Penggunaan istilah Analisis Highest and Best Uses (HBU) sering kali dipakai dalam diskursus optimalisasi BMN ataupun pengelolaan kekayaan negara. Secara umum konsep analisis HBU ialah tinjauan atas suatu objek dari perspektif legalitas, fisik, finansial dan produktivitas maksimal. Namun, persepsi kita terhadap analisis HBU ialah analisis harus dilakukan oleh penilai pemerintah atau yang memiliki kompetensi di bidang penilaian, dilakukan secara site-visit, dan membutuhkan waktu analisis yang lama. Hal ini tentu berisiko kehilangan kesempatan pemanfaatan BMN tersebut. Dengan tantangan berupa terbatasnya anggaran, serta kebutuhan akan kajian HBU yang mendesak bagi manajemen sebagai basis awal dalam pengambilan kebijakan optimalisasi BMN, diperlukan suatu pendekatan metode analisis yang dapat dilakukan secara on-desk menggunakan data sekunder yang tersedia. Salah satu alternatif metode dalam penentuan HBU ialah menggunakan analisis spasial.

Analisis spasial dalam hal ini ialah analisis kuantitatif untuk menentukan pola dan hubungan dari suatu lokasi dengan menggunakan data GIS (Geographic Information Systems) (Anselin & Getis, 1992). Melalui analisis spasial, kita dapat mengidentifikasi karakteristik suatu lokasi aset berdasarkan titik koordinat, dengan beberapa indikator yang dapat mengukur potensi ekonomi dan legalitas zoning, ataupun menambahkan kriteria lainnya dengan menggunakan data sekunder seperti layer peta (OpenStreetMap)  dan data satelit (Google Earth). Pada analisis multi-kriteria dengan GIS, terdapat beberapa kriteria yang dapat digunakan untuk menentukan HBU:

1.   Analisis Night-Time Lights (NTL)

Kita mungkin pernah melihat peta perbandingan cahaya malam antara Korea Utara dengan Korea Selatan, dengan Korea Selatan terlihat lebih terang secara signifikan dibandingkan dengan Korea Utara. Hal ini menandakan bahwa aktivitas ekonomi di Korea Selatan lebih tinggi dibandingkan Korea Utara. Menjadikan cahaya malam sebagai proxy aktivitas ekonomi selaras dengan beberapa hasil penelitian akademis (Chen& Nordhaus, 2011; Elvidge et al., 2017; Henderson et al., 2012; Mellander et al., 2015). Secara sederhana, analisis NTL mengukur rata-rata atau median intensitas cahaya pada titik koordinat suatu aset. Semakin terang pencahayaan malam di lokasi tersebut, semakin tinggi pula potensi aktivitas ekonomi di wilayahnya. Data NTL ini dapat diperoleh dari citra satelit, salah satunya melalui VIIRS Nighttime Light yang tersedia di Google Earth.

2.   Kernel Density Estimation (KDE)

Untuk mengukur tingkat komersialisasi suatu aset, kita biasanya akan mengidentifikasi fasilitas/sarana dan prasarana yang berada di sekitar lokasi aset. Analisis KDE melakukannya dengan perhitungan statistik, yaitu mengukur tingkat kepadatan Points of Interest (POI)/aglomerasi pada radius tertentu dari lokasi aset. Melalui analisis KDE, kita akan mengetahui klaster dari POI sekitar aset seperti fasilitas perbelanjaan (supermarket dan restoran), fasilitas layanan publik (rumah sakit dan sekolah) ataupun fasilitas pariwisata. Analisis KDE juga mampu menyediakan visualisasi tingkat kepadatan POI dengan heatmap. Puspita Trianjani et al. (2026) menggunakan analisis KDE dengan WebGIS untuk menghasilkan heatmap terhadap distribusi kepadatan UMKM makanan di Kota Makassar. Selain itu, penulis artikel ini turut melakukan analisis KDE untuk memetakan kepadatan POI fasilitas wisata di Bali berdasarkan data dari OpenStreetMap. Melalui visualisasi heatmap kesenjangan fasilitas wisata antara Bali Selatan dan Bali Utara jelas terlihat.

3.   Zonasi, Kesesuaian Lahan dan Tutupan Lahan

Untuk menentukan kesesuaian legalitas zoning pada lokasi aset, penggunaan analisis spasial tentu makin relevan. Dengan alat bantu seperti QGIS/ArcGIS ataupun menggunakan Python, kita bisa mengidentifikasi zoning dengan menimpa (overlay) lokasi aset dengan  peta Rencana Tata Ruang Wilayah (RTRW) yang disediakan oleh Pemerintah Daerah. Peta RTRW berfungsi sebagai referensi kesesuaian penggunaan lahan dengan peraturan, sehingga kita dapat mengetahui apakah penggunaan lahan aset telah sesuai dengan peraturan yang berlaku. Sedangkan, untuk mengetahui kondisi tutupan lahan/penggunaan lahan terkini berdasarkan citra satelit,  kita dapat memanfaatkan data ESA WorldCover pada Google Earth.

4.   Analisis Aksesibilitas

Istilah lokasi, lokasi, lokasi yang sering dijumpai mengindikasikan bahwa bagaimana lokasi aset berperan vital dalam penentuan produktivitas maksimal dari suatu aset. Selain KDE, aksesibilitas bisa menjadi proxy pendukung untuk mengukur kualitas lokasi aset. Untuk mengukur seberapa tinggi tingkat aksesibilitas lokasi aset, beberapa variabel yang dapat digunakan antara lain panjang jalan,  intersection/street connectivity dan jumlah Transit-Oriented Development (TOD)/titik layanan transportasi umum. Data terkait indikator aksesibilitas dapat diperoleh melalui OpenStreetMap.

Selain keempat indikator di atas, dalam analisis spasial dapat ditambahkan indikator lain sesuai dengan karakteristik ekonomi, sosial, ataupun geografis dari daerah setempat, antara lain indikator kerawanan bencana dari peta InaRISK BNPB, atau analisis waktu tempuh/jarak antara POI (catchment area).

             Walaupun analisis spasial memiliki keunggulan yaitu dapat dilakukan secara on-desk dan efisien, tingkat keakuratan ataupun kemutakhiran data tergantung pada data sekunder yang digunakan. Meskipun data sekunder dari OpenStreetMap tersedia secara gratis, informasi pada sumber peta berbayar mungkin lebih lengkap dan terkini. Kebijakan Program Satu Peta yang saat ini dilaksanakan oleh DJKN dapat mengakselerasi pemutakhiran informasi data spasial aset di Indonesia, sehingga akan meningkatkan ketersediaan dan kualitas data (GIS) dalam melaksanakan analisis spasial.

            Analisis spasial dalam penentuan HBU tidak serta-merta menjadi pengganti analisis HBU sebagaimana diatur dalam Kepdirjen Kekayaan Negara Nomor 136/KN/2024 tentang Pedoman Analisis HBU. Analisis spasial dapat dijadikan sebagai analisis awal, sebelum dilakukan analisis HBU yang lebih komprehensif dengan peninjauan lapangan. Analisis spasial mampu memberikan overview dan visualisasi potensi suatu aset secara cepat dan  berbasis data kepada manajemen, sebagai kajian pendukung dalam pengambilan kebijakan optimalisasi pengelolaan BMN.

Penulis: I Gede Ari Erawan (KPKNL Denpasar)

Referensi

        Anselin, L., & Getis, A. (1992). Spatial statistical analysis and geographic information systems. In Ann Reg Sci (Vol. 26 ).

         Chen, X., & Nordhaus, W. D. (2011). Using luminosity data as a proxy for economic statistics. Proceedings of the National Academy of Sciences, 108(21), 8589–8594. https://doi.org/10.1073/pnas.1017031108

        Elvidge, C. D., Baugh, K., Zhizhin, M., Hsu, F. C., & Ghosh, T. (2017). VIIRS night-time lights. International Journal of Remote Sensing, 38(21), 5860–5879. https://doi.org/10.1080/01431161.2017.1342050

        Henderson, J. V., Storeygard, A., & Weil, D. N. (2012). Measuring Economic Growth from Outer Space. American Economic Review, 102(2), 994–1028. https://doi.org/10.1257/aer.102.2.994

        Mellander, C., Lobo, J., Stolarick, K., & Matheson, Z. (2015). Night-Time Light Data: A Good Proxy Measure for Economic Activity? PLOS ONE, 10(10), e0139779. https://doi.org/10.1371/journal.pone.0139779

        Puspita Trianjani, M., Alam, S., & Ashdaq, M. (2026). Implementation of Hotspot Analysis Using the Kernel Density Estimation (KDE) Algorithm for WebGIS-Based Visualization of Culinary MSME Businesses: A Case Study of Makassar City. Journal of Digital Business and Innovation Management, 5(1). https://doi.org/10.26740/jdbim.v5i1.73813

Ch