PERAN DAN KELAYAKAN TEKNOLOGI DALAM

PENENTUAN KEBIJAKAN
PENGELOLAAN SUMBER DAYA AIR

Dr Yanto Rochmayanto Dr Budi Heru Santosa

Direktorat Kebijakan Pembangunan Lingkungan Hidup, Pusat Riset Limnologi dan Sumber Daya Air
Kemaritiman, Sumber Daya Alam, dan Ketenaganukliran Badan Riset dan Inovasi Nasional
Deputi Bidang Kebijakan Pembangunan
Kisi-kisi diskusi

Pendahuluan

Isu-isu pembangunan sumber daya air di

Indonesia

IWRM dalam penyusunan dokumen PSDA

Teknologi dan inovasi pengelolaan SD Air

2
PR
…..

PR
Limno
logi &
SD Air

PR
…..

PR
…..
3
1 PENDAHULUAN

“Jika perang abad ini banyak diakibatkan oleh

persengketaan minyak, perang masa depan akan
dipicu oleh air.”
(Ismail Seralgeldin,
Waklil Presiden Bank Dunia, 1995)
 Status air dunia

• The amount of global freshwater use in 2014(3.99

(OECD Env Outlook 2050) trillion m3) was over 6 times more than those in
1901(0.67 trillion m3). Among human activities,
fresh water use in agriculture occupies the highest
proportion.
• Fresh water use in industry is slightly more than
the consumption in municipal affairs (eg.
Households and public service).
• In the year of 2020, 76% fresh water was used in
agriculture and the rest of 24% was shared by
industrial and municipal areas. 5
• Jumlah penggunaan air global thn 2014 (3,99 triliun m3)
>6 kali lipat dibandingkan thn 1901 (0,67 triliun m3).
Penggunaan air dalam pertanian menempati proporsi
tertinggi.
• Penggunaan air di industri sedikit lebih rendah daripada
konsumsi di perkotaan (mis. rumah tangga dan layanan
publik).
• Thn 2020, 76% air digunakan untuk pertanian dan 24%
sisanya digunakan oleh industri dan perkotaan.

6
• Ketersediaan air permukaan di Indonesia
adalah 2,78 trilyun m3/tahun, dengan
potensi yang dapat dimanfaatkan sekitar
691,3 milyar m3/tahun (24,84%) dan
sudah dimanfaatkan baru sekitar 222,59
milyar m3/tahun.
• Pemanfaat terbesar adalah irigasi
(79,6%) atau sekitar 177,13 milyar
m3/tahun (Kemen PUPR, 2020).

7
 ISU PENGELOLAAN
2 SD AIR

Teknologi mengambil peran strategis

dalam penyelesaian isu-isu pengelolaan
sumber daya air
 Bencana Hidrometeorologis

(WMO, 2021)
(BNPB, 2022)

(BMKG, 2022)
9
 Kelembagaan dan sosial ekonomi

• Kendala menstrukturkan partisipasi

pemangku kepentingan antar wilayah
administrasi
• Kendala menstrukturkan akuntabilitas
antar wilayah administrasi
• Trade-off antar sector

PP No. 37/2012 tentang Pengelolaan

DAS
The Water Gap – The State of
the World’s Water 2018
10
Ibu Kota Nusantara (IKN)

11
Deforestasi dan degradasi

Asdak, 2022 12
 Peran hutan dan lanskap

(Asdak, 2022)
Cloud Forest: Distribution of tropical montane cloud forests
potensi untuk local rainfall, occult precipitation,
horizontal precipitation Only 1% of the global woodland consists of cloud
forests. They previously comprised an estimated
11% of all tropical forests in the 1970s.

A total of around 736 cloud forest sites have been

identified in 59 countries, with 327 of them legally 
protected areas as of 2002.

Important areas of cloud forest are in Central and

South America  (mainly Costa Rica, Venezueal,
Honduras, Mexico, Ecuador, and Colombia), East
and Central Africa, India, Sri Lanka, Thailand, 
Indonesia, Malaysia, the Philippines, Hawaii,
papua New Guinea, and in the Caribbean.

(World Conservation Monitoring Centre)

14
3 TEKNOLOGI DALAM
PSDA
 Memahami Siklus Hidrologi
Daftar Pertanyaan:

1. Bagaimana siklus berlangsung?

2. Di mana zona imbuhan airtanah?
3. Bagaimana perubahan land use pada
10/20/30 tahun terakhir? Bagaimana
rencana ke depan berdasarkan RTRW?
4. Bagaimana kualitas air di perairan?
5. Berapa besar curah hujan?
6. Berapa tinggi muka air sungai?
7. Berapa besar debit aliran?
8. Berapa besar laju infiltrasi?
9. Berapa luas genangan banjir?
10. Berapa kedalaman air tanah?
11. Berapa kebutuhan air sektoral?
12. Berapa besar laju sedimentasi
danau/sungai? Dst.
Sumber: https://www.usgs.gov/special-topics/water-science-school/science/siklus-air-water-cycle-bahasa-
indonesian

PENGELOLAAN SUMBER DAYA AIR

 Pengelolaan Sumber Daya Air Terpadu (PSDAT)
(Integrated Water Resource Management)

Teknologi
 Akuisisi data: remote sensing, on
site instruments

 Permodelan: memahami/memprediksi
proses yang terjadi dalam DAS, Pola PSDA
diverifikasi menggunakan data
pengukuran (sensor dan alat ukur)

Dokumen Pola PSDA  Model memerlukan data input (data

pengukuran remote sensing/on site)

Memiliki data, model, sistem,

fasilitas pengelolaan SDA 17
 Kebutuhan Teknologi

1. Otomatisasi Monitoring LULC  machine learning untuk pengolahan data penginderaan jauh
2. Pengukuran TMA real time (debit)  rasionalisasi AWLR telemetri (terdistribusi di seluruh WS)
3. Data klimatologi, CH real time  rasionalisasi AWS/ARR telemetri (terdistribusi di seluruh WS)
4. Erosi dan sedimentasi  input (LULC), model sediment transport
5. Air tanah  zona imbuhan (LULC), kedalaman airtanah (real time)
6. Kualitas air online monitoring Urgensi
7. Sarana/prasarana SD Air  online monitoring
SISDA
8. Kebutuhan Air  spatial dynamic model
9. Neraca Air  ICT/big data
10. Banjir  Model Hujan-Limpasan-Genangan (Banjir)

18
Monitoring Kualitas Air secara Online (real time)

• Menggunakan Teknologi Informasi

dan Komunikasi (TIK), mengikuti
perkembangan teknologi terkini
• Memantau kualitas air (sungai,
pantai, danau, outlet system
drainase kawasan industri, inlet
saluran masuk PDAM, outlet
saluran outlet IPAL, dll)
• Bisa dilengkapi dengan sistem
peringatan

19
 Penginderaan Jauh untuk Monitoring Tutupan Lahan
Citra Satelit • Data Sentinel tersedia setiap 5 hari, resolusi maksimal 10 meter
(Sentinel-1 dan • Sentinel-1 data SAR: dapat “menembus awan”
Sentinel-2 • Sentinel-2 data optik

• Model berbasis kecerdasan intelektual

Machine Learning
• Bekerja secara otomatis

Sumber: Perubahan Land • Dapat digunakan untuk berbagai keperluan: analisis erosi,
Arfah et al. Cover monitoring zona imbuhan, neraca air, analisis banjir, dll
(2021)

20
 Kerangka Model Hujan-Limpasan-Genangan (Banjir)

Radar cuaca Data DEM Citra Satelit

(DEMNAS)
Ground check

Curah Hujan remote sensing

Data curah hujan Channel Karakteristik
Slope Land Use Analysis
(near real time) (wilayah) Network Fisik DAS
(Machine Learning)

Model Hujan-Limpasan-
Genangan
Pos duga
(telemetri)
Optimasi Parameter TMA
Citra Satelit

Wilayah Pengukuran TMA

remote sensing analysis Verifikasi Data Debit
Genangan
(Machine Learning) (near real time)

Wilayah Kedalaman
Debit Banjir
Pengukuran dinamis Genangan Genangan
Data Dinamis
Penyusunan Pola PSDA
Sumber: Try, et al. ( (2018)
Monitoring Airtanah Spatio-Temporal Menggunakan Data Satelit dan ANN
 Pos Klimatologi dan Pos Duga Air
BWS Kalimantan IV
Sumber: http://sihka.sda.pu.go.id/

Sebaran Stasiun Pengukuran (WS Karangan vs WS Mahakam)

WS Karangan? Pos Klimatologi

Cukup? Pos Duga Air

 Data TMA dan Q near real time, mungkinkah?

TMA Debit Sungai

+ Data curah hujan near real time (kerapatan pos curah hujan memadai)
 Model Banjir (debit banjir, wilayah genangan, kedalaman genangan)
 Dasar bagi penyusunan upaya pengendalian daya rusak air 24
 Smart Watershed Management (SWRM)

IWRM SWRM

https://eppid.pu.go.id/page/kilas_berita/2075/Menteri-Basuki-Indonesia-Harus-Terapkan-
Smart-Water-Management

Integrasi 14 Program (SWRM) di USA:

Internet of Things (1) Sub-watershed restoration planning,
Sensor technologies (2) Stream and sub-watershed field assessment,
Smart Data (3) Sub-watershed monitoring and reporting,
RS & GIS (4) Watershed restoration financing,
Drone (5) Management of natural area remnants,
(6) Storm-water retrofitting,
(7) Urban stream repair/restoration,
(8) Illicit discharge detection and elimination,
(9) Maintenance, inspection, and enforcement,
(10) Smart site practices during the redevelopment,
(11) Watershed education and personal stewardship,
(12) Public involvement and neighbourhood consultation,
(13) Pollution prevention at storm-water hotspots
Sumber: Saiz-Rubio & Rovira-Más (2020) (14) Pollution prevention at municipal operations” 25
 Kesimpulan

• Diperlukan rasionalisasi perangkat akuisi data lapangan: AWS, AWLR, dan ARR

• Data yang dihasilkan oleh instrumentasi pengukuran di lapangan didukung

teknologi online monitoring, Internet of Things (IoT), Sensor, Smart Data, RS &
GIS, Drone, Robot, dan ICT akan meningkatkan akurasi proses monitoring DAS
sebagai bahan penyusunan Pola PSDA

• Pola PSDA yang berkualitas akan menjadi dasar yang memadai bagi upaya
konservasi SDA, pendayagunaan SDA, dan pengendalian daya rusak air

26
TERIMA KASIH