PORTOFOLIO LAPORAN

Geoplanning dan
Desain II C
Identifikasi Kesesuaian
Kawasan Perumahan di
Kota Ranai, Kabupaten
Natuna
PERENCANAAN WILAYAH DAN KOTA
FAKULTAS SAINS DAN TEKNOLOGI
Januari, 2022

Disusun oleh
5201511020 - Raehanul Fikri

UNIVERSITAS TEKNOLOGI YOGYAKARTA

 Lembar Pengesahan
Geoplanning dan Desain II

Interpretasi Visual Citra Satelit Sentinel-2

Studi Kasus : Kota Ranai Kabupaten Natuna

Raehanul Fikri
5201511020

Disetujui
Pada Tanggal 15 Januari 2022
Oleh Dosen Pengampu

BAYU ARGADYANTO PRABAWA, S.SI., M.SC.

 DAFTAR ISI

BAB I . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
LATAR BELAKANG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
DASAR TEORI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
TUJUAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

BAB II . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
BAGAN METODELOGI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
PERSIAPAN DAN PENGUMPULAN DATA . . . . . . . . . . . . . . . .3
PENGOLAHAN DATA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
GAMBARAN UMUM WILAYAH . . . . . . . . . . . . . . . . . . . . . . . . . 6

BAB III . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
HASIL DAN PEMBAHASAN . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

BAB IV . . . . . . . . . . . . . . . . . . . . . . . . . . 23
KESIMPULAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
LAMPIRAN PETA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
 BAB I
LATAR BELAKANG
Perkembangan penduduk pada suatu kawasan membawa perubahan besar
pada kebutuhan dasar manusia yaitu kebutuhan akan papan beserta fasilitas
penunjangnya. Kebutuhan dasar tersebut terus meningkat secara alamiah seiring
kompleksitasnya kebutuhan hidup bermasyarakat, seperti kebutuhan untuk
aktivitas sosial, aktivitas ekonomi, dan aktivitas pelayanan umum. Dari fenomena
tersebut menuntut pula pembangunan sarana dan prasarana pada suatu kawasan
guna menjaga kelangsungan hidup masyarakat di daerah perkotaan dalam rangka
menuju kota berkelanjutan (Sustainable Cities). Pertumbuhan penduduk yang
terus meningkat dalam setiap tahunnya tersebut harus diiringi dengan adanya
fasilitas perumahan di kawasan permukiman yang layak. Saat ini zaman semakin
canggih dengan teknologi yang tidak terbayangkan dari sebelumnya. Jelas tidak
heran jika banyak sekali jenis dan macam dari kecanggihan teknologi yang telah
berhasil menarik perhatian masyarakat dunia. Bahkan hampir seluruh negara
maju memanfaatkan kemampuan dari teknologi canggih untuk menjamin
kemampuan negara nya. Salah satu kemajuan teknologi yang membantu dalam
pembangunan Indonesia untuk menjadi salah satu negara yang maju adalah citra
satelit. Citra satelit yang menangkap objek tampilan objek yang ada di
permukaan bumi jika dilihat dari ketinggian dapat dimanfaatkan sebagai cara
dalam menentukan suatu kawasan baik itu perumahan, pertanian, maupun laut.

Kota Ranai merupakan ibukota pemerintahan dari Kabupaten Natuna,

Kepulauan Riau. Meningkatnya aktivitas yang terjadi di kawasan perkotaan juga
memicu orang-orang dari tempat lain untuk datang ke Kota Ranai sehingga
menjadi penyebab tingginya angka pertumbuhan penduduk. Akan tetapi kawasan
perkotaan di Kota Ranai telah mengalami perkembangan pembangunan secara
spasial sehingga tidak terdapat kawasan perumahan yang baru. Oleh karena itu
pembahsan ini akan mengidentifikasi lahan-lahan perumahan yang baru di
kawasan permukiman Kota Ranai. Proses pembangunan perumahan harus berada
di kawasan yang dekat dengan pusat-pusat fasilitas pelayanan agar menciptakan
lingkungan yanglayak huni. Klasifikasi identifikasi pemukiman di Kota Ranai,
Kabupaten Natuna ditentukan dengan beberapa faktor seperti kemiringan lereng,
ketinggian lokasi lahan, indeks vegetasi, serta indeks perkotaan.

1
DASAR TEORI
Kelompok rumah yang berfungsi sebagai lingkungan tempat tinggal atau
lingkungan hunian yang dilengkapi dengan prasarana dan sarana lingkungan.
Perumahan adalah kumpulan rumah sebagai bagian dari permukiman, baik
perkotaan maupun perdesaan, yang dilengkapi dengan prasarana, sarana, dan utilitas
umum sebagai hasil upaya pemenuhan rumah yang layak huni. (Sumber: UU No. 1
Tahun 2011 Tentang Perumahan dan Kawasan Permukiman).
Menurut Undang-undang no 1 tahun 2011, Permukiman adalah bagian dari
lingkungan hunian yang terdiri atas lebih dari satu satuan perumahan yang
mempunyai prasarana, sarana, utilitas umum, serta mempunyai penunjang kegiata
fungsi lain di kawasan perkotaan atau kawasan perdesaan. Sedangkan kawasan
permukiman adalah bagian dari lingkungan hidup diluar kawasan lindung, baik
berupa kawasan perkotaan maupun perdesaan, yang berfungsi sebagai lingkungan
tempat tinggal atau lingkungan hunian dan tempat kegiatan yang mendukung
perikehidupan dan penghidupan. Pengertian lain dari permukiman ialah bagian dari
lingkungan hidup, dimana ada permukiman kawasan perkotaan dan kawasan
pedesaan yang berfungsi sebagai tempat tinggal atau tempat hunian penduduk atau
tempat kegiatan. Selain itu perkotaan dapat didefinisikan sebagai adalah area
terbangun dengan struktur dan jalan-jalan , sebagai suatu permukiman yang terpusat
pada suatu area dengan kepadatan tertentu yang membutuhkan sarana dan pelayanan
pendukung yang lebih lengkap dibandingkan dengan yang dibutuhkan di daerah
pedesaan.
Sesuai dengan UU No. 26 Tahun 2007 tentang penataan ruang, Pengupayaan
untuk mengintegralkan perencanaan dalam lingkup wilayah administrasi dibawah
kabupaten. Adapun lingkup wilayah tersebut adalah kecamatan. Wilayah kecamatan
memiliki dua topologi kawasan yaitu kawasan perkotaan dan kawasan pedesaan.
Kedua tipe kawasan ini diperlukan untuk dapat saling mendukung sehingga dalam
dapat menggabungkan dan menyelaraskan keduanya dalam suatu perencanaan.
Spatial Multi-Criteria Decision Analysis (MCDA) mendukung pengambilan
keputusan dan pemilihan lokasi dalam arti bahwa ia menetapkan kerangka kerja
untuk mengevaluasi alternatif berdasarkan beberapa kriteria evaluasi. Baik alternatif
maupun kriteria menggabungkan referensi spasial (Malczewski, 1999; Malczewski,
2006; Malczewski dan Rinner, 2015).

TUJUAN
Mengidentifikasi ketersediaan lahan permukiman di perkotaanRanai.
Menganalisis sebaran kawasan permukiman baru di Kota Ranai.
Membandingkan hasil pembobotan dengan SMCA.
2
 BAB II
BAGAN METODELOGI
Tahap Persiapan Pengumpulan Data Pengolahan Data Analisis

PERSIAPAN DAN PENGUMPULAN DATA

Tahap awal yang dilakukan adalah persiapan, yaitu mengenali apa itu indeks
NDVI, indeks perkotaan, kawasan permukiman, faktor-faktor yang mempengaruhi
kawasan permukiman, serta memahami kondisi topografi wilayah studi kasus.
Selanjutnya melakukan pengumpulan data, yaitu mendownload citra satelit sentinel
di situs esacopernicus.scihub, mendownload data DEM di situs DEMNAS,
mendownload shapefile wilayah studi kasus, kemudian mendownload dan
menginstal software ILWIS, GITMAP, XAMPP, Sublime Text, dan menyiapkan
software ArcGIS (ArcMap). Teknik pengumpulan data dilakukan secara sekunder.

PENGOLAHAN DATA
Data-data yang telah dikumpulkan kemudian di olah menggunakan beberapa
software yaitu, ArcGIS, ILWIS, GITBash, dan Sublime Text, hingga akhrinya
data peta sebaran kawasan perumahan baru tersebut diupload ke web.

Proses ArcGIS
Pada pengolahan di ArcGIS, data yang digunakan adalah data citra satelit
Sentinel-2 yang sudah di snap. Adapun proses tersebut meliputi :
Mengidentifikasi klasifikasi tutupan lahan dengan metode maksimum likehood

Menghitung Indeks NDVI

NDVI (Normalized Difference Vegetation Index) menghitung banyaknya
vegetasi dengan mengukur perbedaan antara near infrared (yang dipantulkan oleh
vegetasi dengan kuat) dan cahaya merah (yang diserap oleh vegetasi). NDVI selalu
berkisar dari -1 hingga +1. Namun tidak ada batasan yang jelas untuk setiap jenis
tutupan lahan.
Vegetasi sehat (klorofil) memantulkan lebih banyak Near Infrared (NIR) dan
cahaya hijau dibandingkan dengan panjang gelombang lainnya. Tapi menyerap
lebih banyak cahaya merah dan biru. Inilah sebabnya mengapa mata kita melihat
vegetasi sebagai warna hijau . Jika Anda bisa melihat near infrared, maka itu akan
kuat untuk vegetasi juga. Sensor satelit seperti Landsat dan Sentinel-2 keduanya
memiliki band yang diperlukan dengan NIR dan red.

3
 Menghitung Indeks NDBI
NDBI (Normalized Difference Built-up Index) berfungsi sebagai menghitung
banyaknya bangunan dengan mengukur perbedaan antara near infrared dan short
wave infrared. NDBI selalu berkisar dari -1 hingga +1. Bentuk perhitungan indeks
NDBI adalah : NDBI = (SWIR-NIR) / (SWIR+NIR)
Indeks NDBI akan fokus untuk menyoroti daerah perkotaan atau kawasan
terbangun di mana biasanya ada pemantulan yang lebih tinggi pada area Shortwave
Infrared (SWIR), jika dibandingkan dengan area NearInfrared (NIR).
Transformasi ini bekerja dengan sensor multispektral dengan band SWIR antara
1,55-1,75 m dan band NIR antara 0,76-0,9 m.

Menghitung Urban Indeks dan Built-Up Indeks

Transformasi Urban Index atau indeks kota adalah transformasi yang
memanfaatkan saluran inframerah tengah II (IMTg II) dan saluran inframerah
dekat (IMD) untuk menonjolkan kawasan perkotaan pada citra satelit. Kedua
metode ini digunakan untuk memisahkan daerah terbangun dan daerah
nonbangunan menggunakan klasifikasi digital. Nilai indeks yang dimunculkan pada
transformasi urban indeks menentukan kawasan perkotaan pada citra satelit.

Kemudian pengolahan menggunakan data DEMNAS Kota Ranai, dengan proses-

proses sebagai berikut :
Aspect
Hillshade
Viewshed
Slope dan reclassify
Slope merupakan tools yang mempresentasikan perbandingan antara jarak
datar dan beda tinggi yang dinyatakan dalam satuan persen (%) atau Derajat (⁰).
Fungsi slope adalah menghitung tingkat perubahan maksimum nilai sel sebelahnya
atau laju perubahan maksimum dari setiap sel dengan tetangganya. Metode ini
biasa digunakan untuk membuat peta kelerengan dengan klasifikasi tertentu.
Klasifikasi lereng tersebut dibuat berdasarkan kelas kemiringan lereng. Data
kemiringan itu sendiri terdapat pada data DEM. Sedangkan reclassify merupakan
metode yang digunakan untuk mengklasifikasi ulang data kemiringan lereng
tersebut kedalam kelas-kelas nilai yang ditentukan.

Reclassify DEM (Elevasi)

4
Proses ILWIS
Proses yang dilakukan menggunakan software ILWIS berfungsi untuk
menentukan faktor-faktor dari hasil proses ArcGIS untuk mengidentifikasi kawasan
yang sesuai untuk dijadikan perumahan baru di Kota Ranai. Faktor-faktor yang
berasal dari ArcGIS diubah menjadi data ASCII. Faktor yang digunakan yaitu :
Kemiringan lereng (slope)
Arah kemiringan (aspect)
Ketinggian dataran (elevasi)
Indeks NDVI
Indeks NDBI
Indeks Area Terbangun
Tutupan Lahan
Faktor tersebut ditentukan skornya yang berdasarkan dengan tingkat
kesesuaiannya terhadap kawasan perumahan di Kota Ranai. Menggunakan tiga
alternative yang kemudian dibandingkan satu sama lain lalu diproses kembali di
ArcGIS untuk diubah menjadi data vector dan kemudian diubah menjadi data
JSON. Proses ini disebut dengan metode Spatial Multi-Criteria Analysis atau
disebut dengan SMCA. Pembobotan nilai SMCA menggunakan 3 metode atau 3
alternative, yaitu :
Direct
Pairwise
Rank Order
Pembobotan dilakukan pada tiap-tiap data faktor menggunakan asumsi
klasifikasi sesuai hingga tidak sesuai, serta penentuan skor sesuai dengan metode
SMCA. Contohnya rentang nilai 0-1 untuk menentukan skor kesesuaian lahan dan
tidak sesuai.
Adapun tahap pemodelan metode SMCA adalah :
Menentukan tujuan/tema
Menentukan criteria (factors/constraints)
Standarisasi skor faktor
Menentukan bobot dari faktor
Agregasi kriteria
Validasi/verifikasi hasil

5
GAMBARAN UMUM WILAYAH

6
7
 BAB III
HASIL DAN PEMBAHASAN
Tutupan Lahan
Metode yang digunakan untuk menentukan klasifikasi tutupan lahan adalah
Maksimum Likehood. Identfikasi yang dilakukan dengan menggabungkan
kemampuan digital dan kemampuan analisis visual. Sehingga perbedaan-perbedaan
objek yang tidak mampu dikenali oleh kemampuan komputer/software akan dilihat
dari training sample yang dilakukan oleh amatan visual. Kelas tutupan lahan built
up area terkihat sangat jelas persebarannya dan batas built up area dengan kelas
tutupan lahan yang lain juga terlihat detail, dibandingkan dengan dua metode
interpretasi sebelumnya. Sample-sample yang dibuat dan digabungkan menjadi 6
kelas merupakan acuan klasifikasi yang dilakukan secara digital oleh komputer,
sehingga akurasi interpretasi akan meningkat, seiring dengan banyaknya jumlah
sample yang dibuat.

Transformasi Spektral
Pada data citra satelit, terdapat gabungan Band yang memiliki informasi
mengenai panjang gelombang dan citra satelit ini dapat menghasilkan informasi
baru menggunakan transformasi. Transformasi ini dapat dikelompokkan menjadi
dua, yaitu :
transformasi yang dapat mempertajam informasi tertentu. namun sekaligus
menghilangkan atau menekan infomasi yang lain, contohnya informasi vegetasi
atau permukiman.
transformasi yang 'meringkas' infomasi dengan cara mengurangi
dimensionalitas data. Berbeda halnya dengan berbagai algoritma penajaman,
transformasi khusus ini lebih banyak beroperasi pada domain spektral. Ciri
lainnya ialah bahwa dalam banyak kasus, transformasi ini melibatkan beberapa
saluran spektral sekaligus.

1. Indeks NDVI
Indeks transformasi NDVI yang digunakan untuk menonjolkan vegetasi
pada Kota Ranai yang dapat dilihat pada warna hijau gelap. Sebaliknya objek
non vegetasi ditampilkan dengan warna cerah. NDVI menggunakan Near
Infrared yang dipantulkan oleh vegetasi, sehingga semakin tinggi tingkat
kerapatan vegetasi tersebut, maka tingkat indeks NDVI akan semakin tinggi.
Tentu saja penggunaan citra satelit Sentinel-2 yang memiliki band NIR
mempengaruhi proses transformasi NDVI yang dilakukan

8
 Gambar 1.2 Nilai Indeks NDVI

Gambar 1.3 Nilai Indeks NDVI

Gambar 1.1 Indeks NDVI di Kota Ranai

Nilai tertinggi yang dimunculkan adalah 0,948 yang berarti tingkat

kerapatan vegetasi sangat tinggi atau luas daun vegetasi sangat bagus.
Nilai terendah yang dimunculkan adalah -0,162, yang berarti objek non
vegetasi seperti lahan terbangun atau tanah kosong.
Tingkat kerapatan vegetasi juga dapat di klasifikasi menggunakan indeks
NDVI, contohnya seperti gambar disamping. Semakin tinggi nilai indeksnya
berarti tingkpa kerapatan vegetasi juga semakin tinggi

2.Indeks NDBI
Indeks transformasi NDBI yang digunakan untuk menonjolkan area
terbangun pada Kota Ranai yang dapat dilihat pada warna kuning hingga merah.
Sebaliknya objek tidak terbangun ditampilkan dengan warna hijau muda hingga
hijau gelap. Pada citra Sentinel-2, gelombang SWIR pada band 13 dan
gelombang NIR terdapat pada band 8. Proses transformasi indeks NDBI pada
Arcgis dilakukan menggunakan image analyst dan band artihmatic, kemudian
menuliskan rumus manual, yaitu (B13 - B8) / (B13 + B8). Kemudian hasil
perhitungan band tersebut menghasilkan nilai indeks yang menyatakan tingkat
kepadatan area terbangun dengan rentang nilai -1 hingga +1.

Gambar 1.5 Nilai Indeks NDBI di Kota Ranai

Gambar 1.4 Indeks NDBI di Kota Ranai

9
 Nilai tertinggi yang dimunculkan adalah 0,675 yang berarti tingkat bangunan
pada area tersebut sangat padat atau karena tingkat SWIR yang dipantulkan
pada area terbangun tersebut sangat tinggi.
Nilai terendah yang dimunculkan adalah -0,535, yang berarti tingkat
kepadatan bangunan pada area tersebut sangat rendah atau karena tingkat
SWIR yang dipantulkan pada area terbangun tersebut sangat rendah.

3.Urban Indeks
Indeks urban yang digunakan untuk menonjolkan area perkotaan pada Kota
Ranai dapat dilihat dengan tampilan warna ungu. Sedangkan objek vegetasi dan
ovjek yang tidak terbangun ditampilkan dengan warna hijau muda hingga hijau
gelap. Pada citra Sentinel-2, gelombang Inframerah tengah pada band 12 dan
gelombang NIR terdapat pada band 8. Proses transformasi urban indeks pada
Arcgis dilakukan menggunakan image analyst dan band artihmatic, kemudian
menuliskan rumus manual, yaitu (((B12 - B8) / (B12 + B8)) + 1) x 100. Kemudian
hasil perhitungan band tersebut menghasilkan nilai indeks yang menentukan area
terbangun perkotaan.

Gambar 1.5 Nilai UI di Kota Ranai

Gambar 1.6 Urban Indeks di Kota Ranai

Nilai tertinggi yang dimunculkan adalah 164,016 yang berarti tingkat

bangunan pada area tersebut sangat padat sehingga terkategori sebagai area
urban.
Nilai terendah yang dimunculkan adalah 21,8606 yang berarti tingkat
kepadatan bangunan pada area tersebut sangat rendah sehingga terkategori
sebagai area non-urban.

10
Olahan DEM
DEM adalah data digital yang menggambarkan geometri dari bentuk permukaan
bumi atau bagiannya yang terdiri dari himpunan titik-titik koordinat hasil sampling
dari permukaan dengan algoritma yang mendefinisikan permukaan tersebut
menggunakan himpunan koordinat.
1.Aspect
Pada identifikasi asprect data DEM Kota Ranai, terdapat 10 kelas yang
menggambarkan arah dari kemiringan permukaan tanah, nilai kelas tersebut
ditampilkan dalam bentuk derajat, yaitu 0 - 360 derajat, dan hanya satu kelas
yang memiliki nilai -1 yaitu kelas permukaan yang menghadap keatas (tidak
miring ke arah manapun). Sedangkan 9 kelas lainnya adalah orientasi kemiringan
yang menghadap ke utara, timur laut, timur, tenggara, selatan, barat daya, barat,
barat laut, dan kembali ke arah utara.

Gambar 2.2 Rentang nilai Aspect

Gambar 2.1 Aspect di Kota Ranai

Terdapat dua kelas utara karena nilai yang dipakai adalah sudut 360 derajat,
sehingga arah kemiringan kembali ke orientasi awal. Untuk rincian nilai sudut
dapat dilihat pada gambar disamping. Nilai minimum dan maksimum tidak dapat
ditentukan pada analisis aspect karena menggunakan satuan derajat, nilai
minimumnya -1 dan nilai maksimumnya 360 (dibulatkan).
2.Hillshade
Pada identifikasi hillshade data DEM Kota Ranai, memunculkan rentang
nilai yang menggambarkan tampilan 3D berdasarkan arah datang cahaya dan
panjang bayangan dari permukaan tanah yang memiliki tingkat elevasi yang lebih
tinggi dibandingkan permukaan tanah disekitarnya. Nilai maksimumnya adalah
180, yang berarti permukaan tanah yang miring tersebut persis menghadap secara
lurus terhadap sudut datangnya cahaya (315 derajat), sedangkan nilai
minimumnya adalah 0, yang berarti permukaan tanah yang miring tersebut persis
membelakangi secara lurus terhadap arah datangnya cahaya.

11
 Gambar 2.4 Rentang nilai Hillshade

Gambar 2.3 Hillshade di Kota Ranai

Panjang permukaan yang berwarna cerah dan panjang permukaan berwarna

gelap (bayangannya) ditentukan oleh tingkat ketinggian objek tersebut dari
permukaan tanah. Contohnya seperti Gunung Ranai yang memiliki panjang
bayangan terpanjang dan terlebar jika dilihat dari titik pertemuan antara
bayangan dengan tampilan cerah dari gunung tersebut, menandakan bahwa
Gunung Ranai memiliki tingkat elevasi yang tertinggi dibandingkan objek lainnya
yang ada diatas permukaan tanah

3. Viewshed
Pada identifikasi viewshed data DEM Kota Ranai, memunculkan 2 kelas
yang diklasifikasi berdasarkan kemampuan titik obeservasi dalam hal sudut
pandang oenglihatan. Jika area yang mampu terlihat dari titik observasi, maka
area tersebut dinamai area "visible", begitu juga sebaliknya, area yang tidak dapat
terlihat dari titik observasi baik itu terhalang oleh bukit, gunung, dan lainnya,
maka area tersebut dinamai area "not visible". Klasifikasi not visible ditampilkan
dengan warna merah muda, sedangkan visible ditampilkan dengan warna hijau.

Gambar 2.6 Klasifikasi Viewshed

Gambar 2.5 Viewshed di Kota Ranai

12
 Viewshed yang menganalisis banyaknya area visible memerlukan titik yang
menjadi sudut penglihatan terhadap area disekitarnya, titik ini disebut sebagai
observer point atau pusat amatan. Oleh karena itu, tingginya jumlah area visible
ditentukan oleh penempatan lokasi titik, jika titik amatan berada pada lokasi yang
tidak terhalang oleh apapun baik itu gunung, perbukitan, atau lainnya, maka area
yang terlihat akan semakin luas dan banyak. Contohnya penempatan titik di area
yang tinggi seperti gunung, akan terhindar dari objek perbukitan, sehingga area
dan sudut pandang "visible" menjadi lebih luas, begitu juga sebaliknya. Hal ini
yang mempengaruhi banyaknya area not visible pada analisis viewshed yang
dilakukan.

4.Slope
Proses slope yang menghasilkan 9 kelas klasifikasi lereng, namun umunya
data kelerengan ditentukan sesuai dengan kebutuhan, misalnya dalam
menentukan kemampuan dan kesesuaian lahan, sehingga harus di klasifikasi ulang
menggunakan tools 'reclassify'. Tools ini memasukkan ulang rentang nilai terbaru
lalu kemudian menyusun kelas sesuai dengan kebutuhan, sehingga menghasilkan
kelerengan seperti pada gambar disamping. Identifikasi slope sebelumnya di-
reclassify menjadi 5 kelas lereng. Range nilai terendahnya adalah 0 - 2 % dan
range nilai tertingginya adalah >40%.

Gambar 2.8 Klasifikasi Sloper di Kota Ranai

Gambar 2.7 Slope di Kota Ranai

Sebaran nilai terbanyak adalah range ketiga (6 - 15%), pada klasifikasi ini,
permukaan tanah cenderung landai dan sesuai untuk area permukiman maupun
kawasan terbangun lainnya. Sedangkan sebaran nilai yang paling sedikit adalah
range kelima (>40%) yang terdapat di Gunung Ranai, pada range nilai ini,
permukaan objek memiliki tingkat kemiringan yang tinggi, hal ini dikarenakan
kawasan tersebut merupakan permukaan gunung yang curam.

13
 Kemiringan lereng sangat menentukan tingkat kesesuaian lahan sebagai
kawasan perumahan atau permukiman. Permukaan tanah dengan tingkat
kemiringan yang tinggi (curam) akan memiliki bobot skor yang rendah dalam hal
kesesuaian, begitu juga sebaliknya permukaan tanah dengan tingkat kemiringan
rendah (landai) memiliki bobot skot yang tinggi dalam hal kesesuaian lahan
tersebut sebagai kawasan permukiman. Kemiringan lereng menjadi hambatan
dalam proses pembangunan perumahan, karena itu pemilihan wilayah yang landai
menjadi hal yang sangat umum dalam pembangunan permukiman.

5.Elevasi
Pada data DEM Kota Ranai telah terdapat informasi mengenai data elevasi
Kota Ranai, akan tetapi data elevasi tersebut tidak terklasifikasi berdasarkan
rentang nilai ketinggian. Oleh karena itu, dilakukan proses klasifikasi ulang atau
'reclassify' pada data DEM tersebut untuk menentukan kelas ketinggiannya.
Kelas yang akan dibuat pada data DEM Kota Ranai adalah 5 kelas, dengan
rentang nilai :
0 - 500 m
500 - 1000 m
1000 - 1500 m
1500 - 2000 m
>2000 m

Gambar 2.9 Klasifikasi Elevasi

Gambar 2.10 Elevasi di Kota Ranai

Namun pada informasi di data DEM tersebut, tidak terdapat objek yang
memiliki ketinggian lebih dari 1000 meter, puncak tertinggi Kota Ranai, yaitu
Gunung Ranai hanya setinggi 964 meter, sehingga hanya terdapat 2 kelas setelah
di klasifikasi ulang. Kelas elevasi tersebut adalah 0 - 500 m dan 500 - 1000 m.
Sehingga dapat disimpulkan bahwa sebagian besar Kota Ranai memiliki
permukaan tanah dibawah 500 m.

14
Identifikasi Kesesuaian Kawasan Perumahan di Kota Ranai
dengan Pembobotan Spatial Multi-Criteria Analysis
Hasil dari tutupan lahan, transformasi spektral, dan surface modelling data
DEM kemudian menjadi input data faktor kesesuaian lahan perumahan di Kota
Ranai. Data-data faktor penentu kelas kesesuaian tersebut memiliki nilai atau bobot
skor tersendiri untuk menentukan kawasan permukiman yang sesuai di Kota Ranai.

Standarize
Semua kriteria/faktor yang akan menjadi constraint dari metode-metode
selanjutnya harus distandarisasi dengan menentukan tingkat kepentingan dari
faktor-faktor yang berkaitan dengan tema. Hasil standarize yang dilakukan adalah
sebagai berikut :

Kemiringan Lereng

Gambar 3.1 Standarize Slope

Ketinggian (Elevasi)

Gambar 3.2 Standarize Elevasi

15
Arah Kemiringan (Aspect)

Gambar 3.3 Standarize Aspect

NDVI

Gambar 3.4 Standarize NDVI

NDBI

Gambar 3.1 Standarize Slope

Gambar 3.5 Standarize NDBI

16
 Built-Up Indeks

Gambar 3.6 Standarize Built-Up Indeks

Tutupan Lahan

Gambar 3.7 Standarize Tutupan Lahan

Setelah melakukan standarize pada tiap-tiap faktor, selanjutnya proses

penentuan kesesuaian kawasan permukiman di Kota Ranai menggunakan 3
alternative metode, yaitu direct, pairwise, dan rank ordering.

17
1.Direct
Proses pembobotan menggunakan metode Direct pada alternative 1 adalah
dengan memasukkan nilai skor masing-masing faktor secara manual berdasarkan
asumsi tingkat kepentingan dari tiap-tiap faktor dengan rentang nilai 0 - 1. Faktor
yang memiliki bobot kepentingan atau pengaruh yang rendah cenderung memiliki
nilai 0 - 0,4 dan faktor yang memiliki bobot kepentingan atayu pengaruh
terhadap tujuan maka akan memiliki nilai yang mendekati 1.

Gambar 4.1 Pembobotan Direct

Total skor pembobotan pada metode ini adalah 4,700 dimana faktor
kemiringan lereng dengan nilai pembobotan tertinggi (0,8) sedangkan aspect,
NDVI, dan NDBI dengan nilai pembobotan terendah (0,6).

2.Pairwise
Metode ini menggunakan perbandingan faktor secara berpasangan. Jika
terdapat faktor a - f maka faktor tersebut akan dipasangkan dengan faktor lainnya
secara keseluruhan (ab ac ad ae af, bc bd be bf, cd ce cf, de df, dan ef). Klasifikasi
faktor secara berpasangan dengan tingkat kepentingan ini terbagi menjadi 9 kelas
atau tingkat kepentingan dari yang "sangat sangat lebih penting dari" hingga
"sangat sangat tidak lebih penting dibandingkan" , yaitu :
is extremely more important than
is very strongly more important than
is strongly more important than
is moderately more important than
is equally important as
is moderately less important than
is strongly less important than
is very strongly less important than
is extremely less important than

18
 Setelah menentukan perbandingan kepentingan pasangan dua faktor,
selanjutnya nilai pembobotan akan muncul dan jika nilai konsistensi kurang dari
satu maka disarankan untuk mengulang perbandingan dua faktor.

Gambar 4.2 Pembobotan Pairwise

3.Rank Ordering
Pengolahan pembobotan kriteria faktor-faktor yang menentukan kesesuaian
kawasan permukiman di Kota Ranai menggunakan metode ini dilakukan dengan
cara mengurutkan tingkat kepentingan suatu faktor dibandingkan dengan faktor
lainnya. Jika suaru faktor memiliki tingkat pengaruh yang sama besar dengan
faktor lainnya, maka kelas kedua faktor tersebut bisa diurutkan secara sejajar atau
sama besar di kelas yang setingkat. Adapun pembobotan metode rank ordering
yang dilakukan adalah seperti berikut :

Gambar 4.3 Pembobotan Rank Ordering

Nilai urutan faktor-faktor tersebut dimulai dari yang paling berpengaruh

hingga ke tingkat yang tidak terlalu berpengaruh (1 - 4). Kemiringan lereng
menjadi faktor yang paling penting dalam menentukan letak kawasan yang sesuai
untuk dijadikan permukiman atau perumahan di Kota Ranai dengan nilai skor
0,370.
19
Analisis Spatial Multi-Criteria Sebaran Kesesuaian Kawasan
Perumahan di Kota Ranai
Proses pembobotan yang menggunakan 3 alternative dengan masing-masing
metode yang berbeda kemudian menghasilkan 3 data peta sebaran kesesuaian
kawasan permukiman di Kota Ranai, data tersebut kemudiaan dijadikan sebagai
GeoTIF lalu dimasukkan ke ArcGIS.

Alternative 1
Alternative 1 menggunakan metode pembobotan Direct menghasilkan data
sebaran kesesuaian seperti berikut ini :

Gambar 5.1 Peta Kesesuaian Kawasan Permukiman Hasil Alternative 1

Pembobotan yang dilakukan dengan metode Direct diklasifikasikan

berdasarkan tingkat kesesuaiannya, yaitu sesuai, kurang sesuai, dan tidak sesuai.
Rentang nilai klasifikasi berdasarkan skor yang muncul adalah :
Tidak Sesuai (0 - 47)
Kurang Sesuai (47 - 69)
Sesuai (69 - 90)
Sebaran kawasan sesuai digambarkan dengan objek berwarna hijau, untuk
kawasan yang kurang sesuai digambarkan dengan warna kuning, dan untuk
kawasan yang tidak sesuai digambarkan dengan warna merah.
Kawasan tidak sesuai yang ada di Kota Ranai terdapat di bagian Gunung
Ranai, sedangkan kawasan dengan tingkat kesesuaian yang tinggi (sesuai) berada
di dataran rendah didekat pesisir laut.

20
Alternative 2
Alternative 2 menggunakan metode pembobotan Pairwise menghasilkan data
sebaran kesesuaian seperti berikut ini :

Gambar 5.2 Peta Kesesuaian Kawasan Permukiman Hasil Alternative 2

Rentang nilai klasifikasi kesesuaian pada alternative 2 sama persis dengan

alternative 1, yaitu 0 - 47 (tidak sesuai), 47 - 69 (kurang sesuai), dan 69 - 90
(sesuai). Penggambaran tiga kelas kesesuaian dengan warna hijau untuk kawasan
yang sesuai, warna kuning untuk kawasan yang kurang sesuai, dan warna merah
untuk kawasan tidak sesuai.

Alternative 3
Alternative 3 menggunakan metode pembobotan Rank Order menghasilkan
data sebaran kesesuaian seperti berikut ini :

Gambar 5.3 Peta Kesesuaian Kawasan Permukiman Hasil Alternative 3

21
 Dari hasil metode pembobotan rank order menampilkan peta sebaran
kesesuaian lahan yang mirip dengan dua metode lainnya, klasifikasi kesesuaian
berdasarkan rentang nilai 0 - 47 (tidak sesuai), 47 - 69 (kurang sesuai), dan 69 - 90
(sesuai). Kelas kesesuaian tersebut digambarkan dengan 3 warna yaitu hijau untuk
kawasan yang sesuai, kuning untuk kawasan yang kurang sesuai, dan merah untuk
kawasan tidak sesuai.

Perbandingan Hasil 3 Alternative SMCA Kesesuaian Kawasan

Permukiman di Kota Ranai.
Peta sebaran kesesuaian kawasan hasil pembobotan yang dilakukan
menggunakan 3 alternative dan ketiganya mengguanakan metode yang berbeda.
Tidak terlihat perbedaan pada 3 hasil yang telah ditunjukkan, kelas klasifikasi
kesesuaian yang terdapat pada 3 hasil tersebut adalah :
Tidak Sesuai (0 - 47 ) digambarkan dengan warna merah
Kurang sesuai (47 - 69) digambarkan dengan warna kuning
Sesuai (69 - 90) digambarkan dengan warna hijau.

Rentang nilai yang menjadi acuan dalam klasifikasi tingkat kesesuaian

merupakan hasil dari skor pembobotan yang dilakukan dengan metode Direct,
Pairwise, dan Rank Ordering. Nilai skor yang rendah menandakan tingkat
kesesuaian yang rendah karena faktor atau kriteria yang terdapat di kawasan
tersebut memberikan nilai yang rendah terhadap tujuan SMCA, begitu pula dengan
nilai skor yang sedang dan tinggi menandakan kawasan tersebut memiliki faktor
atau kriteria yang mendukung untuk kesesuaian kawasan permukiman di Kota
Ranai.

Hasil SMCA pada tiga alternative tersebut tidak terdapat perbedaan karena
tingginya tingkat konsistensi pembobotan dari masing-masing metode yang
dilakukan, sehingga analisis spasial yang dilakukan memberikan hasil yang sama
pada pola sebarannya. Kawasan yang sesuai banyak terdapat di kawasan perkotaan
Ranai yang dekat dengan pesisir laut, kawasan yang kurang sesuai berada di lereng
Gunung Ranai dan perbukitan sekitarnya, serta kawasan yang tidak sesuai berada
di ketinggian Gunung Ranai dan sekitar kawasan tepi laut dimana kawasan
tersebut merupakan lahan yang curam dan berbatasan langsung dengan laut.

22
 BAB IV

KESIMPULAN
Pemanfaatan model Spatial Multi-criteria Analysis dalam menentukan
kawasan kawasan yang sesuai untuk dijadikan permukiman di Kota Ranai
didukung dengan data faktor yang terdapat di kawasan tersebut seperti tutupan
lahan, NDVI, NDBI, Built-Up Indeks, Kemiringan Lereng, Ketinggian, dan
Aspect. Dengan ketersediaan kriteria yang dibutuhkan maka proses SMCA yang
dilakukan membentuk suatu pola sebaran kawasan yang sesuai hingga tidak sesuai.
Standarisasi dan pembobotan yang dilakukan dengan tiga metode menghasilkan
data yang berbeda, hal ini terjadi karena proses pembobotan tiap - tiap fakotr yang
konsisten terhadap tujuan.

LAMPIRAN PETA
Berikut ini adalah peta kesesuaian lahan dari 3 alternative SMCA

23
 JURUSAN PERENCANAAN WILAYAH DAH KOTA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS TEKNOLOGI YOGYAKARTA

PETA KESESUAIAN KAWASAN

PERMUKIMAN KOTA RANAI
180 90 0 180 360 540 720
Meters
SKALA 1 : 24.000
Proyeksi : Universal Transverse Mercator
Datum : WGS 1984
Sistem Grid : UTM Zone 49N Grid

LEGENDA
Klasifikasi Kesesuaian Permukiman
Alternative 1
Tidak Sesuai
Kurang Sesuai
Sesuai
Laut

ORIENTASI

Sumber:
µ
1. Data DEMNAS 2021
2. Data Citra Satelit Kota Ranai 2020

Disusun Oleh:

5201511020
Raehanul Fikri
KABUPATEN NATUNA Geoplanning dan Desain II C
 JURUSAN PERENCANAAN WILAYAH DAH KOTA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS TEKNOLOGI YOGYAKARTA

PETA KESESUAIAN KAWASAN

PERMUKIMAN KOTA RANAI
180 90 0 180 360 540 720
Meters
SKALA 1 : 24.000
Proyeksi : Universal Transverse Mercator
Datum : WGS 1984
Sistem Grid : UTM Zone 49N Grid

LEGENDA
Klasifikasi Kesesuaian Permukiman
Alternative 2
Tidak Sesuai
Kurang Sesuai
Sesuai
Laut

ORIENTASI

Sumber:
µ
1. Data DEMNAS 2021
2. Data Citra Satelit Kota Ranai 2020

Disusun Oleh:

5201511020
Raehanul Fikri
KABUPATEN NATUNA Geoplanning dan Desain II C
 JURUSAN PERENCANAAN WILAYAH DAH KOTA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS TEKNOLOGI YOGYAKARTA

PETA KESESUAIAN KAWASAN

PERMUKIMAN KOTA RANAI
180 90 0 180 360 540 720
Meters
SKALA 1 : 24.000
Proyeksi : Universal Transverse Mercator
Datum : WGS 1984
Sistem Grid : UTM Zone 49N Grid

LEGENDA
Kelas Kesesuaian Kawasan Permukiman
Alternative 3
Tidak Sesuai
Kurang Sesuai
Sesuai
Laut

ORIENTASI

Sumber:
µ
1. Data DEMNAS 2021
2. Data Citra Satelit Kota Ranai 2020

Disusun Oleh:

5201511020
Raehanul Fikri
KABUPATEN NATUNA Geoplanning dan Desain II C
 DAFTAR PUSTAKA

Aliki, Chrysaida. (2019). "A GIS-based Spatial Multi-Criteria Decision Analysis:

Crisp and Fuzzy Methods". Agile. Limassol, June 17-20, 2019. Diakses pada 13
Januari 2022.

Budiarto, Asri., Dwiputri, Marselly., Hambali, Rzki. (2018). "Analisis ketersediaan

dan Kebutuhan Lahan Perumahan di Pusat Pelayanan Kota (PPK) Kota
Depok". Lakar Jurnal Arsitektur. Volume 01 No 01 (2018), 21 – 26. Diakses
pada 13 Januari 2022

DEMNAS Indonesia. 2021. DEM Kota Ranai Kabupaten Natuna. Diakses pada 3
Desember 2021, https://tanahair.indonesia.go.id/demnas/

Disparbud.natuna.go.id. 31 Desember 2018. Profil Ranai, Kabupaten Natuna.

Diakses pada 13 Januari 2022, https://disparbud.natunakab.go.id/profil-
kabupaten-natuna/

Saeful Fasa, Achmad. (2018). "Identifikasi Kebutuhan Perumahan Terhadap Daya

Dukung Lahan Di Kecamatan Jatinangor, Kabupaten Sumedang". Geoplanart.
Vol 2 No 1. Diakses pada 13 Januari 2022

27