FAKULTAS KEHUTANAN
UNIVERSITAS HASANUDDIN
I. PENDAHULUAN
2.75e- infrared)
SR_B5 1 0.851-0.879 μm
05 surface
reflectance
65455 Band 6
(shortwave
2.75e-
SR_B6 1 1.566-1.651 μm infrared 1)
05
surface
reflectance
65455 Band 7
(shortwave
2.75e-
SR_B7 1 2.107-2.294 μm infrared 2)
05
surface
reflectance
Panjang
Nama Min Max Scale Gelombang Deskripsi
(µm)
65455
2.75e- Aerosol
SR_QA_AEROSOL 1 -
05 attributes
𝑵𝑰𝑹−𝑺𝑾𝑰𝑹
NDWI =
𝑵𝑰𝑹+𝑺𝑾𝑰𝑹
Keterangan :
NDWI : Normalized Difference Water Index
NIR : Nilai reflektan infra merah dekat (B5)
SWIR : Nilai reflektan kanal infra merah
gelombang pendek (SWIR)
3.2.1. Alat
1. TT 23.66 20.12 20.96 21.21 124.20 19.53 21.92 19.49 38.65 19.90 216.46
2. TAV 128.79 108.58 103.45 155.56 105.54 163.07 128.58 178.21 175.17 100.98 118.77
3. SR 175.20 170.30 180.46 139.94 184.10 155.13 186.48 140.79 132.84 165.75 149.95
4. R 146.11 161.71 183.57 125.24 163.27 159.38 197.55 143.46 137.35 161.77 163.62
5. S 301.23 520.63 555.52 142.65 242.38 201.44 545.75 181.80 187.81 206.29 239.56
6. T 46.805.83 46.598,99 46.538,32 46.995,30 46.761,17 46.882,15 46.501,09 46.916,75 46.907,94 46.925,47 46.692,0
Keterangan :
TT : Tidak Teridentifikasi
TAV : Lahan Tidak Bervegetasi
SR : Kehijauan Sangat Rendah
R : Kehijauan Rendah
S : Kehijauan Sedang
T : Kehijauan Tinggi
Setelah menghitung luas area kehijauan di daerah DAS Tangka,
didapatkan data yang menunjukkan perubahan luas wilayah kehijauan di
DAS Tangka dengan tingkat kehijauan yang berbeda dari tahun 2013 hingga
tahun 2023 berdasarkan perhitungan GEE yang dilakukan. Pada tahun 2013,
luas wilayah dengan kehijauan tinggi mendominasi dengan luas 46.805.83
ha. Jika dibandingkan dengan wilayah yang memiliki kehijauan sedang,
rendah, sangat rendah dan tidak bervegetasi, wilayah dengan kehijauan
tinggi merupakan wilayah yang paling luas dan mendominasi di DAS
Tangka.
Selama tahun-tahun berikutnya, terjadi fluktuasi pada luas wilayah
kehijauan di DAS Tangka. Wilayah dengan tingkat kehijauan tinggi
konsisten mendominasi wilayah DAS Tangka. berdasarkan perhitungan
luas yang dilakukan, Luas wilayah tertinggi untuk tingkat kehijauan tinggi
terdapat pada tahun 2016 dengan luas 46.995,30 hektar dan luas terendah
terdapat pada tahun 2019 dengan luas 46.501,09 hektar. Luas kehijauan
tinggi cenderung tidak berubah signifikan dari tahun ke tahun.
Untuk wilayah dengan tingkat kehijauan sedang, luas tertinggi
terdapat di tahun 2015 dengan luas 555,52 hektar. Dan untuk luas terendah
terdapat pada tahun 2016 dengan luas 142,65 hektar. berdasarkan
perhitungan luas yang dilakukan, Luas wilayah dengan tingkat kehijauan
sedang cenderung naik meskipun pada tahun tertentu mengalami penurunan
drastis, seperti yang terjadi pada tahun 2016 dan tahun 2020.
Untuk wilayah dengan kehijauan rendah, luas tertinggi terdapat pada
tahun 2019 dengan luas 197,55 hektar dan luas terendah terdapat di tahun
2016 dengan luas 125,24 hektar. berdasarkan perhitungan luas yang
dilakukan, Luas wilayah dengan tingkat kehijauan rendah cenderung naik
pada tahun 2013 sampai 2015 dan juga pada tahun 2016 sampai tahun 2019.
Untuk wilayah dengan kehijauan sangat rendah. Luas tertinggi
terdapat di tahun 2017 dengan luas 184,10 hektar. Dan luas terendah
terdapat di tahun 2021 dengan luas 132,84 hektar. berdasarkan perhitungan
luas yang dilakukan, luas wilayah dengan tingkat kehijauan sangat rendah
cenderung tidak berubah secara signifikan.
Untuk wilayah tanpa vegetasi cenderung mengalami penurunan.
Luas tertinggi di kelas ini terdapat pada tahun 2020 dengan luas 178,21
hektar dan luas terendah pada tahun 2022 dengan luas 100,98 hektar.
berdasarkan perhitungan luas yang dilakukan, Luas wilayah tanpa vegetasi
cenderung menurun setiap 2-3 tahun, seperti pada tahun 2013 sampai tahun
2015, dan tahun 2020 sampai tahun 2022. Ada beberapa bagian wilayah
yang tidak dapat teridentifikasi dikarenakan proses cloud masking sehingga
sebagian kecil bagian citra hilang.
4.2. Hasil Perhitungan Rata-Rata Normalized Difference Water Index
1. TT 33,02 31,17 30,71 30,70 131,71 30,91 30,82 30.03 43,96 30,40 198.52
2. NA 291,22 417,71 268,12 104,20 224,76 183,33 624,81 150,31 178,72 139,67 197,73
3. KS 18.770,15 22.988,96 21.574,21 11.370,42 16.575,90 19.495,75 23.208,35 11.129,91 11.341,88 10.443,30 11.084,65
28.491.01 24.147,50 25.711,25 36.079,51 30.652,51 27.873,38 23.720,56 36.274,82 36.021,50 36.970,82 36.105,88
4. KT
Keterangan :
TT : Tidak Teridentifikasi
NA : Non-badan Air
KS : Kebasahan Sedang
KT : Kebasahan Tinggi
Dari data tabel berikut, dapat dilihat bahwa terjadi perubahan luas
wilayah kebasahan, baik pada tingkat kebasahan tinggi, kebasahan sedang
dan non-badan air sejak tahun 2013 hingga tahun 2023. Wilayah dengan
tingkat kebasahan tinggi mendominasi wilayah DAS Tangka sejak tahun
2013, diikuti oleh wilayah dengan tingkat kebasahan sedang dan wilayah
dengan luas yang paling kecil yaitu Non-badan air.
Sepanjang tahun 2013 hingga tahun 2023, terjadi fluktuasi dalam
luas wilayah masing-masing tingkatan kebasahan. Untuk wilayah dengan
kebasahan tinggi, luas tertinggi terdapat di tahun 2022 dengan luas
mencapai 36.970,82 hektar, dan untuk luas terendah terdapat di tahun 2019
dengan luas 23.720,56 hektar. Luas wilayah dengan tingkat kebasahan
tinggi cenderung menurun sepanjang tahun 2016 hingga tahun 2019 dan
setelah itu kembali naik di tahun 2020 hingga tahun 2022.
Wilayah dengan kebasahan sedang juga mengalami fluktuasi
sepanjang tahun 2013 hingga tahun 2023. Luas tertinggi terdapat di tahun
2014 dengan luas mencapai 22.988,96 hektar. Dan untuk luas terendah
terdapat di tahun 2022 dengan luas mencapai 10.443,30 hektar. Luas
wilayah dengan tingkat kebasahan sedang cenderung menurun pada tahun
2014 sampai tahun 2016 kemudian kembali naik di tahun 2018 dan 2019.
Wilayah Non-badan air merupakan wilayah tingkatan paling kecil
sepanjang tahun 2013 hingga tahun 2023. Luas tertinggi untuk tingkatan ini
terdapat di tahun 2019 dengan luas mencapai 624,81 hektar, dan nilai
terendah terdapat pada tahun 2016 dengan luas mencapai 104,20 hektar.
Luas wilayah non-badan air cenderung menurun pada tahun 2014 sampai
tahun 2016 sebelum kemudian berangsur naik hingga mencapai luas
tertinggi di tahun 2019. Untuk wilayah tak teridentifikasi, ini disebabkan
karena proses cloud mask yang dilakukan pada proses pemanggilan citra
sehingga beberapa bagian citra hilang.
4.3. Hasil Perhitungan Rata-Rata Normalized Difference Drought Index
2. SR 52,73 55,73 43,09 80,50 59,32 78,67 64,07 78,92 76,73 41,11 56,67
3. R 46.350,36 45.710,47 46.309,74 47.216,71 46.552,18 46.740,28 45.237,17 47.113,45 47.055,30 47.212,10 46.853,25
4. S 978,37 1.635,02 1.052,91 156,47 707,44 563,83 1.901,52 205,22 238,48 186,29 293,19
5. T 130,31 135,99 116,20 55,03 89,33 101.28 287.91 93.10 104,04 84,02 104,03
6. ST 44,47 21,94 36,87 50,88 46,37 75,70 67,22 70,17 67.04 37,01 57,80
Keterangan :
TT : Tidak Teridentifikasi
SR : Sangat Rendah
R : Rendah
S : Sedang
T : Tinggi
ST : Sangat Tinggi
Berdasarkan data luasan dari wilayah rata-rata kekeringan yang
diperoleh, dapat dilihat bahwa terjadi perubahan luas wilayah yang
mengalami kekeringan, baik di tingkat kekeringan rendah yang
mendominasi wilayah DAS Tangka, dan juga tingkat kekeringan lainnya.
Sepanjang tahun 2013, hingga tahun 2023, sebagian besar wilayah DAS
Tangka terutama bagian hulu dan bagian tengah DAS teridentifikasi tidak
mengalami kekeringan yang berat. Sebagian besar wilayah DAS Tangka
berada dalam tingkat kekeringan rendah, meskipun pada daerah hilir
terdapat wilayah dengan tingkat kekeringan sedang, tinggi, hingga sangat
tinggi.
Wilayah yang termasuk dalam kategori kekeringan sangat tinggi
memiliki luas yang sangat rendah, luas tertinggi terdapat pada tahun 2018
dengan luas 75,70 hektar, dan luas terendah terdapat pada tahun 2014
dengan luas 21,94 hektar. Luas wilayah yang teridentifikasi kekeringan
sangat tinggi cenderung tidak begitu banyak berubah secara signifikan.
Wilayah yang termasuk dalam kategori kekeringan tinggi sedikit
lebih luas jika dibandingkan dengan wilayah kategori kekeringan sangat
tinggi. luas tertinggi terdapat pada tahun 2014 dengan luas 135,99 hektar,
dan luas terendah terdapat pada tahun 2019 dengan luas 287,91 hektar. Luas
wilayah yang teridentfikasi kekeringan tinggi cenderung menurun dari
tahun 2014 sampai 2016, sebelum akhirnya kembali naik pada tahun 2017
dan mencapai puncaknya pada tahun 2019.
Wilayah yang termasuk dalam kategori kekeringan sedang memiliki
luasan tinggi di tahun-tahun tertentu. Luasan tertinggi terdapat di tahun
2019 dengan luas 1.901,52 hektar, dan luas terendah terdapat di tahun 2016
dengan luas 156,47 hektar. Luas wilayah yang teridentifikasi kekeringan
sedang cenderung naik pada tahun 2013 dan 2014 sebelum akhirnya turun
pada tahun 2015 dan 2016. Luas kekeringan kembali naik pada tahun 2017
dan naik drastis pada tahun 2019.
Wilayah yang termasuk dalam kategori kekeringan ringan
merupakan wilayah yang mendominasi di wilayah DAS Tangka
berdasarkan analisis perhitungan luasan yang dilakukan. Luas tertinggi
terdapat di tahun 2016 dengan luas 47.216,71 hektar, dan luas terendah pada
tahun 2019 dengan luas 45.237,17 hektar. Luas wilayah yang teridentifikasi
kekeringan rendah cenderung tidak berubah signifikan selama 11 tahun.
Wilayah yang termasuk dalam kategori kekeringan sangat rendah
juga memiliki luas yang rendah seperti pada kategori kekeringan sangat
tinggi. luas tertinggi terdapat pada tahun 2016 dengan luas 80,50 hektar, dan
luas terendah terdapat pada tahun 2022 dengan luas 41,11 hektar. luas
wilayah yang teridentifikasi kekeringan sangat rendah cenderung menurun
pada tahun 2020 sampai pada tahun 2022. Untuk wilayah tak teridentifikasi,
ini disebabkan karena proses cloud mask yang dilakukan pada proses
pemanggilan citra sehingga beberapa bagian citra hilang.
4.4. Luas Kekeringan Pada Desa
5.1. Kesimpulan
Acharya, T.D. and Yang, I. (2015) ‘Exploring Landsat 8 Remote Sensing and
Aini, R.N., Saraswati, R. and Wibowo, A. (2019) ‘Pola Sebaran Kekeringan Lahan
Amani, M. et al. (2020) ‘Google Earth Engine Cloud Computing Platform for
https://doi.org/10.1109/JSTARS.2020.3021052.
at: https://doi.org/10.22146/mgi.24251.
Awangga, R.M. (2017) Pengantar Sistem Informasi Geografis, Konsep Dasar dan
https://doi.org/10.1080/02757259509532298.
Dong, J. et al. (2016) ‘Mapping paddy rice planting area in northeastern Asia with
https://doi.org/10.1016/j.rse.2016.02.016.
https://developers.google.com/earth-engine/guides/client_server.
Engine, G.E. (2023b) Earth Engine Code Editor, Guides. Available at:
https://developers.google.com/earth-engine/guides/playground.
Engine, G.E. (2023c) Get Started with Earth Engine, Guides. Available at:
https://developers.google.com/earth-engine/guides/getstarted.
Engine, G.E. (2023d) USGS Landsat 8 Level 2, Collection 2, Tier 1, Earth Engine
engine/datasets/catalog/LANDSAT_LC08_C02_T1_L2.
Flanagan, D. (2020) Javascript : The Definitive Guide. 7th edn. United States Of
at: https://doi.org/10.1016/j.rse.2017.06.031.
Gu, Y. et al. (2007) ‘A five-year analysis of MODIS NDVI and NDWI for grassland
drought assessment over the central Great Plains of the United States’,
https://doi.org/10.1016/j.proeng.2017.04.293.
Lestari, M. et al. (2018) ‘Analisis Daerah Rawan Banjir Pada Daerah Aliran Sungai
https://doi.org/https://doi.org/10.24246/icm.v4i1.4615.
drought events and impacts in the Ebro Basin using six different remote
sensing data sets’, Hydrology and Earth System Sciences, 21(9), pp. 4747–
https://doi.org/10.3390/rs10071079.
https://doi.org/10.31172/jmg.v15i2.179.
Nepal, S., Tripathi, S. and Adhikari, H. (2021) ‘Geospatial approach to the risk
https://doi.org/10.1016/j.ijdrr.2021.102241.
Nisarto, W.. F. (2016) Pemetaan Kerawanan Banjir Daerah Aliran Sungai Tangka.
Universitas Hasanuddin.
Drought Index Pada Citra Satelit Landsat 8’, Jurnal Geosains dan Remote
https://doi.org/10.23960/jgrs.2022.v3i1.65.
Raharjo, P.D. (2011) ‘Teknik Penginderaan Jauh Dan Sistem Informasi Geografis
Rahman, F., Sukmono, A. and Yuwono, B.D. (2017) ‘Analisis Kekeringan Pada
Sidhu, N., Pebesma, E. and Câmara, G. (2018) ‘Using Google Earth Engine to
https://doi.org/10.1080/22797254.2018.1451782.
Smakhtin, V.U. and Hughes, D.A. (2004) Review, Automated Estimation And
Analyses Of Drought Indices In South Asia (No. 83). Colombo, Sri Lanka.
Tsai, Y. et al. (2018) ‘Mapping Vegetation and Land Use Types in Fanjingshan
surface-reflectance.
Wibowo, K.M., Kanedi, I. and Jumadi, J. (2015) ‘Sistem Informasi Geografis (SIG)
at: https://doi.org/https://doi.org/10.37676/jmi.v11i1.252.
LAMPIRAN
//cloud mask
function maskL8sr(col) {
var qa = col.select('QA_PIXEL');
.and(qa.bitwiseAnd(cloudsBitMask).eq(0));
return col.updateMask(mask);
function applyScaleFactors(image) {
var vizParams = {
min: 0,
max: 0.3,
gamma: 1.4,
};
var vizParams2 = {
min: 0,
max: 0.3,
gamma: 1.4,
};
.map(maskL8sr).map(applyScaleFactors)
.filterDate('2023-01-01','2023-12-31')
.filterBounds(geometry)
.map(function(image){return image.clip(geometry)});
print('collecion',col)
//Reduksi Image
print('image', image);
// Menghitung nilai NDVI pada citra tunggal dan menambahkan properti waktu
'SR_B4']).rename('ndvi').copyProperties(image, ['system:time_start']);
print(ndvi, 'ndvi');
// Menentukan visibilitas layer dan mengambil rata-rata NDVI dari semua citra
var vis = {
min: -1, // Mengubah nilai minimum NDVI menjadi -1
palette: [
};
// Menghitung nilai NDWI untuk setiap citra dan menambahkan properti waktu
'SR_B6']).rename('ndwi').copyProperties(image, ['system:time_start']);
// Menentukan visibilitas layer dan mengambil rata-rata NDWI dari semua citra
var vis_ndwi = {
'1E90FF', '000080']
};
Map.centerObject(table, 12);
// Menghitung nilai NDDI pada citra tunggal dan menambahkan properti waktu
var nddi =
ndvi_mean.subtract(ndwi_mean).divide(ndvi_mean.add(ndwi_mean)).rename
('nddi').copyProperties(image, ['system:time_start']);
// Menentukan visibilitas layer dan mengambil rata-rata NDDI dari semua citra
var vis_nddi = {
palette: [
};
Export.image.toDrive({
image: ndvi_mean,
description:'NDVI2023',
scale:30,
region : table,
});
Export.image.toDrive({
image: ndwi_mean,
description:'NDWI2023',
scale:30,
region : table,
});
Export.image.toDrive({
image: nddi_mean,
description:'NDDI2023',
scale:30,
region : table,
});
90
ERLANGGA PRATAMA N