KATA KUNCI: Kemiskinan, Raskin, Sistem Informasi Geografis, WebSIG, Google Map Api, Uji Kebergunaan
ABSTRAK:
Kekeringan terjadi akibat dari tidak meratanya distribusi hujan yang merupakan satu-satunya input bagi suatu daerah.Indonesia
merupakan negara beriklimtropis yang hampir setiap tahun dilanda kekeringan. Kabupaten Bantul merupakan salah satu daerah di
Yogyakarta yang terlihat cukup terdampak anomali iklim ENSO tersebut, Menurut laman cnnindonesia.com tanggal 15 Juni 2019,
lahan sawah di Bantul terancam kekeringan. Lahan petanian 2000 hektare terancam kekeringan atau tidak mendapat suplai irigasi
karena selama musim kemarau sumber air yang dimanfaatkan untuk mengairi lahan berkurang drastis bahkan sebagian mengering.
Dari hasil pengamatan UPTD Balai Proteksi Tanaman Pertanian Holtikultura (BPTPH) Dinas Pertanian Daerah Istimewa
Yogyakarta, sampai bulan Juni 2019 telah terjadi kerusakan lahan sawah akibat kekeringan dimana pengamatan dilakukan sejak
dimulainya masa tanam Mei.
Penelitian ini menggunakan citra Landsat 8 dengan menggunakan metode Normalized Diffferency Drought Index (NDDI) dan
Thermal Vegetation Index (TVI). NDDI adalah indeks yang relatif baru yang dikembangkan pada tahun 2007 oleh Gu dkk. Sampai
saat ini, masih sangat sedikit penelitian yang menggunakan algoritma NDDI ini. NDDI memiliki respon lebih tinggi terhadap
kekeringan dibandingkan dengan penggunaan Normalized Difference Vegetation Index (NDVI) dan Normalized Difference Water
Index (NDWI)saja. Algoritma NDDI ini menggabungkan parameter vegetasi kehijauan (NDVI) dan kelembaban vegetasi (NDWI).
Thermal Vegetation Index (TVI)adalah indeks kekeringan yang didapat melalui rasio antara nilai algortima vegetasi kehijauan dan
suhu permukaan.
Hasil penelitian ini didapatkan 6 kelas kekeringan untuk metode NDDI dan 5 kelas kekeringan untuk metode TVI. Kelas kekeringan
dengan metode NDDI adalah kelas air, normal, ringan, sedang, berat, dan sangat berat. Sedangkan untuk metode TVI menghasilkan
5 kelas kekeringan yaitu kelas normal, ringan, sedang, berat, dan sangat berat. Hasil olahan NDDI menghasilkan overall accuracy
sebesar 36,05 % sedangkan nilai kesesuaian data olahan TVI mampu mengidentifikasi kekeringan sebesar 80,04%.
2.8 Normalized Difference Drought Index (NDDI) 2.12 Pengertian SIG (Sistem Informasi Geografis)
NDDI menggabungkan parameter vegetasi kehijauan Sistem Informasi Geografis adalah sistem yang
(NDVI) dan tingkat kebasahan vegetasi (NDWI). Dalam NDDI, berbasiskan komputer (CBIS) yang digunakan untuk
nilai yang lebih tinggi menunjukkan kondisi kering.Berikut menyimpan dan memanipulasi informasi-informasigeografis.
algoritma NDDI dituliskan dalam rumus 2.12 (Gu, dkk, 2007): SIG dirancang untuk mengumpulkan, menyimpan, dan
( ) menganalisis objek-objek dan fenomena di mana lokasi
= (
.......................................(2.12)
) geografis merupakan karakteristik yang penting atau kritis
NDDI memilikikemampuan dalam mendeteksi untuk dianalisis (Prahasta, 2001).
pertaniankekeringan. Dari perbandingan penilaian, Dengan demikian, SIG merupakan sistem komputer
dapatdisimpulkanbahwaNDDI memiliki korelasi yang relatif yang memiliki empat kemampuan berikut dalam menangani
tinggi dengan produktifitas sawah tadah hujan daripada NDVI. data yang bereferensi geografis: (a) masukan, (b) manajemen
NDDI disarankan sebagai indeksyang lebih baik untuk data (penyimpanan dan pemanggilan data), (c) analisis dan
menunjukkan kekeringan pertanian (Astisiasari,2015). Untuk manipulasi data dan (d) keluaran (Prahasta, 2001).
klasifikasi NDDI dapat dilihat dari tabel 2.9.
Tabel 2.9 Klasifikasi NDDI (Renza, 2010) 2.13 Teknik Sampling
Nilai NDDI Tingkat Kekeringan
Purposive sampling adalah teknik pengambilan
-0,05 – 0,01 Normal
sampel sumber data dengan pertimbangan tertentu. Penggunaan
0,01 – 0,15 Kekeringan Ringan teknik purposive sampling karena tidak semua sampel memiliki
0,15 – 0,25 Kekeringan Sedang kriteria yang sesuai dengan fenomena yang diteliti. Oleh karena
0,25 – 1 Kekeringan Berat itu, pemilihan teknik purposive sampling menetapkan
>1 Kekeringan Sangat Berat pertimbangan-pertimbangan atau kriteria-kriteria tertentu yang
harus dipenuhi oleh sampel-sampel yang digunakan dalam
2.9 Land Surface Temperature (LST) penelitian (Sugiyono, 2016).
Suhu permukaan adalah suhu bagian terluar dari suatu 2.14 Validasi Lapangan
objek (Sutanto, 1994). Suhu permukaan dapat diperoleh dari
saluran termal citra Landsat 8 (TIRS) yaitu band 10 dan band Validasi lapangan dilakukan untuk membandingkan
11. Penelitian ini menggunakan metode Split Window Algorithm hasil pengolahan data dengan kenyataan di lapangan. Uji
(SWA) yang dikembangkan oleh Rozenstein, dkk pada Landsat validasi terhadap hasil yang didapat dilakukan dengan bantuan
8 dengan band 10 dan 11 (TIRS). Metode SWA matriks uji ketelitian hasilpengembangan Short
menormalisasikan nilai suhu permukaan dari band 10 dan band (1982).Berdasarkan uji validasi ini, maka besarnya
11 sehingga diperoleh nilai yang paling baik merepresentasikan ketelitianseluruh hasil dapat dihitung dengan menggunakan
kondisi lapangan (Rajeshwari &Mani, 2014). Metode ini rumus sederhana sebagaiberikut (BIG, 2014):
A= ((∑ )/N) x 100%.....................................(2.23) 1. Studi Literatur
Studi pustaka atau membaca literature dan referensi
yang berkaitan dengan judul penelitian. Mencari jurnal-
3. METODOLOGI PENELITIAN jurnal dan bahan acuan yang mendukung studi kasus.
2. Pengumpulan Data
3.1 Lokasi Penelitian Data yang digunakan dalam penelitian ini adalah batas
administrasi, citra satelit Landsat 8 yang diunduh dari
Penelitian ini dilakukan di Kabupaten Bantul, Provinsi http://earthexplorer.usgs.gov/,peta batas administrasi
Daerah Istimewa Yogyakarta dimana Secara geografis, Kabupaten Bantul, dan peta penggunaan lahan Kabupaten
Kabupaten Bantul terletak antara 07º44'04" 08º00'27" Lintang Bantul.
Selatan dan 110º12'34" - 110º31'08" Bujur Timur dengan luas 3. Koreksi Radiometrik Citra
wilayah sekitar 508,85 km2 Koreksi radiometrik bertujuan untuk memperbaiki
kualitas visual citra agar sesuai dengan nilai pancaran
3.2 Alat dan Bahan Penelitian spektral objek. Koreksi ini dilakukan secara otomatis pada
software ENVI dengan memperbaiki nilai digital (DN)
Dalam penelitian ini, alat yang digunakan adalah citra pada semua band.
sebagai berikut : 4. Penghitungan Algoritma NDDI
3.2.1 Alat: Pengitungan algoritma ini dilakukan dengan melakukan
perhitungan NDVI dan NDWI yaitu sebagai berikut :
1. Laptop untuk pengolahan data a. Pengolahan algoritma NDVI
2. GPS handheld. Tahapan pengolahan algoritma NDVI ini dilakukan
3. Kamera. untuk mendapatkan kerapatan vegetasidan non
4. ENVI 4.7 dan 5.1 vegetasi pada lokasi yang diteliti. Untuk penggunaan
5. ArcGIS 10.3 untuk pengolahan data vektor dan data Landsat 8 OLI/TIRS rumus yang sesuai untuk
membuat layout peta transformasi NDVI adalah sesuai rumus (2.8).
6. Microsoft Office untuk penulisan laporan dan b. Pengolahan algoritma NDWI
perhitungan data penelitian. Tahapan pengolahan algoritma NDWI ini dilakukan
3.2.2 Bahan untuk mendapatkan indeks kebasahan sesuai rumus
a. Citra Landsat 8 OLI/TIRS tahun 2019(Sumber : (2.9).
http://earthexplorer.usgs.gov/). c. Algoritma NDDI
b. Peta Batas Administrasi Kabupaten Bantulskala Tahap ini melakukan perhitungan algoritma NDDI
1:50.000 tahun 2015 dalam bentuk shp (Sumber : dengan menggunakan ruus (2.10).
Dinas Pertanahan dan Tata Ruang Kabupaten Bantul) 5. Perhitungan Algoritma TVI
c. Peta penggunaan lahan skala 1:50.000 tahun 2015 Pengitungan algoritma ini dilakukan dengan melakukan
dalam bentuk shp (Sumber : Dinas Pertanahan dan perhitungan sebagai berikut :
Tata Ruang Kabupaten Bantul) a. Perhitungan LST
Proses perhitungan LST ini yaitu dengan konversi
digital number ke radians, konversi nilairadians ke
3.3 Tahapan Penelitian temperatur permukaan (Kelvin), dan konversi nilai
temperaturpermukaan suhu Kelvin ke dalam suhu
Diagram alir penelitian : Celcius menggunakan rumus (2.11-2.25)
b. Klasifikasi EVI
Tahapan klasifikasi NDVI ini dilakukan untuk
mendapatkan kerapatan vegetasidan non vegetasi pada
lokasi yang diteliti sesuai rumus (2.26)
c. Perhitungan TVI
Tahapan ini menghitung algoritma dari perhitungan
TVI yaitu dengan rumus (2.27)
6. Klasifikasi Indeks Kekeringan NDDI dan TVI
Tahap ini dilakukan pengklasifikasian masing-masing dari
indeks kekeringan NDDI dan TVI yang didapat yang
kemudian di overlay dengan peta tutupan lahan sawah.
7. Pembuatan peta kekeringan NDDI dan TVI
Tahap ini melakukan pembuatan peta kekeringan lahan
sawah dari masing-masing hasil klasifikasi dari NDDI dan
TVI yang didapat. Pembuatan peta kekeringan ini
menggunakan software Arcgis.
8. Validasi
Tahap ini melakukan validasi dengan mengambil
beberapa sampel dari hasil peta kekeringan lahan sawah
yang dibuat lalu melakukan peninjauan lapangan.
13872,837
14000,000 Air
12000,000 7760,5399
10000,000 Normal
8000,000
6000,000 1634,219
4000,000 2621,367 2294,276 Ringan
2000,000 93,651
0,000 Sedang
Gambar 4.2 Hasil Peta NDVI
4.2.2 Analisis Indeks Kebasahan (NDWI) Berat
Transformasi indeks kebasahan (
(Normalized
Difference Water Index) dalam penelitian ini digunakan untuk Sangat Berat
mengetahui hubungannya dengan potensi kekeringan yang
terjadi. Asumsi yang digunakan dalam penelitian ini adalah Gambar 4.5 Hasil grafik luasan kekeringan metode NDDI
4.3 Analisis Kekeringan Metode TVI
5.1 Kesimpulan