100 m dpl 2
>100 m dpl 1
0-3 % 3
Kemiringan Lereng 4-15 % 2
>15 % 1
0-100 m 3
Jarak dari Jalan 101-1000 m 2
> 1000 m 1
<400 m 3
Jarak dari pusat
401-1000 m 2
kegiatan ekonomi
>1000 m 1
Data driving factor yang sudah diklasifikasi
kemudian diubah menjadi nilai fuzzy (Gambar 1),
kemudian dilakukan proses fuzzy overlay untuk
menggabungkan semua data tersebut. Fuzzy
adalah sistem logika yang bertujuan untuk
merumuskan perkiraan penilaian yang tercermin
dalam bentuk tingkat kepentingan yang memiliki
rentang nilai 0-1 (Boolean) (Espitia dkk., 2021).
Menurut Ghosh dkk., (2017), logika fuzzy
merupakan metode yang sangat baik untuk
mendefinisikan data yang diperoleh secara terus
menerus, efektif dan efisien, yang merupakan
proses yang sangat baik untuk melakukan
pemodelan berbasis Celular Automata (CA)
mengingat menggunakan komputasi paralel yang
terdiri dari sel-sel yang saling berhubungan dan
memiliki nilai yang kontinu sehingga dalam
penelitian ini penulis mengolah data faktor
pendorong dengan menerapkan konsep logika
fuzzy.
Available online at https://jgrs.eng.unila.ac.id/
DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87
Gambar 1. Driving factor; a) Ketinggian Lahan, b) Kemiringan Lereng, c) Jarak dari jalan, d) jarak pusat
kegiatan ekonomi
Sebelum memprediksi model tutupan lahan
tahun 2031, perlu dibuat model tutupan lahan tahun
2022 di untuk menguji akurasi dari model dan
driving factor yang digunakan. Proses pengolahan
model tutupan lahan awal tahun 2022 dan tahun
2031 di lakukan software IDRISI Selva. Pemodelan
tutupan lahan tahun 2031 pada penelitian ini
menggunakan metode celular automata dan
markov chain, Pemodelan cellular automata markov
chain menggabungkan dua metode yang berbeda
yaitu Markov Chain, yang merupakan model
empiris/statistik, sedangkan cellular automata
merupakan model dinamis yang dimasukkan dalam
platform GIS (Marko dkk., 2016).
Proses analisa celular automta markov chain
untuk memprediksi perubahan tutupan lahan pada
tahun 2031 diasumsikan bahwa pola perubahan
tutupan lahan atau trasilation probability yang
terjadi lima tahun terakhir yaitu dari tahun 2012 ke
2017 dan dari 2017 ke 2022 dapat digunakan untuk
memprediksi polah perubahan dari tahun 2022 ke
tahun 2031 (Karsidi, 2004; Sugandhi dkk., 2022).
ISSN 2722-3647
ISSN 2722-3639 (e)
79
Selanjutnya dilakukan validasi model tutupan tahun
2022 dengan menggunakan data tutupan lahan
existing 2022 dan jika uji akurasi model (Kappa
Coefficient) >75% maka dapat dilakukan prediksi
untuk tahun 2031 (Marko dkk., 2016).
Pengolahan variabel bahaya tsunami dan
keterpaparan terhadap permukiman menggunakan
data jarak dari garis pantai, jarak dari sungai,
ketinggian lahan dan kemiringan lereng yang
dimodifikasi dari peneliti-peneliti sebelumnya (Dewi
dkk., 2020; Akbar dkk., 2020). Parameter-
parameter tersebut dianalisis menggunakan
metode weighted overlay dengan persamaan 1 di
bawah ini.
Bahaya Tsunami = [(jarak dari garis pantai ∗ 0,3 +
(ketinggian ∗ 0,30) + (kemiringan lereng 0,25) +
(jarak dari sungai ∗ 0,15)] (1)
Kelas tutupan lahan terbangun tahun 2022 dan
hasil pemodelan CA MC tahun 2031 akan dioverlay
dengan peta bahaya tsunami yang diperoleh dari
Available online at https://jgrs.eng.unila.ac.id/
DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
80 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87

Gambar 2. Parameter Bahaya Tsunami; a) Ketinggian Lahan, b) Kemiringan Lereng, c) Jarak dari sungai,
d) jarak dari garis pantai.

Tabel 1. Klasifikasi Parameter Bahaya Tsunami hasil overlay variabel-variabel yang mempengaruhi
suatu wilayah terpapar tsunami seperti jarak dari
Variabel Kelas Skor Bobot garis pantai, jarak dari sungai, ketinggian lahan dan
kemiringan lereng (Akbar dkk., 2020).
< 10 m dpl 5 Pemodelan Cellular Automata Markov Chains
11-25 m dpl 4 (CA MC) ini diharapkan dapat membantu kebijakan
Ketinggian 51-100 m dpl 3 30 pemerintah Kota Ambon dalam penataan ruang
Lahan
>100 m dpl 2 berbasis mitigasi bencana tsunami ke depannya.
100 m dpl 1 Penelitian ini bertujuan untuk mengetahui dinamika
<2% 5 spasial wilayah rawan tsunami di Kecamatan
Nusaniwe, Kota Ambon, Provinsi Maluku.
3-5 % 4
Kemiringan
6-15 % 3 25 3. HASIL DAN PEMBAHASAN
Lereng
16-40% 2 3.1. Tutupan Lahan Tahun 2012, 2017 dan 2022
>40% 1 Perubahan tutupan lahan di Kecamatan
< 500 m 5 Nusaniwe, Kota Ambon periode 2012-2023
501-1000 m 4 menunjukkan peningkatan pada tipe tutupan lahan
Jarak dari terbangun dan lahan terbuka, sedangkan pada tipe
1001-1500 m 3 30
Garis Pantai tutupan lahan pertanian dan tutupan lahan bukan
1501-3000 m 2 pertanian mengalami penurunan. Pertambahan
>3000 m 1 penduduk yang tinggi di dapat meningkatkan
< 100 m 5 kebutuhan lahan yang diwujudkan melalui
101-200 m 4 pembangunan fisik, ekonomi atau fasilitas sosial.
Jarak dari Luas perubahan tutupan lahan di Kecamatan
201-300 m 3 15
Sungai Nusaniwe pada tahun 2012, 2017, dan 2022 dapat
301-500 m 2 dilihat pada Gambar 3 dan Gambar 4.
>500 m 1

ISSN 2722-3647 Available online at https://jgrs.eng.unila.ac.id/

ISSN 2722-3639 (e) DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87 81

3.2. Prediksi Model Tutupan Lahan tahun 2022
Pemodelan tutupan lahan Kota Ambon tahun
2021 dilakukan dengan menggunakan markov
chains dan data driving factors yang telah
dipersiapkan. Besarnya kemungkinan terjadi
perubahan tutupan lahan disebut dengan Transition
Probability Matrix (TPM) sedangkan angka-angka
yang terdapat pada tabel TPM menunjukan
bersaranya kemungkinan tutupan lahan yang
mengalami perubahan menjadi tutupan lahan yang
lainnya.

Gambar 3. Tutupan lahan; a) tahun 2012, b) tahun 2017 dan c) tahun 2022

2.26
Badan Air 2.26
2.26

1264.41
Bukan Lahan Pertanian 1278.83
1301.53

2126.05
Lahan Pertanian 2219.25
2339.04

235.33
Lahan Terbuka 186.24
143.26

1055.94
Lahan Terbangun 997.42
897.91

0.00 500.00 1000.00 1500.00 2000.00 2500.00

2022 2017 2012

Gambar 4. Luas Tutupan Lahan

Tabel 3. Transitional Probability Matrix ke Tahun 2021

Lahan Lahan Daerah Daerah Bukan Badan
Terbangun Terbuka Pertanian Pertanian Air
Lahan Terbangun 0,8474 0 0,1526 0 0
Lahan Terbuka 0,2164 0,7766 0,0070 0 0
Daerah Pertanian 0,1220 0,0707 0,8016 0,0058 0
Daerah Bukan Pertanian 0,0376 0,0570 0,0728 0,8326 0
Badan Air 0 0 0 0 1
ISSN 2722-3647 Available online at https://jgrs.eng.unila.ac.id/
ISSN 2722-3639 (e) DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
82 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87
Nilai probabilitas berkisar antara 0-1, dimana 0
menunjukkan tidak ada kemungkinan perubahan
penggunaan lahan, sedangkan 1 menunjukkan
perubahan penggunaan lahan (Rakuasa dkk.,
2022). Dalam matriks probabilitas transisi, pada
table 3 diketahui bahwa lahan terbuka memiliki nilai
probabilitas tertinggi yaitu 0,2164 yang berpotensi
untuk berubah menjadi lahan terbangun dan dan
perairan memiliki nilai transition probability 0 berarti
tidak akan berubah menjadi jenis tutupan lahan
lainnya.
Setelah pembuatan model 2022 maka, model
tersebut harus diuji akurasinya. Uji Akurasi
dilakukan untuk mengetahui apakah model yang
dihasilkan pertama dapat diterapkan untuk
menghasilkan model prediksi kedua. Uji akurasi
dilakukan dengan data tutupan lahan eksisting
tahun 2022 sebagai data referensi (Ghalehteimouri
dkk., 2022) dan data model prediksi tutupan lahan
2021 sebagai citra pembanding. Perbandingan
tutupan hasil model 2022 dan tutupan lahan
eksisting 2022 dapat dilihat pada gambar 5. Hasil uji
akurasi dapat diperoleh nilai kappa (standar K)
sebesar 0,93 atau 92,57% yang menunjukkan
Gambar 5. Peta Tutupan lahan a) Model 2022 dan b) eksisting 2022
Tabel 4. Transitional Probability Matrix ke Tahun 2031
Lahan Lahan
Terbangun Terbuka
Lahan Terbangun 0,8563 0,1198
Lahan Terbuka 0,0375 0,8500
Daerah Pertanian 0,1337 0,0977
Daerah Bukan Pertanian 0,0375 0,0375
Badan Air 0 0
ISSN 2722-3647
ISSN 2722-3639 (e)
bahwa nilai akurasi ini terbukti besar dan dapat
diterapkan untuk memodelkan tutupan lahan
Kecamatan Nusaniwe pada tahun 2031.
3.3. Model Tutupan Lahan Tahun 2031
Pada prediksi tutupan lahan tahun 2031
dilakukan analisis transition probability untuk
meilihat kemungkin perubahan tutupan lahan sama
seperti pada simulasi pertama. Transitional
probability matrix ke Tahun 2031 dapat dilihat pada
Tabel 4. Nilai transitional probability matrix yang
dihasilkan pada Tabel 4 menunjukan bahwa daerah
pertanian memiliki nilai probability tertinggi yaitu
0,1337 untuk berubah menjadi lahan terbangun.
Model tutupan lahan 2031 dapat dilihat pada
Gambar 6.
Berdasarkan hasil pemodelan tutupan lahan
kawasan Kecamatan Nusaniwe tahun 2031
menggunakan metode cellular automata markov
chains dapat dilihat bahwa terjadi peningkatan luas
pada tipe tutupan lahan terbangun dan lahan
terbuka begitu pula sebaliknya terjadi penurunan
luas tutupan lahan daerah pertanian dan bukan
pertanian sedangkan jenis tutupan lahan badan air
Daerah Daerah Bukan Badan
Pertanian Pertanian Air
0,0092 0 0
0,0375 0 0
0,8653 0,0007 0
0,0375 0,8719 0
0 0 1
Available online at https://jgrs.eng.unila.ac.id/
DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87 83

Gambar 6. Tutupan lahan tahun 2031

2.26
Badan Air
2.26

1264.41
Bukan Lahan Pertanian
1260.32

2126.05
Lahan Pertanian
2051.71

235.33
Lahan Terbuka
249.04

1055.94
Lahan Terbangun
1120.66

0.00 500.00 1000.00 1500.00 2000.00 2500.00

2022 Eksisting Model 2031

Gambar 7. Perbandingan luas tutupan lahan tahun 2022 eksisting dan model tahun 2031

tidak bertambah atau berkurang luasnya. Salah
satu faktor yang sangat berpengaruh dalam
peningkatan luas lahan permukiman pada tahun
2031 adalah aksesibilitas atau jarak dari jalan raya.
Semakin tinggi tingkat aksesibilitas suatu kota bagi
ISSN 2722-3647
ISSN 2722-3639 (e)
masyarakatnya, maka semakin tinggi tingkat
produktivitas kota tersebut maka kemungkinan kota
tersebut akan maju pesat, begitu pula sebaliknya
(Zhou dkk., 2022). Luasan tutupan lahan hasil
prediksi tahun 2031 dapat dilihat pada Gambar 7.
Available online at https://jgrs.eng.unila.ac.id/
DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
84 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87

3.4. Tingkat Bahaya Tsunami tsunami per-desa di Kecamatan Nusaniwe dapat

Tingkat bahaya tsunami diperoleh dari hasil dilhat pada Tabel 5.
pembobotan parameter bahaya tsunami Berdasarkan Tabel 5 disimpulkan bahwa desa
diantaranya jarak dari garis pantai, jarak dari Latuhalat merupakan desa yang memiliki luas
sungai, ketinggian lahan dan kemiringan lereng. terbesar pada kelas bahaya tertinggi dibandingan
Menurut Koshimura dkk.,(2020) daerah yang desa-desa lainnya. Kel. Mangga Dua, Kel. Silalae,
berada dekat dengan garis pantai atau daerah yang Kel. Urimesing, Kel. Waihoka, Kel. Wainitu, Kel.
pesisir adalah daeah yang paling rentan terdampak Nusaniwe, Kel. Wainitu, dan Seilale tidak memiliki
bencana tsunami. Sebesar 34,10% atau seluas wilayah yang berada pada tingkat bahaya rendah
1.597,13 ha wilayah Kecamatan Nusaniwe berada yang tarpaper tsunami. Topografi yang relative
< 500 m dari garis pantai, hal ini tentu membuat landai membuat keseluruhan wilayah Kel. Silalae,
daerah ini berada pada kerentanan sangat tinggi. Kel. Waihoka, Kel. Wainitu berada pada tingkat
Berdasarkan parameter kerentanan ber-dasarkan kerentanan yang tinggi.
ketinggian lahan sebesar 354,35 ha wilayah
Kecamatan Nusaniwe berada pada ketinggian < 10 Tabel 5. Luas Bahaya Tsunami Per-Desa
mdpl yang merupakan zona kerentanan tertinggi Luas Bahaya Tsunami (ha)
untuk bahaya tsunami. Akbar dkk., (2020) Desa/Kelurahan
Rendah Sedang Tinggi
menambahkan bahwa semakin rendah elevasi dan Amahusu 323,00 308,22 102,97
kemiringan lereng suatu wilayah maka semakin
Kel.Benteng 39,79 78,62 58,19
rentan terpapar tsunami. Dewi dkk., (2020)
Kel.Kudamati 3,73 43,95 33,88
menjelaskan bahwa daerah yang sangat dekat
dengan sungai merupakan daerah yang memiliki Kel.Mangga Dua - 8,85 13,16
resiko tinggi terhadap tsunami. Kel.Silalae - - 16,36
Tingkat bahaya tsunami di Kecamatan Kel.Urimesing - 18,87 8,09
Nusaniwe, Kota Ambon, didominasi oleh tingkat Kel.Waihoka - - 17,02
bahaya sedang dengan luas 2.103,90 ha atau Latuhalat 0,66 285,46 270,72
sebesar 44,92 %, tingkat bahaya rendah dengan Nusaniwe 124,14 581,29 218,44
luas 1.570,08 ha atau sebesar 33,52 % dan tingkat Seilale - 65,42 47,50
bahaya tinggi dengan persentase 33,52 % atau Kel.Nusaniwe - 39,14 50,24
seluas 21,56. Selengkapnya tingkat bahaya Kel.Wainitu - - 41,75

Gambar 8. Bahaya Tsunami Kecamatan Nusaniwe

ISSN 2722-3647 Available online at https://jgrs.eng.unila.ac.id/
ISSN 2722-3639 (e) DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87 85

3.5. Dinamika Spasial Sebaran Lahan
Terbangun tahun 2022 dan tahun 2031 yang
berada pada daerah rawan tsunami di
Kecamatan Nusaniwe
Berdasarkan hasil pengolahan bahaya tsunami
dan didukung oleh catatan secara tsunami dimasa
lalu Kecamatan Nusaniwe, berada pada intensitas
bahaya tsunami sedang. Bencana tsunami menjadi
ancaman prioritas utama yang harus diantisipasi
agar dampak buruk baik korban jiwa maupun
kerusakan bangunan dapat diminimalisir. Salah
satu bentuk antisipasinya adalah dengan
mengestimasi seberapa luas kawasan permukiman
yang telah dianalisis menggunakan cellular
automata markov-chain yang berada di kawasan
tsunami.
Dalam studi ini, kelas bahaya tsunami dibagi
menjadi tiga, yaitu rendah, sedang dan tinggi.
Setiap kelas di-overlay dengan lahan terbangun
tahun 2022 dan lahan terbangun tahun 2031 hasil
pemodelan CA MC dan secara spasial dapat dilihat
pada Gambar 9. Wilayah Kecamatan Nusaniwe
merupakan daerah rawan bencana tsunami karena
wilayah ini terletak di pesisir pantai dan berbatasan
langsung dengan Laut Banda. Berdasarkan hasil
analisis luas lahan terbangun tahun 2022 dan 2031
yang berada pada kelas bahaya tsunami di
Kecamatan Nusaniwe pada Gambar 10
disimpulkan bahwa terjadi peningkatan luas lahan
terbangun di daerah rawan tsunami. Hal ini
dikarenakan kawasan lahan terbangun/
permukiman akan terus meningkat seiring dengan
pertumbuhan penduduk dan tingginya kebutuhan
akan lahan untuk membangun dan bermukim. Luas
lahan terbangun yang berada pada kawasan rawan
tsunami memiliki hubungan yang berbanding lurus
dengan tahun perkembangan lahan terbangun,
sehingga sehingga semakin bertambahnya tahun
maka luas lahan permukiman yang berada pada
wilayah rawan tsunami juga semakin bertambah.

Gambar 9. Sebaran permukiman eksisting tahun 2022 (a) dan model tahun 2031 (b) pada daerah rawan
tsunami di Kecamatan Sirimau
Prediksi Tingkat Keterpaparan

627.84
Tinggi
634.85
Permukiman

314.39
Sedang
366.66

113.41
Rendah
156.79

0.00 200.00 400.00 600.00 800.00

2022 Eksisting Model 2031

Gambar 10. Luas prediksi lahan terbangun tahun 2022 dan 2031 yang berada pada kelas bahaya tsunami

ISSN 2722-3647 Available online at https://jgrs.eng.unila.ac.id/

ISSN 2722-3639 (e) DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
86 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87
4. KESIMPULAN
Perubahan tutupan lahan di Kecamatan
Nusaniwe dari tahun 2012 – 2022 terjadi secara
dinamis. Peningkatan jenis tutupan lahan terbangun
dan lahan terbuka terjadi secara signifikan dan
konsisten dari periode 2012 – 2022. Sedangkan
tutupan lahan yang terus mengalami penurunan
luasan yaitu jenis tutupan lahan bukan lahan
pertanian dan lahan pertanian. Hasil prediksi
tutupan lahan tahun 2031 menunjukkan bahkan
lahan terbangun akan terus mengalami
peningkatan luas seiring dengan pertumbuhan
penduduk dan tingginya kebutuhan akan sumber
daya lahan. Hasil analisis peta bahaya tsunami di
Kecamatan Nusaniwe menunjukkan terjadi
peningkatan luas lahan terbangun di daerah rawan
tsunami pada tahun 2022 dan tahun 2031. Hal ini
dikarenakan kawasan lahan terbangun/
permukiman akan terus meningkat seiring dengan
pertumbuhan penduduk dan kebutuhan akan lahan
untuk membangun yang semakin tinggi.
UCAPAN TERIMA KASIH
Peneliti mengucapkan terima kasih kepada
Departemen Biologi, Fakultas Biologi, Universitas
Herzen dan Departemen Geografi, FMIPA,
Universitas Indonesia yang sudah bekerja sama
dalam penelitian ini serta semua pihak untuk yang
telah membantu dalam kelancaran penelitian.
DAFTAR PUSTAKA
Akbar, F. S., Vira, B. A., Doni, L. R., Putra, H. E., &
Efriyanti, A. (2020). Aplikasi Metode Weighted
Overlay untuk Pemetaan Zona Keterpaparan
Permukiman Akibat Tsunami (Studi Kasus:
Kota Bengkulu dan Kabupaten Bengkulu
Tengah). Jurnal Geosains Dan Remote
Sensing, 1(1), 43–51.
https://doi.org/10.23960/jgrs.2020.v1i1.17
Badan Standarisasi Nasional. (2010). SNI 7645-
2010 tentang klasifikasi penutup lahan.
BNPB. (2021). IRBI (Indeks Resiko Bencana
Indonesia) Tahun 2021. Direktorat
Pengurangan Risiko Bencana, BNPB, 115.
https://www.bnpb.go.id//uploads/renas/1/BUK
U RENAS PB.pdf
CNN Indonesia. (2022). Enam Gunung Api
Ditemukan di Laut Banda. CNN
Indonesia.Com.
https://www.cnnindonesia.com/nasional/2022
0722093151-20-824707/enam-gunung-api-
ditemukan-di-laut-banda
Dewi, P. U., Oktaviana, Wahdini, M., Prasiamratri,
N., Alghifarry, M. B., & Utami, N. A. (2020).
Aplikasi SIG Untuk Pemetaan Zona Tingkat
Bahaya Dan Keterpaparan Pemukiman
Terhadap Tsunami Kota Denpasar. Jurnal
Geosains Dan Remote Sensing, 1(2), 80–88.
https://doi.org/10.23960/jgrs.2020.v1i2.28
Espitia, H., Soriano, J., Machón, I., & López, H.
(2021). Compact Fuzzy Systems Based on
Boolean Relations. In Applied Sciences (Vol.
11, Issue 4).
ISSN 2722-3647
ISSN 2722-3639 (e)
https://doi.org/10.3390/app11041793
Ghosh, P., Mukhopadhyay, A., Chanda, A., Mondal,
P., Akhand, A., Mukherjee, S., Nayak, S. K.,
Ghosh, S., Mitra, D., Ghosh, T., & Hazra, S.
(2017). Application of Cellular automata and
Markov-chain model in geospatial
environmental modeling- A review. Remote
Sensing Applications: Society and
Environment, 5, 64–77.
https://doi.org/https://doi.org/10.1016/j.rsase.
2017.01.005
Rakuasa, H., Febermen Halawa, D. A. S. (2022).
Pemodelan Spasial Ketersedian Lahan
Dengan Kawasan Rawan Tsunami di Kota
Ambon. Geo Image, 11(2), 1–12.
https://doi.org/https://doi.org/10.15294/geoim
age.v11i2.57809
Jafarpour Ghalehteimouri, K., Shamsoddini, A.,
Mousavi, M. N., Binti Che Ros, F., &
Khedmatzadeh, A. (2022). Predicting spatial
and decadal of land use and land cover
change using integrated cellular automata
Markov chain model based scenarios (2019–
2049) Zarriné-Rūd River Basin in Iran.
Environmental Challenges, 6, 100399.
https://doi.org/https://doi.org/10.1016/j.envc.2
021.100399
Karsidi, A. (2004). Spatial analysis of land use/land
cover change dynamics using remote sensing
and geographic information systems: a case
study in the down stream and surroundings of
the Ci Tarum watershed [University of
Adelaide]. https://hdl.handle.net/2440/22077
Koshimura, S., Moya, L., Mas, E., & Bai, Y. (2020).
Tsunami Damage Detection with Remote
Sensing: A Review. Geosciences, 10(5), 177.
https://doi.org/10.3390/geosciences10050177
Kurniawan, T., Yuliatmoko, R. S., Sunardi, B.,
Prayogo, A. S., Muzli, M., & Rohadi, S. (2021).
Tsunami simulation for disaster mitigation
based on earthquake scenarios in the Molucca
subduction zone (case study of the Molucca
Sea earthquake on July 7, 2019). AIP
Conference Proceedings, 040026.
https://doi.org/10.1063/5.0037665
Latief. H, Kodijat. A, Ismoyo. D, Bustamam. B,
Adyasar. D, N. N. dan R. (2016). Air Turun
Naik di Tiga Negeri. United Nations
Educational, Scientific, and Cultural
Organization, Office Jakarta - Indian Ocean
Tsunami Information Centre.
Lisanyoto, L., Supriatna, & Sumadio, W. (2019).
Spatial Model of Settlement Expansion and its
Suitability to the Landscapes in Singkawang
City, West Kalimantan Province. {IOP}
Conference Series: Earth and Environmental
Science, 338, 12034.
https://doi.org/10.1088/1755-
1315/338/1/012034
Marko, K., Zulkarnain, F., & Kusratmoko, E. (2016).
Coupling of Markov chains and cellular
automata spatial models to predict land cover
changes (case study: upper Ci Leungsi
Available online at https://jgrs.eng.unila.ac.id/
DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98
 Latue & Rakuasa / Jurnal Geosains dan Remote Sensing (JGRS) Vol 3 No 2 (2022) 77-87 87

catchment area). IOP Conference Series: Rakuasa, H., Supriatna, S., Karsidi, A., Rifai, A.,
Earth and Environmental Science, 47, Tambunan, M. ., & Poniman K, A. (2022).
012032. https://doi.org/10.1088/1755- Spatial Dynamics Model of Earthquake Prone
1315/47/1/012032 Area in Ambon City. IOP Conference Series:
Mustafa, A., Ebaid, A., Omrani, H., & McPhearson, Earth and Environmental Science, 1039(1),
T. (2021). A multi-objective Markov Chain 012057. https://doi.org/10.1088/1755-
Monte Carlo cellular automata model: 1315/1039/1/012057
Simulating multi-density urban expansion in Salakory, M., Rakuasa, H. (2022). Modeling of
NYC. Computers, Environment and Urban Cellular Automata Markov Chain for predicting
Systems, 87, 101602. the carrying capacity of Ambon City. Jurnal
https://doi.org/https://doi.org/10.1016/j.compe Pengelolaan Sumberdaya Alam Dan
nvurbsys.2021.101602 Lingkungan (JPSL), 12(2), 372–387.
Pranantyo, I. R., & Cummins, P. R. (2020). The https://doi.org/https://doi.org/10.29244/jpsl.12
1674 Ambon Tsunami: Extreme Run-Up .2.372-387
Caused by an Earthquake-Triggered Sugandhi, N., Supriatna, S., Kusratmoko, E., &
Landslide. Pure and Applied Geophysics, Rakuasa, H. (2022). Prediksi Perubahan
177(3), 1639–1657. Tutupan Lahan di Kecamatan Sirimau, Kota
https://doi.org/10.1007/s00024-019-02390-2 Ambon Menggunakan Celular Automata-
Rakuasa, H., Salakory, M., & Latue, P. C. (2022). Markov Chain. JPG (Jurnal Pendidikan
Analisis dan Prediksi Perubahan Tutupan Geografi), 9(2), 104–118.
Lahan Menggunakan Model Celular https://doi.org/http://dx.doi.org/10.20527/jpg.v
Automata-Markov Chain di DAS Wae Ruhu 9i2.13880
Kota Ambon. Jurnal Tanah Dan Sumberdaya Supriatna, S., Pratiwi, S. F., Marko, K., Manessa, M.
Lahan, 9(2), 285–295. D. M., & Ristya, Y. (2020). Spatial Dynamics
https://doi.org/https://doi.org/10.21776/ub.jtsl. of Tsunami Prone Areas in Pariaman City,
2022.009.2.9 West Sumatera. Journal of Computational and
Rakuasa, H., Salakory, M., & Mehdil, M. C. (2022). Theoretical Nanoscience, 17(2), 1474–1491.
Prediksi perubahan tutupan lahan di DAS Wae https://doi.org/10.1166/jctn.2020.8828
Batu Merah, Kota Ambon menggunakan Zhou, Y., Wu, T., & Wang, Y. (2022). Urban
Cellular Automata Markov Chain. Jurnal expansion simulation and development-
Pengelolaan Lingkungan Berkelanjutan oriented zoning of rapidly urbanising areas: A
(Journal of Environmental Sustainability case study of Hangzhou. Science of The Total
Management), 6(2), 59–75. Environment, 807, 150813.
https://doi.org/https://doi.org/10.36813/jplb.6. https://doi.org/https://doi.org/10.1016/j.scitote
2.59-75 nv.2021.150813

ISSN 2722-3647 Available online at https://jgrs.eng.unila.ac.id/

ISSN 2722-3639 (e) DOI: https://doi.org/10.23960/jgrs.2022.v3i2.98