Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kondisi hutan mangrove di Segara Anakan, Cilacap saat ini semakin mengalami penurunan baik secara kualitatif maupun kuantitatif. Penelitian ini bertujuan untuk membuat model dinamika spasial perubahan hutan mangrove pada tahun 1987-2016 dan membuat model prediksi penutup hutan mangrove pada tahun 2031 di Segara Anakan, Cilacap dengan skenario bebas dan skenario RTRW. Citra satelit yang digunakan adalah citra seperti SPOT 1 akusisi tahun 1987, Landsat 7 ETM akusisi tahun 2003 dan Landsat 8 OLI akusisi tahun 2016. Metode yang digunakan adalah Markov Chain-Cellular Automata dengan beberapa faktor pendorong di antaranya jarak dari pemukiman, kepadatan penduduk, jarak dari jalan, jarak dari sungai, jarak dari pusat kegiatan, sedimentasi dan salinitas. Hasil penelitian ini menunjukkan pada tahun 1987-2016 hutan mangrove lebih banyak dikonversi menjadi sawah dan ladang. Penambahan lahan hutan mangrove dari penutup lahan lainnya berasal dari perairan. Prediksi hutan mangrove pada tahun 2031 menunjukkan adanya penurunan luasan yang signifikan yaitu sebesar 64 skenario bebas , sedangkan prediksi hutan mangrove tahun 2031 skenario RTRW menunjukkan adanya sedikit peningkatan luasan hutan mangrove sebesar 1,33 . Model prediksi hutan mangrove dengan skenario RTRW lebih dapat mempertahankan kawasan hutan mangrove dari berbagai ancaman dan gangguan dari penutup lahan lainnya dibandingkan dengan model prediksi dengan skenario bebas.

---

The condition of mangrove forest in Segara Anakan, Cilacap is now decreasing both qualitatively and quantitatively. This study aims to create a model of distribution changes of mangrove forests in 1987 2016 and forecast the distribution of mangrove forests in 2031 in Segara Anakan, Cilacap. Satellite imagery that used such imagery SPOT 1 in 1987, Landsat 7 ETM in 2003 and Landsat 8 OLI 2016. The method used is a Markov Chain, Cellular Automata with driving factors such as distance from settlements, population density, distance from the road, distance from the river, the distance from the center of activity, sedimentation and salinity.

The results of this study indicate that in 1987 2016 mangrove forests converted more into rice fields and fields. The addition of mangrove forest area comes from the waters. The prediction of mangrove forest distribution in 2031 with free scenario shows a significant decrease in mangrove forest area and increasing number of rice fields and dry lands. The predicted distribution of mangrove forests in 2031 with the RTRW scenario shows a slight increase in mangrove forest area and reduced rice fields and dry lands. Predicted models with RTRW scenarios can defend mangrove forest areas from various threats and disturbances from other land cover than prediction models with free scenarios."

"Pengembangan industri pariwisata berkelanjutan yang terarah dan terintegrasi dengan perencanaan pengembangan daerah sangat penting, khususnya untuk daya tarik wisata (DTW) yang masuk ke dalam World Heritage List (WHL). Tujuan penelitian ini adalah mengembangkan model penentuan lokasi potensial fasilitas layanan pendukung industri pariwisata yang mempertimbangkan interaksi spasial antar kategori fasilitas pendukung pariwisata serta pertumbuhan sektor pariwisata yang memiliki hubungan timbal balik dengan sektor lain. Tinjauan pustaka serta hasil analisis konten data media sosial dari wisatawan menunjukkan adanya keterkaitan antara lokasi DTW dengan fasilitas akomodasi, fasilitas penyedia makanan dan minuman, fasilitas belanja, fasilitas transportasi, dan fasilitas pendukung pariwisata lainnya. Hasil analisis average nearest-neighbor membuktikan bahwa setiap kategori memiliki kecenderungan mengelompok, dan hasil overlay antara peta Kernel Density Estimation (KDE) DTW dengan peta KDE fasilitas pendukung pariwisata menunjukkan adanya interaksi spasial. Nilai Participation Index membuktikan bahwa lokasi DTW dan lokasi setiap kategori fasilitas pendukung pariwisata merupakan co-location rules pada prevalence threshold 50% dan prevalence distance 5 km. Pertumbuhan fasilitas pendukung pariwisata berhubungan erat dengan pertumbuhan pariwisata, yang dipengaruhi dan mempengaruhi berbagai sektor kehidupan, yaitu sektor sosial demografi, sektor ekonomi pariwisata, dan sektor alam dan lingkungan (termasuk di dalamnya adalah penggunaan lahan). Untuk mengkaji berbagai hubungan yang terjadi, maka dikembangkan model spasial dinamik untuk mengkaji perubahan penggunaan lahan untuk waktu yang akan datang. Pendekatan multi-criteria decision making diterapkan dalam proses penentuan lokasi potensial untuk lima kategori fasilitas pendukung industri pariwisata, yang bersama-sama dengan lokasi DTW dan infrastruktur jalan raya, saling mempengaruhi secara simultan. Hasil analisis co-location pattern mining digunakan untuk mengembangkan model penentuan lokasi potensial yang mempertimbangkan perilaku interaksi spasial antar kategori fasilitas pendukung pariwisata agar tercipta jaringan kompleks interaksi aktifitas layanan harian. Dengan demikian, pengembangan fasilitas yang mendukung aktifitas pariwisata tidak hanya untuk mendorong peningkatan kapasitas pariwisata, namun juga untuk menjaga aspek proteksi dan preservasi dari (WHS) secara khusus, serta menjaga ecosystem services secara umum.

---

The development of a sustainable tourism industry that is organized and integrated with regional development planning is very important, especially for tourism sites that are included in the World Heritage List (WHL). This study aims to develop a tourism support service facility potential location model that incorporates several considerations, such as spatial interactions between tourism sites and their support facilities, and tourism growth that has relationships with other sectors. The results of the literature review, as well as the results of the content analysis of social media data, show a relationship between the location of DTW and the locations of accommodation facilities, food and beverage facilities, shopping facilities, transportation facilities, and other tourism support facilities. The average nearest-neighbor analysis demonstrates that each category has a clustering tendency, and the overlay between the Kernel Density Estimation (KDE) map of DTW has spatial interactions with the KDE map of tourism support facilities. The Participation Index value verifies that the DTW locations are co-location rules with the location of each category of tourism support facilities, at 50% prevalence threshold and 5 km prevalence distance. The growth of tourism supporting facilities is related to tourism growth, which is influenced by and affects various sectors of life, namely the socio-demographic sector, the tourism economic sector, and the natural and environmental sector (including land use). To investigate these relationships, a spatial dynamic model was developed to assess future land use changes. The multi-criteria decision-making approach is applied in the process of allocating five categories of tourism support facilities, which together with the location of the DTW and road infrastructure, influence each other simultaneously. The results of the co-location pattern mining analysis are used to develop a potential location model that considers the behavior of spatial interactions between categories of tourism support facilities to create a complex network of interactions for daily service activities. Thus, the development of facilities that support tourism activities is not only to increase tourism capacity but also to maintain protection and preservation aspects (WHS) in particular, as well as to maintain ecosystem services in general."