Draft Skripsi - Erlangga Pratama Nasir

PROGRAM STUDI KEHUTANAN
FAKULTAS KEHUTANAN
UNIVERSITAS HASANUDDIN
Bahan Seminar : Hasil

Judul : Pemetaan Kekeringan Di Daerah Aliran Sungai Tangka
(Aplikasi Penginderaan Jauh Google Earth Engine)
Pembawa Seminar : Erlangga Pratama Nasir
Nomor Pokok : M011191226
Pembimbing : 1. Dr. Ir. Roland Alexander Barkey
2. Chairil A., S.Hut., M.Hut
Hari/Tanggal :
Waktu :
Tempat : Laboratorium Perencanaan dan Sistem Informasi
Kehutanan
I. PENDAHULUAN
1.1 Latar Belakang
Kekeringan merupakan salah satu bencana alam yang terjadi secara

perlahan dan berlangsung lama hingga musim hujan tiba, kekeringan terjadi
akibat adanya penyimpangan kondisi cuaca dari kondisi normal yang terjadi
di suatu wilayah. Penyimpangan tersebut dapat berupa berkurangnya curah
hujan dibandingkan dengan kondisi normal (Mujtahiddin, 2014).
Berdasarkan Peraturan Pemerintah No. 37 Tahun 2012, Tentang
Pengelolaan Daerah Aliran Sungai. Daerah Aliran Sungai yang selanjutnya
disebut DAS merupakan suatu wilayah daratan yang merupakan satu
kesatuan dengan sungai dan anak-anak sungainya, yang berfungsi
menampung, menyimpan dan mengalirkan air yang berasal dari curah hujan
ke dana atau ke laut secara alami, yang batas di darat merupakan pemisah
topografis dan batas di laut sampai dengan daerah perairan yang masih
terpengaruh aktivitas daratan. Daerah Aliran Sungai Tangka adalah salah
satu DAS yang terdapat di Provinsi Sulawesi Selatan dan dikategorikan
sebagai DAS Provinsi karena aliran air DAS Tangka mencakup tiga
kabupaten sekaligus yaitu Kabupaten Bone, Kabupaten Gowa dan
Kabupaten Sinjai. Daerah hulu DAS Tangka berada di Kawasan
pegunungan Bawakaraeng, Kabupaten Gowa. Sedangkan daerah hilir DAS
Tangka berada di Kawasan pantai timur Kabupaten Sinjai (Nisarto, 2016).
Terdapat 47 desa yang wilayahnya berada di area wilayah DAS
Tangka, beberapa desa merupakan wilayah yang rawan mengalami kondisi
kekeringan. Diantaranya adalah Desa Pattongko, Sinjai. Dilansir pada
artikel sulselsatu.com Agustus 2019 yang berjudul “Kemarau Panjang,
petani di Sinjai cemas”, musim kemarau yang terjadi beberapa bulan
terakhir mengakibatkan sejumlah petani di Dusun Pakka, Desa Pattongko,
Kecamatan Tellulimpoe, Kabupaten Sinjai, khawatir gagal panen akibat
kekeringan. Hal ini disebabkan karena kurangnya ketersediaan air untuk
memenuhi kebutuhan pertanian saat musim kemarau.
Dilansir juga dari video KompasTV Agustus 2019 yang berjudul
“Ratusan hektar padi di Sinjai gagal panen akibat kekeringan”, sekitar 70
hektar sawah di desa Lamatti Riawang mengering karena tidak adanya
pasokan air. Dalam waktu sekitar 1 bulan hujan tidak turun di wilayah ini
sehingga irigasi air mengering dan tidak dapat mengalirkan air ke sawah.
Selain dua daerah tersebut, menurut data Desa/Kelurahan Rawan
Kekeringan BNPB (2019), ada 21 desa lainnya dengan kondisi rawan
bencana alam kekeringan tingkat sedang. Pemilihan lokasi penelitian di
Daerah Aliran Sungai Tangka karena sebagian desa/kelurahan dengan
kondisi rawan kekeringan berada di DAS ini, serta untuk melihat potensi
kekeringan yang terjadi selama 11 tahun terakhir.
Berdasarkan penjelasan diatas maka perlu dilakukan penelitian
mengenai pemetaan rata-rata kekeringan tahunan di DAS Tangka yang
dapat memberikan informasi mengenai variabilitas tingkat kekeringan
tahunan dan digunakan untuk arahan mitigasi bencana kekeringan serta
meminimalisir dampak dari bencana alam kekeringan. Dalam penelitian ini,
penulis mengangkat judul “Pemetaan Kekeringan di Daerah Aliran Sungai
Tangka (Aplikasi Penginderaan Jauh Google Earth Engine)”.
1.2 Tujuan dan Kegunaan Penelitian
Adapun tujuan dari penelitian ini adalah :

1. Memetakan tingkat rata-rata kekeringan dalam rentang tahun 2013 -
2023 di wilayah Daerah Aliran Sungai Tangka dengan menggunakan
platform Google Earth Engine berdasarkan indeks NDDI.
2. Mengetahui bagaimana luas persebaran dari tingkat rata-rata kekeringan
yang terjadi di Daerah Aliran Sungai Tangka.
II. TINJAUAN PUSTAKA
2.1. Pemetaan Kekeringan
2.1.1. Pengertian Kekeringan
Kekeringan dapat diartikan sebagai berkurangnya persediaan

air atau kelembaban yang bersifat sementara dan terjadi secara
signifikan di bawah normal atau volume yang diharapkan untuk
jangka waktu tertentu. Kekeringan juga dapat didefinisikan sebagai
keadaan dimana terjadinya kekurangan air di suatu daerah yang
biasanya dikonotasikan dengan kekurangan air hujan (Raharjo, 2011).
Kekeringan adalah satu dari sekian fenomena yang sering terjadi pada
belahan bumi yang memiliki iklim monsoon tropis dan sangat
sensitive terhadap anomaly iklim El-Nino Southern Oscillation
(ENSO) dan kekeringan dapat memberikan dampak negatif bagi suatu
daerah (Rahman et al., 2017).
Kekeringan merupakan fenomena alami yang terjadi karena
efek samping dari fenomena pluralitas iklim. Keadaan ini bisa diawali
dengan curah hujan yang lebih rendah dari rata-ratanya yang
kemudian akan berpengaruh pada tingkat kelembaban tanah, debit
sungai, air tanah, ekosistem dan kehidupan manusia secara
keseluruhan. Kekeringan merupakan fenomena yang terjadi
sementara dan merupakan bencana alam yang terjadi secara berulang
yang dapat menyebabkan kerugian ekonomi yang besar. Kekeringan
merupakan fenomena yang tidak memungkinkan untuk dihindari,
tetapi kesiapsiagaan untuk menghadapi kekeringan dapat ditingkatkan
dan dampak dari kekeringan ini dapat diatasi (Smakhtin et al., 2004).
AghaKoucak (2015) menjelaskan bahwa kekeringan secara
luas diklasifikasikan menjadi empat kelompok termasuk meteorologi
(defisit curah hujan), pertanian (defisit kelembaban tanah), hidrologi
(defisit limpasan, air tanah, atau penyimpanan air total), dan sosial
ekonomi (mempertimbangkan pasokan air, permintaan, dan respon
sosial) kekeringan. Semua jenis kekeringan dapat dikaitkan dengan
defisit curah hujan yang berkelanjutan. Namun, elemen yang berbeda
dari siklus hidrologi merespon kekeringan secara berbeda. Secara
historis, kekeringan telah dipantau dan diselidiki menggunakan
pengamatan titik berbasis tanah atau grid interpolasi (AghaKouchak
et al., 2015).
2.1.2. Penginderaan Jauh untuk Pemetaan Kekeringan
Arozaq M dalam Prayoga (2017) menjelaskan bahwa empat

komponen dasar sistem penginderaan jauh adalah objek, sumber
energi, saluran transmisi dan sensor. Komponen sistem ini bekerja
sama untuk mengukur dan merekam informasi tentang objek tanpa
menyentuh objek. Sumber daya yang memancarkan atau
memancarkan energi elektromagnetik pada target adalah suatu
keharusan. Energi berinteraksi dengan objek dan juga bertindak
sebagai media untuk mengirimkan informasi dari objek ke sensor.
Sensor adalah perangkat yang mengumpulkan dan menyimpan radiasi
elektromagnetik. Setelah merekam, data dikirim ke stasiun penerima
dan diproses menjadi format yang dapat digunakan, termasuk gambar.
Gambar ini kemudian diinterpretasikan untuk mengekstraksi
informasi tentang objek tersebut. Proses interpretasi biasanya
kombinasi visual dan otomatis menggunakan komputer dan perangkat
lunak pengolah gambar (Prayoga, 2017).
Matahari merupakan sumber energi alam yang paling penting.
Energi matahari memancar ke segala arah, sebagian ke bumi. Energi
yang diarahkan ke bumi sebagian tetap berada di atmosfer dan isinya
saat mencapai permukaan bumi dan mengenai benda. Objek di
permukaan bumi menyerap sebagian energi ini, mengirimkannya
(melalui objek) dan memantulkannya kembali ke sensor. Sistem
penginderaan jauh membutuhkan sumber energi alami dan buatan.
Energi ini berupa spektrum elektromagnetik, yang meliputi sinar
kosmik, sinar gamma, sinar-X, ultraviolet, cahaya tampak,
inframerah, gelombang mikro, dan gelombang radio. Jumlah
keseluruhan spektrum disebut spektrum elektromagnetik (Prayoga,
2017).
Penginderaan jauh yang merupakan teknik perekaman data
menggunakan sensor untuk mendeteksi dan merekam obyek yang ada
di permukaan bumi. Sensor dipasang pada wahana (platform) dan
letaknya jauh dari obyek yang diamati, maka diperlukan tenaga
elektromagnetik yang dipancarkan atau dipantulkan oleh obyek
tersebut. Sensor terbatas kemampuannya untuk mengidentifikasi
obyek kecil. Batas kemampuan memisahkan setiap obyek dinamakan
resolusi. Resolusi citra satelit merupakan indikator tentang
kemampuan sensor atau kualitas sensor dalam merekam obyek.
Resolusi satelit terbagi menjadi lima, yang biasa digunakan sebagai
parameter kemampuan sensor satelit adalah (Purwadhi, 2001):
a) Resolusi Spasial
Merupakan ukuran obyek terkecil yang masih dapat disajikan,
dibedakan dan dikenali pada citra. Semakin kecil ukuran obyek
yang dapat terekam, maka semakin baik kualitas sensornya.
b) Resolusi Spektral
Merupakan daya pisah obyek berdasarkan besarnya spectrum
elektromagnetik yang digunakan untuk perekaman data.
c) Resolusi Radiometrik
Kemampuan sistem sensor untuk mendeteksi perbedaan pantulan
terkecil kekuatan sinyal.
d) Resolusi Temporal
Perbedaan kenampakan yang masih dapat dibedakan dalam
waktu perekaman ulang
e) Resolusi Termal
Yaitu keterbatasan sensor penginderaan jauh yang merekam
pancaran tenaga termal atau perbedaan suhu yang masih dapat
dibedakan oleh sensor penginderaan jauh secara termal.
Transformasi citra banyak digunakan untuk pengolahan citra
satelit, misalnya transformasi tasseled cap yang memanfaatkan feature
space tiga saluran yang menghasilkan sumbu kecerahan (brightness),
kehijauan (greenness), kelayuan (yellowness), dan ketidak tentuan
(noneesuch). Modifikasi tasseled cap untuk 6 saluran pada Landsat
TM, yaitu saluran 1-5, dan 7 (Murdiyati et al., 2016). Hasilnya adalah
indeks kecerahan (brightness index), indeks kebasahan (wetness
index), dan indeks kehijauan (greeness index) (Aprilliyanti et al.,
2017).
Pemantauan dan prediksi kekeringan telah dilakukan dengan
berbagai metode. Selain itu, perkembangan teknologi satelit
memungkinkan fenomena cuaca dan iklim dapat dipelajari dan
dideteksi secara komprehensif untuk wilayah yang luas. Data satelit
lingkungan dan cuaca yang tersedia, memungkinkan untuk
mendeteksi gejala-gejala alam yang berkaitan dengan kekeringan
(Shidqi et al., 2021). Terdapat banyak jenis data penginderaan jauh
yang dihasilkan dari berbagai satelit yang mengorbit bumi, yang salah
satunya adalah satelit Landsat 8 yang memiliki aspek spasial dan
temporal yang konsisten (Perdana et al., 2022).
2.2. Google Earth Engine
Platform komputasi cloud saat ini merupakan cara yang efisien

untuk menyimpan, mengakses serta menganalisis kumpulan data pada
server yang sangat kuat. Sistem ini menyediakan platform, layanan
penyimpanan dan paket perangkat lunak dalam berbagai cara untuk
pengguna (Tsai et al., 2018). Alat komputasi yang canggih diperlukan untuk
mendukung penelitian serta analisis penginderaan jauh, salah satunya
adalah Google Earth Engine (GEE) yang merupakan teknologi cloud
computing terkini dengan jutaan server yang digunakan di seluruh dunia.
GEE dapat digunakan untuk melakukan analisis penginderaan jauh (Dong
et al., 2016).
Google Earth Engine (GEE) adalah platform komputasi cloud yang
diluncurkan oleh Google pada tahun 2010. GEE menggunakan struktur
komputasi Google dan memberikan akses terbuka untuk dataset
penginderaan jauh. GEE adalah platform pemrosesan data geografis besar
yang popular, memfasilitasi proses penelitain dengan memberikan
pengguna akses gratis ke berbagai kumpulan data penginderaan jauh.
Pengguna dapat mengakses GEE melalui Application Programming
Interface (API) berbasis internet dan Interactive Development Environment
berbasis web. Selain itu, pengguna tidak perlu memiliki keahlian dalam
pemrograman web untuk menggunakan GEE. GEE memiliki fitur
pemrosesan parallel otomatis dan platform komputasi yang cepat untuk
secara efektif menangani pemrosesan data yang besar (Tsai et al., 2018).
GEE merupakan platform yang praktis, pengguna tidak perlu
mengunduh kumpulan data yang tersedia di dalam GEE untuk
menggunakannya atau memasang software apa pun untuk melakukan tugas
pemrosesan yang tersedia di GEE. Platform ini juga berisi berbagai
algoritma bawaan, seperti algoritma klasifikasi, untuk menganalisis data
pada skala planet dan juga membantu para ilmuwan untuk mengembangkan
algoritma mereka sendiri dengan sedikit usaha dari sebelumnya (Tsai et al.,
2018).
Didalam GEE terdapat platform Earth Engine Code Editor.
Platform ini dibuat untuk memproses data ukuran besar menggunakan
Bahasa pemograman JavaScript dan untuk mengembangkan
pengembangan Earth Engine. Didalam Earth Engine Code Editor, terdapat
beberapa elemen seperti Code Editor, Map, Layer manager, Geometry
tools, dan beberapa tab termasuk Script, Docs, Assets, Inspector, Console,
dan Tasks (Amani et al., 2020).
Gambar 1. Code Editor Google Earth Engine
Bagian Code Editor merupakan tempat pengguna untuk menulis
skrip kode JavaScript. GEE akan memproses setiap kode yang tertulis dan
kemudian mengilustrasikan hasilnya dengan bentuk gambar di panel Map
atau mengeluarkan hasilnya dalam bentuk tulisan di tab Console. Hampir
sama dengan Earth Engine Explorer, pengguna dapat mengatur parameter
visualisasi yang dapat diatur dari Layer manager di dalam Code Editor.
Dalam tab Script, terdapat banyak contoh script yang memfasilitasi
pengembangan aplikasi. Terdapat lebih dari 800 fungsi bawaan didalam
Earth Engine Library yang dapat digunakan (Amani et al., 2020).
GEE menyediakan berbagai fungsi untuk melakukan operasi
spectral dan spasial pada citra tunggal atau koleksi citra. berbagai operasi
spectral berbasis piksel, yang memiliki potensi tinggi untuk
diimplementasikan secara pararel pada arsitektur cloud computing
disertakan di dalam GEE (Amani et al., 2020). Fungsi utama lain dari
platform GEE adalah kekuatan komputasi cloud-nya. Pemrosesan data
berfungsi dengan baik karena memori komputer pribadi dari pengguna tidak
menjadi faktor pembatas di manapun, terutama jika bekerja dengan
menggunakan citra dan data skala global. Namun, ketersediaan Application
Processing Interface (API) menghadirkan sesuatu antara kemudahan
penggunaan bagi pengguna dan fleksibilitas untuk mengimplementasikan
fungsi kompleks dalam API tersebut. Diperlukan kejelasan mengenai detail
implementasi fungsi raster dan vector tertentu. Misalnya Interpolate()
menerapkan fungsi linier ke setiap titik dari setiap band untuk raster atau
formaTrend(), yang menghitung tren jangka pendek dan jangka panjang
dalam deret waktu. Saat menjalankan transformasi yang kompleks,
pengguna harus dapat memanipulasi fungsi dan memodifikasinya untuk
mengatasi masalah tertentu (Sidhu et.al., 2018).
2.2.1. Sistem Arsitektur Google Earth Engine
Code Editor GEE dan Aplikasi Pihak Ketiga (Third-Party

apps) menggunakan pustaka klien untuk mengirim skrip interaktif
atau batch ke sistem melalui REST API. Permintaan kemudian akan
langsung ditangani oleh server Front End yang akan meneruskan sub-
skrip yang kompleks ke Compute Master, yang mengelola distribusi
komputasi di antara kumpulan server komputasi (Compute Server).
Sistem batch beroperasi dengan cara yang sama, tetapi menggunakan
Flume Java untuk mengelola distribusi. Yang mendukung kedua
sistem komputasi ini adalah kumpulan layanan data, termasuk basis
data aset (Asset Database) yang berisi metadata per gambar dan
menyediakan kemampuan penyaringan yang efisien. Perangkat lunak
manajemen klaster borg mengelola setiap komponen sistem dan setiap
layanan diseimbangkan dengan beberapa fungsi kerja (Gorelick et al.,
2017).
Gambar 2. Diagram sistem yang disederhanakan (Gorelick et al.,

2017)
Query to Earth Engine didasarkan pada komposisi dan
evaluasi fungsional. Pengguna membuat skrip dengan merangkai
operasi yang diambil dari pustaka Earth Engine yang terdiri atas 800
fungsi, yang memiliki kompleksitas mulai dari fungsi matematika
sederhana hingga operasi geostatistik, machine learning dan
pemrosesan gambar yang kuat. Pustaka ini memudahkan untuk
mengekspresikan operasi antara citra menggunakan bentuk aljabar
citra, dan mendukung fungsi tingkat tinggi (Gorelick et al., 2017).
Sebagian besar fungsi berbasis gambar pada pustaka adalah
operasi aljabar per piksel yang beroperasi pada basis per-band atau
band-to-band, yang mencakup matematika bilangan bulat dan
floating point, perbandingan logis, manipulasi bit, pengecoran tipe,
penggantian bersyarat, dan operasi larik multidimensi untuk
memproses piksel bernilai larik. Dan juga disertakan fungsi-fungsi
manipulasi piksel yang umum seperti table lookup, piecewise-linear
interpolation, polynomial evaluation dan ubiquitous normalized
difference. Pustaka ini memanfaatkan beberapa toolkit pembelajaran
yang sudah ada sebelumnya untuk menyediakan akses mudah lebih
dari 20 tipe supervised classification, regression dan unsupervised
clustering serta operasi pada matriks kerancuan untuk penilaian
akurasi (Gorelick et al., 2017).
Fungsi-fungsi pustaka ini dapat disusun untuk membangun
deskripsi komputasi yang ingin dilakukan oleh pengguna. Deskripsi
komputasi ini pada akhirnya berbentuk Directed Acyclic Graph
(DAG) di mana setiap simpul mewakili eksekusi fungsi atau
pengakses data individual dan berisi pasangan kunci/nilai dari
argument fungsi yang diberi nama. Earth Engine memanfaatkan
teknik standar yang biasa digunakan oleh bahasa fungsional seperti
transparansi referensial dan lazy evaluation untuk optimasi dan
peningkatan efisiensi yang signifikan. Pengguna menulis skrip
program Earth Engine menggunakan pustaka klien (Python dan
JavaScript) yang memungkinkan pengguna untuk menuliskan grafik
pemrosesan menggunakan paradigma pemrograman prosedural
yang sudah diketahui. Pustaka klien menyediakan objek proksi
untuk gambar, koleksi, dan tipe data lainnya seperti angka, string,
geometri, dan daftar. Skrip pengguna memanipulasi objek-objek
proksi ini, yang mencatat rantai operasi dan mengumpulkannya
menjadi DAG yang mengekspresikan komputasi lengkap. DAG ini
kemudian dikirim ke layanan Earth Engine untuk dievaluasi
(Gorelick et al., 2017).
Earth Engine dirancang untuk mendukung eksplorasi dan
analisis data spasial yang cepat dan interaktif Untuk memfasilitasi
hal ini, Earth Engine menggunakan model lazy computation yang
memungkinkannya untuk menghitung hanya bagian output yang
diperlukan untuk memenuhi permintaan saat ini (Gorelick et al.,
2017).
2.2.2. Javascript Google Earth Engine
JavaScript merupakan bahasa pemograman web yang

digunakan mayoritas peramban web modern di perangkat desktop,
tablet, serta ponsel, membuat JavaScript menjadi bahasa pemograman
yang paling banyak digunakan dalam sejarah. Agar dapat digunakan,
setiap bahasa harus memiliki platform, atau pustaka standar untuk
melakukan hal-hal seperti input dan output dasar. Bahasa JavaScript
inti mendefinisikan Application Programming Interfaces (API),
minimal untuk bekerja dengan angka, teks, larik, set, peta, dan
sebagainya, tetapi tidak menyertakan fungsionalitas input atauu
output (Flanagan, 2020).
Perkembangan teknologi penginderaan jauh saat ini semakin
mengarah ke pengolahan berbasis cloud computing, dimana
pengolahan ini sudah menerapkan prinsip machine learning dalam
proses pengerjaannya sehingga memanfaatkan sistem komputer yang
telah terintegrasi dengan provider GEE. Pengguna saat ini cukup
membuat skrip perintah dan pemanggilan data, kemudian sistem akan
mempelajari pola data yang ada dan mengerjakan sesuai dengan skrip
perintah yang dibuat. Skrip perintah dalam melakukan pengolahan
data di GEE dibuat dengan menggunakan bahasa pemograman
JavaScript yang merupakan bahasa “case sensitive” artinya
membedakan penamaan variabel dan fungsi yang menggunakan huruf
besar dan huruf kecil (Sukoco, 2022).
GEE menyediakan JavaScript dan Phython API yang dapat
dengan mudah mengembangkan algoritma yang bekerja secara paralel
pada fasilitas komputer data Google. Model pemograman GEE
berorientasi pada objek dan berdasarkan paradigma MapReduce. Di
satu sisi, GEE dapat diakses melalui Integrated Development
Environment (IDE) menggunakan JavaScript API. IDE berbasis web
memungkinkan pengguna untuk memvisualisasikan gambar, hasil,
tabel, dan bagan yang dapat diekspor dengan mudah. API Phyton juga
menawarkan serangkaian metode yang sama, yang memungkinkan
pengguna untuk membuat permintaan ke Engine dan mengakses
katalog. GEE memungkinkan pengguna untuk membangun dan
menjalankan skrip JavaScript untuk melakukan analisis data. Ada
beberapa cara untuk membangun skrip di Google Earth Engine, salah
satunya adalah menggunakan Earth Engine Code Editor yang
merupakan Integrated Development Environment (IDE) berbasis web
untuk Earth Engine JavaScript API (Mateo-García et al., 2018).
Menurut Rijal (Sukoco, 2022), terdapat beberapa penanda
pada bahasa JavaScript yang biasa digunakan secara umum :
1. Dua garis miring (//….) yang berarti komentar.
2. Titik koma atau semicolon (….;) yang berarti akhir perintah.
3. Petik satu (‘….’) yang menandakan tipe data string atau teks.
4. Print (…) yang merupakan perintah sistem untuk menampilkan
hasil eksekusi perintah pada bagian console dari GEE.
5. Kurung siku ([…..]) yang berarti perintah untuk menampilkan
perintah yang diproses pada console dalam bentuk list atau
daftar ke bawah.
6. Kurung kurawal ({….}) yang berarti perintah untuk
menampilkan dictionary pada console GEE. Dictionary akan
menampilkan list dalam list.
7. Function, yaitu menampilkan perintah yang disertai dengan
parameter. Parameter ini ditandai dengan kurung buka dan tutup
(….) sementara perintah ditandai dengan kurung kurawal {….}
yang diletakkan di dalam parameter kurung buka dan kurung
tutup.
2.2.3. Penerapan Sistem JavaScript di Google Earth Engine
GEE memungkinkan pengguna untuk menjalankan
algoritma pada citra dan vector bergeoreferensi geografis yang
disimpan di server Google. Google Earth Engine API menyediakan
pustaka fungsi yang dapat diterapkan pada data untuk ditampilkan dan
dianalisis. Katalog data publik Earth Engine berisi sejumlah besar set
data citra dan vektor yang tersedia untuk umum (Engine, 2023a).
Gambar 3. Javascript Code Editor

Ada beberapa cara untuk menjalankan operasi di API GEE,
diantaranya (Engine, 2023a) :
a. Memanggil metode yang dilekatkan pada objek
b. Memanggil algoritma
c. Memanggil fungsi khusus Code Editor
d. Mendefinisikan Fungsi Baru
Code Editor memiliki berbagai fitur untuk membantu
pengguna memanfaatkan API Earth Engine, melihat contoh skrip atau
menyimpan skrip sendiri pada tab skrip, menampilkan dan
memetakan hasil numerik menggunakan Google Visualization API,
dan lain-lain. Skrip yang dikembangkan oleh pengguna di Code
Editor dikirim ke Google untuk diproses dan ubin peta atau pesan
yang dihasilkan dikirim kembali untuk ditampilkan di tab Peta
dan/atau Konsol. Yang pengguna perlukan untuk menjalankan Code
Editor adalah browser web dan koneksi internet (Engine, 2023b).
Contoh kode yang dapat diakses di Code Editor GEE
merupakan bagian dari repositori GitHub, bagian dari pustaka klien
Google Earth Engine API. Selain contoh JavaScript yang ditampilkan
di sini, repositori ini juga berisi contoh python serta pustaka klien
JavaScript dan Phyton lengkap yang dapat pengguna gunakan untuk
membuat skrip sendiri yang diberdayakan oleh Earth Engine API
(Engine, 2023c).
Gambar 4. Contoh Skrip yang disediakan oleh Google Earth Engine

2.3. Sistem Informasi Geografis
Sistem Informasi Geografis (SIG) merupakan sistem yang

digunakan untuk memberikan bentuk digital dan analisis terhadap
permukaan geografis bumi. SIG merupakan manajemen data spasial dan
non-spasial yang berbasis komputer (Sugandi et al., 2009). SIG diartikan
sebagai sistem untuk menyimpan, memeriksa, menganalisis, dan
memaparkan data yang berkaitan dengan semua ruang yang berhubungan
dengan keadaan permukaan bumi (Awangga, 2017).
SIG memiliki sub sistem input data yang dapat menampung dan
mengolah data spasial dari berbagai sumber, sub sistem ini juga berisi
proses transformasi data spasial yang berbeda jenisnya. SIG mempunyai
subsistem penyimpanan dan pemanggilan data yang memungkinkan data
spasial untuk diedit dan diperbaharui, selain itu, SIG juga memiliki
subsistem manipulasi dan analisis data yang menyajikan peran data,
pengelompokan dan pemisahan, estimasi parameter dan hambatan serta
fungsi permodelan. Serta memiliki subsistem pelaporan yang menyajikan
seluruh atau sebagian dari basis data dalam bentuk tabel, grafis dan peta
(Wibowo et al., 2015).
Pemanfaatan SIG merupakan salah satu cara dalam proses
pemetaan, terutama untuk pemetaan kekeringan. Secara mendasar,
pemahaman tentang konsep bencana menjadi dasar yang kuat dalam
melakukan pemetaan risiko bencana yang dapat diaplikasikan kedalam
Sistem Informasi Geografis (SIG) yang dapat ditampilkan secara spasial dan
menghasilkan peta ancaman, peta kerentanan, peta kapasitas, dan peta risiko
bencana (Wibisana, 2017).
Dalam penelitian kekeringan, SIG dapat digunakan untuk
memproses data-data yang dibutuhkan untuk mengidentifikasi kekeringan
di suatu wilayah (Raharjo, 2010). Data penginderaan jauh dapat
menyediakan data permukaan bumi secara temporal dan aplikasi SIG dapat
digunakan untuk menganalisis potensi kekeringan (Bashit et al., 2022).
Penerapan penginderaan jauh dan SIG dengan menggunakan citra satelit
yang tersedia setiap hari, memeberikan potensi yang besar untuk
mengembangkan sistem pemantauan kekeringan secara tepat waktu (Linés
et al., 2017).
2.4. Landsat 8 OLI/TIRS Surface Reflectance
Landsat 8 diluncurkan pada tanggal 11 Februari 2013. Satelit landsat

ini memiliki resolusi spasial yang lebih baik dan kepekeaan terhadap
kecerahan dan warna yang lebih besar dibandingkan dengan satelit landsat
sebelumnya. (Acharya et al., 2015). Landsat 8 mengusung dua instrument
baru yaitu The Operational Land Imager (OLI) dan Thermal Infrared
Sensor (TIRS). OLI merupakan sensor push-broom dengan teleskop empat
cermin yang mengumpulkan data pada gelombang inframerah serta pita
pankromatik. Dua band spectral baru juga ditambahkan, band 1 dapat
digunakan untuk studi perairan pantai dan aerosol, dan band 9 dapat
digunakan untuk mendeteksi awan cirrus. Band QA juga ditambahkan untuk
menunjukkan keberadaan bayangan, artefak data dan awan (Acharya et al.,
2015). Karateristik Landsat 8 dapat dilihat pada Tabel 1 berikut.
Tabel 1. Daftar Band pada Landsat 8 Surface Reflectance (Engine, 2023d).
Panjang
Nama Min Max Scale Gelombang Deskripsi
(µm)
65455 Band 1 (ultra
blue, coastal
2.75e-
SR_B1 1 0.435-0.451 μm aerosol)
05
surface
reflectance
Panjang
(µm)
65455 Band 2 (blue)
2.75e-
SR_B2 1 0.452-0.512 μm surface
05
reflectance
65455 Band 3 (green)
2.75e-
05
reflectance
65455 Band 4 (red)
2.75e-
05
reflectance
65455 Band 5 (near
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
(µm)
65455
2.75e- Aerosol
SR_QA_AEROSOL 1 -
05 attributes
Surface Reflectance (SR) meningkatkan perbandingan antara

beberapa gambar di wilayah yang sama dengan memperhitungkan efek
atmosfer seperti hamburan aerosol dan awan tipis, yang dapat membantu
dalam mendeteksi dan mengkarakterisasi perubahan permukaan Bumi.
Pantulan permukaan adalah jumlah cahaya yang dipantulkan oleh
permukaan Bumi. Reflektansi permukaan adalah rasio dari pancaran
permukaan terhadap radiasi permukaan, dan dengan demikian tidak
memiliki satuan (USGS, 2023).
2.5. Pengolahan Citra
Studi mengenai kekeringan dilakukan menggunakan metode

penginderaan jauh. karena data penginderaan jauh dapat digunakan untuk
memantau kekeringan secara temporal. Pada penggunaan metode
penginderan jauh dalam mengamati kekeringan tersebut telah banyak
diterapkan salah satunya pada penelitian ini adalah dengan menggunakan
Satelit Landsat 8 dengan menggunakan teknik algoritma NDDI
(Normalized Difference Drought Index) (Aini et al., 2019). Nilai indeks
NDDI berasal dari kombinasi algoritma NDWI dan NDVI. NDWI
menekankan kebasahan vegetasi (Gu et al., 2007), dan NDVI mengukur
reflektansi yang terlihat dan dekat-inframerah dari kanopi vegetasi untuk
menunjukkan kekuatan (kesehatan, kehijauan) vegetasi (Koc et al., 2017).
2.5.1. Normalized Difference Vegetation Index
Indeks Vegetasi merupakan suatu bentuk transformasi spektral

yang diterapkan terhadap citra multisaluran untuk menonjolkan aspek
kerapatan vegetasi atau aspek lain yang berhubungan dengan
kerapatan, seperti biomassa, Leaf Area Index (LAI), konsentrasi
klorofil, dan seterusnya (Danoedoro, 2012). Indeks vegetasi
merangkum informasi yang terekam oleh band merah dan inframerah
dekat yaitu perubahan fenologi dan biomassa vegetasi, sekaligus
meningkatkan kontras (perbedaan dari nilai DN) permukaan tanah
kosong lembab dan tanah kosong kering (Jaya et al,. 2022).
Normalized Difference Vegetation Index (NDVI) merupakan
indikator grafis sederhana yang sering digunakan untuk menganalisis
pengukuran penginderaan jauh dan menilai apakah target yang
diamati memiliki vegetasi hijau atau tidak (Gupta et al., 2021). NDVI
merupakan kombinasi antara Teknik penisbahan dengan Teknik
pengurangan citra. Indeks vegetasi yang sederhana dan mempunyai
nilai range yang dinamis dan sensitive yang paling bagus terhadap
perubahan tutupan vegetasi (Jensen, 2005).
NDVI merupakan indeks vegetasi yang paling banyak
digunakan dan kegunaannya serta manfaatnya dalam penilaian satelit
dan pemantauan tutupan vegetasi global telah ditunjukkan dengan
baik selama dua dekade terakhir (Huete et al, 1994). Nilai perhitungan
NDVI memiliki kaitan yang erat dengan ketersediaan air atau
kelembaban, sehingga nilai NDVI memungkinkan untuk digunakan
sebagai dasar untuk mengidentifikasi daerah yang terkena kekeringan
(Shofiyati et al., 2002). Perhitungan NDVI dilakukan dengan
menggunakan rumus sebagai berikut.
𝑵𝑰𝑹−𝑹𝑬𝑫
NDVI =
𝑵𝑰𝑹+𝑹𝑬𝑫
Keterangan :
NDVI : Normalized Difference Vegetation Index
NIR : band near-infrared (B5)
RED : band merah (B4)
Forkel dkk (2013) menjelaskan bahwa nilai rata-rata NDVI

tahunan didapatkan dengan menghitung nilai NDVI rata-rata selama
periode satu tahun. Salah satu penelitian yang menggunakan nilai rata-
rata NDVI tahunan adalah penelitian yang dilakukan oleh Reeves M.
Fokeng pada tahun 2021 yang menggunakan NDVI rata-rata tahunan
dari citra landsat pada bulan bebas awan untuk memodelkan dinamika
degradasi vegetasi selama 37 tahun berdasarkan regresi Kuadrat
Terkecil Biasa (Ordinary Least Squares). Sharma dkk. (2018)
menyatakan bahwa hutan biasanya memiliki nilai NDVI rata-rata
tahunan yang lebih tinggi daripada jenis vegetasi lainnya, namun jenis
vegetasi seperti lahan pertanian mungkin memiliki nilai NDVI rata-
rata tahunan yang sama dengan hutan.
2.5.2. Normalized Difference Water Index
Normalized Difference Water Index (NDWI) merupakan

indeks yang menunjukkan tingkat kebasahan dari suatu area
(Tangibali, 2017). NDWI merupakan indeks turunan satelit dari
saluran NIR dan SWIR. Refleksi SWIR mencerminkan kandungan air
vegetasi dan struktur mesofil spons di kanopi vegetasi, sedangkan
refleksi NIR dipengaruhi oleh struktur internal daun dan kandungan
bahan kering daun tetapi tidak dipengaruhi oleh kandungan air.
Kombinasi NIR dan SWIR menghilangkan variasi yang disebabkan
oleh struktur internal daun serta kandungan bahan kering daun, hal ini
kemudian meningkatkan akurasi dalam mendapatkan kandungan air
vegetasi (Ceccato et al., 2001). Rumus yang digunakan adalah sebagai
berikut (Kurnia et al. 2019).
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)
NDWI merupakan indeks yang digunakan untuk

menggambarkan kebasahan pada suatu daerah menggunakan metode
penginderaan jauh. NDWI bisa menjadi indikator yang lebih sensitif
jika dibandingkan dengan NDVI untuk pemantauan kekeringan di
area yang luas, ini dikarenakan NDWI dipengaruhi oleh kekeringan
dan kelayuan pada kanopi vegetasi (Gu, et.al, 2006). Meskipun begitu,
Serrano dkk (2019) menjelaskan bahwa indeks air sensitif terhadap
perubahan kandungan air pada vegetasi. Oleh karena itu NDWI harus
dilihat bukan sebagai pengganti indeks NDVI tetapi sebagai metode
untuk melengkapinya, seperti yang diusulkan oleh Gao (1996). NDWI
sendiri memiliki hubungan saling terkait dalam analisis kekeringan
lahan NDDI, karena NDDI sendiri meurpakan rasio antara indeks
vegetasi NDVI dan indeks kebasahan NDWI.
NDWI diperoleh dengan menggunakan prinsip yang sama
dengan perhitungan NDVI (Tangibali, 2017). Dalam menganalisis
indeks kebasahan dengan citra landsat, band yang digunakan adalah
band Near Infrared (NIR) dan band Shortwave Infrared (SWIR)
(Kurnia et al. 2019). Nilai klasifikasi yang digunakan pada indeks ini
adalah -1 hingga 1, dimana nilai negative menggambarkan area yang
cenderung tidak basah atau merupakan non-badan air, hingga ke nilai
positif yang menunjukkan kebasahan yang lebih tinggi.
2.5.3. Normalized Difference Drought Index
NDDI (Normalized Difference Drought Index) merupakan

indeks yang berbasis satelit dan mampu menunjukkan geo-
meteorological complexity suatu lingkungan, di mana dalam hal ini
adalah untuk memantau dan mengidentifikasi kekeringan. Dalam
algoritma NDDI, nilai yang lebih tinggi menunjukkan kondisi
kekeringan (Julianto et al., 2021). NDDI merupakan indeks parameter
kekeringan yang menggabungkan indeks kehijauan NDVI dan indeks
kebasahan NDWI. Indeks ini merupakan salah satu dari banyak indeks
kekeringan yang digunakan untuk memantau kondisi kekeringan di
suatu wilayah. Perhitungan NDDI untuk memperoleh indeks
kekeringan dari suatu wilayah dilakukan dengan menggunakan rumus
sebagai berikut (Gu et al., 2007).
(𝑵𝑫𝑽𝑰−𝑵𝑫𝑾𝑰)
NDDI = (𝑵𝑫𝑽𝑰+𝑵𝑫𝑾𝑰)
Keterangan :
NDDI : Normalized Difference Drought Index
NDVI : Normalized Difference Vegetation Index
NDWI : Normalized Difference Water Index
III. METODE PENELITIAN
3.1. Waktu dan Tempat Penelitian
Penelitian dilaksanakan dari bulan April sampai Agustus di tahun

2023. Penelitian akan berfokus di DAS Tangka, Sulawesi Selatan, dan untuk
pengolahan data akan dilakukan di Laboratorium Perencanaan dan Sistem
Infromasi Kehutanan, Departemen Kehutanan, Fakultas Kehutanan
Universitas Hasanuddin.
Secara geografis, DAS Tangka berada di sebelah timur Kota
Makassar Secara administratif, DAS Tangka terletak pada tiga wilayah yaitu
Kabupaten Bone yang meliputi beberapa desa yaitu Desa Massangkae, Desa
Mallahae, Desa Waetuwo, Desa Pammusureng, Desa Bontojai, Desa
Abbumpungeng, Kabupaten Gowa yang meliputi beberapa desa yaitu
Kelurahan Pattapang, Desa Kanreapia, Desa Tonasa, Desa Mamampang,
dan Kabupaten Sinjai yang meliputi beberapa desa yaitu Kelurahan
Balangnipa, Desa Tompobulu, dan Desa Lamatti Riaja. Luas DAS Tangka
adalah 47.558,23 ha dengan Panjang sungai utama 32 km.
Gambar 5. Lokasi Penelitian.

3.2. Alat dan Bahan Penelitian
3.2.1. Alat
Alat yang digunakan dalam penelitian ini adalah :

1. Seperangkat alat komputer, sebagai alat yang digunakan untuk
memproses data dalam platform atau software.
2. Platform Google Earth Engine digunakan untuk memproses data
citra dengan cara memasukkan algoritma untuk melakukan proses
cloud computing serta proses NDVI, NDWI, dan NDDI.
3. Microsoft Office digunakan untuk mengolah data yang dihasilkan
dan membuat laporan.
4. Arcgis 10.8 digunakan untuk mengolah hasil identifikasi dari
GEE berupa data raster yang akan diolah melalui aplikasi ini.
3.2.2. Bahan
Adapun bahan yang digunakan dalam penelitian ini adalah

1. Citra Landsat 8 Level 2, Collection 2, Tier 1 Tahun 2013 – 2023
yang diperoleh dari Google Earth Engine.
2. Batas Administrasi DAS Tangka yang diperoleh dari Badan
Informasi Geospasial.
3. Batas Administrasi Desa/Kelurahan yang diperoleh dari Badan
Informasi Geospasial.
3.3. Prosedur Penelitian
Dalam penelitian ini, Google Earth Engine digunakan untuk

melakukan analisis nilai indeks kebasahan (NDWI), nilai indeks kehijauan
(NDVI) dimana kedua indeks ini kemudian akan digunakan untuk
menghasilkan nilai indeks kekeringan (NDDI). Data yang dihasilkan dari
platform ini kemudian akan diolah dengan menggunakan aplikasi software
ArcGIS 10.8.
3.4. Penyiapan Data
3.4.1. Cloud Masking
Penyiapan data dilakukan sebelum menghitung masing-

masing indeks yang dibutuhkan untuk melihat tingkat kekeringan.
Penyiapan data yang dilakukan berupa filtering data citra yang akan
digunakan. Data yang digunakan dalam penelitian ini adalah citra
Citra Landsat 8 Level 2, Collection 2, Tier 1. Kemudian dilanjutkan
dengan filter tutupan awan untuk menghilangkan awan dari citra.
Proses cloud masking dilakukan pada platform GEE dengan
menggunakan Code Editor yang berfungsi untuk Cloud Masking.
Gambar 6. Script Cloud Masking

Dalam skrip ini, fungsi pertama yang dibuat adalah proses
masking pada citra menggunakan fungsi maskL8sr. Sk perintah ini
bertujuan untuk menghilangkan piksel yang terhalang oleh awan dan
bayangan awan pada citra. Fungsi ini menggunakan band
QA_PIXEL untuk menciptakan mask yang akan menghilangkan
piksel yang terpengaruh awan dan bayangan dari awan. Skrip ini
membantu untuk menghilangkan awan yang ada dalam citra satelit
Landsat 8 Level 2, Collection 2, Tier 1 dan mempertahankan piksel
yang berisi data valid.
3.4.2. Scaling Factors
Setelah melakukan cloud masking, selanjutnya dilakukan

fungsi Scaling Factors. Fungsi ini mempengaruhi rentang nilai
piksel pada citra. Scaling Factors dilakukan untuk memperkecil nilai
pixel pada citra dan lebih mudah untuk di visualisasikan.
Gambar 7. Script Scaling Factors

3.4.3. Pemotongan Citra
Citra yang sudah di filter agar bersih dari awan kemudian
difilter lagi untuk memotong citra (clip) sesuai dengan batas area of
interest atau batas lokasi penelitian. Batas Administrasi DAS
Tangka yang diambil dari Badan Informasi Geospasial digunakan
dalam proses ini agar citra yang terpotong sesuai dengan batas
daerah objek penelitian. Kemudian citra ditampilkan di GEE untuk
melihat hasil processingnya.
Gambar 8. Skrip Citra dan Clip

Skrip ini digunakan untuk memanggil citra Landsat 8 Level
2, Collection 2, Tier 1 sekaligus memotong citra tersebut sesuai
dengan batas yang telah ditentukan.
3.5. Pengolahan Citra
3.5.1. Perhitungan Rata-Rata Normalized Difference Vegetation

Index
NDVI (Normalized Difference Vegetation Index) merupakan
parameter yang dibuat untuk melihat tingkat kehijauan dan aktivitas
fotosintesis vegetasi. NDVI dapat menunjukkan nilai parameter
seperti biomass dedaunan hijau yang dapat diperkirakan untuk
pembagian vegetasi (Bannari et al., 1995). Nilai-nilai yang
didapatkan dari algoritma NDVI dikelompokkan menjadi 5 kelas
klasifikasi yang dapat dilihat melalui tabel berikut.
Tabel 2. Klasifikasi Nilai NDVI (Lestari et al., 2018).
Kelas Nilai NDVI Keterangan
1 -1 s/d -0,03 Lahan tidak bervegetasi
2 -0,03 s/d 0,15 Kehijauan sangat rendah
3 0,15 s/d 0,25 Kehijauan rendah
4 0,25 s/d 0,35 Kehijauan sedang
5 0,35 s/d 1,00 Kehijauan tinggi
Untuk skrip yang digunakan adalah sebagai berikut.
Gambar 7. Skrip NDVI

Skrip ini merupakan skrip yang digunakan untuk
menghitung rata-rata nilai NDVI dari citra Landsat 8 Level 2,
Collection 2, Tier 1 di GEE. Dalam skrip ini, digunakan fungsi
.normalizedDifference() pada citra untuk menghitung NDVI.
3.5.2. Perhitungan Rata Rata Normalized Difference Water Index
Dalam menganalisis indeks kebasahan, band yang

digunakan adalah band inframerah dekat (NIR) dan band gelombang
pendek inframerah (SWIR1). Indeks kebasahan ini juga dapat
menunjukkan Normalized Difference Water Index (NDWI).
Algoritma NDWI ini dibuat dan dikembangkan oleh Gao (1996)
untuk menggambarkan badan air dari citra satelit (Prayoga, 2017).
Tabel 3. Klasifikasi Nilai NDWI (Prayoga, 2017).
Kelas Nilai NDWI Tingkat Kebasahan
1 -1 - 0 Non badan air
2 0 – 0,33 Kebasahan sedang
3 0,33 - 1 Kebasahan tinggi
Gambar 8. Skrip NDWI

Collection 2, Tier 1 di GEE. fungsi .normalizedDifference() juga
digunakan pada skrip ini untuk menghitung nilai NDWI pada citra.
3.5.3. Perhitungan Rata Rata Normalized Difference Drought Index
NDDI (Normalized Difference Drought Index) merupakan

indeks yang berbasis satelit dan mampu menunjukkan geo-
meteorological complexity suatu lingkungan, di mana dalam hal ini
adalah untuk memantau dan mengidentifikasi kekeringan. NDDI
menggabungkan parameter vegetasi kehijauan (NDVI) dan
kebasahan vegetasi (NDWI). Dalam algoritma NDDI, nilai yang
lebih tinggi menunjukkan kondisi kekeringan (Julianto, 2021).
Klasifikasi nilai NDDI diuraikan pada Tabel berikut.
Tabel 4 . Klasifikasi Nilai NDDI (Nepal et al., 2021).
Kelas Nilai NDDI
Sangat Rendah < -2
Rendah -2 – 0,7
Sedang 0,7 – 1,25
Tinggi 1,25 – 3
Sangat Tinggi >3
Gambar 9. Skrip NDDI

Collection 2, Tier 1 di GEE. fungsi .normalizedDifference() juga
digunakan pada skrip ini untuk menghitung nilai NDWI pada citra.
3.6. Analisis Data
Analisis yang digunakan adalah analisis deskriptif spasial multi-

temporal. Skrip pemograman NDVI, NDWI, dan NDDI yang sebelumnya
telah dibuat, digabung menjadi satu gabungan skrip pemograman pada GEE
dan kemudian pada tahap akhir dilakukan perhitungan luas area dari setiap
indeks citra yang telah dihasilkan untuk memperoleh gambaran yang lebih
jelas mengenai rata-rata tingkat kekeringan di sebaran wilayah penelitian
dalam rentang waktu 11 tahun yaitu tahun 2013 sampai tahun 2023. Luas
area akan dihitung dan dibagi berdasarkan kelas NDVI, NDWI, dan NDDI
yang dibuat, hasil kekeringan yang didapatkan kemudian dihitung kembali
luasnya untuk setiap desa yang wilayahnya berada di DAS Tangka. Dalam
perhitungan luas area ini, digunakan aplikasi Arcgis 10.8
IV. HASIL DAN PEMBAHASAN
4.1. Hasil Perhitungan Rata-Rata Normalized Difference Vegetation Index
Peta NDVI merupakan peta yang menunjukkan tingkat kehijauan

suatu tanaman dengan menggunakan indeks vegetasi. Peta ini diperoleh
dengan menghitung perbedaan antara reflektansi inframerah dekat (NIR)
dan refkeltan merah (Red) pada citra satelit atau drone. Proses analisis nilai
NDVI dilakukan di platform GEE dengan menggunakan fungsi
.normalizedDifference() pada citra Landsat 8 Level 2, Collection 2, Tier 1.
Berdasarkan hasil analisis yang telah dilakukan, didapatkan hasil tingkat
kehijauan di DAS Tangka sebagai berikut.
Gambar 10. Tingkat Kehijauan DAS Tangka di tahun 2013






Berdasarkan analisis rata-rata nilai NDVI yang dilakukan di
platform GEE, diperoleh hasil bahwa dari tahun 2013 sampai tahun 2023,
kehijauan tinggi mendominasi di wilayah Hulu dan tengah DAS Tangka.
Sedangkan wilayah hilir didominasi oleh kehijauan sangat rendah sampai
lahan yang tidak bervegetasi. untuk kelas lainnya cenderung memiliki luas
wilayah yang kecil, Untuk wilayah yang tidak teridentifikasi, ini terjadi
karena proses cloud masking yang dilakukan sebelumnya. Untuk luas area
dapat dilihat pada tabel berikut
Tabel 5. Luasan kehijauan NDVI tahun 2013 – 2021.
No Kelas Luas NDVI (ha)
NDVI 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
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
Peta NDWI merupakan peta yang menunjukkan kandungan air di

permukaan. Peta ini diperoleh dengan menghitung perbedaan antara
reflektansi inframerah dekat (NIR) dan inframerah gelombang dekat
(SWIR). Proses analisis nilai NDWI dilakukan di platform GEE dengan
menggunakan fungsi .normalizedDifference() pada citra Landsat 8 Level 2,
Collection 2, Tier 1. Berdasarkan hasil analisis yang telah dilakukan,
didapatkan hasil tingkat kebasahan di DAS Tangka sebagai berikut.
Gambar 21. Tingkat Kebasahan DAS Tangka di tahun 2013




Berdasarkan hasil analisis rata-rata nilai kebasahan NDWI yang
dilakukan di platform GEE, dapat dilihat bahwa tingkat kebasahan tinggi
mendominasi di daerah DAS Tangka, diikuti dengan tingkat kebasahan
sedang dan luas wilayah Non-badan air yang sangat kecil jika dibandingkan
dengan kedua tingkat kebasahan lainnya. Wilayah Non-badan air sebagian
besar terdapat di bagian hilir DAS Tangka sedangkan untuk tingkat
kebasahan tinggi dan tingkat kebasahan sedang berada di bagian hulu dan
bagian tengah dari DAS Tangka. Untuk luas dari tiap tingkat kebasahan
dapat di lihat pada tabel berikut.
Tabel 6. Luasan kebasahan NDWI tahun 2013 – 2021.
Kelas Luas NDWI (ha)

No
NDWI 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
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 :
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
Peta NDDI didapatkan setelah proses perhitugan rasio antara nilai

Normalized Difference Vegetation Index (NDVI) dan nilai rata-rata
Normalized Difference Water Index (NDWI). Proses analisis nilai NDWI
dilakukan di platform GEE dengan menggunakan fungsi
.normalizedDifference() pada citra Landsat 8 Level 2, Collection 2, Tier 1.
Berdasarkan hasil analisis yang telah dilakukan, didapatkan hasil tingkat
kekeringan di DAS Tangka sebagai berikut.
Gambar 32. Tingkat Kekeringan DAS Tangka di tahun 2013




Berdasarkan hasil analisis rata-rata nilai kekeringan NDDI yang
dilakukan di platform GEE, dapat dilihat bahwa sepanjang tahun 2013
hingga tahun 2023, sebagian besar wilayah DAS Tangka berada pada
tingkat kekeringan rendah, wilayah yang sebagian besar termasuk dalam
tingkatan ini merupakan wilayah yang berada di bagian hulu dan bagian
tengah dari DAS Tangka, sedangkan untuk tingkatan kekeringan sedang,
tinggi dan sangat tinggi berada di wilayah hilir DAS Tangka. Untuk luas
dari tiap tingkat kekeringan dapat dilihat pada tabel berikut.
Tabel 6. Luasan kekeringan NDDI tahun 2013 – 2021.
No Kelas Luas NDDI (ha)
NDDI 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
1. TT 26,10 22,78 22,95 20,73 126.61 21,81 26.70 19,70 38,91 19,20 215,97
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 :
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
Ada 47 desa baik sebagian atau seluruh wilayahnya masuk di

wilayah DAS Tangka. Mengacu pada Katalog Desa/Kelurahan Rawan
Kekeringan yang dibuat oleh BNPB pada tahun 2019. terdapat 22 desa
rawan kekeringan tingkat sedang yang sebagian wilayahnya masuk di
wilayah DAS Tangka.
Daftar desa tersebut dapat dilihat pada tabel berikut :
Tabel 8, Daftar Desa Kategori Rawan Kekeringan (BNPB, 2019).
Daftar Desa kategori Rawan Kekeringan menurut BNPB (2019)
Barania Lappa
Bolaromang Tamaona
Erelembang Tassililu
Gunung Perak Kompang
Kanreapia Lamatti Riawang
Balangnipa Pao
Bongki Pattongko
Terasa Tonasa
Turungan Baji Abbumpungeng
Bana Bontojai
Kahu Pammusureng
Berdasarkan perhitungan luas yang dilakukan dan melakukan
perbandingan pada rata-rata kekeringan di tahun 2016 pada wilayah desa di DAS
Tangka. didapatkan hasil sebagai berikut.
Tabel 9. Luasan kekeringan NDDI pada wilayah Desa tahun 2019.
Luas NDDI (ha)

No Nama Desa
TT SR R S T ST
1. Barania 0,05 0 180,29 1,51 0 0
2. Bolaromang 0 0 963,18 8,05 0,06 0
3. Bonto Salama 0 0 1561,29 17,28 0,30 0,18
4. Bulu Tellue 0,03 0 2065,19 72,05 1,52 0
5. Duampanuae 0 0,02 1123,02 29,50 0,06 0,02
6. Erelembang 0,07 0 1901,19 75,49 2,30 0
7. Gunung Perak 0,20 0 1419,00 6,29 0 0
8. Kanreapia 0,86 0,89 2712,39 138,98 13,72 1,43
9. Alehanuae 0,44 0 70,77 69,03 36,69 0,79
10. Balakia 0 0 362,15 1,83 0,35 0,18
11. Balangnipa 0,05 1,36 38,09 49,89 26,60 6,11
12. Bongki 0,48 1,72 207,95 77,27 10,28 1,84
13. Lamatti Rilau 0,61 1,37 246,83 91,68 41,54 0,91
14. Lappa 0,33 26,14 340,23 70,91 47,80 33,97
15. Pattapang 1,11 0,09 283,00 75,91 6,74 0,51
16. Tamaona 0 0 831,67 129,51 29,53 0,15
17. Tassililu 0 0,36 786,62 13,56 1,07 0,62
18. Kompang 0 0 64,92 0 0 0
19. Lamatti Riaja 0,70 0 398,80 47,70 5,55 0
20. Lamatti Riattang 0,06 0 804,35 49,24 3,18 0
21. Lamatti Riawang 0 0 1099,04 104,67 5,56 0
22. Lappacinrana 0 0,02 491,86 28,95 0,75 0
23. Mamampang 0 0 664,63 12,25 0 0
24. Pao 0 0 1967,40 11,59 0,32 0
25. Pattongko 0 0 133,78 0,06 0 0
Luas NDDI (ha)
No Nama Desa 2019
TT SR R S T ST
26. Ta’binjai 0 0 2810,33 4,05 0 0
27. Terasa 0 0 4059,67 27,97 0,13 0
28. Tompobulu 0 0 2914,84 66,23 4,05 0
29. Tonasa 0,08 0 1828,53 192,24 13,91 0,27
30. Turungan Baji 0 0 1390,93 14,15 0,21 0
31. Arabika 0 0,09 1162,84 4,83 0,62 0,27
32. Balassuka 0 0 1026,96 19,86 1,25 0
33. Abbumpungeng 0 0 490,95 27,73 0,80 0
34. Bana 0,09 0 2503,41 48,56 1,16 0
35. Bontojai 0,46 0 1562,31 17,67 0,49 0
36. Buareng 0,56 2,59 221,19 32,36 1,29 0,53
37. Bulu Sirua 0,16 0 1588,14 48,06 1,05 0
38. Bulu Tanah 0 0 108,08 4,93 0,30 0
39. Kahu 0,01 0 96,08 0,04 0 0
40. Lalepo 0,43 0 282,30 13,11 0,27 0
41. Lemo 0,45 0 202,64 26,17 0,29 0
42. Mallahae 0,14 2,38 13,78 1,26 0,10 0,36
43. Massangkae 0,26 26,67 245,95 65,00 21,70 18,78
44. Pammusureng 0,50 0 817,85 10,41 0,96 0
45. Pasaka 0,38 0 232,98 6,79 0,09 0
46. Raja 0,60 0,32 599,69 58,60 1,63 0,07
47. Waetuo 0,17 0 311,82 20,31 0,18 0
Keterangan :
SR : Sangat Rendah
R : Rendah
S : Sedang
T : Tinggi
ST : Sangat Tinggi
Berdasarkan data tabel diatas, dapat dilihat bahwa setiap desa yang masuk
di wilayah DAS Tangka masih didominasi oleh Kekeringan tingkat rendah
berdasarkan indeks NDDI. Meskipun begitu, ada sebagian kecil dari wilayah desa
yang mengalami kekeringan tingkat sedang hingga tingkat kekeringan sangat tinggi
di tahun 2019 berdasarkan indeks NDDI. Beberapa desa yang secara keseluruhan
wilayahnya masuk di DAS Tangka dan juga ada di daftar desa kategori rawan
kekeringan seperti Kanreapia, Tamaona, Lamatti Riawang dan Bana teridentifikasi
mempunyai luas wilayah kekeringan tingkat sedang yang cukup luas. Terdapat juga
desa yang wilayahnya masuk di DAS Tangka tetapi sebagian besar wilayahnya
tidak mengalami kekeringan seperti Bolaromang, Turungan Baji, Tassililu, dan
Abbumpungeng.
Desa yang wilayah nya hanya sebagian berada di DAS Tangka juga
teridentifikasi ada yang mengalami kekeringan seperti desa Erelembang,
Balangnipa, Bongki, dan Lappa. Selain itu, terdapat juga desa yang tidak berada
dalam daftar desa rawan kekeringan tetapi teridentfikasi mengalami kekeringan
tingkat dengan luas wilayah yang cukup besar seperti Desa Bulu Tellue, Alehanuae,
Pattapang, Massangkae, Raja, Tompobulu, dan Desa Lappa yang memiliki luas
cukup tinggi untuk kelas kekeringan sangat tinggi.
V. KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan penelitian yang telah dilakukan, dapat ditarik

kesimpulan bahwa :
1. Dari proses perhitungan rata-rata nilai NDDI dan pemetaan tingkat
kekeringan yang dilakukan. Diperoleh hasil bahsa sepanjang tahun
2013 – 2023, Wilayah Daerah Aliran Sungai Tangka didominasi oleh
wilayah dengan tingkat kekeringan rendah. Sebagian besar wilayah
yang masuk dalam tingkatan ini merupakan wilayah hulu dan wilayah
bagian tengah dari Daerah Aliran Sungai Tangka. Dan untuk bagian
hilir tetap didominasi oleh tingkat kekeringan rendah, diikuti oleh
tangkat kekeringan sedang, tingkat kekeringan tinggi dan tingkat
kekeringan sangat tinggi.
2. Dari proses perhitungan luas persebaran dari tingkat rata-rata
kekeringan yang terjadi di Daerah Aliran Sungai Tangka, terjadi
perubahan luas wilayah yang mengalami kekeringan tiap tahunnya, dari
tahun 2013 hingga tahun 2023, sebagian besar wilayah Daerah Aliran
Sungai Tangka teridentifikasi tidak mengalami kekeringan yang berat
pada bagian Hulu dan bagian tengah Daerah Aliran Sungai Tangka. Dan
untuk daerah hilir, terdapat wilayah yang masuk dalam tingkatan
kekeringan sedang, tingkat kekeringan tinggi, hingga tingkat
kekeringan sangat tinggi dengan luas wilayah yang cukup luas.
5.2. Saran
Peran masyarakat sangat diperlukan untuk mempertahankan agar

tingkat kekeringan di Daerah Aliran Sungai Tangka tetap rendah. Beberapa
cara yang dapat dilakukan terutama untuk wilayah yang memiliki tingkat
kekeringan tinggi seperti pengelolaan sumber daya air yang baik. Selain itu,
untuk meningkatkan ketersediaan air di wilayah tersebut, dapat dilakukan
penghijauan dengan menanam pohon dan tanaman di sekitar wilayah yang
berpotensi mengalami kekeringan.
DAFTAR PUSTAKA
Acharya, T.D. and Yang, I. (2015) ‘Exploring Landsat 8 Remote Sensing and
Artificial Intelligence Techniques for Ecological-Environment Quality
(EEQ) View project Artificial Intelligence and Earth Observation in
Support of the UN Sustainable Development Goals View project
Exploring Landsat’, In International Journal of IT, Engineering and
Applied Sciences Research, 4, pp. 4–10.
AghaKouchak, A. et al. (2015) ‘Remote sensing of drought: Progress, challenges
and opportunities’, Reviews of Geophysics. Blackwell Publishing Ltd, pp.
452–480. Available at: https://doi.org/10.1002/2014RG000456.
Aini, R.N., Saraswati, R. and Wibowo, A. (2019) ‘Pola Sebaran Kekeringan Lahan
Pertanian Kabupaten Serang Dengan Menggunakan Algoritma NDDI’,
Prosiding Simposium Informasi Infrastruktur Geospasial [Preprint].
Amani, M. et al. (2020) ‘Google Earth Engine Cloud Computing Platform for
Remote Sensing Big Data Applications: A Comprehensive Review’, IEEE
Journal of Selected Topics in Applied Earth Observations and Remote
Sensing, 13, pp. 5326–5350. Available at:
https://doi.org/10.1109/JSTARS.2020.3021052.
Aprilliyanti, T. and Zainuddin, M. (2017) ‘Pemetaan Potensi Kekeringan Lahan se-
pulau Batam menggunakan Teknik Sistem Informasi Geografis (SIG) dan
Penginderaan Jauh’, Majalah Geografi Indonesia, 31(1), p. 90. Available
at: https://doi.org/10.22146/mgi.24251.
Awangga, R.M. (2017) Pengantar Sistem Informasi Geografis, Konsep Dasar dan
Aplikasi Pembangun SIG. Bandung.

Bannari, A. et al. (1995) ‘A review of vegetation indices’, Remote Sensing Reviews,
13(1–2), pp. 95–120. Available at:
https://doi.org/10.1080/02757259509532298.
Dong, J. et al. (2016) ‘Mapping paddy rice planting area in northeastern Asia with
Landsat 8 images, phenology-based algorithm and Google Earth Engine’,
Remote Sensing of Environment, 185, pp. 142–154. Available at:
https://doi.org/10.1016/j.rse.2016.02.016.
Engine, G.E. (2023a) Client Vs. Server, Guides. Available at:
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
Data Catalog. Available at: https://developers.google.com/earth-
engine/datasets/catalog/LANDSAT_LC08_C02_T1_L2.
Flanagan, D. (2020) Javascript : The Definitive Guide. 7th edn. United States Of
America: O’Reilly Media, Inc.
Gorelick, N. et al. (2017) ‘Google Earth Engine: Planetary-scale geospatial analysis
for everyone’, Remote Sensing of Environment, 202, pp. 18–27. Available
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’,
Geophysical Research Letters, 34(6), p. L06407. Available at:

https://doi.org/10.1029/2006GL029127.
Julianto, F.D. (2021) ‘Analisis Sebaran Potensi Kekeringan Dengan Cloud
Computing Platform di Kabupaten Grobogan’, Jurnal Ilmiah Geomatika,
1(1), pp. 22–30. Available at: https://doi.org/10.31315/imagi.v1i1.4730.
Koc, C.B. et al. (2017) ‘A Methodological Framework to Assess the Thermal
Performance of Green Infrastructure Through Airborne Remote Sensing’,
Procedia Engineering, 180, pp. 1306–1315. Available at:
https://doi.org/10.1016/j.proeng.2017.04.293.
Lestari, M. et al. (2018) ‘Analisis Daerah Rawan Banjir Pada Daerah Aliran Sungai
Tuntang Menggunakan Skoring dan Inverse Distance Weighted’,
Indonesian Journal of Computing and Modeling, 1, pp. 1–9. Available at:
https://doi.org/https://doi.org/10.24246/icm.v4i1.4615.
Linés, C., Werner, M. and Bastiaanssen, W. (2017) ‘The predictability of reported
drought events and impacts in the Ebro Basin using six different remote
sensing data sets’, Hydrology and Earth System Sciences, 21(9), pp. 4747–
4765. Available at: https://doi.org/10.5194/hess-21-4747-2017.
Mateo-García, G. et al. (2018) ‘Multitemporal Cloud Masking in the Google Earth
Engine’, Remote Sensing, 10(7), p. 1079. Available at:
https://doi.org/10.3390/rs10071079.
Mujtahiddin, M.I. (2014) ‘Analisis Spasial Indeks Kekeringan Kabupaten
Indramayu’, Jurnal Meteorologi dan Geofisika, 15(2). Available at:
https://doi.org/10.31172/jmg.v15i2.179.
Nepal, S., Tripathi, S. and Adhikari, H. (2021) ‘Geospatial approach to the risk
assessment of climate-induced disasters (drought and erosion) and impacts

on out-migration in Nepal’, International Journal of Disaster Risk
Reduction, 59, p. 102241. Available at:
https://doi.org/10.1016/j.ijdrr.2021.102241.
Nisarto, W.. F. (2016) Pemetaan Kerawanan Banjir Daerah Aliran Sungai Tangka.
Universitas Hasanuddin.
Perdana, A.M.P. et al. (2022) ‘Analisis Spasio-temporal Kekeringan Pada Lahan
Sawah di Lampung Selatan Berbasis Pengolahan Normalized Difference
Drought Index Pada Citra Satelit Landsat 8’, Jurnal Geosains dan Remote
Sensing, 3(1), pp. 1–9. Available at:
https://doi.org/10.23960/jgrs.2022.v3i1.65.
Prayoga, M.P. (2017) Analisis Spasial Tingkat Kekeringan Wilayah Berbasis
Penginderaan Jauh Dan Sistem Informasi Geografis (Studi Kasus :
Kabupaten Tuban). Institut Teknologi Sepuluh Nopember.
Purwadhi, F.S.H. (2001) Interpretasi Citra Digital. Jakarta: PT. Grasindo.
Raharjo, P.D. (2011) ‘Teknik Penginderaan Jauh Dan Sistem Informasi Geografis
Untuk Identifikasi Potensi Kekeringan’, MAKARA of Technology Series,
14(2). Available at: https://doi.org/10.7454/mst.v14i2.700.
Rahman, F., Sukmono, A. and Yuwono, B.D. (2017) ‘Analisis Kekeringan Pada
Lahan Pertanian Menggunakan Metode NDDI dan Perka BNPB Nomor 02
Tahun 2012 (Studi Kasus : Kabupaten Kendal Tahun 2015)’, Jurnal
Geodesi UNDIP, 6(4), pp. 274–284.
Shidqi, F., Hayati, N. and Bioresita, F. (2021) ‘Identifikasi Daerah Kekeringan
dengan Menggunakan Temperature Vegetation Index (TVDI) dan Landsat
8’, Jurnal Teknik ITS, 10(1). Available at:

https://doi.org/10.12962/j23373539.v10i1.61122.
Sidhu, N., Pebesma, E. and Câmara, G. (2018) ‘Using Google Earth Engine to
detect land cover change: Singapore as a use case’, European Journal of
Remote Sensing, 51(1), pp. 486–500. Available at:
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.
Sukoco, B. (2022) ‘Kajian Pemanfaatan Teknologi Google Earth Engine Untuk
Bidang Penginderaan Jauh’, Jurnal Penelitian Geografi [Preprint].
Available at: https://doi.org/10.23960/jpg.v10.i2.24219.
Tsai, Y. et al. (2018) ‘Mapping Vegetation and Land Use Types in Fanjingshan
National Nature Reserve Using Google Earth Engine’, Remote Sensing,
10(6), p. 927. Available at: https://doi.org/10.3390/rs10060927.
USGS (2023) Landsat Collection 2 Surface Reflectance, Landsat Missions.
Available at: https://www.usgs.gov/landsat-missions/landsat-collection-2-
surface-reflectance.
Wibisana, M.I. (2017) Analisis Kebutuhan Pengairan Kawasan Pertanian
Berdasar Bencana Kekeringan Di Kabupaten Lamongan Berbasis Sistem
Informasi Geografis (SIG). Institut Teknologi Sepuluh Nopember.
Wibowo, K.M., Kanedi, I. and Jumadi, J. (2015) ‘Sistem Informasi Geografis (SIG)
Menentukan Lokasi Pertambangan Batu Bara Di Provinsi Bengkul
Berbasis Website’, Jurnal Media Infotama, 11(11), pp. 51–60. Available
at: https://doi.org/https://doi.org/10.37676/jmi.v11i1.252.
LAMPIRAN
Tabel 10. Luas Kekeringan Pada Wilayah Desa Tahun 2013.
Desa Keterangan Luas Kekeringan
Barania Rendah 181.33
Barania Sedang 0.54
Bolaromang Rendah 965.06
Bolaromang Sedang 6.22
Bonto Salama Rendah 1554.27
Bonto Salama Sedang 23.60
Bonto Salama Tinggi 1.18
Bulu Tellue Rendah 2128.61
Bulu Tellue Sedang 10.25
Duampanuae Rendah 1147.62
Duampanuae Sedang 4.98
Duampanuae Tinggi 0.03
Erelembang Rendah 1927.46
Erelembang Sedang 50.88
Erelembang Tidak Teridentifikasi 0.00
Erelembang Tinggi 0.73
Gunung Perak Rendah 1421.12
Gunung Perak Sedang 4.58
Kanreapia Rendah 2792.28
Kanreapia Sangat Rendah 0.32

Kanreapia Sangat Tinggi 1.11
Kanreapia Sedang 65.87
Kanreapia Tinggi 8.93
Alehanuae Rendah 72.53
Alehanuae Sangat Tinggi 0.06
Alehanuae Sedang 84.44
Alehanuae Tinggi 21.13
Balakia Rendah 364.00
Balakia Sedang 0.52
Balangnipa Rendah 56.38
Balangnipa Sangat Rendah 0.80
Balangnipa Sangat Tinggi 4.10
Balangnipa Sedang 47.69
Balangnipa Tinggi 13.16
Bongki Rendah 267.85
Bongki Sangat Rendah 0.42
Bongki Sangat Tinggi 1.63
Bongki Sedang 27.70
Bongki Tinggi 2.21
Lamatti Rilau Rendah 344.58
Lamatti Rilau Sangat Rendah 0.48
Lamatti Rilau Sangat Tinggi 0.22

Lamatti Rilau Sedang 36.37
Lamatti Rilau Tinggi 1.45
Lappa Rendah 423.57
Lappa Sangat Rendah 20.98
Lappa Sangat Tinggi 16.05
Lappa Sedang 35.77
Lappa Tinggi 23.07
Pattapang Rendah 333.15
Pattapang Sangat Rendah 0.09
Pattapang Sangat Tinggi 0.09
Pattapang Sedang 32.24
Pattapang Tinggi 2.41
Tamaona Rendah 853.15
Tamaona Sedang 123.82
Tamaona Tinggi 13.90
Tassililu Rendah 794.92
Tassililu Sangat Rendah 0.09
Tassililu Sangat Tinggi 0.15
Tassililu Sedang 6.67
Tassililu Tinggi 0.41
Kompang Rendah 64.92
Lamatti Riaja Rendah 428.26

Lamatti Riaja Sangat Rendah 0.04
Lamatti Riaja Sedang 23.18
Lamatti Riaja Tinggi 1.51
Lamatti Riattang Rendah 809.98
Lamatti Riattang Sedang 44.08
Lamatti Riattang Tinggi 2.95
Lamatti Riawang Rendah 1196.64
Lamatti Riawang Sangat Rendah 0.06
Lamatti Riawang Sedang 12.32
Lamatti Riawang Tinggi 0.26
Lappacinrana Rendah 512.90
Lappacinrana Sangat Rendah 0.09
Lappacinrana Sedang 8.56
Lappacinrana Tinggi 0.04
Mamampang Rendah 665.35
Mamampang Sedang 11.54
Pao Rendah 1975.71
Pao Sedang 3.61
Pattongko Rendah 133.84
Ta'binjai Rendah 2809.55
Ta'binjai Sedang 4.69
Ta'binjai Tinggi 0.15

Terasa Rendah 4051.68
Terasa Sangat Tinggi 0.33
Terasa Sedang 22.33
Terasa Tinggi 13.43
Tompobulu Rendah 2976.42
Tompobulu Sedang 8.66
Tompobulu Tinggi 0.06
Tonasa Rendah 1892.27
Tonasa Sangat Tinggi 0.09
Tonasa Sedang 139.29
Tonasa Tinggi 3.48
Turungan Baji Rendah 1398.11
Turungan Baji Sedang 7.19
Arabika Rendah 1165.48
Arabika Sedang 2.94
Arabika Tinggi 0.24
Balassuka Rendah 1022.11
Balassuka Sedang 25.64
Balassuka Tinggi 0.33
Abbumpungeng Rendah 514.51
Abbumpungeng Sangat Rendah 0.18
Abbumpungeng Sedang 4.80

Bana Rendah 2531.65
Bana Sedang 21.11
Bana Tidak Teridentifikasi 0.00
Bana Tinggi 0.48
Bontojai Rendah 1580.25
Bontojai Sedang 0.69
Bontojai Tinggi 0.01
Buareng Rendah 245.04
Buareng Sangat Rendah 2.00
Buareng Sangat Tinggi 1.16
Buareng Sedang 9.59
Buareng Tinggi 1.23
Bulu Sirua Rendah 1633.14
Bulu Sirua Sedang 4.52
Bulu Sirua Tidak Teridentifikasi 0.00
Bulu Tanah Rendah 111.31
Bulu Tanah Sedang 2.02
Kahu Rendah 96.24
Lalepo Rendah 290.91
Lalepo Sedang 5.43
Lemo Rendah 227.38
Lemo Sangat Rendah 0.21

Lemo Sedang 2.00
Lemo Tinggi 0.06
Mallahae Rendah 15.14
Mallahae Sangat Rendah 1.12
Mallahae Sangat Tinggi 0.76
Mallahae Sedang 0.43
Mallahae Tinggi 0.71
Massangkae Rendah 309.78
Massangkae Sangat Rendah 25.45
Massangkae Sangat Tinggi 18.63
Massangkae Sedang 14.20
Massangkae Tinggi 10.60
Pammusureng Rendah 829.49
Pammusureng Sedang 0.30
Pammusureng Tidak Teridentifikasi 0.00
Pasaka Rendah 239.44
Pasaka Sedang 0.82
Raja Rendah 636.98
Raja Sangat Rendah 0.30
Raja Sedang 22.48
Raja Tinggi 1.33
Waetuo Rendah 321.41

Waetuo Sedang 11.38
Barania Sedang 1635.02
Barania Tidak Teridentifikasi 22.78
Bolaromang Tinggi 135.99
Bulu Tellue Tidak Teridentifikasi 22.78
Bulu Tellue Tinggi 135.99
Duampanuae Sangat Rendah 55.73

Gunung Perak Tidak Teridentifikasi 22.78
Gunung Perak Tinggi 135.99
Kanreapia Tidak Teridentifikasi 22.78
Alehanuae Tidak Teridentifikasi 22.78
Balakia Sedang 1635.02
Balakia Tinggi 135.99

Balangnipa Tidak Teridentifikasi 22.78
Bongki Sedang 1635.02
Bongki Tidak Teridentifikasi 22.78
Bongki Tinggi 135.99
Lamatti Rilau Tidak Teridentifikasi 22.78
Lappa Rendah 45710.47
Lappa Sedang 1635.02
Lappa Tidak Teridentifikasi 22.78
Lappa Tinggi 135.99

Pattapang Tidak Teridentifikasi 22.78
Lamatti Riaja Tidak Teridentifikasi 22.78
Lamatti Riattang Tidak Teridentifikasi 22.78

Pao Rendah 45710.47
Pao Sedang 1635.02
Pattongko Sedang 1635.02
Terasa Sedang 1635.02
Terasa Tinggi 135.99

Tonasa Tidak Teridentifikasi 22.78
Tonasa Tinggi 135.99
Turungan Baji Sangat Rendah 55.73
Turungan Baji Sangat Tinggi 21.94
Turungan Baji Tinggi 135.99
Arabika Sangat Rendah 55.73
Arabika Sangat Tinggi 21.94
Arabika Sedang 1635.02
Arabika Tinggi 135.99
Abbumpungeng Sangat Tinggi 21.94

Abbumpungeng Tinggi 135.99
Bana Rendah 45710.47
Bana Sedang 1635.02
Bana Tinggi 135.99
Buareng Sedang 1635.02
Buareng Tidak Teridentifikasi 22.78
Buareng Tinggi 135.99
Bulu Sirua Tinggi 135.99
Bulu Tanah Sangat Rendah 55.73
Bulu Tanah Tinggi 135.99

Kahu Rendah 45710.47
Kahu Tidak Teridentifikasi 22.78
Lalepo Sedang 1635.02
Lalepo Tidak Teridentifikasi 22.78
Lalepo Tinggi 135.99
Lemo Rendah 45710.47
Lemo Sangat Tinggi 21.94
Lemo Sedang 1635.02
Lemo Tidak Teridentifikasi 22.78
Lemo Tinggi 135.99
Mallahae Tidak Teridentifikasi 22.78
Massangkae Tidak Teridentifikasi 22.78

Pasaka Sangat Rendah 55.73
Pasaka Sedang 1635.02
Pasaka Tidak Teridentifikasi 22.78
Pasaka Tinggi 135.99
Raja Rendah 45710.47
Raja Sedang 1635.02
Raja Tidak Teridentifikasi 22.78
Raja Tinggi 135.99
Waetuo Sedang 1635.02
Waetuo Tidak Teridentifikasi 22.78
Waetuo Tinggi 135.99

Barania Sedang 0.53

Balakia Sedang 0.44
Bongki Sedang 70.94

Bongki Tinggi 5.61
Lappa Rendah 405.76
Lappa Sedang 47.99
Lappa Tinggi 31.42
Tamaona Tinggi 6.54

Pao Rendah 1976.36
Pao Sedang 2.78

Pao Tinggi 0.18
Terasa Sedang 4.42
Terasa Tinggi 0.09
Tonasa Sedang 94.27
Tonasa Tinggi 2.48
Arabika Sedang 0.67
Arabika Tinggi 0.09

Bana Rendah 2535.22
Bana Sedang 17.76
Bana Tinggi 0.15
Buareng Tinggi 0.56

Bulu Tanah Tidak Teridentifikasi 0.06
Kahu Rendah 95.54
Kahu Sedang 0.60
Lalepo Sedang 0.81
Lemo Rendah 197.62
Lemo Sedang 31.06
Lemo Tinggi 0.51

Pasaka Sedang 8.77
Pasaka Tinggi 0.09
Raja Rendah 645.06
Raja Sedang 15.45
Raja Tinggi 0.06
Waetuo Sedang 17.26
Waetuo Tinggi 0.77
Barania Sedang 0.06

Bolaromang Tidak Teridentifikasi 0.66

Balakia Tinggi 0.09
Balakia Sedang 0.28
Bongki Tinggi 1.69
Bongki Sedang 7.95

Lappa Tinggi 26.78
Lappa Rendah 405.55
Lappa Sedang 35.69
Tamaona Tinggi 0.34
Tamaona Sedang 4.14

Lappacinrana Sangat Tinggi 0.00
Pao Rendah 1979.08
Pao Sedang 0.12
Pao Tidak Teridentifikasi 0.02

Ta'binjai Tidak Teridentifikasi 0.24
Terasa Sedang 0.24
Tonasa Tinggi 0.09
Tonasa Sedang 5.00
Arabika Tinggi 0.15
Arabika Sedang 0.92

Bana Rendah 2552.14
Bana Sedang 0.64
Bontojai Tidak Teridentifikasi 0.09
Buareng Tinggi 0.21
Buareng Sedang 0.29
Kahu Rendah 96.24
Lemo Rendah 229.49

Raja Rendah 660.31
Raja Sangat Tinggi 0.05
Raja Sedang 0.12

Waetuo Sedang 0.79
Barania Sedang 0.37
Bonto Salama Tidak Teridentifikasi 0.12

Balakia Sedang 0.87

Bongki Tinggi 2.60
Bongki Sedang 32.29
Lappa Tinggi 37.65
Lappa Rendah 385.11
Lappa Sedang 53.18

Tamaona Tinggi 0.65
Tamaona Sangat Tinggi 0.18

Pao Rendah 1960.10
Pao Sedang 0.87
Terasa Tinggi 0.18
Terasa Sedang 2.18
Terasa Tidak Teridentifikasi 0.49
Tonasa Tinggi 0.42

Tonasa Sedang 37.12
Turungan Baji Tidak Teridentifikasi 0.06
Arabika Tinggi 0.41
Arabika Sedang 2.71
Bana Rendah 2530.13
Bana Sedang 22.65

Buareng Tinggi 0.78
Kahu Rendah 96.24
Lalepo Sedang 1.25
Lemo Rendah 225.91
Lemo Sedang 3.55

Pasaka Sedang 0.36
Raja Rendah 653.15
Raja Sedang 7.68
Waetuo Tinggi 0.32
Waetuo Sedang 26.66

Barania Sedang 0.86
Bonto Salama Sangat Tinggi 0.09

Balakia Sangat Tinggi 0.09
Balakia Sedang 1.11
Balakia Tinggi 0.18

Bongki Sedang 20.19
Bongki Tinggi 3.99
Lappa Rendah 375.24
Lappa Sedang 42.76
Lappa Tinggi 41.51

Tamaona Tinggi 1.47

Pao Rendah 1977.92
Pao Sedang 1.39
Ta'binjai Sangat Rendah 0.00
Terasa Sedang 11.46
Terasa Tinggi 1.23

Tonasa Sedang 61.17
Tonasa Tinggi 0.63
Arabika Sedang 2.41
Arabika Tinggi 0.63
Bana Rendah 2538.11
Bana Sedang 14.96
Bana Tinggi 0.09

Buareng Sedang 4.54
Buareng Tinggi 0.27
Kahu Rendah 96.11
Kahu Sedang 0.06
Lalepo Sedang 0.29
Lemo Rendah 227.59

Lemo Sedang 1.52
Pasaka Sedang 2.96
Raja Rendah 653.85

Raja Sedang 6.17
Waetuo Sedang 3.27
Waetuo Tinggi 0.09
Barania Sedang 1.52

Bulu Tellue Tinggi 1.52
Duampanuae Sangat Tinggi 0.02

Balakia Sedang 1.84
Balakia Tinggi 0.36
Bongki Sedang 77.28
Bongki Tinggi 10.28

Lappa Rendah 340.23
Lappa Sedang 70.92
Lappa Tinggi 47.80

Pao Rendah 1967.40

Pao Sedang 11.59
Pao Tinggi 0.32
Terasa Sedang 27.97
Terasa Tinggi 0.13
Tonasa Tinggi 13.91

Arabika Sedang 4.83
Arabika Tinggi 0.62
Bana Rendah 2503.42
Bana Sedang 48.56
Bana Tinggi 1.17

Buareng Tinggi 1.30
Kahu Rendah 96.08
Kahu Sedang 0.04
Lalepo Sedang 13.11
Lalepo Tinggi 0.27
Lemo Rendah 202.64
Lemo Sedang 26.17
Lemo Tinggi 0.29

Pammusureng Tinggi 0.96
Pasaka Sedang 6.80
Pasaka Tinggi 0.09
Raja Rendah 599.69
Raja Sedang 58.61

Raja Tinggi 1.63
Waetuo Sedang 20.31
Waetuo Tinggi 0.18
Barania Sedang 1.62

Balakia Sedang 2.30

Balakia Tinggi 0.36
Bongki Sedang 15.34
Bongki Tinggi 3.72
Lappa Rendah 368.33

Lappa Sedang 37.94
Lappa Tinggi 42.07
Tamaona Tinggi 0.59

Lamatti Riattang Sangat Tinggi 0.02
Pao Rendah 1979.20
Ta'binjai Sangat Rendah 0.00
Terasa Sedang 1.21
Tompobulu Sangat Rendah 0.06

Tonasa Sedang 12.47
Tonasa Tinggi 0.13
Arabika Sedang 2.83
Arabika Tinggi 1.04
Bana Rendah 2551.84
Bana Sedang 0.94

Buareng Sedang 1.67
Buareng Tinggi 0.09
Kahu Rendah 96.24
Lalepo Sangat Rendah 0.16
Lemo Rendah 228.92
Lemo Sedang 0.12

Pasaka Sedang 0.11
Raja Rendah 659.17
Raja Sedang 0.09

Waetuo Sedang 1.50
Waetuo Tinggi 0.15
Barania Sedang 1.22
Bolaromang Tidak Teridentifikasi 0.99

Alehanuae Sangat Rendah 0.09
Balakia Sedang 2.17

Balakia Tinggi 0.27
Bongki Sedang 16.06
Bongki Tinggi 4.71
Lappa Rendah 371.32

Lappa Sedang 43.65
Lappa Tinggi 43.66
Tamaona Sedang 8.57
Tamaona Tidak Teridentifikasi 0.12
Tamaona Tinggi 0.45
Lamatti Riaja Sangat Tinggi 0.26

Lamatti Riattang Sangat Rendah 0.02
Lamatti Riawang Sangat Tinggi 0.31
Lappacinrana Sangat Tinggi 0.03
Pao Rendah 1977.32
Pao Sedang 0.24

Terasa Sangat Rendah 0.00
Terasa Sedang 1.99
Tonasa Sedang 14.28
Tonasa Tinggi 0.11
Arabika Sedang 1.98
Arabika Tinggi 0.41

Bana Rendah 2552.35
Bana Sedang 0.43
Buareng Sedang 4.79
Buareng Tinggi 1.11

Bulu Tanah Sangat Tinggi 0.03
Kahu Rendah 96.24
Lalepo Sedang 0.16
Lalepo Tinggi 0.06
Lemo Rendah 228.51
Lemo Sangat Tinggi 0.24
Lemo Sedang 0.31
Lemo Tinggi 0.12

Pasaka Sedang 0.13
Raja Rendah 659.24
Raja Sedang 0.59
Raja Tinggi 0.07
Waetuo Sedang 2.55

Waetuo Tinggi 0.09
Barania Sedang 1.57

Balakia Sedang 1.38
Balakia Tinggi 0.36

Bongki Sedang 13.22
Bongki Tinggi 3.70
Lappa Rendah 400.80
Lappa Sedang 46.79
Lappa Tinggi 39.63

Tamaona Sedang 5.58
Tamaona Tinggi 0.45
Mamampang Tinggi 0.06

Pao Rendah 1979.26
Pao Sedang 0.06
Terasa Sedang 0.31
Tonasa Sedang 7.56
Tonasa Tinggi 0.58
Arabika Sedang 2.27

Arabika Tinggi 0.42
Bana Rendah 2552.31
Bana Sedang 0.47
Buareng Sedang 0.87
Buareng Tinggi 0.31
Kahu Rendah 96.24

Lemo Rendah 229.31
Pasaka Sedang 0.11

Raja Rendah 660.55
Raja Sedang 0.06
Waetuo Sedang 0.64
Barania Sedang 0.50
Bonto Salama Sangat Rendah 0.15


Balakia Sedang 1.21
Balakia Tinggi 0.24
Bongki Sedang 17.88
Bongki Tinggi 5.73

Lappa Rendah 383.44
Lappa Sedang 45.60
Lappa Tinggi 43.96
Tamaona Tinggi 1.07

Pao Rendah 1944.09
Pao Sedang 2.37

Terasa Sedang 0.68
Tompobulu Sangat Tinggi 0.21
Tompobulu Tidak Teridentifikasi 9.71
Tonasa Sangat Rendah 0.06
Tonasa Sedang 24.30
Tonasa Tinggi 1.34
Turungan Baji Tidak Teridentifikasi 8.58
Arabika Sedang 2.06
Arabika Tidak Teridentifikasi 1.52
Arabika Tinggi 0.27

Bana Rendah 2547.08
Bana Sangat Rendah 0.03
Bana Sangat Tinggi 0.00
Bana Sedang 1.26
Buareng Tinggi 0.79

Kahu Rendah 96.24
Lalepo Sangat Tinggi 0.12
Lalepo Sedang 0.41
Lemo Rendah 228.91
Lemo Sedang 0.18
Lemo Tinggi 0.06

Pasaka Sangat Tinggi 0.06
Pasaka Sedang 0.23
Raja Rendah 659.85
Raja Sedang 0.59
Waetuo Sedang 0.66
Waetuo Tinggi 0.06

Skrip Kekeringan Google Earth Engine
//cloud mask
function maskL8sr(col) {
// Bits 3 and 5 are cloud shadow and cloud, respectively.
var cloudShadowBitMask = (1 << 3);
var cloudsBitMask = (1 << 5);
// Get the pixel QA band.
var qa = col.select('QA_PIXEL');
// Both flags should be set to zero, indicating clear conditions.
var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
.and(qa.bitwiseAnd(cloudsBitMask).eq(0));
return col.updateMask(mask);
// Applies scaling factors.
function applyScaleFactors(image) {
var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
return image.addBands(opticalBands, null, true)
.addBands(thermalBands, null, true);}
var vizParams = {
bands: ['SR_B4', 'SR_B3', 'SR_B2'],
min: 0,
max: 0.3,
gamma: 1.4,
};
var vizParams2 = {
bands: ['SR_B4', 'SR_B3', 'SR_B2','SR_B5','SR_B7'],
min: 0,
max: 0.3,
gamma: 1.4,
};
//Memasukkan Data Citra
var col = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
.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
var image = col.median();
print('image', image);
Map.addLayer(image, vizParams, 'Citra');
// Menghitung nilai NDVI pada citra tunggal dan menambahkan properti waktu
var ndvi = image.normalizedDifference(['SR_B5',
'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
max: 1, // Mengubah nilai maksimum NDVI menjadi 1
palette: [
'FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718',
'74A901', '66A000', '529400', '3E8601', '207401', '056201',
'004C00', '023B01', '012E01', '011D01', '011301'
};
var ndvi_mean = ee.ImageCollection.fromImages([ndvi]).mean().clip(table);
Map.addLayer(ndvi_mean, vis, 'NDVI Mean');
// Menghitung nilai NDWI untuk setiap citra dan menambahkan properti waktu
var ndwi = image.normalizedDifference(['SR_B5',
'SR_B6']).rename('ndwi').copyProperties(image, ['system:time_start']);
// Menentukan visibilitas layer dan mengambil rata-rata NDWI dari semua citra
var vis_ndwi = {
min: -1, // Mengubah nilai minimum NDWI menjadi -1
max: 1, // Mengubah nilai maksimum NDWI menjadi 1
palette: ['FFFFFF', 'E0FFFF', 'AFEEEE', '00FFFF', '00CED1', '008B8B',
'1E90FF', '000080']
};
var ndwi_mean = ee.ImageCollection.fromImages([ndwi]).mean().clip(table);
Map.addLayer(ndwi_mean, vis_ndwi, 'NDWI Mean');
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: [
'FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718',
'74A901', '66A000', '529400', '3E8601', '207401', '056201',
'004C00', '023B01', '012E01', '011D01', '011301'
};
var nddi_mean = ee.ImageCollection.fromImages([nddi]).mean().clip(table);
Map.addLayer(nddi_mean, vis_nddi, 'NDDI Mean');
Export.image.toDrive({
image: ndvi_mean,
description:'NDVI2023',
scale:30,
region : table,
});
image: ndwi_mean,
description:'NDWI2023',
scale:30,
region : table,
});
image: nddi_mean,
description:'NDDI2023',
scale:30,
region : table,
});
90
ERLANGGA PRATAMA N

Draft Skripsi - Erlangga Pratama Nasir

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Draft Skripsi - Erlangga Pratama Nasir

Diunggah oleh

Hak Cipta:

Format Tersedia

PROGRAM STUDI KEHUTANAN

Bahan Seminar : Hasil

1.1 Latar Belakang

Kekeringan merupakan salah satu bencana alam yang terjadi secara

Adapun tujuan dari penelitian ini adalah :

2.1. Pemetaan Kekeringan

2.1.1. Pengertian Kekeringan

Kekeringan dapat diartikan sebagai berkurangnya persediaan

Arozaq M dalam Prayoga (2017) menjelaskan bahwa empat

2.2. Google Earth Engine

Platform komputasi cloud saat ini merupakan cara yang efisien

Code Editor GEE dan Aplikasi Pihak Ketiga (Third-Party

Gambar 2. Diagram sistem yang disederhanakan (Gorelick et al.,

JavaScript merupakan bahasa pemograman web yang

Gambar 3. Javascript Code Editor

Gambar 4. Contoh Skrip yang disediakan oleh Google Earth Engine

Sistem Informasi Geografis (SIG) merupakan sistem yang

Landsat 8 diluncurkan pada tanggal 11 Februari 2013. Satelit landsat

Surface Reflectance (SR) meningkatkan perbandingan antara

Studi mengenai kekeringan dilakukan menggunakan metode

Indeks Vegetasi merupakan suatu bentuk transformasi spektral

Forkel dkk (2013) menjelaskan bahwa nilai rata-rata NDVI

Normalized Difference Water Index (NDWI) merupakan

NDWI merupakan indeks yang digunakan untuk

NDDI (Normalized Difference Drought Index) merupakan

3.1. Waktu dan Tempat Penelitian

Penelitian dilaksanakan dari bulan April sampai Agustus di tahun

Gambar 5. Lokasi Penelitian.

Alat yang digunakan dalam penelitian ini adalah :

Adapun bahan yang digunakan dalam penelitian ini adalah

Dalam penelitian ini, Google Earth Engine digunakan untuk

3.4.1. Cloud Masking

Penyiapan data dilakukan sebelum menghitung masing-

Gambar 6. Script Cloud Masking

Setelah melakukan cloud masking, selanjutnya dilakukan

Gambar 7. Script Scaling Factors

Gambar 8. Skrip Citra dan Clip

3.5.1. Perhitungan Rata-Rata Normalized Difference Vegetation

Gambar 7. Skrip NDVI

Dalam menganalisis indeks kebasahan, band yang

Gambar 8. Skrip NDWI

Skrip ini merupakan skrip yang digunakan untuk

NDDI (Normalized Difference Drought Index) merupakan

Gambar 9. Skrip NDDI

3.6. Analisis Data

Analisis yang digunakan adalah analisis deskriptif spasial multi-

4.1. Hasil Perhitungan Rata-Rata Normalized Difference Vegetation Index

Peta NDVI merupakan peta yang menunjukkan tingkat kehijauan

Gambar 10. Tingkat Kehijauan DAS Tangka di tahun 2013

Gambar 12. Tingkat Kehijauan DAS Tangka di tahun 2015

Gambar 14. Tingkat Kehijauan DAS Tangka di tahun 2017

Gambar 16. Tingkat Kehijauan DAS Tangka di tahun 2019

Gambar 18. Tingkat Kehijauan DAS Tangka di tahun 2021

Gambar 20. Tingkat Kehijauan DAS Tangka di tahun 2023

Peta NDWI merupakan peta yang menunjukkan kandungan air di

Gambar 21. Tingkat Kebasahan DAS Tangka di tahun 2013

Gambar 23. Tingkat Kebasahan DAS Tangka di tahun 2015

Gambar 24. Tingkat Kebasahan DAS Tangka di tahun 2016

Gambar 26. Tingkat Kebasahan DAS Tangka di tahun 2018

Gambar 27. Tingkat Kebasahan DAS Tangka di tahun 2019

Gambar 29. Tingkat Kebasahan DAS Tangka di tahun 2021

Gambar 30. Tingkat Kebasahan DAS Tangka di tahun 2022

Kelas Luas NDWI (ha)