Electronic Theses and Dissertation

Perkembangan ekonomi dan urbanisasi yang pesat mendorong terjadinya perubahan struktur ruang perkotaan yang ditandai dengan munculnya beberapa pusat aktivitas di dalam satu kawasan perkotaan. Maka dari itu, identifikasi pusat aktivitas perkotaan menjadi aspek penting dalam perencanaan dan pengelolaan wilayah metropolitan. Namun, untuk mengidentifikasi pusat aktivitas, pendekatan konvensional yang mengandalkan data statistik dan sosio-ekonomi memiliki keterbatasan, terutama dari segi resolusi spasial dan temporal. Penelitian ini menggunakan pendekatan yang berbasis data penginderaan jauh dan big data spasial, yaitu data Nighttime Light (NTL) dan data Point of Interest (POI) untuk mengidentifikasi pusat aktivitas perkotaan di Kawasan Metropolitan Mebidangro (Medan-Binjai-Deli Serdang-Karo) menggunakan metode Kernel Density. Data NTL digunakan untuk menggambarkan tingkat aktivitas malam hari sebagai proksi dari kegiatan sosial-ekonomi, sedangkan data POI digunakan untuk mengetahui fungsi dan kepadatan ruang berdasarkan jenis fasilitas yang tersedia. Metode Kernel Density Estimation (KDE) diterapkan untuk memetakan kepadatan dari dua data tersebut dan mengidentifikasi pusat aktivitas secara spasial. Hasil dari penelitian ini membuktikan bahwa penggabungan data NTL & POI dapat digunakan untuk mengidentifikasi pusat aktivitas. Hasil analisis menunjukkan bahwa struktur Metropolitan Mebidangro bersifat monosentris dengan dukungan jaringan polisentris di tingkat sub-regional, di mana Kota Medan berperan sebagai pusat dominan yang didukung oleh pusat-pusat sekunder di sekitarnya. Sementara wilayah Deli Serdang, Binjai, dan Karo berfungsi sebagai kawasan hinterland dengan tingkat aktivitas lebih rendah. Hasil penelitian ini diharapkan dapat bermanfaat sebagai masukan dan bahan pertimbangan dalam perumusan kebijakan dan regulasi, khususnya yang berkaitan dengan pengelolaan serta pengembangan pusat aktivitas perkotaan di Kawasan Metropolitan
Kata kunci: Pusat Aktivitas, Kawasan Metropolitan, Nighttime Light (NTL) Data, Point of Interest (POI) Data, Kernel Density.

Rapid economic development and urbanization have driven changes in urban spatial structures, marked by the emergence of several activity centers within a single urban area. Therefore, identifying urban activity centers has become an important aspect of metropolitan area planning and management. However, conventional approaches that rely on statistical and socio-economic data have limitations, particularly in terms of spatial and temporal resolution. This study uses an approach based on remote sensing data and spatial big data, namely Nighttime Light (NTL) data and Point of Interest (POI) data to identify urban activity centers in the Mebidangro Metropolitan Area (Medan-Binjai-Deli Serdang-Karo) using the Kernel Density method. NTL data is used to describe the level of nighttime activity as a proxy for socio-economic activities, while POI data is used to determine the function and density of space based on the types of facilities available. The Kernel Density Estimation (KDE) method was applied to map the density of the two data sets and identify centers of activity spatially. The results of this study prove that combining NTL and POI data can be used to identify centers of activity. The analysis shows that the structure of the Mebidangro Metropolitan Area is monocentric with polycentric network support at the sub-regional level, where the city of Medan acts as the dominant center supported by secondary centers around it. Meanwhile, the areas of Deli Serdang, Binjai, and Karo function as hinterland areas with lower levels of activity. The results of this study are expected to be useful as input and consideration in the formulation of policies and regulations, particularly those related to the management and development of urban activity centers in the Metropolitan Area. Keywords: Activity Center, Metropolitan Area, Nighttime Light (NTL) Data, Point of Interest (POI) Data, Kernel Density.