Garuda - Garba Rujukan Digital

ANALISIS KESESUAIAN KAWASAN WISATA PANTAI DI KABUPATEN GUNUNGKIDUL, DAERAH ISTIMEWA YOGYAKARTA Afriyanto Afriyanto; Arief Laila Nugraha; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Volume 9, Nomor 3, Tahun 2020
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (423.848 KB)

ABSTRAKKabupaten Gunungkidul, Provinsi Daerah Istimewa Yogyakarta merupakan salah satu daerah yang potensial memiliki wisata pantai yang menarik diantaranya Pantai Krakal, Pantai Slili, Pantai Sadranan, Pantai Ngandong, Pantai Sundak dan Pantai Pulangsawal (Indrayanti). Pengkajian kesesuaian lahan terhadap kawasan wisata pantai sebagai salah satu pertimbangan sebelum melakukan pengembangan kawasan wisata lebih lanjut. Penelitian ini bertujuan untuk mengetahui tingkat kesesuaian kawasan wisata pantai. Adapun metode yang digunakan adalah Pembobotan AHP (Analytical Hierarchy Process) untuk penentuan Indeks Kesesuaian Wisata (IKW) dengan 10 parameter yaitu kedalaman perairan, tipe pantai, lebar pantai, kemiringan pantai, biota berbahaya, penutup lahan, aksesibilitas jalan, kecepatan arus, material dasar perairan dan ketersediaan air tawar. Hasil penelitian berupa analisis kesesuaian wisata pantai luas wilayah pantai dengan kategori Sesuai adalah 96,983 Ha (81,196 %) sedangkan luas kawasan dengan kategori Sesuai Bersyarat adalah 24,460 Ha (18,804 %). Persebaran fasilitas mengacu pada Peraturan Pemerintah Nomor 50 Tahun 2011 Pasal 25 terdiri atas prasarana umum, fasilitas umum dan fasilitas pariwisata dengan persebaran yang baik dan memungkinkan sharing facilities. Kata Kunci: AHP, Indeks Kesesuaian Wisata, Wisata Pantai ABSTRACTGunungkidul Regency, Special Region of Yogyakarta is one area that has the potential to have attractive beach tourism including Krakal Beach, Slili Beach, Sadranan Beach, Ngandong Beach, Sundak Beach and Pulangsawal(Indrayanti) Beach. Assessment of land suitability for coastal tourism areas as one of the considerations before further developing the tourist area. This study aims to determine the suitability level of the beach tourism area and visualization of beach tourism locations and supporting facilities, design of application design and to know the web application test. The method used is the AHP (Analytical Hierarchy Process) Weighting for the determination of the Tourism Conformity Index (IKW) with 10 parameters namely water depth, beach type, beach width, beach slope, dangerous biota, land cover, road accessibility, current speed, base material waters and availability of clean water. The results of the study were in the form of an analysis of the suitability of the coastal tourism area of the beach area with the appropriate category is 96,983 Ha (81,196 %) while the area of the area with the Conditional appropriate category is 24,460 Ha (18,804 %). Distribution of facilities refers to Government Regulation Number 50 of 2011 Article 25 consisting of public infrastructure, public facilities and tourism facilities with a good distribution and probably to sharing facilities.

ANALISIS DAN VISUALISASI PEMETAAN RISIKO BENCANA TANAH LONGSOR DI KABUPATEN KARANGANYAR MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS DENGAN METODE PERMEN PU DAN FUZZY AHP Wahyu Adi Rochmadi; Hana Sugiastu Firdaus; Yasser Wahyuddin
Jurnal Geodesi UNDIP Volume 10, Nomor 1, Tahun 2021
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar

ABSTRAKKabupaten Karanganyar adalah salah satu kabupaten di Jawa Tengah yang termasuk dalam kategori tinggi dalam risiko bencana tanah longsor menurut Indeks Rasio Bencana Indonesia (IRBI) tahun 2018. Berdasarkan rekap data bencana Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten Karanganyar pada tahun 2018 telah terjadi bencana sebanyak 213 kejadian dengan rincian 93 tanah longsor, 37 angin ribut, 55 kebakaran, 8 banjir, 1 tanah gerak, 19 rumah roboh dan 4 laka/mayat. Metode pembuatan ancaman tanah longsor dengan menggunakan metode PERMEN PU dan Fuzzy AHP dan dilakukan validasi lapangan. Pembuatan peta kerentanan dan peta kapasitas menggunakan telaah dokumen PERKA BNPB No. 2 Tahun 2012 dan telaah dokumen penelitian sebelumnya. Pembuatan peta risiko bencana tanah longsor dengan perkalian matriks VCA (Vulnerability Capacity Analysis) berdasarkan dengan PERKA BNPB No.2 Tahun 2012. Pemetaan risiko bencana tanah longsor menggunakan Sistem Informasi Geografis (SIG) dengan metode pembobotan dan tumpang tindih (overlay) antar parameter penyusunnya menggunakan perangkat lunak SIG. Pengolahan peta ancaman metode PERMEN PU diperoleh 0,559 % tingkat tinggi, 25,173% tingkat sedang, 73,744 % tingkat rendah dan 0,523 % tingkat sangat rendah. Untuk pengloahan peta ancaman metode Fuzzy AHP diperoleh sebesar 1,05 % tingkat tinggi, 26,90 % tingkat sedang, atau 70,432 % tingkat rendah dan 1,614 % tingkat sangat rendah. Untuk peta kerentanan diperoleh 6 kecamatan tingkat kerentanan tinggi, 6 kecamatan tingkat kerentanan sedang, dan 5 kecamatan tingkat kerentanan rendah. Peta kapasitas diperoleh 4 kecamatan tingkat kapasitas tinggi, 5 kecamatan tingkat kapasitas sedang, 8 kecamatan tingkat kapasitas rendah. Sedangkan untuk pemetaan risiko bencana diperoleh 74,26% rendah, 23,48% sedang, dan 2,25 % tinggi. Visualisasi hasil pemetaan dihasilkan dengan menggunakan software ArcGIS Online dalam uji sistem dan uji usablity memiliki hasil yang baik. Kata Kunci: Fuzzy AHP, PERMEN PU, SIG, Tanah Longsor, VCA. ABSTRACTKaranganyar Regency is one of the districts in Central Java which is included in the high category in the risk of landslides according to the Indonesian Disaster Ratio Index (IRBI) 2018. Based on the BPBD disaster data recap of Karanganyar Regency in 2018 there were 213 disasters with details of 93 landslide, 37 windstorm, 55 fires disaster, 8 floods, 1 movable ground, 19 houses collapsed and 4 accident. The method of making landslide hazard using the PERMEN PU and Fuzzy AHP methods and field validation. Preparation of vulnerability maps and capacity maps using document review PERKA BNPB No. 2 Tahun 2012 and review previous research documents. Making a landslide disaster risk map by multiplying the VCA (Vulnerability Capacity Analysis) matrix based on PERKA BNPB No.2 of 2012. The mapping of landslide risk using Geographical Information System (GIS) with a weighting method and overlaps between the constituent parameters using GIS software. In the processing of the hazard map method PERMEN PU obtained 0.559% high level, 25.173% medium level, 73.744% low level and 0.523% very low level. For the processing of the hazard map using Fuzzy AHP method, it was obtained 1.05% high level, 26.90% medium level, or 70.432% low level and 1.614% very low level. For the vulnerability map, it was obtained 6 sub-districts with high vulnerability levels, 6 sub-districts with medium vulnerability levels, and 5 sub-district with low vulnerability levels. The capacity map shows 4 sub-districts at high capacity level, 5 sub-districts at medium capacity level, and 8 sub-districts at low capacity level. Meanwhile, for disaster risk mapping, it was found that 74.26% area were low, 23.48% area were moderate, and 2.25% area were high. Visualization of the results of the mapping generated using software ArcGIS Online in the system test and usability test has good results.

ANALISIS KERENTANAN SOSIAL DAN PENGARUHNYA TERHADAP MASALAH SOSIAL DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) (STUDI KASUS:KOTA SEMARANG) Ilmawan Muhammad Hida; Abdi Sukmono; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Volume 9, Nomor 1, Tahun 2020
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (904.005 KB)

ABSTRAK Kota Semarang merupakan Ibu Kota Jawa Tengah dengan jumlah penduduk yang tinggi. Berdasarkan data BPS Jawa Tengah sebanyak 1.757.686 jiwa berada di Kota Semarang. Hal ini mempengaruhi banyaknya permasalahan sosial yang terjadi seperti kemiskinan dan kriminalitas dimana pada tahun 2018, sebanyak 73.600 jiwa masyarakat Kota Semarang masuk sebagai keluarga pra sejahtera. Kasus kriminalitas juga tinggi dengan jumlah 1.309 kasus, dengan hanya 40-50 persen diantaranya yang dapat terselesaikan. Kajian mengenai penentuan nilai kerentanan sosial diperlukan untuk mengetahui tingkat kerentanan suatu daerah dan pengaruhnya terhadap permasalahan sosial. Metode yang dapat digunakan yaitu Social Vulnerability Index (SVI) dan Geographically Weighted Regression (GWR). Social Vulnerability Index (SVI) dapat digunakan untuk memetakan kerentanan sosial, menggunakan faktor-faktor internal masyarakat. Pengaruh kerentanan sosial dengan permasalahan sosial dapat dimodelkan menggunakan Geographically Weighted Regression (GWR). Metode GWR menggunakan pembobotan spasial untuk menghilangkan efek heterogenitas spasial dalam analisis data geostatistik. Penelitian ini memodelkan hubungan antara kriminalitas dan kemiskinan sebagai variabel terikat dengan faktor kerentanan sebagai variabel bebas. Hasil penelitian ini menunjukkan bahwa Kota Semarang dapat diklasifikasikan menjadi empat kelas kerentanan yaitu tidak rentan, normal, rentan, dan sangat rentan dimana pada tahun 2015 Kecamatan Genuk, Gunungpati, Ngaliyan, Pedurungan, Tugu masuk kelas tidak rentan dan Semarang Timur masuk kelas sangat rentan. Banyumanik, Genuk, Ngaliyan, Pedurungan, Tembalang, dan Tugu pada tahun 2018 masuk kelas tidak rentan dan Candisari, Semarang Timur masuk kelas sangat rentan. Selain itu pola kerentanan berpola mengelompok dari kecamatan dengan kerentanan tinggi di pusat kota pada tahun 2015 (Moran’s I = 0,534) dan semakin menyebar ke arah timur kota pada tahun 2018 (Moran’s I = 0,323). Model GWR dalam pemodelan terhadap permasalahan sosial dapat digunakan, dimana model ini memiliki nilai determinasi lebih tinggi (R2 = 0,326) dan RSS lebih rendah (15,733) dari model global, dengan variabel yang signifikan hanya pada faktor kepadatan penduduk dengan nilai thitung = 2,065 ≥ t0,025;25,452 = 2,059. Pemodelan ini diharapkan dapat membantu dalam menekan tingkat kerentanan sosial dalam masyarakat. Kata Kunci : GWR, Kemiskinan, Kerentanan Sosial, Kriminalitas, SVI. ABSTRACT Semarang City is a capital of Central Java with a high population. Based on data from BPS Central Java about 1,757,686 people are in Semarang. This affects the number of social problems that occur such as poverty and crime, where in 2018, 73,600 people was a poor family. Crime cases were also high with 1,309 cases, where only 40-50 percent of them could be resolved. Studies on determining the value of social vulnerability are needed to determine the level of vulnerability of an area and its influence on social problems. The methods that can be used are Social Vulnerability Index (SVI) and Geographically Weighted Regression (GWR). Social Vulnerability Index (SVI) can be used to map social vulnerability, using internal faktors of the community. The effect of social vulnerability to social problems can be modeled using Geographically Weighted Regression (GWR). The GWR method uses spatial weighting to eliminate the effects of spatial heterogeneity in the analysis of geostatistical data. This study models the relationship between crime and poverty as a dependent variable with vulnerability as an independent variable. The results of this study prove that social vulnerability in Semarang City can be classified as a not vulnerable, normal, vulnerable, and very vulnerable class where in 2015 Genuk, Gunungpati, Ngaliyan, Pedurungan, Tugu belonged to not vulnerable class and East Semarang very vulnerable class. Banyumanik, Genuk, Ngaliyan, Pedurungan, Tembalang, and Tugu in 2018 belonged to vulnerable class and Candisari, East Semarang belonged to very vulnerable class. In addition, the pattern of vulnerability is clustered from districts with high vulnerability in the center of the city in 2015 (Moran’s I = 0.534) and increasingly spread towards the east of the city in 2018 (Moran’s I = 0.323). GWR model in modeling of social problems can be used, where this model has a higher determination value (R2 = 0.326) and RSS (15.733) lower than the global model, with significant variables only on the population density faktor with tcount = 2.065 ≥ t0, 025; 25,452 = 2,059. This modeling is expected to help in reducing the level of social vulnerability in society. Keywords: GWR, Crime, Poverty, Social Vulnerability, SVI.

ANALISIS PENGARUH RELIEF DAN ARAH SINAR MATAHARI TERHADAP KESESUAIAN LAHAN TEMBAKAU BERBASIS PEMODELAN GEOSPASIAL 3-DIMENSI DI GUNUNG SINDORO Dewi Previansari; Abdi Sukmono; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Volume 9, Nomor 1, Tahun 2020
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (758.37 KB)

ABSTRAKTembakau merupakan salah satu produk pertanian yang menjadi komoditas ekspor di Indonesia. Salah satu kabupaten penghasil tembakau terbaik di Provinsi Jawa Tengah adalah Kabupaten Temanggung yang terletak di kaki Gunung Sumbing dang Gunung Sindoro. Penelitian ini dilakukan untuk mengetahui adanya pengaruh relief dan arah sinar matahari terhadap kesesuaian lahan tembakau berbasis geospasial 3-dimensi di Gunung Sindoro. Klasifikasi kesesuaian lahan dilakukan dengan menggunakan metode matching yang mengacu pada petunjuk teknis evaluasi lahan untuk komoditas pertanian yang dikeluarkan oleh Balai Besar Penelitian dan Pengembangan Sumber Daya Lahan Pertanian pada tahun 2011. Pemodelan 3-dimensi Gunung Sindoro dan arah sinar matahari dilakukan dengan memanfaatkan DEM Terrasar-X, perhitungan azimuth matahari pada NOAA Solar Calculator, dan metode grid function pada perangkat lunak SuperMap. Hasil penelitian ini menunjukkan bahwa kesesuaian lahan tembakau metode matching berdasarkan Petunjuk Teknis Evaluasi Lahan Untuk Komoditas Pertanian adalah 1.281,397 Ha atau 11,326% untuk kelas sangat sesuai (S1), 3.231,398 Ha atau 28,562% untuk kelas cukup sesuai (S2), 5.431,596 Ha atau 48,009% untuk kelas sesuai marginal (S3), dan 1.369,271 Ha atau 12,103% untuk kelas yang tidak sesuai (N). Hasil pemodelan 3-Dimensi Gunung Sindoro dalam menggambarkan arah penyinaran matahari kelas penyinaran matahari yaitu area yang tersinar selama 488 jam merupakan area yang tersinar mulai pukul 6-12, area yang tersinar selama 366-487 jam merupakan area yang tersinar mulai pukul 7-12, area yang tersinar selama 244-365 jam merupakan area yang tersinar mulai pukul 8-12, area yang tersinar selama 122-243 jam merupakan area yang tersinar mulai pukul 9-12, dan area yang tersinar selama 0-122 jam merupakan area yang tersinar mulai pukul 10-12.Kata Kunci : Kesesuaian Lahan, Matching, Pemodelan 3-Dimensi, Sinar Matahari, Tembakau ABSTRACTTobacco is one of the agricultural products that become export commodity in Indonesia. One of the best producing districts in Central Java Province is Temanggung Regency which located at the foot of Sumbing and Sindoro Mountain. This study was conducted to determine the effect of relief and direction of sunlight on the suitability of 3-dimensional geospatial-based tobacco land on Mount Sindoro. Land suitability classification is carried out using a matching method that refers to the technical evaluation guidelines for land for agricultural commodities issued by the Indonesian Center for Agricultural Land Resources Research and Development in 2011. The 3-dimensional modeling of Mount Sindoro and the direction of sunlight is carried out using the Terrasar-DEM X, solar azimuth calculation on NOAA Solar Calculator, and grid function method on SuperMap software. The results of this study indicate that the suitability of the tobacco land matching method based on the Technical Evaluation Guidelines for Agricultural Commodities is 1,281.397 Ha or 11.326% for the very suitable class (S1), 3,231.398 Ha or 28.562% for the quite suitable class (S2), 5,431.596 Ha or 48.009% for marginal suitable class (S3), and 1,369.271 Ha or 12.103% for non-suitable class (N). The results of the 3-Dimensional modeling of Mount Sindoro in describing the direction of the sun's irradiation class that are shining for 488 hours are shining areas starting at 6-12, areas shining for 366-487 hours are shining areas starting at 7-12, an area that is shining for 244-365 hours is an area that shines from 8-12, an area that shines for 122-243 hours is an area that shines from 9-12, and an area that shines for 0-122 hours is an area that shines from 10-12. Keyword : Land Suitability, Matching, 3-Dimensional Modeling, Sunlight, Tobaccoo

MODEL CELLULAR AUTOMATA MARKOV UNTUK PREDIKSI PERKEMBANGAN FISIK WILAYAH PERMUKIMAN KOTA SURAKARTA MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS Arrizqa Laili Fitriana; Sawitri Subiyanto; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Volume 6, Nomor 4, Tahun 2017
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (581.724 KB)

ABSTRAK Kota Surakarta merupakan salah satu wilayah dengan perkembangan kota yang pesat. Hal tersebut terjadi akibat dari peningkatan populasi dan mobilitas penduduk yang semakin tinggi. Karena faktor-faktor tersebut, maka terjadi pertumbuhan pembangunan serta perubahan penggunaan lahan yang membawa pada perubahan fisik kota. Berdasarkan hal tersebut, perlu dilakukan penelitian perubahan penggunaan lahan di Kota Surakarta. Metode yang digunakan untuk menentukan pola arah perkembangan fisik wilayah permukiman adalah Global Moran’s Index sedangkan untuk memprediksi perkembangan fisik wilayah Kota Surakarta tahun 2031 digunakan software IDRISI SELVA 17 metode CA Markov. Data-data yang digunakan antara lain citra satelit Landsat-7 SLC-on path row 119/65 tahun 2003, satelit Landsat-7 SLC-off path row 119/65 tahun 2010, citra satelit Landsat-8 OLI/TIRS path row 119/65 tahun 2017, peta tata guna lahan Kota Surakarta tahun 2010, peta RBI skala 1:25.000 tahun 2001, peta RTRW Kota Surakarta tahun 2011-2031, peta jaringan jalan tahun 2011, serta peta batas administrasi Kota Surakarta tahun 2011. Hasil dari Global Moran’s I menunjukkan bahwa pola perkembangan fisik permukiman Kota Surakarta adalah acak (random) dengan arah ekspansi bergerak keluar wilayah Kota Surakarta menuju ke selatan yaitu Kabupaten Sukoharjo. Prediksi perkembangan Kota Surakarta tahun 2031 untuk peruntukkan lahan permukiman sebesar 81,7% yang mengarah keluar menuju selatan (Kabupaten Sukoharjo) sedangkan tutupan lahan kosong sebesar 10,7% mengarah ke utara (Kabupaten Karanganyar). Kesesuaian yang diperoleh dari peta prediksi perkembangan fisik wilayah Kota Surakarta tahun 2031 dengan peta RTRW Kota Surakarta tahun 2011-2031 yaitu sebesar 61,3%. Persentase kesesuaian tersebut mengindikasi bahwa hasil prediksi CA Markov bersifat substansial dengan rentang kepercayaan 61%-80%.

PREDIKSI ZONASI PENERIMAAN PESERTA DIDIK BARU SEKOLAH DASAR NEGERI TAHUN 2020-2024 DENGAN MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS (Studi Kasus : Kecamatan Tembalang) Aulia Budi Andari; Bandi Sasmito; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Volume 9, Nomor 3, Tahun 2020
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (298.284 KB)

ABSTRAKKementerian Pendidikan dan Kebudayaan (Kemendikbud) telah mengumumkan sistem yang digunakan untuk program Pendaftaran Peserta Didik Baru (PPDB). Menindaklanjuti peraturan tersebut, Pemerintah Kota Semarang merancang kebijakan dengan menerapkan sistem zonasi untuk PPDB 2019/2020. Pada penelitian ini, kajian lebih dalam sistem zonasi sekolah dasar dilakukan di Kecamatan Tembalang. Sistem zonasi yang dirancang adalah berdasarkan peraturan pemerintah, sedangkan metode spasial thiessen polygon akan membagi area sesuai dengan sebaran sekolah yang ada di Kecamatan Tembalang. Kedua metode ini digunakan untuk mengidentifikasi perbedaan antar zonasi berdasarkan peraturan dan secara spasial. Selanjutnya, analisis jaringan juga dilakukan untuk mengetahui keterjangkauan sekolah ke pemukiman yang ada, baik dengan berjalan kaki maupun berkendara. Kemudian, barulah diprediksi daya tampung sekolah dasar negeri tahun 2020 hingga 2024 dengan menggunakan data daya tampung sekolah dasar dan data kelahiran tahun 2013 hingga 2017, sehingga dapat diketahui tercukupi atau tidaknya daya tampung sekolah dasar negeri tahun 2020 hingga 2024 di Kecamatan Tembalang. Pemetaan sebaran sekolah di Kecamatan Tembalang menunjukan bahwa Kecamatan Tembalang memiliki 21 sekolah dasar negeri yang tersebar di tiap kelurahan dengan sekolah dasar negeri terbanyak terdapat di Kelurahan Sendangmulyo dan Tandang. Kelurahan ABSTRACTThe Ministry of Education and Culture has announced the system used for the New Student Registration (PPDB) program. Following up on this regulation, the Semarang City Government designed a policy by implementing a zoning system for PPDB 2019/2020. In this study, a deeper study of the primary school zoning system was carried out in Tembalang Sub-District. The zoning system that is created is based on government regulations, while the spatial method of thiessen polygon will divide the area according to the distribution of schools in the Tembalang District. Both of these methods are used to identify differences between zoning based on regulations and spatial. Furthermore, network analysis is also carried out to determine the affordability of schools to existing settlements, either on foot or by vehicle. Then, it is predicted that the capacity of state primary schools in 2020 to 2024 is using the data of primary school capacity and birth data from 2013 to 2017, so that the capacity of state primary schools in 2020 to 2024 in Tembalang District can be known. Mapping the distribution of schools in Tembalang Sub-District shows that Tembalang Sub-District has 21 public elementary schools in each village with the highest number of public primary schools in Sendangmulyo and Tandang. The village that has no primary school at all is Jangli. Comparison of school zoning based on government regulations and spatial analysis using thiessen polygon shows that the two zonations have similarities with the government zoning of 61 zones and thiessen polygon with 62 zones. The village that can reach out the closest school within 15 minutes is Sendangguwo. The village that reach out the school within 60 minutes is Jangli with an area of 40,985 ha (49.76%). PPDB modeling was carried out from 2020 to 2023 due to the similarity of data between 2023 and 2024. Overall, the capacity in Tembalang Sub-District from 2020 to 2023 have the greatest excess of students consist in 2021 is 3.495 students and the smallest excess of students consist in 2022 is 669 students..

ANALISIS PENAMBAHAN VARIABEL PEMBANDING FISIK DALAM PERHITUNGAN HARGA TANAH DI KECAMATAN BANYUMANIK Lusiana Dewi Fatmalasari; Sawitri Subiyanto; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Volume 9, Nomor 2, Tahun 2020
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (374.269 KB)

ABSTRAKKecamatan Banyumanik termasuk ke dalam wilayah pinggiran kota (urban fringe) yang berkembang cukup pesat akibat dari padatnya aktivitas pembangunan dan laju pertumbuhan penduduk yang terjadi di pusat Kota Semarang. Hal tersebut menyebabkan meningkatnya permintaan dan penawaran lahan setiap tahun di Kecamatan Banyumanik dimana kondisi wilayahnya didominasi oleh area perbukitan dengan ketinggian kurang lebih 250 mdpl. Topografi yang bervariasi tersebut merupakan salah satu faktor fisik tanah yang menjadi penentu dari tinggi rendahnya harga tanah, oleh karena itu dilakukan penelitian terkait pengaruh penambahan penyesuaian faktor fisik dalam perhitungan harga tanah untuk memperoleh Nilai Pasar Wajar (NPW). Penelitian ini dilakukan dengan membuat peta Zona Nilai Tanah (ZNT) tahun 2013, 2016, dan 2019 berdasarkan data harga tanah hasil survei lapangan dengan penilaian masal. Dilakukan dua kali perhitungan dalam penelitian ini yaitu perhitungan dengan unsur penyesuaian menurut Badan Pertanahan Nasional (BPN) dan perhitungan dengan penambahan penyesuaian variabel pembanding fisik untuk mengetahui tingkat kedekatan data dengan Nilai Jual Objek Pajak (NJOP). Variabel pembanding fisik yang digunakan antara lain kemiringan, lebar jalan, bentuk tanah, luas tanah, dan kedudukan tanah. Berdasarkan data harga tanah yang diperoleh, dilakukan analisis pola harga tanah berdasarkan jalur jalan utama di Kecamatan Banyumanik. Hasil penelitian menunjukkan pada tahun 2013 – 2016 perubahan harga tanah tertinggi terjadi pada zona 53 yang terletak di Kelurahan Sumurboto sebesar Rp 3.351.000 dan pada tahun 2016 - 2019 terjadi pada zona 11 yang terletak di Kelurahan Ngesrep sebesar Rp 8.472.000. Berdasarkan dua perhitungan yang telah dilakukan menunjukkan bahwa perhitungan tanpa variabel pembanding fisik lebih mendekati data NJOP dengan selisih tertinggi Rp 4.553.000 pada tahun 2013, Rp 4.783.000 pada tahun 2016, dan Rp 5.034.000 pada tahun 2019. Dari data harga tanah yang ada dihasilkan pola harga tanah di Kecamatan Banyumanik yang cenderung berbentuk radial yang berpusat pada satu titik yaitu Kantor Kecamatan Banyumanik sebagai pusat kota dan mengikuti jalur jalan utama. Kata Kunci: ZNT, Faktor Fisik Tanah, NJOP, Pola Harga Tanah, NPW ABSTRACTBanyumanik subdistrict is included in the suburban area (urban fringe) which develops quite rapidly due to the high development activities and population growth rate that is happening in the center of Semarang City. This situation causes an increase of the demand and supply in land every year in Banyumanik District where the area is dominated by hilly areas with an altitude of approximately 250 meters above sea level. This varied topography is one of the physical factor of land that determines the high and low land prices,. therefore this research is conducted related to the effect of adding physical factor adjustment in the calculation of land prices to obtain Fair Market Value (NPW). This research is done by making a map of Land Value Zones (ZNT) in 2013, 2016, and 2019 based on land price data from field observations with mass assessments. The calculations are done twice in this study are calculation with the adjustment element according to the National Land Agency (BPN) and the calculation with the addition of the physical comparison variable adjustment element to determine the level of data proximity with Tax Object Selling Value (NJOP).. Physical comparison variables used in this research are slope, road width, land shape, land area, and land position. Then from the obtained land price data, land price patterns were analyzed based on the main road lane in the Banyumanik District. The results show that in 2013-2016 the highest land price change occurred in zone 53 located in Sumurboto Sub-District with the amount of Rp 3.35.,000 and in 2016-2019 occurred in zone 11 located in Ngesrep Sub-District with the amount of Rp 8.472.000. Both calculations show that the calculation without physical comparison variables is closer to the NJOP data with the percentage difference Rp 4.553.000 in 2013, Rp 4.783.000 in 2016, and Rp 5.034.000 in 2019. From the existing land price data, land price pattern in the District Banyumanik, which tends to be radial, is centered at one point, namely the Banyumanik District Office as the center of the districtt and follows the main road.Keywords: ZNT, Land Physical Factor, NJOP, Land Price Pattern, NPW

ANALISIS KESESUAIAN RUANG TERBUKA HIJAU KOTA MAGELANG MENGGUNAKAN SISTEM INFORMASI GEOGRAFIS Kevin Dio Maldini; Arief Laila Nugraha; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Vol 8, No 1 (2019)
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (685.029 KB)

Ruang Terbuka Hijau (RTH) adalah area memanjang atau mengelompok, tempat tumbuh tanaman secara alamiah maupun yang sengaja ditanam. Ketersediaan Ruang terbuka hijau di suatu wilayah dapat berfungsi sebagai paru-paru kota, untuk membuat perkotaan tetap indah dan tidak penuh dengan polusi udara. Setiap wilayah kota harus menyediakan RTH sebesar 30% dari luas wilayah, dimana 20% RTH publik dan 10% RTH privat.Pemetaan RTH diperlukan untuk mengetahui ketersediaan RTH pada suatu kota. Pada penelitian ini klasifikasi RTH publik Kota Magelang terdiri dari makam, hutan kota, jalur hijau jalan, sempadan sungai, jalur hijau listrik dan taman. Klasifikasi RTH privat Kota Magelang terdiri kebun dan pekarangan. Penelitian ini mengunakan citra Quickbird 2016 untuk mengetahui sebaran dan luasan RTH dengan interpretasi visual dan digitasi. Kemudian dilakukan topologi pada hasil digitasi dan validasi lapangan untuk melihat kesesuaian hasil digitasi terhadap kondisi di lapangan. Proses tersebut menghasilkan peta RTH Kota Magelang dan dilakukan analisis terhadap Peraturan Menteri Pekerjaan Umum Nomor : 05/PRT/M/2008 dan analisis terhadap RTRW Kota Magelang. Berdasarkan pengolahan citra resolusi tinggi, luasan RTH Kota Magelang sebesar 30,91 % yang terdiri dari RTH Publik sebesar 11,99 % dan RTH privat sebesar 18,93 %. Ketersediaan RTH klasifikasi taman Kota Magelang secara keseluruhan memenuhi luas minimal unit taman tiap kecamatan. Kesesuaian RTH Kota Magelang antara hasil digitasi dengan RTH pada RTRW yang sesuai sebesar 1.778.888,45 m2 dan tidak sesuai sebesar 4.097.082,44 m2.

ESTIMASI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN METODE NDVI (NORMALIZED DIFFERENCE VEGETATION INDEX) DAN ARVI (ATMOSPHERICALLY RESISTANT VEGETATION INDEX) DENGAN CITRA SENTINEL-2A (STUDI KASUS : BEBERAPA WILAYAH DI PROVINSI RIAU) Vidya Velisa Taufik; Abdi Sukmono; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Volume 10, Nomor 1, Tahun 2021
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar

penghasil kelapa sawit terbesar. Selama beberapa tahun terakhir, Indonesia tercatat sebagai negara produsen nomor 1 di Asia bahkan dunia. Pada tahun 2019 nilai produksi kelapa sawit di Indonesia belum mencukupi kebutuhan konsumsi dan ekspor yang mengakibatkan naiknya harga kelapa sawit. Pada kondisi ini tentunya peran pemantauan produktivitas kelapa sawit sangat diperlukan untuk menjamin ketersediaan kelapa sawit. Provinsi Riau merupakan salah satu wilayah di Indonesia yang memproduksi kelapa sawit terbanyak dibandingkan provinsi lain di Indonesia. Pada tahun 2018 Provinsi Riau mempunyai luas perkebunan kelapa sawit sebesar 2,32 juta hektar. Hasil produksi kelapa sawit pada tahun 2018 di Provinsi Riau mencapai angka 7,14 juta ton.Penginderaan jauh merupakan salah satu metode pemantauan produksi kelapa sawit yang dapat digunakan untuk skala besar dan dengan waktu yang efisien di bandingkan metode konvensional. Penelitian ini menggunakan citra satelit Sentinel-2A dengan membandingkan hasil pengolahan menggunakan algoritma transformasi NDVI (Normalized Difference Vegetation Index) dan ARVI (Atmospherically Resistant Vegetation Index). Metode pengolahan dilakukan dengan metode regresi linear dan regresi linear berganda. Hasil penelitian menunjukkan estimasi produksi kelapa sawit dengan metode regresi linear berganda dengan algoritma transformasi NDVI menghasilkan akurasi 76,815% dan untuk algoritma transformasi ARVI menghasilkan akurasi 77,327%. Hasil estimasi produktivitas yang dihasilkan menggunakan transformasi indeks vegetasi NDVI berjumlah 215172,733 HA/Kg/Bulan dan hasil estimasi produktivitas yang dihasilkan menggunakan transformasi indeks vegetasi ARVI berjumlah 213775,927 HA/Kg/Bulan, sedangkan hasil produktivitas sebenarnya berjumlah 184620,957 HA/Kg/Bulan. Kata Kunci: Estimasi Produktivitas Kelapa Sawit, Regresi Linear, Regresi Linear Berganda, NDVI, ARVI ABSTRACTIndonesia is one of the largest palm oil producing countries. Over the last few years, Indonesia has been listed as the number 1 producing country in Asia and even the world. In 2019 the value of palm oil production in Indonesia was not sufficient for consumption and export needs which resulted in an increase in the price of palm oil. In this condition, of course, the role of monitoring oil palm productivity is needed to ensure the availability of oil palm. Riau Province is one of the regions in Indonesia that produces the most palm oil compared to other provinces in Indonesia. In 2018 Riau Province had an oil palm plantation area of 2,32 million hectares. Palm oil production in 2018 in Riau Province reached 7,14 million tonnes. Remote sensing is a method of monitoring oil palm production that can be used on a large scale and with time efficiency compared to conventional methods. This study uses Sentinel-2A satellite imagery by comparing the results of processing using the NDVI (Normalized Difference Vegetation Index) and ARVI (Atmospherically Resistant Vegetation Index) transformation algorithms. The processing method is carried out by using linear regression and multiple linear regression. The results showed that the estimation of oil palm production using multiple linear regression method with the NDVI transformation algorithm resulted in an accuracy of 76,815% and for the ARVI transformation algorithm it produced an accuracy of 77,327%. The resulting productivity estimation results using the NDVI vegetation index transformation amounted to 215172,733 HA / Kg / Month and the resulting productivity estimation results using the ARVI vegetation index transformation amounted to 213775,927 HA / Kg / Month, while the actual productivity results amounted to 184620,957 HA / Kg / Month.

PEMETAAN RISIKO TANAH LONGSOR KABUPATEN SEMARANG BERBASIS SISTEM INFORMASI GEOGRAFIS Sabda Lestari; Arief Laila Nugraha; Hana Sugiastu Firdaus
Jurnal Geodesi UNDIP Vol 8, No 1 (2019)
Publisher : Departement Teknik Geodesi Universitas Diponegoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1213.388 KB)

Kabupaten Semarang merupakan salah satu daerah di provinsi Jawa Tengah yang termasuk dalam ketegori rawan bencana longsor. Berdasarkan data Badan Penanggulangan Bencana Daerah (BPBD) Kabupaten Semarang bencana yang sering terjadi di Kabupaten Semarang yakni berupa tanah longsor, kekeringan, angin puting beliung, dan banjir. Pada tahun 2016 telah terjadi 199 kejadian bencana yang rinciannya yaitu bencana kebakaran 40 kejadian, 87 bencana tanah longsor, 26 bencana banjir, 27 bencana angin putting beliung, dan 19 bencana lainnya. Pada tahun 2017 telah terjadi 327 kejadian bencana diantaranya yaitu 43 bencana kebakaran, 30 bencana angin puting beliung, 158 bencana longsor, 19 bencana banjir, 42 bencana kekeringan serta 35 bencana lainnya. Berdasarkan data kejadian bencana tahun 2016 dan tahun 2017 dapat dilihat bahwa kejadian bencana meningkat secara drastis terutama bencana longsor yang meningkat dari 87 kejadian menjadi 158 kejadian. Oleh sebab itu, maka dibutuhkan pemetaan risiko bencana tanah longsor sebagai upaya mitigasi bencana di Kabupaten Semarang. Pemetaan risiko bencana tanah longsor berbasis Sistem Informasi Geografis mengunakan software GIS dengan metode pembobotan dan tumpang susun (overlay) antar parameter penyusunnya. Metode pembobotan pada pemetaan ancaman tanah longsor berdasarkan Permen PU No. 22/PRT/M/2007, pemetaan kerentanan dan kapasitas tanah longsor berdasarkan pada telaah dokumen dan pembuatan peta risiko menggunakan perkalian matriks VCA (Vulnerability Capacity Analysis) sesuai dengan PERKA BNPB No. 2 Tahun 2012. Hasil dari penelitian ini didapatkan bahwa wilayah dengan tingkat risiko tinggi terhadap bencana tanah longsor seluas 7.329,831 Ha atau sebesar 7,20 % dari wilayah Kabupaten Semarang, kemudian seluas 21.785,920 Ha menunjukan tingkat risiko sedang atau sebesar 21,40 % dari wilayah Kabupaten Semarang dan seluas 64.561,798 Ha atau 63,43 % dari wilayah Kabupaten Semarang menunjukan risiko rendah, sedangkan sisanya yaitu seluas 8102,6 Ha atau 7,96 % wilayah Kabupaten Semarang tidak terkelaskan.

Title

Found 40 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 40 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 40 Documents
Search