Analisis Dinamika Tutupan Lahan Pertanian Tahun 2016-2024 di Kota Bogor Berbasis Citra Satelit Sentinel-1

Abstract

Kota Bogor merupakan salah satu daerah yang mengalami perkembangan pesat dalam berbagai sektor, termasuk sektor industri dan infrastruktur. Perkembangan ini mendorong adanya perubahan lahan yang awalnya berfungsi sebagai lahan pertanian menjadi kawasan non pertanian. Pemetaan dinamika pola penggunaan tutupan lahan pertanian ini diperlukan untuk mendukung keberlanjutan pemanfaatan lahan yang tersisa. Penelitian ini bertujuan untuk memantau perubahan lahan pertanian menggunakan citra Sentinel-1 dengan komposit RVI 6 harian beresolusi 10×10 meter. Analisis temporal tahun 2016-2024 dilakukan menggunakan metode unsupervised classification pada titik centroid hasil klasifikasi k-mean clustering untuk mengidentifikasi dinamika perubahan penggunaan lahan yang terjadi sepanjang tahun 2016-2024. Grafik hasil klastering ini juga menggunakan metode wavelet untuk mengurangi noise. Validasi dilakukan melalui groundcheck untuk memastikan akurasi deteksi perubahan. Identifikasi pola perubahaan penggunaan lahan menghasilkan empat pola utama, yaitu lahan sawah yang tetap menjadi sawah, lahan sawah yang terkonversi menjadi lahan hortikultura musiman, tanaman tahunan, dan lahan non pertanian. Total luasan lahan sawah yang berubah yakni 65% dari seluruh piksel valid sawah tahun 2016 yang digunakan dalam analisis temporal.

Bogor City is one of the regions experiencing rapid development in various sectors, including industry and infrastructure. This development has driven land use changes, where areas initially functioning as agricultural land have been converted into non-agricultural zones. Mapping the dynamics of agricultural land use and land cover is necessary to support the sustainable utilization of the remaining land. This study aims to monitor agricultural land changes using Sentinel-1 imagery with 6-day composite RVI at a 10 × 10 meter resolution. Temporal analysis from 2016 to 2024 was conducted using the unsupervised classification method on centroid points obtained from k-mean clustering to identify the dynamics of land use changes occurring throughout 2016–2024. The clustering results were also processed using the wavelet method to reduce noise. Validation was performed through ground checks to ensure the accuracy of change detection. The identification of land use change patterns resulted in four main categories: paddy fields that remained as paddy fields, paddy fields converted into seasonal horticultural land, perennial crops, and non-agricultural land. The total area of paddy fields that changed amounted to 65% of all valid paddy field piksels from 2016 used in the temporal analysis.