Bunga Rampai Pemanfaatan Data Penginderaan Jauh Untuk Mitigasi Bencana

Bunga Rampai Pemanfaatan Data Penginderaan Jauh Untuk Mitigasi Bencana

Lembaga Penerbangan dan Antariksa Nasional 2014

Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana Editor : Dr. Donny Kushardono, Dr. Wikanti Asriningrum, Ir. Wawan K. Harsanugraha, M.Si. Desain sampul: M. Priyatna, S.Si., MTI. Desain tata letak: Crestpent Press Cetakan Pertama : Desember 2014

ISBN 978-602-14437-5-0 Dicetak dan diterbitkan oleh:

KONTAK KAMI CRESTPENT PRESS Kantor Pusat Pengkajian Perencanaan dan Pengembangan Wilayah, Institut Pertanian Bogor (P4W-LPPM) Kampus IPB Baranangsiang, JL. Pajajaran, Bogor 16144 Telp/Fax. (0251) 8359072, email: [email protected] Hak Cipta dilindungi undang-undang Dilarang mengutip atau memperbanyak Sebagian atau seluruh isi buku ini tanpa seizin penerbit UNDANG-UNDANG NOMOR 19 TAHUN 2012 TENTANG HAK CIPTA 1. Barang siapa dengan sengaja dan tanpa hak mengumumkan atau memperbanyak suatu ciptaan atau member izin untuk itu, dengan pidana penjara paling lama 7 (tujuh) tahun dan/atau denda paling banyak Rp 5.000.000.000,00 (lima miliar rupiah). 2. Barangsiapa dengan sengaja menyiarkan, memamerkan, mengedarkan, atau menjual kepada umum suatu Ciptaan atau barang hasil pelanggaran Hak Cipta atau Hak Terkait sebagaimana dimaksud pada ayat (1) dipidana dengan pidana penjara paling lama 5 (lima) tahun dan/atau denda paling banyak Rp 500.000.000,00 (lima ratus juta rupiah).

ii Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

PEngantar Penerbit Puji syukur di panjatkan kepada Tuhan Yang Maha Esa atas berkah dan rahmat-Nya lah buku bunga rampai “Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana” ini dapat dirampungkan. Buku bunga rampai ini lahir sebagai manifestasi dari pelaksanaan tugas dan fungsi Pusat Pemanfaatan Penginderaan Jauh (Pusfatja) dalam menyelenggarakan penelitian dan pengembangan model pemanfaatan penginderaan jauh untuk pemantauan lingkungan dan mitigasi bencana. Terbitnya buku ini turut andil dalam memperkaya referensi dalam upaya mengatasi berbagai persoalan lingkungan dan kebencanaan yang sering dialami Indonesia dengan pemantauan lingkungan dan berbagai kondisi bencana yang terjadi di beberapa wilayah Indonesia. Ucapan terima kasih dan penghargaan disampaikan kepada pada peneliti dan penelaah Pusat Pemanfaatan Penginderaan Jauh Lembaga Penerbangan dan Antariksa Nasional, dan seluruh pihak yang telah mencurahkan energi dan waktunya dalam penulisan dan penyusunan buku ini sehingga dapat menjadi alternatif solusi bagi pemecahan masalah-masalah lingkungan dan mitigasi bencana di Indonesia Penerbit

iii Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Kata Pengantar Assalamu’alaikum Wr. Wb. dan salam sejahtera bagi kita semua. Sebagai salah satu negara yang sering mengalami berbagai bencana serta persoalan lingkungan, pemanfaatan data penginderaan jauh dirasakan sangat diperlukan. Oleh karena itu, perkembangan teknologi penginderaan jauh yang makin pesat saat ini menjadi salah satu alternatif solusi bagi pemecahan masalah-masalah lingkungan dan mitigasi bencana di Indonesia. Dasawarsa terakhir ini, Indonesia kerap dilanda berbagai bencana seperti: banjir/longsor pada musim hujan, kekeringan dan kebakaran hutan/lahan di musim kemarau, serta letusan gunung api. Lembaga Penerbangan dan Antariksa Nasional (LAPAN) melalui Pusat Pemanfaatan Penginderaan Jauh (Pusfatja) sebagai lembaga pemerintah yang mempunyai tugas dan fungsi menyelenggarakan penelitian dan pengembangan model pemanfaatan penginderaan jauh untuk pemantauan lingkungan dan mitigasi bencana, merasa bertanggungjawab untuk ikut andil dalam upaya mengatasi berbagai persoalan lingkungan dan kebencanaan tersebut. Kemajuan teknologi satelit penginderaan jauh yang dapat menghasilkan data dan informasi yang relatif realtime (up to date) dengan cakupan yang luas dan data histori yang baik memungkinkan LAPAN untuk berkontribusi dalam upaya pemantauan lingkungan dan berbagai kondisi bencana yang terjadi di beberapa wilayah Indonesia. Berkaitan dengan hal tersebut, pada tahun mendatang Pusfatja telah mencanangkan pembangunan Pusat Pemantauan Bumi Nasional dengan tujuan utamanya adalah melaksanakan pemantauan lingkungan dan mitigasi bencana menggunakan data penginderaan jauh. Berbagai hasil kegiatan terkait dengan penelitian dan kajian pemanfaatan penginderaan jauh untuk pemantauan lingkungan dan mitigasi bencana yang telah dan akan terus dilaksanakan, beserta metodologi yang digunakan diuraikan dalam buku ini. Buku ini disusun untuk memberikan wawasan pengetahuan kepada pembaca mengenai Pemanfaatan Penginderaan Jauh dalam pemantauan kondisi lingkungan dan kebencanaan guna mendukung dan memberikan arahan bagi pembangunan di Indonesia. Kritik dan saran dari pembaca sangat diharapkan tidak hanya bagi upaya penyempurnaan penulisan buku serupa di masa yang akan datang, tetapi juga bagi penentuan arah kebijakan Pusfatja pada tahun-tahun berikutnya. Pada kesempatan ini saya menyampaikan penghargaan kepada semua pihak, khususnya para peneliti dari Bidang Lingkungan dan Mitigasi Bencana, dan para penelaah, yang telah berupaya keras untuk menyusun dan menerbitkan buku ini. Jakarta,

Nopember 2014

Dr. M. Rokhis Khomarudin

iv Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Sekapur Sirih Pemanfaatan Penginderaan Jauh untuk Mitigasi Bencana di Indonesia Dr. M. Rokhis Khomarudin, Wiweka, Parwati Sofan Peneliti Pusat Pemanfaatan Penginderaan Jauh LAPAN

I. Perkembangan Teknologi Penginderaan Jauh Usaha manusia untuk memantau kondisi wilayahnya dari udara sudah dilakukan sejak berkembangnnya teknologi fotografi. Perkembangan teknologi fotografi modern pertama dikenalkan oleh Daguerre pada tahun 1839, dan pada tahun 1868 foto udara pertama dilakukan dengan menggunakan balon di atas kota Paris. Sebelumnya, pemotretan udara ini menggunakan burung dara sebagai alat untuk memotret kondisi permukaan bumi dari udara. Seiring dengan perkembangan jaman, alat yang digunakan adalah satelit yang ditempatkan di angkasa luar yang berada pada lintasan orbit tertentu. Satelit penginderaan jauh pertama yang diluncurkan oleh Amerika Serikat pada tahun 1972 adalah Landsat Multispectral Scanner System (MSS). Peluncuran ini merupakan dimulainya era baru teknologi penginderaan jauh modern dengan wahana satelit. Pada awal mulanya teknologi penginderaan jauh ini diperuntukan untuk kepentingan militer, pengaturan strategi, dan pengetahuan tentang kondisi wilayah musuh. Namun, saat ini teknologi ini telah digunakan untuk berbagai macam keperluan seperti meteorologi (dinamika atmosfer, pemantauan awan, dan prediksi cuaca), penelaahan dan pemantauan lingkungan (perkembangan perkotaan, bencana alam), pemantauan dan deteksi perubahan global (pemantauan lubang ozon, deforestrasi, dan pemanasan global), pertanian (kondisi tanaman, prediksi panen, dan erosi tanah), eksplorasi sumberdaya alam yang tidak terbaharui (mineral, minyak, dan gas alam), sumber daya alam terbaharui (hutan, tanah, laut), dan untuk pemetaan (topografi, penggunaan lahan, dan sarana dan prasarana). Usaha-usaha ini merupakan tahapan yang sangat penting dalam perkembangan ilmu atau teknologi penginderaan jauh. Secara umum, penginderaan jauh dapat definisikan sebagai ilmu, seni, dan teknik untuk memperoleh informasi suatu objek tanpa menyentuh secara langsung objek yang diamati. Hal ini dilakukan dengan cara mengindera dan merekam energi yang dipantulkan maupun yang di emisikan kemudian dilakukan pemrosesan, analisa, dan mengaplikasikan informasi tersebut. Objek yang diamati ini biasanya divisualisasikan berupa citra (gambar) yang terdiri dari elemen-elemen yang sering disebut sebagai pixel (picture element). Informasi yang terdapat dapat pixel-pixel inilah yang kemudian diproses, dianalisa dan diaplikasikan menjadi informasi tertentu. Berbagai aplikasi tersebut, tergantung pada resolusi data penginderaan jauh yang akan digunakan yaitu resolusi spasial dan resolusi temporal. Resolusi spatial adalah tingkat kedetailan informasi data penginderaan jauh

v Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

yang dinyatakan oleh ukuran pixel, seperti 1 m, 10 m, 30m, dan lain-lain. Ukuran pixel ini merepresentasikan ukuran sebenarnya objek yang diamati. Jika dikatakan resolusi spatialnya adalah 1 m, hal ini berarti bahwa ukuran 1 m x 1 m suatu objek digambarkan dalam satu pixel dalam citra satelit. Sedangkan resolusi temporal adalah periode ulang suatu satelit memantau objek yang sama dipermukaan bumi. Resolusi temporal 18 hari, berarti bahwa satelit akan memotret wilayah yang sama setiap 18 hari sekali. Gambar 1 berikut merupakan hubungan aplikasi data penginderaan jauh dengan resolusinya baik spasial maupun temporal.

(Sumber: Ridd and Hipple, 2006) Gambar 1. Aplikasi data penginderaan jauh berdasarkan resolusi spasial dan temporalnya

Untuk memperoleh informasi yang diinginkan dari data penginderaan jauh diperlukan suatu teknik tertentu. Teknik ini biasanya disesuaikan dengan kebutuhan orang yang menginterpretasi dan penggunanya. Dewasa ini, perkembangan teknologi penginderaan jauh sudah sangat memadai dan masih terus dilakukan riset untuk meningkatkan kualitas dari informasi yang dihasilkan. Pengembangan teknik penginderaan jauh saat ini dapat di kategorikan menjadi 3 (tiga), yaitu : - Pengembangan teknik tingkat lanjut untuk klasifikasi data penginderaan jauh; - Mengintegrasikan berbagai fitur data penginderaan jauh untuk proses perolehan informasi - Mengintegrasikan data tambahan dan pengetahuan untuk meningkatkan akurasi informasi. vi Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Klasifikasi konvensional, seperti Maximum Likelihood hingga klasifikasi ke tingkat lanjut, seperti klasifikasi berdasarkan orientasi obyek (object base oriented) telah berkembang secara pesat. Perkembangan ini sejalan dengan perkembangan data satelit penginderaan jauh yang memiliki kedetilan hingga resolusi 1 m. Object base oriented berkembang setelah munculnya data satelit seperti IKONOS atau Quickbird (Blaschke, 2009). Tidak hanya untuk satelit resolusi tinggi, metode lanjut juga berkembang pada bagaimana cara memperoleh informasi dari permukaan bumi dengan data satelit dengan resolusi rendah. Teknik yang dikenal adalah Spectral Mixture Analysis. Teknik ini mampu menganalisa satu piksel informasi menjadi beberapa piksel informasi yang lain, sehingga informasi akan lebih detil. Integrasi beberapa fitur data penginderaan jauh termasih informasi spektral, spasial, multitemporal, dan multi sensor adalah sangat penting untuk meningkatkan akurasi. Salah satu contoh adalah metode pan-sharpening yang menggabungkan antara data resolusi spasial rendah dengan tinggi, sehingga dapat menghasilkan informasi yang lebih detil. Data multitemporal juga sangat penting untuk klasifikasi penggunaan lahan, terutama untuk lahan sawah. Berdasarkan data multitemporal tersebut, lahan sawah fase bera akan dapat dibedakan dengan lahan terbuka. Penggunaan data multitemporal akan dapat meningkatkan akurasi (Xiao et al., 2006). Sementara itu, data dengan resolusi spektral tinggi dapat digunakan untuk mengklasifikasi suatu objek secara lebih detil, seperti membedakan tipe vegetasi dan phytoplankton di wilayah laut (Belluco et al., 2006). Integrasi antara data penginderaan jauh dengan data tambahan seperti data ketinggian, jumlah penduduk, jaringan jalan, tipe tanah, suhu udara, dan curah hujan juga membantu meningkatkan akurasi informasi yang diperoleh dari data penginderaan jauh. Sebagai contoh, Stathakis and Kanellopoulus (2008) menambahkan informasi ketinggian untuk memperoleh kelas penggunaan lahan secara lebih akurat. Liu et al. (2008) mengintegrasikan data penginderaan jauh dengan teknik Sistem Informasi Geografis untuk mengklasifikasi wilayah mangrove. Hasil integrasinya menunjukkan bahwa informasi tambahan akan dapat mengkelaskan objek secara lebih detil untuk hutan mangrove. Lebih lanjut, klasifikasi akan lebih akurat jika didukung oleh pengetahuan manusia atas suatu wilayah (Hung and Rid, 2002; Judex et al., 2006).

II. Pemanfaatan Penginderaan Jauh untuk Mitigasi Bencana di Indonesia Di Indonesia, tidak banyak yang melakukan kegiatan mitigasi bencana berbasiskan data penginderaan jauh. Instansi pemerintah yang melakukan kegiatan ini berdasarkan tugas dan fungsinya adalah Lembaga Penerbangan dan Antariksa Nasional (LAPAN), Badan Penerapan dan Pengkajian Teknologi (BPPT), dan Badan Informasi Geospasial (BIG). Badan Nasional Penanggulangan Bencana (BNPB) juga melaksanakan kegiatan ini dengan menambahkan data geospasial lainnya. Selain itu, pada level universitas terdapat Pusat Studi Bencana di Universitas Gadjah Mada (UGM) dan Pusat Remote Sensing Institut Teknologi Bandung (ITB). Kedua universitas tersebut sangat aktif dalam melakukan kegiatan ini. Minimnya kegiatan pemanfaatan penginderaan jauh untu mitigasi bencana di Indonesia mendorong LAPAN untuk melakukan kegiatan intensif sebagai institusi yang dianggap mampu untuk melaksanakan kegiatan ini. Pada saat ini kegiatan mitigasi bencana di LAPAN adalah sebagai berikut.

vii Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

2.1. Sistem yang sudah beroperasional Sistem yang sudah beroperasional saat ini dan informasinya disampaikan melalui website Sistem Informasi Mitigasi Bencana Alam (SIMBA) adalah sebagai berikut: a. Potensi banjir harian b. Sistem Pemantauan hotspot c. Sistem Peringkat Bahaya Kebakaran Hutan/Lahan (SPBK) d. Sistem Quick Response Bencana e. Sistem Pemantauan Kekeringan dan Banjir di Lahan Sawah

2.2. Pengembangan Sistem Saat ini LAPAN juga telah mengembangkan beberapa sistem untuk pemantauan lingkungan dan mitigasi bencana antara lain sebagai berikut: a. Pengembangan model potensi banjir menggunakan data satelit MTSAT–1R b. Pengembangan model potensi kekeringan lahan (meteorologis dan agronomis) di Pulau Jawa dan Bali menggunakan data satelit Terra/Aqua MODIS dan TRMM. c. Pengembangan model validasi hotspot yang dihasilkan dari data Satelit Terra/Aqua MODIS dengan menggunakan data resolusi lebih tinggi (SPOT). d. Pengembangan model spasial kondisi tanaman padi dan lahan sawah (kekeringan dan banjir) e. Pengembangan model pemetaan daerah bahaya, kerentanan, dan resiko gunung api di Indonesia f. Pengembangan sistem crisis center bencana

III. Kerjasama Nasional dan Daerah Posisi LAPAN dalam masalah pemantauan lingkungan dan mitigasi bencana sangatlah penting di Indonesia. Setiap catur wulan, LAPAN memberikan hasil pemantauannya kepada Badan Pusat Statistik untuk menyampaikan hasil pemantauan fase pertumbuhan padi dan kondisi lingkungan di lahan sawah untuk memprediksikan angka ramalan padi. Setiap semester sekali LAPAN juga berpartisipasi dalam pembuatan prediksi awal musim hujan dan awal musim kemarau. Setiap awal musim kemarau, LAPAN berpartisipasi aktif dalam rapat persiapan kekeringan dan kebakaran hutan/lahan yang dikoordinasi oleh Badan Nasional Penanggulangan Bencana (BNPB). Demikian halnya pada saat memasuki musim hujan, LAPAN juga berpartisipasi dalam persiapan untuk menghadapi banjir dan longsor. Selain itu, dengan Kementerian Lingkungan Hidup (KLH), LAPAN juga berpartisipasi dalam pertemuan-pertemuan pemantauan lingkungan seperti kebakaran lahan/hutan, lahan kritis, dan kebencanaan. Pada program menuju Indonesia Hijau, LAPAN berpartisipasi aktif dalam kegiatan tersebut. Bersama dengan kementerian riset dan teknologi, LAPAN juga menjadi anggota dalam Indonesia Tsunami Early Warning System dan bahkan sempat bersama-sama dalam tim untuk mengajukan proposal peringatan dini tsunami di Negara OMAN. Pertemuanpertemuan dengan Kementerian Riset dan Teknologi juga sering diikuti untuk membahas pemantauan lingkungan dan mitigasi bencana. Bekerjasama dengan Kementerian kehutanan, Kementerian Pendidikan dan Kebudayaan, Kementerian Lingkungan Hidup, Universitas Bina Nusantara dalam Project Indofire merupakan kolaborasi yang baik dalam pemantauan titik panas (hotspot) sebagai indikasi kebakaran hutan/lahan. Partisipasi-partisipasi aktif di tingkat nasional ini menunjukkan bahwa informasi pemantauan lingkungan dan mitigasi bencana yang dihasilkan sangat penting bagi keperluan nasional.

viii Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Peran penting LAPAN dalam kegiatan pemantauan lingkungan dan Mitigasi Bencana juga dirasakan oleh pemerintah daerah. Provinsi Kalimantan Tengah, Kalimantan Barat, Riau, Sumatera Selatan, dan Kabupaten Sampang merupakan daerah yang telah bekerjasama dengan LAPAN dalam melakukan pemantauan lingkungan dan mitigasi bencana di daerahnya. Kegiatan ini sangat bermanfaat untuk mendapatkan umpan balik langsung dari pengguna yang memperoleh informasi. Gambar 1 merupakan hasil kerjasama dengan Pemerintah Daerah Provinsi Kalimantan Tengah dalam pembuatan peta rawan kebakaran dan Pemerintah Daerah Kabupaten Sampang dalam pemetaan daerah bahaya banjir.

Gambar 1. Hasil kerjasama dengan pemerintah daerah, Provinsi Kalimantan Tengan (kiri) dan Kabupaten Sampang (kanan)

IV. Kerjasama Internasional Dalam kancah internasional, LAPAN telah bekerjasama dengan institusi luar negeri seperti Asian Disaster Risk Reduction (ADRC), JAXA Jepang, Geoinformatics Center Asian Institute of Technology (GIC-AIT), dan beberapa organisasi PBB, yaitu United Nations World Food Program (UN-WFP), United Nations Platform of Space Based Information for Disaster Emergency Response (UN SPIDER), dan United Nations Economic and Social for Asian and the Pacific (UN-ESCAP). Kerjasama masih dalam bentuk penyampaian informasi pemantauan lingkungan dan mitigasi bencana dan pelatihan-pelatihannya. Kerjasama aktif dalam bidang kebencanaan dilakukan dengan JAXA Jepang dan UN SPIDER. Posisi LAPAN sebagai Data Analisis Node (DAN) dalam kegiatan Sentinel Asia merupakan peran yang penting bagi LAPAN sehingga jika terjadi bencana di wilayah lain, LAPAN dapat membantu negara lain yang terkena musibah bencana. Bersama UN SPIDER, komitmen menjadi Regional Support Office (RSO) UN SPIDER merupakan wujud nyata keaktifannya dalam hal penyampaian informasi kebencanaan dalam dunia international.

V. Penutup Secara garis besar buku bunga rampai pemanfaatan penginderaan jauh ini terdiri dari : Bab 1 : Pemanfaatan Penginderaan Jauh untuk Mitigasi Bencana Banjir, yang memaparkan sistem peringatan dini bahaya banjir melalui pemantauan curah hujan dari satelit. Bab 2 : Pemanfaatan Penginderaan Jauh untuk Mitigasi Bencana Kekeringan dan Kebakaran Hutan/Lahan, yang memaparkan pemantauan kekeringan dengan indeks penginderaan jauh, deteksi daerah kebakaran hutan/lahan, dan zonasi daerah rawan kebakaran.

ix Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Bab 3 : Pemanfaatan Penginderaan Jauh untuk Mitigasi Bencana Erupsi Gunungapi yang membahas bagaimana data penginderaan jauh dapat berperan dalam analisis daerah bahaya, kerentanan, dan resiko. Bab 4 : Pemanfaatan Penginderaan Jauh untuk Mendukung Sistem Informasi Kebencanaan yang membahas bagaimana integrasi data penginderaan jauh dan infrastruktur teknologi informasi saling mendukung dalam memberikan informasi tanggap darurat kebencanaan yang terjadi. Beberapa pemanfaatan penginderaan jauh untuk mitigasi bencana telah diungkapkan. Kerjasama tingkat nasional dan internasional juga telah dilakukan sehingga memperkuat posisi kegiatan pemantauan lingkungan dan mitigasi bencana di LAPAN. Pengembangan lebih lanjut ditingkatkan agar lebih efektif dan dirasakan manfaatnya bagi pengguna. Umpan balik dari pengguna juga dapat digunakan untuk perbaikan model dan pengembangan sistem lebih lanjut. Perancangan sistem crisis center merupakan suatu ide yang baik digunakan untuk penyampaian informasi pemantauan lingkungan dan mitigasi bencana secara cepat dan akurat.

Daftar Pustaka Belluco, E., Camuffo, M., Ferrari, S., Modenese, L., Silvestri, S., Marani, A., and Marani, M. 2006. Mapping salt-marsh vegetation by multispectral and hyperspectral remote sensing. Remote Sensing of Environment, 105, 54–67. Blaschke, T., Lang, S., Lorup, E., Strobl, J., Zeil, P. 2009. Object-oriented Image Processing in an Integrated GIS/remote Sensing Environment and Perspectives for Environmental Applications. In: Cremers, A., Greve, K. (Eds.), Environmental Information for Planning, Politics and the Public, 2. Metropolis Verlag, Marburg, 555-570. Liu, K., Li, X., Shi, X., and Wang, S. 2008. Monitoring Mangrove Forest Changes Using Remote Sensing and GIS Data with Decision-Tree Learning. WETLANDS, 28 (2), 336–346. Hung, M. and Ridd, M.K. 2002. A Subpixel Classifier for Urban Land-cover Mapping Based on a Maximumlikelihood Approach and Expert System Rules. Photogrammetric Engineering and Remote Sensing, 68, 1173–1180. Stathakis, D., and Kanellopoulus, I. 2008. Global Elevation Ancillary Data for Land-use Classification Using Granular Neural Networks. Photogrammetric Engineering & Remote Sensing, 74 (1), 1-9. Xiao, X., Boles, s., Frolking, S., Li, C., Babu, J.Y., Salas, W., and Moore, B. 2006. Mapping Paddy Rice Agriculture in South and Southeast Asia using Multi-temporal MODIS Images. Remote Sensing of Environment, 100, 95 – 113.

x Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Biografi Penulis


Email: [email protected]; [email protected] Pendidikan: • Doktor (Dr), pada Ludwig-Maximilians-Universität (LMU) Munich – Germany, 2010 • Magister Sains (M.Si.), pada program studi Agroklimatologi, Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB), 2005. • Sarjana Sains (S.Si.) pada program studi Agrometeorologi, Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB). 1998 Profesi sebagai Kepala Pusat Pemanfaatan Penginderaan Jauh, Deputi Penginderaan Jauh, Lembaga Penerbangan dan Antariksa Nasional, sebelumnya menjabat sebagai Kepala Bidang Lingkungan dan Mitigasi Bencana, selain itu aktif sebagai fungsional peneliti Pusat Pemanfaatan Penginderaan Jauh, Deputi Penginderaan Jauh, Lembaga Penerbangan dan Antariksa Nasional, sejak 1 Maret 1999. Kegiatan penelitian yang telah dilakukan, pengembangan model diaplikasikan untuk berbagai tipe bencana. Organisasi profesi yang diikuti adalah Anggota pada Indonesian Agricultural Meteorology Society, Anggota pada Indonesian Remote Sensing Society, Anggota pada American Geoscience Union, dan Anggota pada European Geoscience Union.

Dr. Wiweka

Email: [email protected]

Pendidikan: • Doktor (Dr), pada program studi Ilmu Komputer, Fakultas Pasca Sarjana, Universitas Indonesia (UI), 2006 • Magister Teknik (MT), pada program studi Teknik Geodesi, Fakultas Pasca Sarjana, InstitutTeknologi Bandung (ITB), 1995 • Sarjana Teknik (Ir), pada program studi Teknik Geodesi, FakultasTeknik Sipil dan Perencanaan, Institut Teknologi Bandung (ITB), 1988 Profesi sebagai fungsional peneliti Pusat Pemanfaatan Penginderaan Jauh, Deputi Penginderaan Jauh, Lembaga Penerbangan dan Antariksa Nasional, sejak 1 Maret 1989. Kegiatan penelitian yang telah dilakukan, pengembangan model diaplikasikan untuk berbagai tipe bencana. Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN) dan Ikatan Surveyor Indonesia (ISI).

xi Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Parwati Sofan, S.Si, M.Sc Email: [email protected]

Pendidikan: • Master of Science (M.Sc) pada program studi Remote Sensing and GIS Applications, Program Master pada Space Technology and Applications di Internatinal School, Beijing University of Aeronautics and Astronautics (BUAA), PRC. 2008 • Sarjana Sains (S.Si.) pada program studi Agrometeorologi, Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB). 1999 Parwati telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 2002. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan dan potensinya terhadap kebencanaan (banjir, kekeringan, kebakaran hutan, letusan gunung api). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN) dan Perhimpunan Meteorologi Pertanian Indonesia (PERHIMPI).

xii Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Daftar Isi PEngantar Penerbit

iii

Kata Pengantar

iv

SEKAPUR SIRIH v DAFTAR ISI PEMANFAATAN PENGINDERAAN JAUH UNTUK MITIGASI BENCANA BANJIR Pemantauan Curah Hujan Menggunakan Data TRMM dan QMORPH

xiii 1 2

Any Zubaidah dan Kusumaning Ayu DS Prediksi Banjir dan Kekeringan Menggunakan Model Prediksi Curah Hujan Bulanan 11

Any Zubaidah Analisis Potensi Banjir Harian di Indonesia Menggunakan Data Penginderaan Jauh

21

Nanik Suryo Haryani PEMANFAATAN PENGINDERAAN JAUH UNTUK MITIGASI BENCANA KEKERINGAN DAN KEBAKARAN HUTAN/LAHAN ANALISIS KEKERINGAN DI PULAU SUMATERA BERBASIS DATA MODIS

31 32

Nanik Suryo Haryani dan Hidayat DETEKSI DAERAH BEKAS KEBAKARAN HUTAN/LAHAN (BURNED AREA) MENGGUNAKAN CITRA PENGINDERAAN JAUH Suatu Tinjauan

43

Suwarsono ZONASI DAERAH RAWAN KEBAKARAN HUTAN/LAHAN

Suwarsono, Indah Prasasti , Yenni Vetrita

xiii Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

51

PEMANFAATAN PENGINDERAAN JAUH UNTUK MITIGASI BENCANA GUNUNG API

61

ANALISIS RESIKO GUNUNG API MERAPI BERDASARKAN DATA PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS 62

Parwati Sofan dan Fajar Yulianto PEMANFAATAN PENGINDERAAN JAUH UNTUK MENDUKUNG SISTEM INFORMASI KEBENCANAAN

75

ANALISIS PROSES BISNIS SISTEM INFORMASI DAN MITIGASI BENCANA ALAM (SIMBA) CENTER UNTUK MENDUKUNG INFORMASI TANGGAP DARURAT KEBENCANAAN 76

Muhammad Priyatna dan Muhammad Rokhis Khomarudin

xiv Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

PEMANFAATAN PENGINDERAAN JAUH UNTUK MITIGASI BENCANA BANJIR

Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

1

Pemantauan Curah Hujan Menggunakan Data TRMM dan QMORPH Any Zubaidah dan Kusumaning Ayu DS Abstract

Rainfall is one of the main elements of climate that determine variability climate type in Indonesia. One of the factors that affect the rain forming in Indonesia is the movement of the ITCZ (Intertropical Convergence Zone) and SPCZ (South Pacific Convergence Zone). Air mass in the ITCZ and SPCZ has a high moisture content so that the areas through which the ITCZ and SPCZ generally have high cloud and high level of rainfall. The purpose of this study is to provide information of rainfall in Indonesia based on the influence of cloud zone position producing the ITCZ and SPCZ rainfall by satellite data. The method that used is the analysis of raifall dynamics in Indonesia during 2011 from Qmorph and TRMM monthly data, and to analyze the influence of the ITCZ and SPCZ movement towards rainfall conditions in Indonesia. The results indicated that the distribution of rainfall data from TRMM and QMorph have a similar distribution pattern. The pattern of distribution of rainfall and rainfall distribution in Indonesia following the movement of the ITCZ and SPCZ. Keywords : ITCZ , SPCZ , TRMM , Qmorph , Rainfall. Abstrak

Curah hujan merupakan salah satu unsur iklim utama yang menentukan keragaman tipe iklim di Indonesia. Salah satu faktor yang mempengaruhi pembentukan hujan di wilayah Indonesia adalah pergerakan ITCZ (Intertropical Convergence Zone) dan SPCZ (South Pacific Convergence Zone). Masa udara pada daerah ITCZ dan SPCZ memiliki kandungan uap air yang tinggi sehingga daerah-daerah yang dilalui ITCZ dan SPCZ umumnya memiliki tingkat keawanan dan curah hujan yang tinggi. Tujuan dari penelitian ini adalah menyediakan informasi curah hujan di wilayah Indonesia berdasarkan pengaruh dari posisi zona awan penghasil hujan ITCZ dan SPCZ dari data satelit. Metode yang digunakan adalah analisis dinamika kondisi curah hujan di wilayah Indonesia sepanjang tahun 2011 dari data TRMM dan QMorph bulanan, serta menganalisis pengaruh pergerakan ITCZ dan SPCZ terhadap kondisi curah hujan di Indonesia. Hasil ditunjukkan bahwa distribusi curah hujan dari data TRMM dan QMorph mempunyai pola penyebaran yang hampir sama. Pola penyebaran curah hujan dan distribusi curah hujan di wilayah Indonesia mengikuti pergerakan ITCZ dan SPCZ. Kata kunci: ITCZ, SPCZ, TRMM, QMorph, Curah Hujan.

2 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

I. PendahulUan Curah hujan di wilayah tropik seperti Indonesia merupakan unsur meteorologi yang penting dibandingkan dengan unsur lainnya. Menurut Aldrian (2003), BMG (2006) menyatakan bahwa variasi curah hujan di wilayah Indonesia sangat besar baik secara spasial maupun temporal. Curah hujan mempunyai tingkat variabilitas yang tinggi terhadap ruang dan waktu sehingga membutuhkan data observasi yang panjang serta dengan sebaran spasial yang memadai (Hong et al., 2010). Informasi curah hujan yang dikenal masyarakat umumnya berasal dari pengukur stasiun pengamat (penakar hujan) di lapangan yang efektif dan relatif akurat dalam menggambarkan kondisi hujan pada suatu tempat. Akan tetapi sebaran pos penakar hujan tidak merata khususnya di daerah tidak berpenghuni serta di sekitar lautan yang mengakibatkan berkurangnya tingkat keakuratannya (Xie dan Arkin, 1996; Petty dan Krajewski, 1996). Saat ini, kemajuan teknologi semakin pesat, kemungkinan memperoleh data curah hujan yang diperlukan dalam berbagai aplikasi ilmiah dapat diperoleh dari satelit meteorologi (Petty, 1995). Satelit meteorologi dapat menyediakan data hujan dengan sebaran yang lebih baik dan waktu yang kontinyu (Xie et al., 2007). Beberapa data satelit meteorologi yang dapat menginformasikan curah hujan antara lain data TRMM dan QMorph. Informasi curah hujan dari data TRMM (Tropical Rainfall Measurment Mission) dan QMorph diperoleh dari suhu kecerahan awan dari kanal inframerah serta dari microwave. Menurut Roswintiarti (2009), curah hujan yang diperoleh dari data satelit tersebut, umumnya didapatkan secara cepat (near real-time), konsisten, dan mempunyai resolusi spasial yang homogen. Hal ini sangat menguntungkan, terutama dalam memantau curah hujan untuk wilayah yang sangat luas seperti di Indonesia. Informasi intensitas serta pergerakan curah hujan dapat digunakan untuk analisis terjadinya bencana meteorologi, seperti banjir dan longsor. Meskipun harus dilakukan validasi dengan data curah hujan di lapangan, data curah hujan yang diperoleh dari satelit penginderaan jauh telah banyak memberikan manfaat. Data TRMM dan QMorph mempunyai kemampuan untuk memantau curah hujan setiap 3 jam/hari untuk TRMM dengan resolusi spasial 27 km, dan 0.5 – 1 jam/hari untuk data QMorph dengan resolusi spasial 8 km. Curah hujan merupakan salah satu unsur iklim utama yang menentukan keragaman tipe iklim di Indonesia. Salah satu faktor yang mempengaruhi pembentukan hujan di wilayah Indonesia adalah pergerakan ITCZ (Intertropical Convergence Zone) dan SPCZ (South Pacific Convergence Zone). Masa udara pada daerah ITCZ dan SPCZ memiliki kandungan uap air yang tinggi sehingga daerah-daerah yang dilalui ITCZ dan SPCZ umumnya memiliki tingkat keawanan dan curah hujan yang tinggi. Menurut Threwartha dan Horn (1968), ITCZ adalah garis atau zona yang berkaitan dengan pusat sirkulasi siklonik yang memiliki tekanan udara yang sangat rendah dari daerah sekitarnya dan berada di antara dua cekungan equatorial. ITCZ merupakan daerah pertemuan angin yang membentuk awan penghasil hujan yang berada di sekitar wilayah itu sehingga hujan turun cukup deras secara berkesinambungan. Tujuan dari penelitian ini adalah menyediakan informasi curah hujan di wilayah Indonesia berdasarkan pengaruh dari posisi zona awan penghasil hujan ITCZ dan SPCZ dari data satelit. Metode yang digunakan adalah analisis dinamika kondisi curah hujan di wilayah Indonesia


3

sepanjang tahun 2011 dari data TRMM dan QMorph bulanan, serta menganalisis pengaruh pergerakan ITCZ dan SPCZ terhadap kondisi curah hujan di Indonesia. Hasil kegiatan ini bermanfaat untuk memberikan informasi bulanan maupun musiman tentang kondisi curah hujan di wilayah Indonesia bagi pemerintah, khususnya bagi kegiatan prakiraan musim oleh BMKG dan penentuan angka ramalan produksi padi/palawija oleh BPS. Informasi yang dihasilkan juga terbuka bagi pihak-pihak lain yang membutuhkan maupun masyarakat pada umumnya.

II. Data dan Metode 2.1. Data yang digunakan 1) Data TRMM (Tropical Rainfall Measuring Mission) perekaman setiap 3 jam, pukul 00, 03, 06, 09, 12, 15, 18, dan 21 UTC pada daerah cakupan 15° LU – 12.5 ° LS dan 90° - 155° BT selama tahun 2011 (Sumber: ftp://trmmopen.gsfc.nasa.gov/pub/ merged/ mergeIRMicro/. 2) Data QMorph perekaman setiap jam, pukul 00 UTC sampai dengan 23 UTC pada daerah cakupan yang sama dengan TRMM, selama tahun 2011 (Sumber data: ftp.cpc.cep.noaa. gov/precip/qmorph/30min_8km/) 3) Peta administrasi provinsi Indonesia.

2.2. Metode Langkah-langkah yang dilakukan adalah: • Mengolah nilai curah hujan dari data TRMM yang diperoleh setiap 3 jam dan QMorph yang diperoleh setiap 30 menit menjadi curah hujan harian selama tahun 2011. • Melakukan akumulasi data curah hujan bulanan dengan menjumlahkan nilai hasil curah hujan harian. • Menganalisis dinamika kondisi curah hujan di wilayah Indonesia sepanjang tahun 2011 dari data TRMM dan QMorph bulanan. • Menganalisis pengaruh pergerakan ITCZ dan SPCZ terhadap kondisi curah hujan di Indonesia.

III. Hasil dan Analisis Pemantauan Curah Hujan Bulanan Hasil pemantauan curah hujan di Indonesia pada Tahun 2011 berdasarkan data TRMM dan data QMorph dapat dilihat pada Gambar 1 dan Gambar 2. Sementara itu, wilayah di Indonesia yang memiliki curah hujan maksimum (≥ 350 mm/bulan) dan curah hujan (≤ 50 mm/bulan) selama tahun 2011 dapat dilihat pada Tabel 1. Secara umum dapat ditunjukkan bahwa curah hujan mulai cenderung menurun hingga kurang dari 50 mm/bulan dimulai di wilayah Propinsi Kepulauan Riau pada bulan Februari 2011 dan bulan Juli 2011. Curah hujan kurang dari 50 mm/bulan di Propinsi NTT diawali pada bulan Mei 2011 hingga Oktober 2011, seperti halnya di Propinsi NTB dan Bali diawali bulan Juni hingga Oktober 2011. Sementara di wilayah Propinsi Kalimantan Selatan, Jawa Timur, dan DI Yogyakarta terjadi pada bulan Juni 2011, curah hujan rendah kurang dari 50 mm/bulan terjadi di P. Jawa dan Propinsi Lampung terjadi pada bulan Juli 2011 hingga September 2011. Pada bulan Agustus 2011 ditunjukkan adanya curah hujan terendah yang terjadi di wilayah paling banyak antara lain P. Jawa, Propinsi Bangka Belitung, Sumatera Selatan, Lampung, Sulawesi Selatan, Sulawesi Tenggara, Maluku, Bali, NTB, dan NTT. Pengaruh pergerakan zona awan penghasil hujan ITCZ terhadap kondisi curah hujan di wilayah Indonesia selama tahun 2011 dapat dilihat pada Gambar 1 dan Gambar 2. Pada 4 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

bulan Januari 2011, distribusi curah hujan merata terjadi di seluruh wilayah Indonesia. Pada bulan tersebut posisi ITCZ yang berada di selatan dan sekitar ekuator menyebabkan terjadinya curah hujan yang tinggi (≥ 350 mm/bulan) di wilayah Propinsi Kalimantan Barat, Lampung, Riau, DI Yogyakarta, Jawa Tengah, Jawa Timur. Pada bulan Februari 2011 posisi ITCZ yang masih berada di Selatan Ekuator namun tidak ditemukan adanya distribusi curah hujan yang tinggi (≥ 350 mm/bulan), akan tetapi ditunjukkan adanya distribusi curah hujan yang rendah ≤ 50 mm/bulan di wilayah Propinsi Kep. Riau. Pada bulan Maret 2011, distribusi hujan masih merata terjadi di seluruh wilayah Indonesia, dengan posisi ITCZ cenderung berada di sekitar ekuator antara 10o LU – 10o LS menyebabkan terjadinya curah hujan yang tinggi (≥ 350 mm/bulan) di Propinsi Sumatera Selatan, Lampung, Jambi, DI Yogyakarta, Kalimantan Selatan, Kalimantan Timur, Sulawesi Utara, Gorontalo, Bali, Papua, Papua Barat. Bulan April 2011, posisi ITCZ masih cenderung berada di sekitar ekuator menyebabkan terjadinya curah hujan tinggi di wilayah Propinsi Propinsi Bengkulu, Jambi, Sumatera Selatan, Kalimantan Tengah, DI Yogyakarta, Jawa Tengah, Papua. Distribusi curah hujan bulan Mei 2011 masih sama dengan bulan April 2011 namun mempunyai intensitas curah hujan yang lebih rendah. Bulan Mei posisi ITCZ masih disekitar ekuator tetapi curah hujan yang tinggi (≥ 350 mm/bulan) hanya terjadi di wilayah Propinsi Papua Barat. Pada bulan ini tidak ditunjukkan adanya intensitas curah hujan rendah kurang dari ≤ 50 mm/bulan. Posisi ITCZ pada bulan Juni – Juli 2011, bergerak menuju utara ekuator dan mempengaruhi kondisi curah hujan yang dilintasinya, namun tidak ditunjukkan adanya intensitas curah hujan tinggi (≥ 350 mm/bulan), akan tetapi ditemukan adanya intensitas curah hujan rendah kurang dari ≤ 50 mm/bulan di wilayah DI Yogyakarta, Jawa Timur, Kalimantan Selatan, Bali, NTB, dan NTT untuk bulan Juni 2011 dan di wilayah P. Jawa, Kep. Riau, Lampung, Bali, NTB, dan NTT pada bulan Juli 2011. Pada bulan Agustus – September 2011, posisi ITCZ masih berada di wilayah Utara ekuator menyebabkan curah hujan tinggi (≥ 350 mm/bulan) hanya terjadi di wilayah Propinsi Sumatera Utara pada bulan Agustus 2011 sementara banyak ditemukan curah hujan rendah kurang dari ≤ 50 mm/bulan di wilayah P. Jawa, Propinsi Bangka Belitung, Sumatera Selatan, Lampung, Sulawesi Selatan, Sulawesi Tenggara, Maluku, Bali, NTB, dan NTT. Pada bulan September tidak ditemukan curah hujan tinggi namun ditemukan curah hujan rendah di wilayah P. Jawa, Propinsi Lampung, Bali, NTB, dan NTT. Dalam pergerakannya dari lintang utara menuju selatan, pada bulan Oktober 2011 posisi ITCZ berada di sekitar ekuator menyebabkan curah hujan tinggi (≥ 350 mm/bulan) di wilayah Propinsi Sumatera Utara, Sumatera Selatan, Sumatera Barat, Riau, Jambi, Kalimantan Barat, Kalimantan Tengah, Bengkulu. Pada bulan ini masih terdeteksi curah hujan rendah kurang dari ≤ 50 mm/bulan masih berada di wilayah NTT, NTB, dan Bali. Bulan Nopember 2011, posisi ITCZ mulai bergerak menuju ke selatan ekuator sehingga menyebabkan terjadinya curah hujan tinggi (≥350 mm/bulan) diantaranya Propinsi Sumatera Utara, Bengkulu, Sumatera Barat, Jambi, DI Yogyakarta, Jawa Tengah, Kalimantan Barat, Papua. Intensitas curah hujan Desember 2011 jauh lebih tinggi dengan konsentrasi di sekitar ekuator dikarenakan posisi ITCZ berada di ekuator sehingga menyebabkan terjadinya curah hujan tinggi (≥ 350 mm/bulan) diantaranya Propinsi Bengkulu, Bangka Belitung, Riau, Kep. Riau, Sumatera Selatan, Lampung, Jawa Barat, DI Yogyakarta, Jawa Tengah, Jawa Timur, Papua, Sulawesi Utara, Sulawesi Tengah, Sulawesi Selatan.


5

Propinsi Bengkulu, Bangka Belitung, Riau, Kep. Riau, Sumatera Selatan, Lampung, Jawa Barat, DI Yogyakarta, Jawa Tengah, Jawa Timur, Papua, Sulawesi Utara, Sulawesi Tengah, Sulawesi Selatan. Sementara itu, kondisi curah hujan di wilayah Papua lebih dipengaruhi oleh SPCZ. Secara umum, selama tahun 2011 wilayah Papua tidak selalu mengalami curah hujan yang tinggi (≥ 350 mm/bulan). Curah hujan tinggi hanya ditunjukkan pada bulan Maret hingga Mei 2011 dan Nopember 2011 (Gambar 1 dan Gambar 2). Kondisi curah hujan yang relatif rendah dibandingkan dengan bulan lainnya terjadi pada periode bulan Juni 2011 hingga Agustus 2011 yang dipengaruhi oleh posisi SPCZ dimana curah hujan rendah kurang dari ≤ 50 mm/ bulan hanya terjadi di sebagian kecil wilayah Papua bagian selatan. Tabel 1. Curah hujan maksimum dan minimum di wilayah Indonesia selama Tahun 2011

Curah Hujan

Bulan

(≥ 350 mm/bulan)

(≤ 50 mm/bulan)

Januari

Propinsi Kalimantan Barat, Lampung, Riau, DI Yogyakarta, Jawa Tengah , Jawa Timur

-

Februari

_

Propinsi Kepulauan Riau.

Maret

Propinsi Sumatera Selatan, Lampung, Jambi, DI Yogyakarta, Kalimantan Selatan, Kalimantan Timur, Sulawesi Utara, Gorontalo, Bali, Papua, Papua Barat.

_

April

Propinsi Bengkulu, Jambi, Sumatera Selatan, Kalimantan Tengah, DI Yogyakarta, Jawa Tengah, Papua.

_

Mei

Propinsi Papua Barat.

NTT

Juni

_

DI Yogyakarta, Jawa Timur, Kalimantan Selatan, Bali, NTB, dan NTT.

Juli

_

P. Jawa, Kep. Riau, Lampung, Bali, NTB, dan NTT.

Agustus

Propinsi Sumatera Utara.

P. Jawa, Propinsi Bangka Belitung, Sumatera Selatan, Lampung, Sulawesi Selatan, Sulawesi Tenggara, Maluku, Bali, NTB, dan NTT.

September

_

P. Jawa, Propinsi Lampung, Bali, NTB, dan NTT.

Oktober

Propinsi Sumatera Utara, Sumatera Selatan, Sumatera Barat, Riau, Jambi, Kalimantan Barat, Kalimantan Tengah, Bengkulu.

Bali, NTB, dan NTT.

Nopember

Propinsi Sumatera Utara, Bengkulu, Sumatera Barat, Jambi, DI Yogyakarta, Jawa Tengah, Kalimantan Barat, Papua.

_

Desember

Propinsi Bengkulu, Bangka Belitung, Riau, Kep. Riau, Sumatera Selatan, Lampung, Jawa Barat, DI Yogyakarta, Jawa Tengah, Jawa Timur, Papua, Sulawesi Utara, Sulawesi Tengah, Sulawesi Selatan.

_


JANUARI FEBRUARI MARET APRIL MEI JUNI

50 100

150 200 250 300 350 400

>450 mm

Gambar 1. Akumulasi curah hujan bulan Januari – Juni 2011 berdasarkan data TRMM dan QMorph.


7

JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER

50 100

150 200 250 300 350 400

>450 mm

Gambar 2. Akumulasi curah hujan bulan Juli – Desember 2011 berdasarkan data TRMM dan QMorph. 8 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

IV. Kesimpulan Berdasarkan analisis kondisi curah hujan di wilayah Indonesia selama tahun 2011 dapat disimpulkan bahwa distribusi curah hujan antara TRMM dan Qmorph mempunyai pola penyebaran yang hampir sama dan mengikuti pergerakan ITCZ dan SPCZ. Umumnya curah hujan tinggi (≥ 350 mm/bulan) pada periode bulan DJF (Desember-Januari-Februari) cenderung mendominasi di wilayah Indonesia bagian selatan ekuator. Pada periode bulan MAM (Maret-April-Mei), curah hujan tinggi mulai bergerak ke utara berada menyebar di sekitar ekuator. Sedangkan pada periode bulan JJA (Juni-Juli-Agustus) curah hujan tinggi cenderung mendominasi di sekitar utara ekuator, dan kembali di sekitar ekuator selama periode SON (September-Oktober-Nopember). Kondisi curah hujan mulai cenderung menurun hingga kurang dari 50 mm/bulan yang merupakan musim kemarau umumnya terjadi pada bulan Juni 2011 hingga berlangsung sampai September 2011. Curah hujan mulai cenderung meningkat pada bulan September 2011 diawali di Propinsi NAD hingga bulan Desember 2011. Selama tahun 2011 kondisi curah hujan mengalami puncaknya pada bulan Desember 2011.

Daftar Pustaka Earth Observation Research Center JAXA (EORC). http://www.eorc.jaxa.jp/TRMM/ index_e.htm. Goddard Space Flight Center DAAC (Distributed Active Archive Center), NASA (National Aeronautics and Space Administration), http://www.gfsc.nasa.gov. Hong, Y., R.F. Adler, G.J. Huffman, and H. Pierce. 2010. Applications of TRMM -Based Multi-Satellite Precipitation Estimation for Global Runoff Prediction: Prototyping a Global Flood Modeling System. In Satellite Rainfall Applications for Surface Hydrology, M. Gebremichael and F. Hossain (ed.), pp. 245-266 (Netherlands: Springer Verlag). Janowiak. J dan Robert. J. An Inter-comparasion of Passive Microwave Rainfall Derived from Various Sensor and Algorithms. 3nd International Precipitation Working Group, 23-27 Oktober 2006. Climate Prediction Centre, National Weather Sevice, National Oceanic and Admospheric Administration. 2006 Petty, G.W. 1995. The Status of Satellite -Based Rainfall Estimation over Land. Remote Sensing of Environment, 51. 125-137 Petty, G.W., dan W.F. Krajewski. 1996. Satellite estimation of precipitation over land. Hidrological Science, 41(4). 433-451 Xie, P., dan P.A. Arkin. 1996. Analyses of global monthly precipitation using gauge observations, satellite estimates and numerical model predictions. Journal of Climate, 9. 840–858 Xie, P., A. Yatagai, M. Chen, T. Hayasaka, Y. Fukushima, C. Liu, and S. Yang. 2007. A Gauge-Based Analysis of Daily Precipitation over East Asia. Journal of Hydrometeorology, 8. 607–626 Sumber Data: ftp://trmmopen.gsfc.nasa.gov/pub/ merged/ mergeIRMicro/. Sumber Data: ftp.cpc.cep.noaa.gov/precip/qmorph/30min_8km/


9

Biografi Penulis

Dra. Any Zubaidah, M.Si. Email : [email protected]

Pendidikan: }} Magister Sains (M.Si) pada program studi Ilmu Tanah, Institut Pertanian Bogor (IPB). 2004 }} Sarjana (Dra.) Fakultas Matematika dan Ilmu Pengetahuan Alam, Jurusan Matematika, Universitas Gadjah Mada (UGM). 1984

Any Zubaidah sampai saat ini masih bekerja sebagai peneliti di Bidang Lingkungan dan Mitigasi Bencana (LMB), Pusat Pemanfaatan Penginderaan Jauh. Sejak tahun 1985 bekerja di Lembaga Penerbangan dan Atariksa Nasional, diterima di Bidang Teledeteksi Sumber Daya Alam menangani kegiatan Pre Processing System (PPS) citra Inderaja. Tahun 1987 sebagai peneliti di Bidang Perolehan Data penginderaan jauh (Lehta) dibawah Pusat Data Penginderaan Jauh LAPAN. Tahun 1994 – 2001 sebagai peneliti dan Kasie Katalog dan Dokumentasi Bidang Bank Data, Pusat Pengembangan dan Pemanfaatan Data Penginderaan Jauh. Saat ini penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan dan potensinya terhadap kebencanaan (banjir, kekeringan, kebakaran hutan, letusan gunung api). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN)

Kusumaning Ayu, ST

Email :[email protected]; [email protected]

Pendidikan/Education: }} Sarjana Teknik (ST),pada program studi Teknik Elektro, Fakultas Teknik, Universitas Indonesia (UI) 2009

Penelitian yang diminati/Research Interest: Aplikasi data penginderaan jauh untuk kebakaran hutan dan teknik telekomunikasi. Kusumaning Ayu telah bekerja di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 2006. Kegiatan penelitian yang telah dilakukan berkaitan dengan pengembangan model aplikasi data penginderaan jauh untuk kebakaran hutan. Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN).


Prediksi Banjir dan Kekeringan Menggunakan Model Prediksi Curah Hujan Bulanan Any Zubaidah Abstract

Monthly rainfall prediction models have been developed to predict floods and droughts. Approach Outgoing Longwave Radiation (OLR) applied on rainfall data to obtain a predictive model of rainfall up to 5 months. The purpose of this study is to analyze monthly rainfall prediction model to predict the level of flood and drought prone on rice fields in Java and Bali, as well as predict the potential flood area on the island of Java. The level of the flood-prone rice fields in Java based model of rainfall prediction in February of 2012 was mild to moderate, while in Bali predicted not flooded. Drought-prone level in Java and Bali based model of rainfall prediction in August of 2011 classified as mild to moderate category. The potential flood areas in Java based model of rainfall prediction in February of 2012, dominated province of Central Java, Yogyakarta and East Java, west and central. Keywords: rainfall, floods, droughts, prediction, remote sensing. Abstrak

Model prediksi curah hujan bulanan telah dikembangkan untuk memprediksi banjir dan kekeringan. Pendekatan Outgoing Longwave Radiation (OLR) diaplikasikan pada data curah hujan untuk memperoleh model prediksi curah hujan hingga 5 bulan kedepan. Tujuan dari penelitian ini adalah menganalisa model prediksi curah hujan bulanan untuk memprediksi tingkat rawan banjir dan kekeringan pada lahan sawah di Pulau Jawa dan Bali, serta memprediksi wilayah berpotensi banjir di Pulau Jawa. Tingkat rawan banjir pada lahan sawah di Pulau Jawa berdasarkan model prediksi curah hujan bulan Februari tahun 2012 adalah ringan hingga sedang, sementara di Pulau Bali diprediksi tidak mengalami banjir. Tingkat rawan kekeringan di Pulau Jawa dan Bali berdasarkan model prediksi curah hujan bulan Agustus tahun 2011 tergolong ringan hingga kategori sedang. Adapun wilayah yang berpotensi banjir di Pulau Jawa berdasarkan model prediksi curah hujan bulan Februari tahun 2012, didominasi Provinsi Jawa Tengah, DI Yogyakarta, serta Jawa Timur sebelah barat dan tengah. Kata Kunci: curah hujan, banjir, kekeringan, prediksi, penginderaan jauh.


11

I. Pendahuluan Kondisi iklim di Indonesia dipengaruhi oleh fenomena yang terjadi di Samudera Pasifik Tropik. Fenomena El Nino dan La Nina yang merupakan anomali suhu permukaan laut (sea surface temperature atau SST) di wilayah Pasifik Tropik bagian timur dan tengah berpengaruh terhadap keadaan iklim di Indonesia. Beberapa kasus kemarau atau kekeringan panjang di Indonesia antara lain pada tahun 1982/1983 dan 1997/1998 berasosiasi dengan peningkatan suhu permukaan laut di Pasifik atau dikenal dengan El Nino yang pada saat itu juga disertai dengan fenomena Osilasi Selatan sehingga disebut ENSO. Oleh sebab itu prediksi iklim di Indonesia yang dikaitkan dengan fenomena demikian sangat penting untuk antisipasi dampak negatif yang ditimbulkannya (Roswintiarti, 2009). Studi variabilitas curah hujan di wilayah Indonesia berdasarkan fenomena ENSO dari data penginderaan jauh telah dilakukan oleh Aldrian dan Susanto (2003). Umumnya, kondisi curah hujan yang rendah diwilayah Indonesia dan sekitarnya berkaitan dengan fenomena El Nino. Sebaliknya kondisi curah hujan tinggi di wilayah Indonesia dan sekitarnya berkaitan dengan fenomena La Nina. Menurut penelitian Parwati (2010) berdasarkan adanya hubungan antara suhu permukaan laut di Pasifik Tropik dan curah hujan di wilayah Tropik, dapat dilakukan pemodelan untuk prediksi curah hujan di wilayah Tropik terutama di wilayah Indonesia. Salah satu pemodelan prediksi iklim yang berupa prediksi Outgoing Longwave Radiation (OLR) dan estimasi curah hujan di wilayah Indonesia hingga 5 bulan ke depan telah dikembangkan oleh Roswintiarti (1997), dengan input anomali SST di Samudera Pasifik. Model prediksi ini dibangun berdasarkan data suhu pemukaan laut dan OLR selama periode 22 tahun (1982 – 2003). Pengembangan model prediksi anomali OLR Tropik dan estimasi curah hujan yang telah dilakukan ternyata menghasilkan korelasi yang beragam antar bulan. Namun hasil penelitian terdahulu juga menunjukkan bahwa model prediksi anomali OLR dan curah hujan bulanan dengan waktu tunda 0-5 bulan dapat diterapkan di Indonesia dengan tingkat signifikansi (taraf nyata) yang cukup tinggi (90%), meskipun tingkat ketelitiannya masih perlu ditingkatkan (Roswintiarti, 1997: Adiningsih et al, 1998). Hasil kegiatan ini bermanfaat untuk memberikan informasi bulanan maupun musiman tentang liputan awan dan curah hujan di wilayah Indonesia bagi Pemerintah, khususnya bagi kegiatan prakiraan musim oleh BMKG dan Penentuan Angka Ramalan Produksi Padi/Palawija oleh BPS (Anonimous, 2011). Informasi yang dihasilkan juga terbuka bagi pihak-pihak lain yang membutuhkan maupun masyarakat pada umumnya. Informasi ini juga dapat digunakan kegiatan pemantauan prediksi banjir/ kekeringan di suatu lahan (Anonimous, 2011). Makalah ini menerapkan model yang telah dibangun oleh peneliti sebelumnya untuk kegiatan operasional prediksi iklim jangka pendek di Indonesia setiap bulannya. Data yang digunakan adalah suhu permukaan laut Pasifik Tropik bulan Nopember 2011 untuk memprediksi iklim bulan Desember 2011 hingga bulan April 2012. Tujuan dari kegiatan ini adalah untuk mendapatkan prediksi iklim bulanan berupa prediksi curah hujan dan anomalinya hingga 5 bulan ke depan di wilayah Indonesia untuk digunakan sebagai input data kegiatan prediksi potensi banjir /kekeringan di lahan sawah. Hasil riset diharapkan dapat diterapkan sebagai peringatan dini bencana alam banjir/kekeringan suatu daerah, untuk memantau dan mengendalikan ketersediaan air tanah, dan lain sebagainya. Prediksi tingkat rawan banjir dan/kekeringan ini sangat diperlukan guna mengurangi/ antisipasi bencana banjir dan kekeringan yang terjadi.


II. Data dan Metode Data yang digunakan pada kajian ini dibagi menjadi 2, yaitu kajian aplikasi banjir menggunakan data anomali suhu permukaan laut bulan November 2011, sedangkan untuk kajian aplikasi kekeringan menggunakan data anomali suhu permukaan laut Agustus 2011. Anomali suhu permukaan laut yang digunakan berasal dari data satelit NOAA-AVHRR. Selain itu juga digunakan data MODIS dengan parameter indeks kehijauan Enhanced Vegetation Index (EVI) serta data curah hujan Tropical Rainfall Measurement Mission (TRMM) pada periode yang sama untuk menentukan prediksi rawan banjir di lahan sawah.

2.1. Metode Prediksi Curah Hujan dan Anomali Menggunakan Suhu Permukaan Laut Pasifik Tropik Prediksi iklim bulanan yang berupa prediksi estimasi curah hujan dan anomaly di wilayah Indonesia hingga 5 (lima) bulan ke depan telah dikembangkan berdasarkan input anomali suhu permukaan laut (SPL) Pasifik Tropik. Model prediksi ini dibangun dari data tahun 1982 sampai dengan tahun 2003 (23 tahun) berdasarkan metode Empirical Orthogonal Function (EOF) dan Canonical Correlation Analysis (CCA). Model Statistik Prediksi iklim yang digunakan ditunjukkan pada Gambar 1 (Roswintiarti, 2009)

Gambar 1. Model Statistik Prediksi Curah hujan dan Anomalinya (Roswintiarti, 2009).

2.2. Metode Prediksi Rawan Banjir Secara prinsip metode prediksi banjir adalah mengintegrasikan hasil prediksi curah hujan bulanan dengan hasil analisis rawan banjir pada suatu bulan tertentu (Gambar 2). Metode rawan banjir menggunakan input Enhanced Vegetation Index (EVI) dan curah hujan TRMM pada periode yang sama kemudian dikelaskan menjadi tingkat rawan banjir dengan 5 (lima) kelas yaitu kelas tidak banjir, ringan, sedang, berat, dan sangat berat (Dirgahayu et al, 2011).


13

Gambar 2. Model Prediksi Rawan Banjir.

III. Hasil dan Pembahasan 3.1. Prediksi Curah Hujan Bulanan Dengan menggunakan input suhu permukaan laut Pasifik Tropik bulan Nopember 2011, diperoleh hasil prediksi iklim untuk bulan Desember 2011 sampai dengan April 2012 di Indonesia seperti ditunjukkan pada Tabel 1 serta Gambar 3. Gambar 3(a) – (e) menunjukkan distribusi spasial prediksi estimasi curah hujan dan anomalinya di Indonesia pada bulan Desember 2011 hingga April 2012 berdasarkan data suhu permukaan laut Samudera Pasifik bulan Nopember 2011. Gambar 3a menunjukkan prediksi estimasi curah hujan dan anomalinya di wilayah Indonesia pada bulan Desember 2011, dimana dapat dilihat bahwa seluruh wilayah Indonesia diprediksi mengalami peningkatan curah hujan hingga mencapai lebih 30 mm/bulan dari kondisi ratarata bulanan.


Prediksi estimasi curah hujan dan anomali untuk bulan Januari 2012 ditunjukkan bahwa seluruh wilayah Indonesia diprediksikan mengalami penurunan curah hujan hingga 12 mm/bulan dari kondisi rata-rata bulanan ditunjukkan pada Gambar 3b. PREDIKSI ESTIMASI CURAH HUJAN

PREDIKSI ANOMALI ESTIMASI CURAH HUJAN

(a)

(b)

(c)

(d)

(e)

Gambar 3. Hasil Prediksi Estimasi Curah Hujan dan Anomalinya Bulan Desember 2011 hingga Bulan April 2012 Sementara prediksi estimasi curah hujan dan anomali di Indonesia pada bulan Februari 2012 diprediksikan mengalami curah hujan hingga mencapai 18 mm/bulan dari kondisi rata-rata bulanan, kecuali Propinsi NAD, sebagian kecil wilayah Sumatera Barat, perbatasan antara Jambi dan Sumatera Selatan, serta sebagian kecil wilayah Kalimantan Barat bagian selatan yang diprediksi mengalami peningkatan curah hujan hingga 6 mm/bulan dari kondisi rata-rata bulanan Gambar 3c.


15

Selanjutnya Gambar 3d menunjukkan distribusi prediksi estimasi curah hujan dan anomalinya di Indonesia pada bulan Maret 2012. Pada gambar tersebut ditunjukkan bahwa wilayah Indonesia seluruh wilayah Indonesia diprediksi mengalami penurunan curah hujan hingga mencapai 18 mm/bulan dari kondisi rata-rata bulanan, kecuali di P. Jawa, Bali, NTB, dan NTT diprediksi mengalami peningkatan curah hujan hingga mencapai 6 mm/bulan. Kemudian prediksi estimasi curah hujan dan anomali bulan April 2012 ditunjukkan pada Gambar 3e, yang menunjukkan bahwa hamper seluruh wilayah Indonesia diprediksikan mengalami penurunan curah hujan hingga 12 mm/bulan dari kondisi rata-rata bulanan kecuali di wilayah Papua yang diprediksi mengalami peningkatan curah hujan hingga 6 mm/bulan dari kondisi rata-rata bulanan.

3.2. Hasil Prediksi Rawan Banjir di Lahan Sawah Hasil prediksi curah hujan yang diperoleh dapat digunakan sebagai input untuk membuat prediksi rawan banjir di lahan sawah. Metode yang digunakan adalah mengkombinasikan antara Enhanced Vegetation index (EVI) yang sudah dilakukan masking awan dengan prediksi estimasi curah hujan pada periode yang sama sehingga diperoleh tingkat rawan banjir (Zubaidah, 2013). Tingkat rawan banjir lahan sawah ini menggunakan diklasifikasikan menjadi 5 (lima) kelas yaitu klas tidak banjir, banjir ringan, sedang, berat, dan sangat berat. Klasfikasi tersebut ditetukan berdasarkan nilai indeks banjir, dengan nilai indeks banjir kurang dari 35 dinyatakan tingkat kelas tidak banjir, sedangkan nilai indeks banjir antara 35 – 48 masuk ke tingkat kelas banjir ringan, tingkat rawan banjir sedang antara 49-62, tingkat rawan banjir berat antara 63-77, dan tingkat rawan banjir sangat berat antara 78-100 (Dirgahayu, 2011). Aplikasi prediksi estimasi curah hujan untuk membuat prediksi rawan banjir di pulau Jawa dan Bali pada bulan Februari 2012 ditunjukkan pada Gambar 4. Hasil prediksi rawan banjir bulan Februari 2012 ini berdasarkan hasil prediksi curah hujan bulan Februari 2012 dengan input data SPL bulan November 2011 dan digabungkan dengan EVI MODIS bulan Februari 2012. Hasil prediksi banjir ditunjukkan bahwa Provinsi Banten dan Jawa Barat sebagian besar diprediksi mengalami banjir, namun hanya terdeteksi banjir dengan katagori ringan dan sedang terjadi di beberapa kabupaten di Jawa Barat, antara lain Kabupaten Pandeglang, Bogor, Sukabumi, dan Cianjur. Provinsi Jawa Tengah sebagian besar lahan sawah diprediksi mengalami banjir dengan katagori ringan dan sedang, antara lain terjadi di Kabupaten Cilacap, Banyumas, Purbalingga. Provinsi DI Yogyakarta, berdasarkan hasil prediksi pada bulan Februari 2012 sebagian besar lahan sawah diprediksi mengalami banjir yang meliputi Kabupaten Bantul dan Kulonprogo. Sedangkan di Provinsi Jawa Timur dan Bali, berdasarkan hasil prediksi pada bulan Februari 2012 sebagian besar lahan sawah diprediksi mengalami banjir yang terjadi di beberapa kabupaten antara lain: Kabupaten Pacitan, Ponorogo, Trenggalek dan Tulungagung. Di Bali tidak diprediksi tidak terjadi banjir.


Gambar 4. Prediksi Rawan Banjir Lahan Sawah Bulan Februari 2012 di Pulau Jawa dan Bali

3.3. Hasil Prediksi Rawan Kekeringan di Lahan Sawah. Kekeringan merupakan salah satu feomena yang terjadi sebagai dampak penyimpangan ikim global seperti El Nino dan Osilasi Selatan. Dewasa ini bencana kekeringan semakin sering terjadi bukan saja pada periode tahun-tahun El Nino, tetapi juga pada periode tahun dalam keadaan kondisi normal. Secara umum pengertian kekeringan adalah ketersediaan air yang jauh di bawah dari kebutuhan air untuk kebutuhan hidup, pertanian, kegiatan ekonomi dan lingkungan. Terjadinya kekeringan di suatu daerah bisa menjadi kendala dalam peningkatan produksi pangan di daerah tersebut (Khairullah, 2009). Sehingga perlu mengatisipasi masalah tersebut dengan dilakukannya pemantauan prediksi rawan kekeringan di lahan sawah. Gambar 5 merupakan contoh aplikasi prediksi estimasi curah hujan untuk digunakan membuat prediksi rawan kekeringan lahan sawah. Hasil prediksi kekeringan lahan sawah berdasarkan prediksi curah hujan bulan Februari 2012 tidak terdeteksi adanya rawan kekeringan, sehingga untuk aplikasi rawan kekeringan diambil contoh berdasarkan prediksi curah hujan bulan kering yaitu prediksi rawan kering pada bulan Agustus 2011 menggunakan sebelumnya (Juni 2011). Pada Gambar 5 ditunjukkan adanya gejala kekeringan di beberapa lokasi. Provinsi Banten dan Jawa Barat sebagian besar lahan sawah diprediksikan mengalami kekeringan, antara lain di Kabupaten Pandeglang, Lebak, Karawang, Bekasi, Indramayu dan Subang. Provinsi Jawa Tengah, sebagian besar lahan sawah diprediksi mengalami kekeringan. Kekeringan diprediksi terjadi di beberapa kabupaten di Jawa Tengah, antara lain di Kabupaten Demak, Sragen, Brebes, dan Grobogan. Sementara di Provinsi DIY sebagian besar lahan sawah diprediksi mengalami kekeringan. Kekeringan diprediksi terjadi di beberapa kabupaten di Jawa Tengah, antara lain: Bantul dan Sleman. Provinsi Jawa Timur dan Bali sebagian besar lahan sawah diprediksi mengalami kekeringan, antara lain di Kabupaten Bojonegoro, Nganjuk, Lamongan, Probolinggo dan sebagian besar pulau Madura. Di Bali diprediksi terjadi kekeringan di Kabupaten Gianyar dan Badung.


17

Gambar 5. Tingkat Rawan Kekeringan lahan sawah di Pulau Jawa dan Bali

3.4. Aplikasi untuk Memprediksi Potensi Banjir Bulanan di Beberapa Wilayah Indonesia. Aplikasi prediksi estimasi curah hujan bulanan selain digunakan untuk memprediksi tingkat rawan banjir/kekeringan lahan sawah juga dapat digunakan untuk membuat prediksi potensi banjir bulanan dibeberapa wilayah di Indonesia, dengan cara menggabungkan prediksi curah hujan kedalam peta rawan tergenang. Berdasarkan penelitian Khomaruddin, menyatakan bahwa potensi banjir diwilayah Indonesia (Pulau Jawa, Pulau Sumatera, dan Kalimantan) memiliki nilai ambang yang berbeda-beda. Potensi banjir di Pulau Jawa mempunyai nilai ambang batas sebesar 277 mm/bulan, Pulau Sumatera dengan nilai ambang 291 mm/bulan, dan 268 mm/bulan untuk Kalimantan. Studi kasus ini diterapkan untuk memperoleh prediksi potensi banjir dengan menggabungkan nilai ambang dari prediksi curah hujan dengan daerah rawan tergenang (Anonim, 2011). Gambar 6 merupakan contoh informasi spasial prediksi potensi banjir di Pulau Jawa berdasarkan prediksi curah hujan bulan Februari 2012 menggunakan suhu permukaan laut 2 bulan sebelumnya (Desember 2011). Prediksi potensi banjir bulan Februari 2012 terjadi dibeberapa lokasi didominasi di Provinsi Jawa Tengah, DI Yogyakarta, dan Jawa Timur sebelah barat dan tengah. Di Provinsi Jawa Tengah diprediksi terjadi banjir di Kabupaten Banjarnegara, Banyumas, Batang, Boyolali, Brebes, Cilacap, Demak, Grobogan, Jepara, Karanganyar, Kebumen, Kendal, Klaten, Kota Magelang, Kota Pekalongan, Kota Semarang, Kota Surakarta, Kota Tegal, Kudus, Magelang, Pati, Pekalongan, Pemalang, Purbalingga, Purworejo, Rembang, Semarang, Sragen, Sukoharjo, Tegal, Temanggung, Wonogiri. Prediksi potensi banjir di DI Yogyakarta meliputi Kabupaten Bantul, Kulon Progo, Gunung Kidul, Kota Yogyakarta, dan Sleman. Sementara Prediksi banjir di Provinsi Jawa Timur meliputi wilayah Kabupaten Bojonegoro, Gresik, Jombang, Kediri, Kota Kediri, Kota Surabaya, Lamongan, Madiun, Nganjuk, Ngawi, Ponorogo, dan Tuban.


Gambar 6. Informasi spasial Daerah Potensi Banjir di Pulau Jawa bulan Februari 2012

IV. Kesimpulan Berdasarkan analisis prediksi curah hujan di wilayah Indonesia dengan dengan input data bulan November 2011, dapat disimpulkan bahwa : 1) Prediksi estimasi curah hujan pada bulan Desember 2011 seluruh wilayah Indonesia diprediksi mengalami peningkatan curah hujan hingga mencapai lebih 30 mm/bulan dari kondisi rata-rata bulanan. Prediksi estimasi curah hujan untuk bulan Januari 2012 hingga April 2012 ditunjukkan bahwa seluruh wilayah Indonesia diprediksikan mengalami penurunan curah hujan hingga 12 mm/bulan dari kondisi rata-rata bulanan, kecuali pada bulan Maret 2012 ditunjukkan adanya peningkatan curah hujan di wilayah Pulau. Jawa, Bali, NTB, dan NTT hingga mencapai 6 mm/bulan dari kondisi rata-rata bulanan. 2) Menggunakan prediksi curah hujan bulan Februari 2012, tingkat prediksi banjir di lahan sawah di Pulau Jawa sebagian besar diprediksi mengalami banjir dengan katagori ringan dan sedang. Wilayah Jawa Barat terdeteksi di Kabupaten (Pandeglang, Bogor, Sukabumi, dan Cianjur), Provinsi Jawa Tengah di Kabupaten (Cilacap, Banyumas, Purbalingga), Provinsi DI Yogyakarta (Bantul dan Kulonprogo), serta di Provinsi Jawa Timur terjadi di Kabupaten (Pacitan, Ponorogo, Trenggalek dan Tulungagung). Sementara di Bali tidak diprediksi adanya banjir. 3) Menggunakan prediksi curah hujan bulan Agustus 2011, Pulau Jawa sebagian besar lahan sawah diprediksi mengalami kekeringan dengan katagori ringan hingga sedang yang terjadi di Provinsi Banten dan Jawa Barat (Kabupaten Pandeglang, Lebak, Karawang, Bekasi, Indramayu, Subang), Provinsi Jawa Tengah (Kabupaten Demak, Sragen, Brebes, Grobogan), Provinsi DI Yogyakarta (Kabupaten Bantul dan Sleman), Provinsi Jawa Timur dan Bali (Kabupaten Bojonegoro, Nganjuk, Lamongan, Probolinggo dan sebagian besar pulau Madura). Di Bali diprediksi terjadi kekeringan di Kabupaten Gianyar dan Badung. 4) Berdasarkan hasil prediksi curah hujan dapat diaplikasikan ke berbagai bencana antara lain untuk prediksi bencana tingkat rawan banjir/kekeringan lahan sawah di Pulau Jawa dan Bali, serta prediksi potensi banjir di beberapa wilayah di Indonesia (contoh di Pulau Jawa).


19

Daftar Pustaka Adiningsih, S.E., M.K. Widagdo, O. Roswintiarti, dan Kustiyo. 1998. Shortternm climate prediction by Satellite: Anearly warning system. Majalah LAPAN. 85:25-36 Aldrian E, dan Susanto RD, 2003. Identification of Three Dominat Rainfall Regions within Indonesia and their Relationship to Sea Surface Temperature, Int J Climatol 23:1435-1452 Anonimous. 2011. Laporan Pematauan Informasi Curah Hujan dan Prediksi Curah hujan Di Indonesia tahun 2011. Bidang Pemantauan Sumberdaya Alam dan Lingkungan. LAPAN Jakarta Dirgahayu, D. 2011. Model pemantauan banjir lahan sawah dalam Laporan pemantauan sumberdaya Alam dan Lingkungan berdasarkan Data Satelit Pengideraa Jauh. Bidang Pemantauan Sumberdaya Alam dan Lingkungan. LAPAN Jakarta Khairullah, 2009. Pengertian Kekeringan dan Langkah-langkah Mengatisipasinya, diunduh di website http://ustadzklimat.blogspot.com/2009/04/pengertian-kekeringan-dan-langkah .html Parwati, 2010. Model Curah Hujan di Wilayah Indonesia Dari Data Satelit TRRM Berdasarkan Anomali Suhu Permukaan Laut Pasifik Tropik. Prosiding Seminar Nasional Sains Atmosfer I. Bandung 16 Juni 2010. Roswintiarti, O., 1997. Peran Data Penginderaan Jauh untuk Mendukung Prediksi Anomali Iklim Akibat ENSO dan Dampaknya pada Pola Tanam Padi. Laporan Riset Unggulan Terpadu III Bidang Teknologi Perlindungan Lingkungan. Tahun 1995 – 1997. LAPAN. Jakarta. In Bahasa. Roswintiarti, O. et all., 2009. Pemantauan Sumberdaya Alam dan Lingkungan Berbasis Data Penginderaan Jauh. Buku Leafled. Pusat Pengembangan Pemanfaatan Dan Teknologi Penginderaan Jauh. LAPAN Jakarta. Zubaidah, A., 2013. Pemantauan Kejadian Banjir Lahan Sawah Menggunakan Data Penginderaan Jauh MODIS di Provinsi Jawa Timur dan Bali. Jurnal Ilmiah Widya Volume 1 Nomor 1 Mei-Juni 2013.

Biografi Penulis

Dra. Any Zubaidah, M.Si. Email : [email protected]

Pendidikan: }} Magister Sains (M.Si) pada program studi Ilmu Tanah, Institut Pertanian Bogor (IPB). 2004 }} Sarjana (Dra.) Fakultas Matematika dan Ilmu Pengetahuan Alam, Jurusan Matematika, Universitas Gadjah Mada (UGM). 1984

Any Zubaidah sampai saat ini masih bekerja sebagai peneliti di Bidang Lingkungan dan Mitigasi Bencana (LMB), Pusat Pemanfaatan Penginderaan Jauh. Sejak tahun 1985 bekerja di Lembaga Penerbangan dan Atariksa Nasional, diterima di Bidang Teledeteksi Sumber Daya Alam menangani kegiatan Pre Processing System (PPS) citra Inderaja. Tahun 1987 sebagai peneliti di Bidang Perolehan Data penginderaan jauh (Lehta) dibawah Pusat Data Penginderaan Jauh LAPAN. Tahun 1994 – 2001 sebagai peneliti dan Kasie Katalog dan Dokumentasi Bidang Bank Data, Pusat Pengembangan dan Pemanfaatan Data Penginderaan Jauh. Saat ini penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan dan potensinya terhadap kebencanaan (banjir, kekeringan, kebakaran hutan, letusan gunung api). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN)


Analisis Potensi Banjir Harian di Indonesia Menggunakan Data Penginderaan Jauh Nanik Suryo Haryani Abstract

The underlying cause of flood, other than high intensity rainfall, is identified as the change of land coverage in upstream area such as the de-forestration and the rapid development of urban areas. The goal of this research is to obtain the information of inundated area (flood sensitive) with the flood potential in all round Indonesia, using the MTSAT-1R remote sensing satellite data. The data is adopted from MTSAT-1R, Landsat Image-7ETM, SPOT, IKONOS and DEM-SRTM, meanwhile the data of inundated area is collected from the Department of Public Works and historical data of flood occurrence. The applied methodology is the observation of daily heavy rainfall probability from MTSAT-1R, and classification of rainfall based on cloud peak temperature, subsequently the integration between the result of analysis of daily heavy rain potential and flooding area data presents the spatial information of daily flood potential. The result of flood potential per island in Indonesia along the year of 2011 shows that the highest flood potential is occurred in Java island, as much as 11229 location of potential flooding, and the lowest probability is occurred in Maluku as 375 location of potential flooding. Key word: flood potential, remote sensing, MTSAT-1R Abstrak

Penyebab kejadian banjir selain oleh adanya curah hujan yang tinggi, dapat juga diidenfikasi adanya perubahan penutup lahan di daerah hulu seperti pembukaan lahan/hutan serta adanya perkembangan wilayah perkotaan yang sangat pesat. Tujuan penelitian ini adalah diperolehnya informasi daerah potensi banjir pada lokasi genangan (rawan banjir) di seluruh wilayah Indonesia menggunakan data satelit penginderaan jauh MTSAT-1R. Data yang digunakan MTSAT-1R, citra Landsat-7 ETM, SPOT, IKONOS dan DEM-SRTM, data daerah genangan dari Kementrian Pekerjaan Umum dan data historical kejadian banjir. Metode yang digunakan adalah pendeteksian peluang hujan lebat harian dari MTSAT-1R,dan klasifikasi hujan berdasarkan suhu puncak awan, selanjutnya integrasi hasil pengolahan peluang hujan lebat harian dengan data genangan menghasilkan informasi spasial daerah potensi banjir harian. Hasil potensi banjir per-pulau di Indonesia selama tahun 2011 menunjukkan bahwa potensi banjir tertinggi terdapat di wilayah Pulau Jawa sebesar 11229 lokasi potensi banjir, sedangkan potensi banjir terrendah terjadi di Pulau Maluku sebesar 375 lokasi potensi banjir. Kata kunci: potensi banjir, penginderaan jauh, MTSAT-1R


21

I. Pendahuluan Banjir yang sering terjadi di berbagai daerah Indonesia merupakan suatu kejadian alam yang terjadi di daerah tropis, dimana kejadian banjir tersebut dipicu dengan adanya curah hujan yang sangat tinggi. Kejadian banjir yang disebabkan oleh adanya curah hujan yang tinggi, dapat juga diidenfikasi adanya perubahan penutup lahan di daerah hulu seperti pembukaan lahan atau pembukaan hutan serta adanya perkembangan wilayah perkotaan yang sangat pesat. Faktor curah hujan yang tinggi merupakan salah satu faktor utama penyebab banjir (Nugroho, S.P., 2002). Pembukaan hutan atau lahan di daerah hulu akan menyebabkan air hujan tidak dapat diserap oleh tanah dan akar-akar tanaman, sehingga air hujan dapat langsung menjadi air limpasan yang langsung menjadi air permukaan yang mengalir ke sungai. Adanya pembukaan hutan/lahan tersebut sehingga volume air sungai akan terus bertambah menjadi lebih besar, dan akhirnya menyebabkan terjadinya banjir. Seballiknya jika tanah mempunyai struktur yang mantap atau tidak mudah terdispersi, maka infiltrasi masih cukup besar sehingga aliran permukaan dan erosi tidak begitu tinggi (Arsyad, 2010). Perubahan penutup lahan seperti adanya perkembangan perkotaan yang tidak disertai dengan pengelolaan sistem drainase yang baik akan menyebabkan kondisi perkotaan akan kurang baik, sehingga air tidak dapat dialirkan melalui sistem drainase yang ada sehingga menyebabkan terjadinya daerah genangan banjir. Daerah genangan banjir atau daerah rawan tergenang dapat dihasilkan melalui interpretasi citra satelit penginderaan jauh yang terdiri dari citra Landsat-7 ETM, SPOT, IKONOS dan DEM-SRTM (Anonim, 2010) dan diintegrasikan dengan data daerah genangan yang diperoleh dari Kementrian Pekerjaan Umum dan data historical kejadian banjir, sehingga dihasilkan informasi spasial daerah rawan genangan banjir. Dari daerah rawan genangan banjir dioverlay dengan peluang hujan harian dari data MTSAT-1R maka akan diperoleh potensi banjir di wilayah Indonesia (Anonim, 2011). Tujuan penelitian ini adalah diperolehnya informasi daerah potensi banjir pada lokasi genangan (rawan banjir) di seluruh wilayah Indonesia menggunakan data satelit penginderaan jauh MTSAT-1R (Multifunctional Transport Satellite-1R).

II. Metodologi 2.1. Data Data yang digunakan untuk pemantauan potensi banjir harian adalah Daerah rawan tergenang di Indonesia yang merupakan hasil interpretasi Citra Landsat-7 ETM, Spot, Ikonos, DEMSRTM atau Digital Elevation Model – Shuttle Radar Topographic Mission (Anonim, 2011), data genangan yang diperoleh dari Kementerian Pekerjaan Umum (PU), dan informasi kejadian banjir yang diperoleh dari media masa baik media elektronik maupun media cetak. Data MTSAT–1R (Multi–Functional Transport Satellite–1R) yang diperoleh secara harian selama 24 jam dari pukul 00.00 – 23.00 UTC (sumber: http://weather.is.kochi-u.ac.jp/sat/ GAME/2011/Mar/IR1).

2.2. Metode Metode yang digunakan adalah pendeteksian peluang hujan lebat harian dilakukan dengan menggunakan estimasi peluang hujan lebat harian dari MTSAT – 1R didasarkan pada temperatur puncak awan atau cloud-top temperature (Anonim, 2011). Badan Meteorologi Klimatologi dan Geofisika (BMKG) juga melakukan penelitian mengenai data suhu puncak awan digunakan untuk perhitungan curah hujan harian yang diperoleh dari data satelit MTSAT kanal IR (Swarinoto, et al., 2012). 22 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Klasifikasi hujan berdasarkan suhu puncak awan dikelompokan menjadi empat kelas (Price, et.al., 1994), yaitu: - Hujan Lebat

: Tct < - 75°C

( Tct < 198 K)

- Hujan Sedang : - 75°C ≤ Tct < - 47°C

( 198 K ≤ Tct ≤ 226 K)

- Hujan Ringan : - 47°C ≤ Tct < - 20°C

( 226 K ≤ Tct ≤ 253 K)

- Cerah

( Tct ≥ 253 K)

: Tct ≥ - 20°C

Integrasi hasil pengolahan peluang hujan lebat harian dengan data genangan menghasilkan informasi spasial daerah potensi banjir secara harian. Hasil pengolahan potensi banjir yang dilakukan setiap hari atau secara harian selama 24 jam (dari pukul 00.00 – 23.00 UTC) dihitung jumlah potensi banjirnya di setiap wilayah, selanjutnya dilakukan rekapitulasi dalam setiap bulannya untuk seluruh Wilayah Indonesia.

III. Hasil dan Pembahasan 3.1. Rekapitulasi Potensi Banjir Harian Tahun 2011 Rekapitulasi potensi banjir harian tahun 2011 diperoleh dari hasil pengolahan potensi banjir secara harian di setiap wilayah. Pertama melakukan pengolahan peluang hujan yang berpotensi banjir dengan cara pendeteksian peluang hujan lebat harian dengan menggunakan estimasi peluang hujan lebat harian dari MTSAT – 1R didasarkan pada temperatur puncak awan (cloudtop temperature) untuk seluruh wilayah di Indonesia. Kedua membuat daerah rawan genangan banjir yang dihasilkan melalui interpretasi citra satelit penginderaan jauh (citra Landsat-7 ETM, SPOT, IKONOS dan DEM-SRTM) dan diintegrasikan dengan data daerah genangan yang diperoleh dari Kementerian Pekerjaan Umum dan data historical kejadian banjir, sehingga dihasilkan informasi spasial daerah rawan genangan banjir. Selanjutnya daerah potensi banjir secara harian dihasilkan melalui integrasi hasil pengolahan peluang hujan lebat harian dengan informasi spasial daerah rawan genangan banjir. Berdasarkan hasil rekapitulasi potensi banjir harian tahun 2011 di wilayah Indonesia dapat ditunjukkan bahwa potensi banjir tertinggi terjadi pada Januari (4798 lokasi potensi banjir), Maret, (4597 lokasi potensi banjir), dan Desember (4065 lokasi potensi banjir). Potensi banjir terendah terjadi pada Agustus 2011 dengan total potensi banjir mencapai 638 lokasi (Gambar 3-1). Sementara itu, hasil potensi banjir per-pulau di Indonesia selama tahun 2011 seperti pada Gambar 3-2 menunjukkan bahwa potensi banjir tertinggi terdapat di wilayah Pulau Jawa (11229 potensi banjir), kemudian terdapat di wilayah Pulau Sumatera (9730 lokasi potensi banjir), Kalimantan (3132 lokasi potensi banjir), Sulawesi (2638 lokasi potensi banjir), Bali-Nusa Tenggara (1408 potensi banjir), Papua (1375 lokasi potensi banjir), dan Maluku (375 lokasi potensi banjir).


23

Gambar 3-1. Rekapitulasi potensi banjir bulanan di Indonesia selama tahun 2011

Gambar 3-2. Rekapitulasi potensi banjir bulanan di Indonesia Tahun 2011

3.2. Potensi Banjir Harian Januari – Desember Tahun 2011 Pada bulan Januari 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT (seperti contoh pada Gambar 3-3) menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Januari 2011 terdapat di P. Jawa (2244 lokasi berpotensi banjir), Sumatera (1169 lokasi berpotensi banjir), Kalimantan ( 431 lokasi berpotensi banjir), Sulawesi (416 lokasi berpotensi banjir), Bali-NTB-NTT (406 lokasi berpotensi banjir), Papua (95 lokasi berpotensi banjir), dan Maluku (37 lokasi berpotensi banjir). Pada bulan Februari 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Februari 2011 terdapat di P. Jawa (1875 lokasi berpotensi banjir), Sumatera (734 lokasi berpotensi banjir), Kalimantan (457 lokasi berpotensi banjir), Bali-NTB-NTT (272 lokasi berpotensi banjir), Sulawesi (224 lokasi berpotensi banjir), Papua (124 lokasi berpotensi banjir), dan Maluku (37 lokasi berpotensi banjir). 24 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Pada bulan Maret 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Maret 2011 terdapat di P. Jawa (1855 lokasi berpotensi banjir), Sumatera (1281 lokasi berpotensi banjir), Sulawesi (522 lokasi berpotensi banjir), Kalimantan (512 lokasi berpotensi banjir), Bali-NTB-NTT (211 daerah berpotensi banjir) Papua (161 lokasi berpotensi banjir), dan Maluku (55 lokasi berpotensi banjir). Pada bulan April 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan April 2011 terdapat di P. Jawa (1325 lokasi berpotensi banjir), Sumatera (862 lokasi berpotensi banjir), Sulawesi (324 lokasi berpotensi banjir), Kalimantan (307 lokasi berpotensi banjir), Bali-NTB-NTT (243 lokasi berpotensi banjir) Papua (149 lokasi berpotensi banjir), dan Maluku (53 lokasi berpotensi banjir). Pada bulan Mei 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Mei 2011 terdapat di Sumatera (685 lokasi berpotensi banjir), P. Jawa (472 lokasi berpotensi banjir), Sulawesi (256 lokasi berpotensi banjir), Kalimantan (179 lokasi berpotensi banjir), Papua (133 lokasi berpotensi banjir), Maluku ( 53 lokasi berpotensi banjir) dan BaliNTB-NTT (34 lokasi berpotensi banjir). Pada bulan Juni 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Juni 2011 terdapat di Sumatera (387 lokasi berpotensi banjir), Papua (123 lokasi berpotensi banjir), Sulawesi (118 lokasi berpotensi banjir), P. Jawa (105 lokasi berpotensi banjir), Kalimantan ( 62 lokasi berpotensi banjir), Maluku ( 41 lokasi berpotensi banjir) dan Bali-NTB-NTT (daerah tidak berpotensi banjir). Pada bulan Juli 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Juli 2011 terdapat di Sumatera (341 lokasi berpotensi banjir), Papua (128 lokasi berpotensi banjir), Sulawesi (74 daerah berpotensi banjir), Kalimantan (55 lokasi berpotensi banjir), P. Jawa ( 32 lokasi berpotensi banjir), Maluku ( 28 lokasi berpotensi banjir) dan BaliNTB-NTT (daerah tidak berpotensi banjir). Pada bulan Agustus 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Agustus 2011 terdapat di Sumatera (513 lokasi berpotensi banjir), Papua (58 lokasi berpotensi banjir), Kalimantan (26 lokasi berpotensi banjir), Sulawesi (13 lokasi berpotensi banjir), Maluku (10 lokasi berpotensi banjir) P. Jawa (daerah tidak berpotensi banjir), dan Bali-NTB-NTT (daerah tidak berpotensi banjir). Pada bulan September 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan September 2011 terdapat di Sumatera (613 lokasi berpotensi banjir), Papua (126 lokasi berpotensi banjir), Kalimantan (112 lokasi berpotensi banjir),


25

Sulawesi (44 lokasi berpotensi banjir), Maluku (19 lokasi berpotensi banjir) P. Jawa (daerah tidak berpotensi banjir), dan Bali-NTB-NTT (daerah tidak berpotensi banjir). Pada bulan Oktober 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Oktober 2011 terdapat di Sumatera (1023 lokasi berpotensi banjir), P. Jawa (310 lokasi berpotensi banjir), Kalimantan (249 lokasi berpotensi banjir), Sulawesi (70 lokasi berpotensi banjir), Papua (63 lokasi berpotensi banjir), Maluku (8 lokasi berpotensi banjir) dan Bali-NTBNTT (1 lokasi berpotensi banjir). Pada bulan November 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan November 2011 terdapat di P. Jawa (1283 lokasi berpotensi banjir), Sumatera (966 daerah berpotensi banjir), Kalimantan (287 lokasi berpotensi banjir), Sulawesi (159 lokasi berpotensi banjir), Papua (105 lokasi berpotensi banjir), Bali-NTB-NTT (74 lokasi berpotensi banjir) dan Maluku (10 lokasi berpotensi banjir). Pada bulan Desember 2011 intensitas kejadian banjir di wilayah Indonesia cenderung meningkat dibandingkan bulan-bulan sebelumnya. Hasil analisis potensi banjir harian berdasarkan data potensi hujan dari MTSAT-1R (seperti pada Gambar 3-3) dan integrasi daerah rawan genangan banjir menunjukkan bahwa daerah yang berpotensi banjir tertinggi pada bulan Desember 2011 terdapat di P. Jawa (1728 lokasi berpotensi banjir), Sumatera (1138 lokasi berpotensi banjir), Kalimantan (455 lokasi berpotensi banjir), Sulawesi (418 lokasi berpotensi banjir), Bali-NTB-NTT (167 lokasi berpotensi banjir), Papua (110 lokasi berpotensi banjir), dan Maluku (49 lokasi berpotensi banjir).

Gambar 3-3. Liputan awan dari Data MTSAT-1R pada tanggal 2 Desember 2011.


Contoh informasi spasial banjir harian yang terjadi di Indonesia pada tanggal 24 Desember 2011 terjadi di Pulau Jawa, Sumatera, Kalimantan, Sulawesi, Nusa Tenggara Timur (NTT), Nusa Tenggara Barat (NTB), Maluku, Bali dan Papua, seperti pada Gambar 3-4a dan Gambar 3-4b, dimana potensi banjir dalam gambar ditunjukkan dengan warna merah.

Gambar 3-4a. Informasi spasial banjir harian yang terjadi di Indonesia (Pulau Jawa, Sumatera, Kalimantan dan Sulawesi) pada tanggal 24 Desember 2011


27

Gambar 3-4b. Informasi spasial banjir harian yang terjadi di Indonesia (Nusa Tenggara Timur, Nusa Tenggara Barat, Maluku, Bali, dan Papua) pada tanggal 24 Desember 2011


V. Kesimpulan •

•

•

Informasi spasial potensi banjir di Wilayah Indonesia dapat dihasilkan dari integrasi hasil pengolahan peluang hujan lebat harian dari data MTSAT – 1R yang didasarkan pada temperatur puncak awan (cloud-top temperature) dengan informasi spasial daerah rawan genangan banjir. Berdasarkan hasil rekapitulasi potensi banjir harian tahun 2011 di wilayah Indonesia dapat diuraikan bahwa potensi banjir tertinggi terjadi pada bulan Januari (4798 lokasi potensi banjir), Maret, (4597 lokasi potensi banjir), dan Desember (4065 lokasi potensi banjir). Potensi banjir terendah terjadi bulan Agustus 2011 dengan total potensi banjir mencapai 638 lokasi. Hasil potensi banjir per-pulau di Indonesia selama tahun 2011 menunjukkan bahwa potensi banjir tertinggi terdapat di wilayah Pulau Jawa (11229 lokasi potensi banjir), kemudian terdapat di wilayah Pulau Sumatera (9730 lokasi potensi banjir), Kalimantan (3132 lokasi potensi banjir), Pulau Sulawesi (2638 lokasi potensi banjir), Pulau Bali dan Nusa Tenggara (1408 lokasi potensi banjir), Maluku (375 lokasi potensi banjir) dan Papua (1375 lokasi potensi banjir).

Ucapan Terima Kasih Kami mengucapkan terima kasih kepada Bapak Dr. Ir. Dony Kushardono, M.Eng., yang telah memberikan masukan dan koreksinya dalam paper ini.

Daftar Pustaka Anonim, 2011. Laporan Akhir Pemantauan Potensi Banjir Harian di Indonesia Tahun 2011. Bidang Pemantauan Sumberdaya Alam dan Lingkungan (PSDAL), Pusat Pemanfaatan Penginderaan Jauh (Pusfatja), LAPAN, Jakarta. Anonim, 2010. Peta Rawan Tergenang Menggunakan Data Penginderaan Jauh. Bidang Pemantauan Sumberdaya Alam dan Lingkungan (PSDAL), Pusat Pemanfaatan Penginderaan Jauh (Pusfatja), Lapan. Jakarta. Arsyad, S., 2010. Konservasi Tanah dan Air, Institut Pertanian Bogor, Bogor. Departemen Permukiman dan Prasarana Wilayah-Badan Penelitian dan Pengembangan Kimpraswil. 2001. Pedoman Teknis Pengelolaan Lingkungan dan Pemantauan Lingkungan Penanggulangan Banjir, Jakarta. 2001 Elena Badilla Coto. 2002. Flood hazard, vulnerability, and risk assessment in the city of Turrialba, Costa Rica, Thesis S2 – ITC Netherland Dibyosaputro, Suprapto. 1988. Bahaya Kerentanan Tanah atara Prembun-Kutoarjo, Jawa Tengah (Suatu Pendekatan Geomorfologi). Fakultas Geografi, UGM. Yogyakarta. Haryani, NS., Kushardono, D., Asni, F., Khomarudin, MR., Parwati. 2001. Inventarisasi Zona Tingkat Kerentanan Banjir di Cilacap. Buku Pemanfaatan Data Penginderaan Jauh Satelit dan SIG Untuk Mitigasi Rawan Bencana. LAPAN, Jakarta Multi-functional Transport Satellites (MTSAT). http://weather.is.kochi-u.ac.jp/sat/GAME/2011/Mar/IR1. Nugroho, S.P., 2002. Analisis curah hujan dan sistem pengendalian banjir di Pantai Utara Jawa Barat (Studi kasus bencana banjir periode Januari – Februari 2002). Jurnal Sains dan Teknologi Indonesia. BPPT. Vol.4, No.5, (Agustus 2002), hal. 114-122. Swarinoto, Y. S., dan Husain. 2012. Estimasi Curah Hujan dengan Metode Auto Estimator (Kasus Jayapura dan Sekitarnya). Jurnal Meteorologi dan Geofisika Vol. 13 No. 1 Tahun 2012: 53 – 61. Suwarsono dan Zubaidah, A., 2003. Aplikasi Data Penginderaan Jauh dan Sistem Informasi Geografi Untuk Deteksi dan Prediksi Zonasi Banjir Pada Lahan Pertanian. LAPAN, Jakarta.


29

Biografi Penulis

Dra. Nanik Suryo Haryani, M.Si. Email : [email protected]

Pendidikan: }} Magister Sains (M.Si.) pada program studi Ilmu Lingkungan, Program Paskasarjana Universitas Indonesia (UI), 1997 }} Sarjana (Dra.) Jurusan Penginderaan Jauh (Remote Sensing), Fakultas Geografi, Universitas Gadjah Mada (UGM). 1983.

Nanik Suryo Haryani telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 1992. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan (hutan dan perkebunan) dan potensinya terhadap kebencanaan (banjir, longsor, kekeringan, kebakaran hutan). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN).


PEMANFAATAN PENGINDERAAN JAUH UNTUK MITIGASI BENCANA KEKERINGAN DAN KEBAKARAN HUTAN/LAHAN

ANALISIS KEKERINGAN DI PULAU SUMATERA BERBASIS DATA MODIS Nanik Suryo Haryani dan Hidayat Abstract

The drought caused the deficit of water supply for the growing and development of crops along the dry season. This condition may enforce the development of critical land which causes the land degradation and the decrease of environment quality. This goal of this research is to analyze the drought in Sumatera Island using MODIS data. The applied methodology is drought analysis in land using EVI, VCI, TCI and VHI parameters. The drought analysis in Sumatera island along 2011 shows that the most severe drought occurred in Bengkulu and West Sumatera in the period of December, January, February (DJF), meanwhile during the period of March, April and May (MAM) on average in Sumatera Island did not detect the occurrence of drought. On June, July and August (JJA) the most severe drought occurred in Nangroe Aceh Darussalam and Riau, while in the period of September, October and November (SON) the most severe drought occurred in Riau, Jambi and Lampung. Key word: MODIS, drought, VHI (Vegetation Health Index). Abstrak

Kekeringan menyebabkan berkurangnya persediaan air bagi pertumbuhan dan perkembangan vegetasi selama musim kemarau. Keadaan ini dapat mengakibatkan meluasnya lahan kritis yang akan berdampak terjadinya degradasi lahan serta penurunan kualitas lingkungan. Penelitian ini bertujuan untuk melakukan analisis kekeringan di Pulau Sumatera menggunakan data MODIS. Metode yang digunakan untuk analisis kekeringan lahan menggunakan parameter EVI, VCI, TCI dan VHI. Hasil analisis kekeringan di Pulau Sumatera pada tahun 2011 menunjukkan bahwa kekeringan terbesar terjadi di Bengkulu dan Sumatera Barat pada periode Desember, Januari, Februari (DJF), sedangkan pada periode Maret, April dan Mei (MAM) rata-rata di Pulau Sumatera tidak terdeteksi adanya kekeringan. Pada periode Juni, Juli dan Agustus (JJA) kekeringan terbesar terjadi di Nangroe Aceh Darussalam dan Riau, sedangkan periode September, Oktober dan November (SON) kekeringan terbesar terjadi di Riau, Jambi dan Lampung. Kata kunci: MODIS, kekeringan, VHI (Vegetation Health Index).


I. PENDAHULUAN Terjadinya bencana kekeringan lahan dan kebakaran hutan/lahan di Indonesia merupakan persoalan yang selalu meningkat dari tahun ke tahun akibat fenomena alam, tekanan sosialekonomi serta perubahan penggunaan lahan. Kekeringan dapat menyebabkan berkurangnya persediaan air bagi pertumbuhan dan perkembangan vegetasi selama musim kemarau. Apabila keadaan ini terjadi, maka dapat mengakibatkan meluasnya lahan kritis yang akan berdampak terjadinya degradasi kualitas lingkungan. Kekeringan lahan juga dapat mengakibatkan penurunan atau gagalnya produksi tanaman pangan, kekurangan cadangan air minum, serta terjadinya kebakaran hutan/lahan. Faktor penyebab terjadinya kekeringan dapat diklasifikasikan menjadi 3 (tiga) klas yaitu kekeringan meteorologis, kekeringan agronomis, dan kekeringan hidrologis (Wilhite & Glanz, 1985). Kekeringan meteorologis berhubungan dengan curah hujan dan atau presipitasi, kekeringan agronomis berhubungan dengan kelengasan tanah, dan kekeringan hidrologis berhubungan dengan ketersediaan air dibawah permukaan tanah. Sementara itu menurut World Meteorological Organization (WMO) mengklasifikasikan kekeringan lahan berdasarkan: a) curah hujan, b) kombinasi antara curah hujan, suhu, kelembaban udara dan atau evaporasi, c) kelengasan lahan dan parameter fisik tanaman, d) indeks klimat dan pendugaan evapotranspirasi. Data satelit penginderaan jauh yang dapat digunakan untuk analisis dan deteksi maupun pemantauan perubahan lahan dan kekeringan lahan serta kebakaran hutan diantaranya adalah data satelit MODIS (Moderate Resolution Imaging Spectroradiometer), dimana data MODIS dapat memperlihatkan adanya indeks vegetasi dan indeks kekeringan yang terjadi di suatu wilayah. Data MODIS juga mempunyai kemampuan spektral yang sensitive terhadap kondisi vegetasi dan suhu permukaan, sehingga data MODIS berpotensi digunakan untuk penelitian kekeringan lahan.

II. TINJAUAN PUSTAKA Indeks kehijauan tanaman (greeness index) merupakan ukuran kuantitatif yang digunakan untuk mengamati kondisi vegetasi tanaman dan aktivitas fotosintesis. Pada umumnya nilai ini dapat diperoleh dari analisis kombinasi dua atau lebih kanal spektral (Huete et al., 2002). Beberapa metode yang dapat digunakan untuk menghitung indeks vegetasi, dimana indeks vegetasi yang telah dikembangkan sampai saat ini antara lain: NDVI (Normalized Difference Vegetation Index) dan EVI (Enhanced Vegetation Index) (Huete et al., 1997), LSWI (Land Surface Water Index) (Ichoku et al., 2003), SAVI (Soil Adjusted Vegetation Index) (Huete et al., 1997), serta ARVI (Atmospherically Resistant Vegetation Index) dan SARVI (Soil and Atmospherically Resistant Vegetation Index) (Cho MA., et al, 2009). Dua indeks vegetasi yang paling banyak diaplikasikan pada data MODIS adalah NDVI dan EVI. NDVI dapat dihitung melalui rasio yang dibangun dari kanal spektral infra merah (Infra Red/ IR) dan infra merah dekat (Near Infra Red/NIR). Sedangkan EVI merupakan indeks vegetasi yang dikembangkan dari NDVI. EVI telah diketahui lebih sensitif terhadap perubahan biomasa selama fase vegetatif yang lama, serta tahan terhadap efek atmosfer dan kanopi (Huete et al.,1997). Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

33

Metoda kekeringan meteorologis berdasarkan SPI (Standardized Precipitation Index), dapat digunakan untuk mengetahui adanya kekeringan, dari penelitian ini diketahui bahwa karakteristik curah hujan tahunan dapat menggambarkan kejadian kekeringan pada tahun tersebut, (Narendra, B.H, 2008). Menurut Kogan, F.N. (2000) telah melakukan penelitian dan membangun metode numerik untuk deteksi kekeringan dan dampak-dampaknya dari data NOAA. Metode yang digunakan adalah TCI (Temperature Condition Index), VCI (Vegetation Condition Index), dan Vegetation Health Index (VHI). Dari penelitian ini diketahui bahwa kekeringan dapat dideteksi 4-6 minggu sebelumnya dan dapat didelineasi lebih akurat. VHI yang dibangun berdasarkan VCI (Vegetation Condition Index) dan TCI (Temperature Condition Index) merupakan metode yang efektif dibandingkan dengan indeks kekeringan yang lain dan telah sukses diaplikasikan di beberapa negara. Beberapa data satelit penginderaan jauh yang dapat digunakan untuk pemantauan perubahan lahan, kekeringan lahan dan kebakaran hutan diantaranya adalah MODIS. MODIS merupakan instrumen pembawa yang terdapat pada satelit Terra (EOS AM-1) yang diluncurkan pada 18 Desember 1999 dan Aqua (EOS PM-1) yang diluncurkan pada 4 Mei 2002. MODIS merekam hampir keseluruhan permukaan bumi setiap hari, untuk memperoleh data dalam 36 band spektral di atas suatu 2330 km swath/lebar cakupan. Sensor Terra mengelilingi bumi dari utara ke selatan melewati equator pada pagi hari, sedangkan Aqua mengelilingi bumi dari selatan ke utara melewati ekuator pada sore hari. Terra dan Aqua merekam permukaan bumi sebanyak 4 kali sehari yaitu 2 kali pada pagi hari dan 2 kali pada malam 7 hari (Ichoku et al., 2003). Data MODIS akan meningkatkan pemahaman tentang proses dan dinamika global yang terjadi pada daratan, di samudera, dan atmosfir yang lebih rendah. MODIS dapat mengamati temperatur permukaan samudra dan daratan, tutupan permukaan daratan, awan, aerosol, uap air, profil temperatur, dan api. Kelebihan sensor MODIS dibandingkan dengan sensor global lainnya adalah dalam hal resolusi spasial 250 m, 500 m dan 1 km. Adapun kelebihan lainnya berupa kalibrasi radiometrik, spasial, dan spektral dilakukan waktu mengorbit, peningkatan akurasi/presisi radiometrik dan peningkatan akurasi posisi geografis. Dikarenakan resolusi spasialnya, citra satelit MODIS hanya mampu menghasilkan informasi dengan skala global (1:500.000 s.d. 1:1.000.000). Data MODIS juga mempunyai kemampuan spektral yang sensitif terhadap kondisi vegetasi dan suhu permukaan, sehingga berpotensi digunakan untuk kajian kekeringan lahan.

III. DATA DAN METODE 3.1. Data Data yang digunakan adalah data MODIS tahun 2011, yaitu MOD09 A1, reflektasi Kanal 1sampai dengan 7, data MODIS dengan resolusi temporal 8 harian, resolusi spasial 500 m. Data MOD09Q1 menggunakan reflketansi kanal 1 sampai dengan kanal 2, data resolusi temporal 8 harian, resolusi spasial 200 m. Sedangkan data MOD11A2 dengan parameter utama yaitu Land Surface Temperature (LST) resolusi temporal 8 harian dengan resolusi spasial 1 km . Data-data pendukung lainnya data penutup lahan tahun 2002 dan 2003, Peta Rupa Bumi Indonesia, dan Peta Dijital Batas Administrasi Indonesia. Data kekeringan padi dari Departemen Pertanian tahun 2009-2010 yang digunakan untuk verifikasi kekeringan pada lahan pertanian, sedangkan untuk verifikasi kekeringan terhadap bahaya kebakaran hutan/ lahan digunakan data hotspot (titik panas) yang diperoleh dari MODIS NASA.


3.2. Metode Metode yang digunakan dalam penelitian mengenai deteksi kekeringan berdasarkan pendekatan metode kekeringan agronomis. Pengolahan data yang digunakan untuk analisis kekeringan lahan menggunakan parameter indeks vegetasi dan indeks kekeringan yang dapat diekstraksi dari data MODIS yang memiliki keterkaitan dengan kekeringan lahan, yang meliputi; EVI (Enhanced Vegetation Index), TCI (Temperature Condition Index), VCI (Vegetation Condition Index), dan Vegetation Health Index (VHI). Berikut ini dapat diuraikan formulasi yang digunakan untuk penghitungan parameter indeks vegetasi tersebut. • LST (Land Surface Temperature) : Nilai LST diturunkan berdasarkan algoritma split window yang dirumuskan oleh Mao et al (2005). Adapun kanal-kanal yang digunakan untuk menurunkan nilai LST adalah kanal 2, 17, 18, 19, 31 dan 32. • EVI (Enhanced Vegetation Index) Huete et al (1999) :

......... (1) dimana :

: Reflektansi permukaan panjang gelombang inframerah dekat (NIR)

: Reflektansi permukaan panjang gelombang merah (red)

: Reflektansi permukaan panjang gelombang biru (blue)

: Koefisien resistansi aeorosol

dan

: Menggunakan panjang gelombang biru untuk mengoreksi gangguan aerosol pada panjang gelombang merah

: Gain factor

: Canopy background adjustment

• VCI (Vegetation Condition Index) Kogan (2000): ......... (2) dimana : NDVI

: Nilai NDVI

NDVI max

: Nilai NDVI maksium

NDVI min

: Nilai NDVI minimum

• TCI (Temperature Condition Index) Kogan (2000):

.............(3)

dimana : BT

: Nilai suhu kecerahan

BT max : Nilai suhu kecerahan maksimum BT min : Nilai suhu kecerahan minimum Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

35

• VHI (Vegetation Health Index) Kogan (2000):

............. (4)

dimana : VCI

: Nilai VCI

TCI

: Nilai TCI

a dan b

: Nilai koefisien faktor pengaruh VCI dan TCI terhadap kekeringan. Apabila VCI dan TCI memberikan pengaruh yang sama terhadap kekeringan, maka nilai a dan b masing-masing adalah 0.5

3.3. Tahap-tahap pengolahan data Tahap pengolahan yang dilakukan untuk analisis kekeringan lahan di Pulau Sumatera adalah sebagai berikut: 1) Inventarisasi data Data MODIS 2011 diperoleh dari LAPAN dan NASA. Peta penutup lahan diperoleh dari LAPAN, Peta Rupa Bumi Indonesia dan Peta Dijital Batas Administrasi Indonesia diperoleh dari BIG (Badan Informasi Geospasial). 2) Pengolahan data MODIS meliputi: a. Pengolahan awal berupa: koreksi geometrik, mosaik data, b. Ekstraksi nilai parameter Indeks dari data MODIS, yaitu NDVI atau EVI dan masking awan (EVA). 3) Pengolahan lanjut meliputi: pengolahan TCI, VCI, VHI, dan klas VHI. 4) Analisis data a. Perhitungan indeks kekeringan agronomis dari data MODIS. b. Analisis hubungan antara indeks kekeringan agronomis c. Intergrasi kondisi penutup lahan dengan parameter indeks kekeringan. Adapun tahapan pelaksanaan penelitian seperti pada diagram alir pada Gambar 3-1 berikut:

LST

Indeks Kekeringan Alg: TCI

MODIS

Indeks Kekeringan Agronomis Alg: VHI

EVI

Analisis Tingkat Kekeringan

Kekeringan lahan

MASKING EVA

Indeks Kekeringan Alg: VCI

Gambar 1. Diagram Alir Pelaksanaan Penelitian

IV. HASIL DAN PEMBAHASAN Data MODIS mempunyai kemampuan spektral yang sensitif terhadap kondisi vegetasi dan suhu permukaan, sehingga berpotensi digunakan untuk kajian kekeringan lahan. Ekstraksi dari data MODIS (Moderate Resolution Imaging Spectroradiometer), yang memiliki keterkaitan 36 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

dengan kekeringan lahan tersebut, menggunakan parameter EVI (Enhanced Vegetation Index), TCI (Temperature Condition Index), VCI (Vegetation Condition Index), dan Vegetation Health Index (VHI). EVI (Enhanced Vegetation Index) merupakan indek vegetasi yang dikembangkan dari NDVI (Normalize Defference Vegetation Index), EVI telah diketahui lebih sensitif terhadap perubahan biomasa selama fase vegetatif yang lama, serta tahan terhadap efek atmosfer dan kanopi. Nilai LST diturunkan berdasarkan algoritma split window yang dirumuskan oleh Mao et al (2005). Adapun kanal-kanal yang digunakan untuk menurunkan nilai LST adalah kanal 2, 17, 18, 19, 31 dan 32.Hasil VHI diperoleh berdasarkan VCI (Vegetation Condition Index) dan TCI (Temperature Condition Index), dimana TCI diturunkan dari LST (Land Surface Temperature), dan VCI diturunkan dari EVI (Enhanced Vegetation Index). Berdasarkan hasil pengolahan data MODIS untuk kekeringan lahan dari bulan Januari hingga Juli 2011, seperti ditujukkan pada Gambar 2 hingga Gambar 4-6., dimana Indeks VHI (Vegetation Health Index) merupakan hasil analisis dari VCI (Vegetation Condition Index) dan TCI (Temperature Condition Index). Indeks VHI digunakan untuk merepresentasikan kondisi kekeringan lahan secara umum. Hasil Pengolahan VHI (Vegetation Health Index) pada bulan Januari 2011 di Pulau Sumatera (Gambar 2) menunjukkan bahwa rata-rata vegetasi masih dalam kondisi hijau belum terjadi kekeringan, hanya di sebagian kecil di daerah Sumatera Utara bagian utara dan Nangroe Aceh Darussalam (NAD) bagian barat serta di Riau bagian utara. Pada bulan Februari 2011 (Gambar 3), dimana kondisi vegetasi di Pulau Sumatera sudah mulai menunjukkan adanya kekeringan di Bengkulu, Sumatera Barat, Jambi dan sebagian wilayah Riau bagian utara. Kondisi vegetasi di Pulau Sumatera pada bulan Maret 2011 (Gambar 4) kekeringan terjadi di Sumatera Selatan bagian tengah, Jambi bagian selatan, Riau bagian utara dan Nangroe Aceh Darussalam (NAD) bagian utara. Sedangkan hasil pengolahan VHI pada bulan April 2011 (Gambar 5) kondisi kekeringan vegetasi menunjukkan penurunan, dimana di Pulau Sumatera kondisi vegetasi kembali hijau yang berarti pada bulan April 2011 tidak terjadi kekeringan. Pada bulan Mei 2011 (Gambar 6) kondisi kekeringan yang terjadi di Pulau Sumatera sedikit mengalami peningkatan, teerutama kekeringan terjadi di Riau, Sumatera Barat dan Jambi. Kondisi kekeringan lahan di Pulau Sumatera pada bulan Juni 2011 (Gambar 7) meningkat lagi terutama di Nangroe Aceh Darussalam (NAD) bagian selatan, Sumatera Utara bagian utara dan selatan, Riau bagian utara, Sumatera Barat bagian timur, Jambi bagian selatan dan Sematera Selatan bagian utara.

Gambar 2. VHI - 9 Januari 2011

Gambar 3. VHI - 10 Februari 2011


37

Gambar 4. VHI - 6 Maret 2011

Gambar 6. VHI - 9 Mei 2011

Gambar 5. VHI - 15 April 2011

Gambar 7. VHI - 10 Juni 2011

Kekeringan lahan di Pulau Sumatera pada bulan Juli 2011 (Gambar 8) meningkat terutama di Riau bagian selatan, Sumatera Barat bagian selatan, Jambi bagian barat dan selatan, Bengkulu bagian selatan, Sumatera Selatan bagian tengah dan selatan serta di Lampung bagian tengah dan timur. Sedangkan pada bulan Agustus 2011 (Gambar 9) kondisi kekeringan lahan di Pulau Sumatera sedikit mengalami penurunan, dimana kekeringan terjadi di Sumatera Utara bagian selatan, Jambi bagian barat, Sumatera Selatan bagian utara dan Bengkulu bagian selatan. Kekeringan lahan di Pulau Sumatera pada bulan September 2011 (Gambar 10) mengalami peningkatan terumata di daerah Sumatera Utara bagian tengah, Riau bagian barat dan utara, Sumatera Barat bagian timur, Jambi bagian utara dan barat, Sumatera Selatan bagian selatan, dan Bengkulu di bagian tengah, serta di Lampung bagian utara. Pada bulan Oktober 2011 (Gambar 11) kekeringan lahan di Pulau Sumatera meningkat terutama di bagian selatan antara lain: di Sumatera Selatan bagian timur dan Lampung bagian selatan. Pada bulan November 2011 (Gambar 12) kondisi kekeringan lahan di Pulau Sumatera terjadi di Nangroe Aceh Darussalam (NAD) bagian timur, Sumatera Utara bagian barat, Sumatera Selatan bagian selatan, dan di Lampung bagian utara. Pada bulan Desember 2011 (Gambar 13) kekeringan di Pulau Sumatera sudah memperlihatkan adanya penurunan tetapi di beberapa daerah masih ada sedikit kekeringan terutama di Wilayah Nangroe Aceh Darussalam (NAD) bagian selatan, Sumatera Utara bagian utara, Sumatera Barat bagian timur dan Riau bagian selatan, Jambi bagian utara dan Sumatera Selatan.


Gambar 8. VHI - 12 Juli 2011

Gambar 9. VHI - 13 Agustus 2011

Gambar 10. VHI - 6 September 2011

Gambar 11. VHI - 8 Oktober 2011

Gambar 12. VHI - 1 November 2011

Gambar 13. VHI - 3 Desember 2011

V. KESIMPULAN •

Berdasarkan hasil pengolahan data dapat disimpulkan bahwa kekeringan lahan yang terjadi di Pulau Sumatera tahun 2011 berfluktuasi, dimana pada bulan periode Desember, Januari dan Februari (DJF) kekeringan terbesar terjadi di Nangroe Aceh Darussalam (NAD), Bengkulu dan Sumatera Barat, Periode Maret, April dan Mei (MAM) tidak terjadi kekeringan hanya pada bulan Maret terjadi kekeringan hanya di Sumatera Selatan bagian tengah, Periode Juni, Juli, dan Agustus (JJA) terjadi kekeringan terbesar di Nangroe Aceh Darussalam (NAD), Sumatera Utara, Riau dan Sumatera Selatan, Sedangkan pada periode September, Oktober dan November (SON) terjadi kekeringan terbesar di Riau, Jambi, dan Lampung.


39

•

•

Peluang pemanfaatan data penginderaan jauh untuk kajian dan mitigasi bencana alam, seperti kekeringan lahan menggunakan data MODIS yang mempunyai kemampuan spektral yang sensitif terhadap kondisi vegetasi dan suhu permukaan, sehingga sangat berpotensi digunakan untuk analisis kekeringan lahan. Berbagai metoda deteksi kekeringan lahan telah dilakukan, seperti VHI. Namun aplikasi metode deteksi kekeringan lahan yang dilakukan di Indonesia masih perlu dilakukan verifikasi dan validasi di berbagai wilayah, mengingat jenis lahan dan keragaman iklim di wilayah Indonesia sangat bervariasi yang banyak dipengaruhi oleh kondisi lokal.

DAFTAR PUSTAKA Anderson, L.O., Malhi, Y. & Aragao, L.E.O.C. 2007. Spatial patterns of the canopy stress during 2005 drought in Amazonia. IEEE,1-4244-1212-9, 2294-2297. Cho M.A., and Skidmore A.K. 2009. Hyperspectral predictors for monitoring biomass production in Mediterranean mountain grasslands: Majella National Park, Italy. International Journal of Remote Sensing. Volume 30: 499-515. Gu, Y., Brown, J.F., Verdin, J.P. & Wardlow, B. 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, L06407, doi:10.1029/ 2006GL029127. Huete et al. 1997. A Comparison of vegetation indices over a globalsetb of TM images for EOS-MODIS. Journal Remote Sensing. Huete A., Didan K., Miura T., Rodriguez EP., Gao X., and Ferreira LG., 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, Volume 83, Issues 1–2, November 2002, Pages 195–213 Ichoku C., Y. J. Kaufman YJ., Giglio L., Li Z., Fraser RH., Jin JZ., Park WM. 2003. Comparative analysis of daytime fire detection algorithms using AVHRR data for the 1995 fire season in Canada: Perspective for MODIS. International Journal of Remote Sensing. Volume 24: 1669-1690. Kogan, F. N. 2000. Contribution of remote sensing to drought early warning. In Early warning systems for drought preparedness and drought management, ed. D.A. Wilhite and D.A. Wood. 75–87. Geneva: World Meteorological Organization.


Kogan, F.N. 2001. Operational Space Technology for Global Vegetation Assessment. Bull. Am. Meteorol. Soc. 82 (9), 1949–1964. Kogan, F.N., R. Stark, A. Gitelson, L. Jargalsaikhan, C. Dugrajav, and S. Tsooj. 2004. Derivation of Pasture Biomass in Mongolia From AVHRR-Based Vegetation Health Indices. Int. J. Remote Sensing, Vol. 25. No. 14, 2889–2896. Mao K., Qin Z., Shi J., and Gong P., 2005. A practical split‐window algorithm for retrieving land surface temperature from MODIS data. International Journal of Remote. Volume 26: 3181-3204. Narendra, B.H. 2008. Drought monitoring using rainfall data and spatial soil moisture modelling. MSc Thesis : Program Director of Geo-Information for Spatial Planning and Risk Management, Graduate School Faculty of Geography, Gadjah Mada University. Parwati, dkk., 2010. Pendayagunaan Data MODIS untuk Peringatan Dini Kekeringan, Laporan Akhir LAPAN-RISTEK. Parida, B.R. & Oinam, B. 2008. Drought Monitoring in India and The Philippines with Satellite Remote Sensing Measurements. EARSeL e Proceedings 7, 1, 81-91. Thenkabail, P. S., Gamage, M. S. D. N. Smakhtin, V. U. 2004. The use of remote sensing data for drought assessment and monitoring in Southwest Asia. Research Report 85. Colombo, Sri Lanka: International Water Management Institute. Wilhite, DA and & Glanz, MH. 1985. Understanding the drought phenomenon: The role of definitions. Water International, 10 (3), 111-120.


41

Biografi Penulis

Dra. Nanik Suryo Haryani, M.Si. Email : [email protected]

Pendidikan: }} Magister Sains (M.Si.) pada program studi Ilmu Lingkungan, Program Paskasarjana Universitas Indonesia (UI), 1997 }} Sarjana (Dra.) Jurusan Penginderaan Jauh (Remote Sensing), Fakultas Geografi, Universitas Gadjah Mada (UGM). 1983.

Nanik Suryo Haryani telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 1992. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan (hutan dan perkebunan) dan potensinya terhadap kebencanaan (banjir, longsor, kekeringan, kebakaran hutan). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN).

Ir.Hidayat, MT.

Email : [email protected]

Pendidikan: }} Program Pasca Sarjana (S2) Jurusan Kimia, Universitas Indonesia, 1995 }} Sarjana Teknik (S1.) Jurusan Teknik Kimia, Fakultas Teknik, Univ. Muhammadiayah Jakarta), 1985,

Hidayat telah bekerja honorer di sejak 1972, dan diangkat CPNS tahun 1975 sebagai Teknisi Proyek TELSA LAPAN sampai Tahun 1985. Staf Peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 1985. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk pemanfaatan data satelit sumber daya alam lahan dan mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu serta interaksinya dan potensinya terhadap sumber daya alam lahan dan kebencanaan (pangan, banjir, kekeringan, dan kebakaran hutan). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN).


DETEKSI DAERAH BEKAS KEBAKARAN HUTAN/LAHAN (BURNED AREA) MENGGUNAKAN CITRA PENGINDERAAN JAUH Suatu Tinjauan Suwarsono Abstract

Forest / land fires are a natural phenomenon that is potentially catastrophic in some parts of Indonesia, especially in Sumatra and Kalimantan. Be a challenge for science and technology of remote sensing to contribute to this disaster. This paper focuses on the study of the utilization of remote sensing to detect the burned area. This paper takes from various sources of research results related to the detection of burned area by using remote sensing has ever done before. The study concluded that remote sensing imagery can be used to detect burned area. Burned area detection methods that can be used is the detection of changes in pixel value (change detection), which includes the change in vegetation index values, changes in the fires index values and changes in the reflectance value. Vegetation index and fires index has been extensively used in succession is NBR and NDVI. In this case, to detect burned areas, an analysis of image change detection using multiple dates (multitemporal) in the period prior to burning (pre-fire) and after burning (post-fire) based on the values of the vegetation index, fires index, and the reflectance. Key words: Forest/land fires, burned area, remote sensing imagery Abstrak

Kebakaran hutan/lahan merupakan sebuah fenomena alam yang berpotensi menimbulkan bencana di beberapa wilayah Indonesia, terutama sekali di wilayah Sumatera dan Kalimantan. Menjadi tantangan bagi iptek penginderaan jauh untuk memberikan kontribusi dalam penanggulangan bencana ini. Tulisan ini memfokuskan diri pada kajian pemanfaatan penginderaan jauh untuk mendeteksi daerah-daerah bekas kebakaran hutan/lahan (burned area). Tulisan ini mengambil dari berbagai sumber hasil-hasil riset penginderaan jauh terkait dengan pendeteksian burned area yang pernah dilakukan sebelumnya. Hasil kajian menyimpulkan bahwa citra penginderaan jauh dapat dimanfaatkan untuk mendeteksi daerah-daerah bekas kebakaran hutan/lahan. Metode pendeteksian burned area yang dapat dipergunakan adalah deteksi perubahan nilai piksel (change detection), yang meliputi perubahan nilai indeks vegetasi, perubahan nilai indeks kebakaran dan perubahan nilai pantulan. Indeks vegetasi dan indeks kebakaran yang telah dipergunakan secara meluas berturut-turut adalah NBR dan NDVI. Dalam hal ini, untuk mendeteksi burned area, dilakukan analisis deteksi perubahan dengan menggunakan citra beberapa tanggal (multitemporal) pada periode sebelum terbakar (pre-fire) dan setelah terbakar (post-fire) berdasarkan nilai-nilai indeks vegetasi, indeks kebakaran, dan nilai pantulan. Kata kunci: Kebakaran hutan/lahan, burned area, citra penginderaan jauh


43

I. PENDAHULUAN Kebakaran hutan/lahan merupakan sebuah fenomena alam yang berpotensi menimbulkan bencana di beberapa wilayah Indonesia, terutama sekali di wilayah Sumatera dan Kalimantan. Kebakaran hutan/lahan umumnya terjadi pada musim kemarau yang berlangsung sekitar bulan April hingga Oktober di setiap tahunnya. Secara umum, intensitas kebakaran hutan/ lahan ini akan mengalami peningkatan yang sangat berarti pada kondisi cuaca yang ekstrim kering, yaitu bersamaan dengan adanya peristiwa ENSO (El Nino South Oscillation) atau lebih dikenal dengan istilah El Nino, seperti yang pernah terjadi di Indonesia pada periode 1997, 2002, 2004 dan 2006 (Adiningsih et al., 2008). Kebakaran hutan/lahan akan berdampak pada gangguan terhadap fungsi-fungsi ekologis dari ekosistem (Riano et al. 2007). Kebakaran hutan/lahan mampu menghanguskan sebagian atau keseluruhan tutupan vegetasi di permukaan lahan sehingga akan mengubah komposisi vegetasi pasca kebakaran (Epting & Verbyla, 2005). Kebakaran hutan/lahan merupakan suatu komponen alami yang mempengaruhi siklus perubahan vegetasi (Capitaino & Carcaillet, 2008). Lebih lanjut, kebakaran hutan/lahan berpotensi meningkatkan proses-proses degradasi lahan, seperti proses erosi tanah (Chafer, 2008). Dampak yang saat ini menjadi isu global adalah kebakaran hutan/lahan merupakan pemberi kontribusi utama terhadap emisi gas rumah kaca (Badarinath et al., 2004, 2009ab). Memperhatikan dampak-dampak yang ditimbulkan oleh kebakaran hutan/lahan ini, maka perlu ada upaya dalam penanggulangannya. Badan Nasional Penanggulangan Bencana (sebelumnya bernama Badan Koordinasi Nasional Penanggulangan Bencana) memasukkan kebakaran hutan/lahan sebagai salahsatu tipe bencana di Indonesia yang perlu ditangani (Bakornas PB, 2007). Dalam penanggulangan bencana kebakaran hutan/lahan, peranan ilmu pengetahuan dan teknologi (Iptek) sangat diperlukan. Salahsatu bentuk Iptek yang dapat dimanfaatkan dalam mendukung upaya penanggulangan bencana kebakaran hutan/lahan adalah Penginderaan Jauh. Dalam sekup ini, penginderaan jauh dapat dimanfaatkan untuk mendeteksi keberadaan titik panas (fire hotspot)-sebagai pendukung sistem peringatan dini (early warning system), sebaran asap kebakaran (smoke dispersion)-sebagai langkah tanggap darurat pada saat terjadi kebakaran, maupun untuk deteksi daerah-daerah bekas kebakaran (burned area)-sebagai pendukung upaya rekonstruksi maupun rehabilitasi lahan pasca kebakaran. Tulisan ini memfokuskan diri pada kajian pemanfaatan penginderaan jauh untuk mendeteksi daerah-daerah bekas kebakaran hutan/lahan (burned area). Tulisan ini mengambil dari berbagai sumber hasil-hasil riset penginderaan jauh terkait dengan pendeteksian burned area yang pernah dilakukan di Indonesia.

II. METODE DETEKSI BURNED AREA Inti dari permasalahan yang akan dibahas adalah : Bagaimanakah cara mendeteksi daerah-daerah hutan/lahan yang sudah mengalami kebakaran dengan menggunakan citra penginderaan jauh? Setidaknya, terdapat 3 (tiga) pendekatan utama yang telah digunakan dalam banyak penelitian dalam melakukan deteksi burned area dengan menggunakan citra satelit, terutama citra sistem optis. Ketiga pendekatan tersebut adalah: Pendekatan deteksi perubahan nilai piksel (change detection), yang meliputi perubahan nilai indeks vegetasi, perubahan nilai indeks kebakaran dan perubahan nilai pantulan. Jadi dalam hal ini, untuk mendeteksi burned area, kita melakukan analisis deteksi perubahan dengan menggunakan citra beberapa tanggal (multitemporal), minimal dua tanggal pada periode sebelum terbakar (pre-fire) dan setelah terbakar (post-fire) berdasarkan nilai-nilai indeks vegetasi, indeks kebakaran, dan nilai pantulan. 44 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

2.1. Deteksi Burned Area berdasarkan perubahan nilai indeks vegetasi Variabel indeks vegetasi yang terkenal dan telah dipergunakan secara luas untuk mendeteksi burned area adalah NDVI (Normalized Difference Vegetation Index). Beberapa peneliti yang menggunakan variabel ini antara lain Martin & Chuvieco (1995), Fraser et al. (2003), Roy et al. (1999), Fraser et al. (2000), Goetz et al. (2006), Li et al. (2000), Kasischke & French (1995), Lloret et al. (2002), Salvador et al. (2000 dan Suwarsono et al. (2009). Jenis citra penginderaan jauh yang dipergunakan umumnya memiliki resolusi rendah hingga menengah, seperti NOAA/ AVHRR maupun Terra/Aqua MODIS. Secara konseptual, burned area dapat diidentifikasi dengan melihat adanya penurunan nilai NDVI yang cukup drastis pada saat setelah terbakar. NDVI dapat diekstraksi dari nilai panjang gelombang kanal NIR dan merah (Red). Rumusan untuk memperolehnya yaitu (Rouse et al., 1974) :

NDVI =

r NIR � r RED r NIR + r RED ...................... (1)

Dimana ρRED dan ρNIR berturut-turut adalah nilai pantulan dari panjang gelombang kanal merah dan kanal inframerah dekat. Apabila diaplikasikan pada citra MODIS, rumusan tersebut menjadi:

B2 B 2 - B1 �B 1 NDVI NDVI==B2 + B1 B 2 +B 1 .............................. (2) Dimana B1 dan B2 berturut-turut adalah nilai pantulan dari kanal 1 (0,620 – 0,670 µm) dan kanal 2 (0,841 – 0,876 µm). Gambar 1 memperlihatkan hasil pendeteksian burned area di sebagian wilayah Kabupaten Pulang Pisau Kalimantan Tengah dari citra MODIS yang dilakukan oleh Suwarsono et al. (2009). Gambar A, B dan C berturut-turut menunjukkan citra pada periode sebelum kebakaran (Juli 2009), setelah kebakaran (Oktober 2009) dan hasil pendeteksian burned area. Dari citra, tampak dengan jelas perubahan secara drastis dari lahan yang sebelumnya memiliki tingkat kehijauan yang tinggi menjadi lahan-lahan terbuka bekas terbakar. Berdasarkan hasil analisis, rerata penurunan nilai NDVI yang terjadi pada burned area pada wilayah tersebut adalah sekitar 0,21.


45

Gambar 1. Hasil pendeteksian burned area di sebagian wilayah Kabupaten Pulang Pisau Kalimantan Tengah dari citra MODIS. Gambar A, B dan C berturut-turut menunjukkan citra pada periode sebelum kebakaran (Juli 2009), setelah kebakaran (Oktober 2009) dan hasil pendeteksian burned area. Sumber (Suwarsono et al., 2009).

2.2. Deteksi Burned Area berdasarkan perubahan nilai indeks kebakaran Variabel indeks kebakaran yang terkenal dan telah dipergunakan secara luas untuk mendeteksi burned area adalah NBR (Normalized Burn Ratio). Jenis citra penginderaan jauh yang dipergunakan umumnya memiliki resolusi tinggi, terutama sekali jenis Landsat. Secara konseptual, burned area dapat diidentifikasi dengan melihat adanya penurunan nilai NBR yang cukup drastis pada saat setelah terbakar. Nilai NBR merupakan indeks yang sudah sering dipergunakan oleh banyak peneliti untuk deteksi burned area (Suwarsono et al., 2013; Suwarsono et al., 2011; Key and Benson, 2002; Epting et al., 2005; Cocke et al., 2005; Wagtendonk et al., 2004; Eidensink et al., 2007; Brewer et al., 2005). Model ini sudah digunakan secara meluas di Amerika Serikat dengan menggunakan citra Landsat. Penggunaannya dengan citra MODIS di wilayah Kalimantan menunjukkan bahwa indeks ini memberikan hasil yang lebih baik dibandingkan dengan indeks vegetasi (NDVI) (Suwarsono et al., 2013). NBR dapat diekstraksi dari nilai panjang gelombang kanal inframerah dekat dan kanal inframerah SWIR (Short Wave Infra Red). Rumusan untuk memperolehnya yaitu (Key and Benson, 2002) :


NBR =

r NIR � r SWIR r NIR + r SWIR ...................... (3)

Dimana ρNIR dan ρSWIR berturut-turut adalah nilai pantulan dari panjang gelombang kanal inframerah dekat dan kanal inframerah SWIR. Apabila diaplikasikan pada citra Landsat-7 ETM+, rumusan tersebut menjadi:

NBR =

B 4 �B 7 B 4 +B 7 ............................... (4)

Dimana B4 dan B7 berturut-turut adalah nilai pantulan dari kanal 4 (0,77 – 0,90 µm) dan kanal 7 (2,08 – 2,35 µm).

(A) Citra NBR dari Landsat-7 ETM+ tgl. 9 Juli 2009

(B) Citra NBR dari Landsat-7 ETM+ tgl. 29 Oktober 2009

NBR = 0.36 – 0.65

NBR = -0.38 – 0.06

(C) Burned Area

Gambar 2 memperlihatkan hasil pendeteksian burned area di sebagian wilayah Kalimantan Tengah dari citra Landsat-7 ETM+ berdasarkan perubahan nilai NBR yang dilakukan oleh Suwarsono et al. (2011). Gambar A, B dan C berturut-turut menunjukkan citra pada periode sebelum kebakaran (9 Juli 2009), setelah kebakaran (29 Oktober 2009) dan hasil pendeteksian burned area.

2.3. Deteksi Burned Area berdasarkan perubahan nilai pantulan Burned area akan memberikan respon pantulan yang berbeda dengan daerah yang bervegetasi. Dengan demikian, burned area akan memiliki nilai pantulan yang berbeda (berubah) bila dibandingkan ketika sebelumnya daerah tersebut masih belum terbakar (bervegetasi).


47

Perubahan nilai pantulan ini kemudian dijadikan dasar dalam mendeteksi burned area. Gambar 3 memperlihatkan hasil pendeteksian burned area di wilayah Kalimantan Tengah dari citra MODIS berdasarkan perubahan nilai pantulan yang dilakukan oleh Suwarsono et al. (2008). Gambar A, B dan C berturut-turut menunjukkan citra pada periode sebelum kebakaran (10 Oktober 2006), setelah kebakaran (11 November 2006) dan hasil pendeteksian burned area.

(A) Citra MODIS (10 Oktober 2006)

(A) Citra MODIS (11 November 2006)

(C) Hasil Deteksi Burned Area

Gambar 3. Hasil pendeteksian burned area di wilayah Kalimantan Tengah dari citra MODIS berdasarkan perubahan nilai pantulan. Gambar A, B dan C berturut-turut menunjukkan citra pada periode sebelum kebakaran (10 Oktober 2006), setelah kebakaran (11 November 2006) dan hasil pendeteksian burned area. Sumber (Suwarsono et al., 2008).

III. KESIMPULAN Citra penginderaan jauh dapat dimanfaatkan untuk mendeteksi daerah-daerah bekas kebakaran hutan/lahan. Metode pendeteksian burned area yang dapat dipergunakan adalah deteksi perubahan nilai piksel (change detection), yang meliputi perubahan nilai indeks vegetasi, perubahan nilai indeks kebakaran dan perubahan nilai pantulan. Indeks vegetasi dan indeks kebakaran yang telah dipergunakan secara meluas berturut-turut adalah NDVI dan NBR. Dalam hal ini, untuk mendeteksi burned area, dilakukan analisis deteksi perubahan dengan menggunakan citra beberapa tanggal (multitemporal) pada periode sebelum terbakar (pre-fire) dan setelah terbakar (post-fire) berdasarkan nilai-nilai indeks vegetasi, indeks kebakaran, dan nilai pantulan.

DAFTAR PUSTAKA Adiningsih,E.S. et al. 2008, Climate Change and Fire Risks in Indonesia, Final Report. Research Collaboration Between Indonesian National Institute of Aeronautics and Space and Center for International Forestry Research. Badarinath, K.V.S., Madhavi Latha, K., Kiran Chand, T.R., Gupta, P.K., Ghosh, A.B., Jain, S.L., Gera, B.S., Singh, R., Sarkar, A.K., Singh, N., Parmar, R.S., Koul, S., Kohli, R., Nath, S., Ojha, V.K., Singh, G., 2004. Characterization of aerosols from biomass burning e a case study from Mizoram (Northeast), India. Chemosphere 54, 167-175.


Badarinath, K.V.S., Kharol, S.K., Sharma, A.R., 2009a. Long-range transport of aerosols from agriculture crop residue burning in Indo-Gangetic Plains e a study using LIDAR, ground measurements and satellite data. Journal of Atmospheric and Solar Terrestrial Physics 71, 112-120. Badarinath, K.V.S., Madhavi Latha, K., Kiran Chand, T.R., Gupta, P.K., 2009b. Impact of biomass burning on aerosol properties over tropical wet evergreen forests of Arunachal Pradesh, India. Atmospheric Research 91, 87-93. BAKORNAS PB., 2007. Pengenalan Karakteristik Bencana dan Upaya Mitigasinya di Indonesia Edisi II. Jakarta. Brewer, C.K., Winne, J.C., Redmond, R.L., Opitz, D.W., & Mangrich, M. V., 2005. Classifying and Mapping Wildfire Severity: A Comparison of Methods. Photogrammetric Engineering and Remote Sensing, 71(11), 1311-1320. Capitaino, R., & Carcaillet, C., 2008. Post-fire Mediterranean vegetation dynamics and diversity: A discussion of succession models. Forest Ecology and Management, 255, 431−439. Chafer, C., 2008. A comparison of fire severity measures: An Australian example and implications for predicting major areas of soil erosion. Catena, 74, 235−245. Cocke, A.E., Fule, P.Z., & Crouse, J.E., 2005. Comparison of Burn Severity Assessments using Differenced Normalized Burn Ratio and Ground Data, International Journal of Wildland Fire, 14, 189-198. Eidensink, J., Schwind, B., Brewer, K., Zhu, Z.L., Quayle, B., & Howard, S., 2007. A Project for Monitoring Trends in Burn Severity, Fire Ecology Special Issue, 3(1), 3-21. Epting, J., & Verbyla, D., 2005. Landscape-level interactions of prefire vegetation, burn severity, and postfire vegetation over a 16-year period in interior Alaska. Canadian Journal of Forest Research, 35, 1367−1377 Epting, J., Verbyla, D., & Sorbel, B., 2005. Evaluation of Remotely Sensed Indices for Assessing Burn Severity in Interior Alaska using Landsat TM and ETM+, Remote Sensing of Environment, 96, 328339. Fraser, R.H., Fernandes, R., & Latifovic, R., 2003. Multi-Temporal Mapping of Burned Forest Over Canada using Satellite-Based Change Metric. Geocarto International, 18 (2), 37-47. Fraser, R.H., Li, Z., & Cihlar, J., 2000. Hotspot and NDVI Differencing Synergy (HANDS): A New Technique for Burned Area Mapping Over Boreal Foresy, Remote Sensing of Environment, 72, 362-376. Goetz, S.J., Fiske, G.J., & Bunn, A.G., 2006. Using Satellite Time-Series Data Sets to Analyze Fire Disturbance and Forest Recovery Across Canada, Remote Sensing of Environment, 101, 352-365. Kasischke, E.S., & French, N.H., 1995. Locating and Estimating the Extent of Wildfires in Alaskan Boreal Forest using Multiple-Season AVHRR NDVI, Remote Sensing of Environment, 51, 263-275. Key, C.H., and N.C. Benson, 2002. Measuring and Remote Sensing of Burn Severity, U.S. Geological Survey wildland fire workshop. Li, Z., Nandon, S., Cihlar, J., & Stocks, B., 2000. Satellite-Based Mapping of Canadian Boreal Forest Fires: Evaluation and Comparison of Algorithms, International Journal of Remote Sensing, 21(16), 30713082. Lloret, F., Calvo, E., Pons, X., & Delgado, R.D., 2002. Wildfire and Landscape Patterns in the Eastern Iberia Peninsula, Landscape Ecology, 17, 745-759. Martin, M.P., & Chuvieco, E., 1995. Mapping and Evaluation of Burned Land from Multitemporal Analysis of AVHRR NDVI Images, Earsel Advances in Remote Sensing, 4(3), 7-13. Miettinen, J., 2007. Burnt area mapping in insular Southeast Asia using medium resolution satllite imagery. Academic dissertation. Department of Forest Resource Management, Faculty of Agriculture and Forestry, University of Helsinki. Riano, D., Moreno-Ruiz, J., Isidoros, D., & Ustin, S., 2007. Global spatial patterns and temporal trends of burned area between 1981 and 2000 using NOAA-NASA Pathfinder. Global Change Biology, 13, 40−50. Rouse, J. W., Haas, R. W., Schell, J. A., Deering, D. H., & Harlan, J. C., 1974. Monitoring the Vernal Advancement and Retrogradation (Greenwave Effect) of Natural Vegetation. Greenbelt, MD. USA: NASA/GSFC.


49

Roy, D.P., Giglio, L., Kendall, J.D., & Justice, C. O., 1999. Multi-Temporal Active-Fire Based Burn Scar Detection Algorithm, International Journal of Remote Sensing, 20(5), 1031-1038. Salvador, R., Valeriano, J., Pons, X., & Delgado, R. D., 2000. A Semi-Automatic Methodology to Detect Fire Scars in Shrubs and Evergreen Forests with Landsat MSS Time Series, International Journal of Remote Sensing, 21(4), 655-671. Suwarsono, Roswintiarti, O., & Noviar, H., 2008. Analisis Daerah Bekas Kebakaran Hutan dan Lahan (Burned Area) di Provinsi Kalimantan Tengah Tahun 2006 Menggunakan Data Satelit Penginderaan Jauh Terra/Aqua MODIS. Prosiding; Pertemuan Ilmiah Tahunan Masyarakat Penginderaan Jauh Indonesia ke-17 (PIT MAPIN XVII), Bandung, 10 Desember 2008. Suwarsono, Yulianto, F., Parwati, & Suprapto, T., 2009. Pemanfaatan Data MODIS untuk Identifikasi Daerah Bekas Terbakar (Burned Area) Berdasarkan Perubahan Nilai NDVI di Provinsi Kalimantan Tengah Tahun 2009. Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital, 6, pp.54-64. Suwarsono, Vetrita, Y., Parwati, & Khomarudin, R., 2011. Analisis Daerah Bekas Kebakaran Hutan dan Lahan (Burned Area) di Wilayah Kalimantan Tengah Tahun 2009 Berdasarkan Nilai NBR (Normalized Burned Ratio) dari data Landsat-7 SLC-Off. Prosiding Seminar Nasional Geospasial dalam Pembangunan Wilayah dan Kota, Pertemuan Ilmiah Tahunan Masyarakat Penginderaan Jauh Indonesia (PIT MAPIN) Tahun 2011, Biro Penerbit Planologi UNDIP, Jurusan Perencanaan Wilayah dan Kota, Fakultas Teknik-Universitas Diponegoro. Suwarsono, Rokhmatuloh, Waryono, T., 2013. Pengembangan Model Identifikasi Daerah Bekas Kebakaran Hutan dan Lahan (Burned Area) Menggunakan Citra MODIS di Kalimantan. Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital, 10, pp.93-112. Tacconi, L., 2003. Fires in Indonesia: Causes, Costs, and Policy Implications. CIFOR Occasional Paper No.38, Bogor, Indonesia. Wagtendonk, J.W.V., Root, R.R., & Key, C. H., 2004. Comparison of AVIRIS and Landsat ETM+ Detection Capabilities for Burn Severity, Remote Sensing and Environment, 92, 397-408.

Biografi Penulis

Suwarsono, S.Si, M.Si.

Email : [email protected];[email protected]

Pendidikan: }} Magister Sains (M.Si.) pada program studi ilmu Geografi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia (UI), 2012 }} Sarjana (S.SI.) Program Studi Geografi Fisik, Fakultas Geografi, Universitas Gadjah Mada (UGM). 2002.

Suwarsono telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 2003. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan (hutan dan perkebunan) dan potensinya terhadap kebencanaan (banjir, longsor, kekeringan, kebakaran hutan). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN).


ZONASI DAERAH RAWAN KEBAKARAN HUTAN/ LAHAN Suwarsono, Indah Prasasti , Yenni Vetrita Abstract

Zoning the prone area of forest/land fires is an attempt regionalize areas on the earth surface based on risks assessment of the threat of forest/land fires. This paper aims to carry out a forest/land fire prone areas zoning based on remote sensing data and geographic information system by using a historical approach. The site chosen is a two provinces in Sumatra i.e Riau and South Sumatra. Zoning the prone area of forest/land fires is done by analyzing the data hotspots from MODIS imagery which is already available from 2000 to 2009. The level of vulnerability is calculated based on the density of hotspots for certain unit area. The results showed that the level of forest/land fires vulnerability can be obtained from the analysis of historical data hotspots which spread over a relatively long time. Spatially, the distribution pattern of fire-prone areas in Riau and South Sumatra is in groups (clusters). This pattern indicates that there is a dominant factor affecting the occurrence of forest/land fires in both provinces. Temporally in Riau Province, the period from January to March and May to September is the fire prone period while the fire prone in province of South Sumatra is August to October. Keywords: Zoning, fires prone, forest/land Abstrak

Zonasi daerah rawan kebakaran hutan/lahan merupakan suatu upaya mewilayahkan daerahdaerah di permukaan bumi berdasarkan tingkat kerawanannya terhadap ancaman kebakaran hutan/lahan. Tulisan ini bertujuan untuk melakukan zonasi daerah rawan kebakaran hutan/ lahan berbasis data penginderaan jauh dan sistem informasi geografis dengan menggunakan pendekatan historis. Lokasi yang dipilih adalah dua provinsi di Sumatera yang rawan kebakaran hutan/lahan, yaitu Riau dan Sumatera Selatan. Zonasi daerah rawan kebakaran hutan/lahan dilakukan dengan menganalisis data hotspot dari citra MODIS yang telah tersedia dari tahun 2000 hingga tahun 2009. Tingkat kerawanan dihitung berdasarkan kepadatan hotspot untuk satuan luas tertentu. Hasil penelitian menunjukkan bahwa informasi tingkat kerawanan suatu daerah terhadap bahaya kebakaran hutan/lahan dapat diperoleh dari analisis data historis sebaran titik-titik hotspot dalam kurun waktu yang relatif lama. Secara spasial, pola sebaran daerah rawan kebakaran di Provinsi Riau dan Sumatera Selatan cenderung mengelompok (cluster). Pola ini mengindikasikan bahwa ada faktor dominan yang mempengaruhi terjadinya kebakaran hutan dan lahan di kedua provinsi tersebut. Secara temporal di Provinsi Riau, periode Januari – Maret dan Mei – September merupakan periode rawan kebakaran sedangkan di Provinsi Sumatera Selatan periode rawan kebakaran adalah bulan Agustus hingga Oktober. Kata kunci: Zonasi, rawan kebakaran, hutan/lahan


51

I. PENDAHULUAN Zonasi daerah rawan kebakaran hutan/lahan merupakan suatu upaya mewilayahkan daerahdaerah di permukaan bumi berdasarkan tingkat kerawanannya terhadap ancaman kebakaran hutan/lahan. Pulau Sumatera dan Kalimantan merupakan dua daerah di Indonesia yang memiliki ancaman terhadap kebakaran hutan/lahan yang lebih tinggi dibandingkan dengan daerah-daerah lainnya di Indonesia. Namun di sini perlu diperjelas bahwa tidak semua bagian wilayah di Sumatera dan Kalimantan merupakan daerah yang rawan kebakaran. Selain itu, pada daerah-daerah tersebut tidak setiap saat akan diancam oleh kebakaran. Jadi di sini, bahwa ada dua dimensi utama yang perlu ditegaskan terkait dengan bahaya kebakaran hutan/lahan, yaitu dimensi ruang (aspek spasial) dan dimensi waktu (aspek temporal). Zonasi daerah rawan kebakaran hutan/lahan sangat perlu dilakukan untuk mengetahui daerahdaerah mana saja yang memiliki tingkat kerawanan terhadap ancaman kebakaran hutan/ lahan. Informasi mengenai zona rawan kebakaran yang diperoleh sangat bermanfaat bagi berbagai stakeholder, baik dari pemerintah, pemerintah daerah, swasta maupun masyarakat yang berkepentingan dalam pengelolaan wilayah tersebut. Sampai di sini muncul pertanyaan, darimana informasi mengenai zona bahaya kebakaran hutan/lahan ini dapat diperoleh atau bagaimana cara untuk memperoleh informasi tersebut. Di sini, teknologi penginderaan jauh dan sistem informasi geografis diharapkan ikut memainkan peranan penting dalam membantu penyediaan informasi tersebut. Teknologi penginderaan jauh menawarkan teknik-teknik dalam pengolahan berbagai jenis data penginderaan jauh untuk banyak aplikasi, termasuk di dalamnya aplikasi di bidang kebakaran hutan/lahan. Sedangkan sistem informasi geografi menawarkan seni dan teknik dalam mengolah berbagai data spasial untuk menghasilkan informasi baru, termasuk informasi zona rawan kebakaran hutan/lahan. Integrasi teknologi penginderaan jauh dan sistem informasi geografi akan mampu memberikan hasil informasi zona daerah rawan kebakaran hutan/lahan secara lebih efektif dan efisien. Setidaknya, terdapat 3 (tiga) pendekatan utama dalam zonasi daerah rawan kebakaran hutan/lahan berbasis teknologi penginderaan jauh dan sistem informasi geografis. Pertama adalah pendekatan geografis, kedua adalah pendekatan historis dan ketiga perpaduan antara pendekatan geografis dan historis. Pendekatan geografis dilakukan dengan mengkaji sebagian besar faktor-faktor yang mempengaruhi terjadinya kebakaran hutan/lahan. Faktorfaktor ini meliputi: iklim (terutama curah hujan), jenis tanah, topografi (ketinggian tempat dan kemiringan lereng), penutup lahan, dan faktor manusia. Informasi-informasi ini dapat diperoleh atau diolah dari data penginderaan jauh dengan berbagai teknik. Kemudian, dengan memberikan bobot dan skor untuk masing-masing kategori dalam tiap-tiap faktor, maka dapat dilakukan klasifikasi tingkat kerawanan kebakaran hutan/lahan. Pendekatan historis dilakukan dengan menganalisis sejarah terjadinya kebakaran hutan/lahan yang mampu dan masih dapat terekam oleh citra penginderaan jauh. Informasi terkait dengan kebakaran hutan/lahan yang sangat berguna dan masih dapat ditelusuri jejak rekamnya adalah informasi lokasi-lokasi titik panas (fire hotspot) yang diperoleh dari citra penginderaan jauh resolusi rendah-menengah seperti AVHRR, ATSR, maupun MODIS. Analisis dapat dilakukan dengan menghitung intensitas (jumlah hotspot per satuan waktu) maupun densitas (jumlah hotspot per satuan luas). Daerah-daerah yang memiliki intensitas dan densitas yang lebih tinggi akan relatif memiliki tingkat bahaya kebakaran yang juga lebih tinggi. Pada tulisan ini, akan diuraikan zonasi daerah rawan kebakaran hutan/lahan berbasis teknologi penginderaan jauh dan sistem informasi geografis dengan menggunakan pendekatan historis. Lokasi yang dipilih adalah 2 (dua) provinsi di Sumatera yang rawan kebakaran hutan/lahan, yaitu Riau dan Sumatera Selatan. 52 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

II. DATA DAN METODE Data utama yang digunakan adalah data hotspot yang diperoleh dari citra MODIS periode tahun 2000 hingga 2009 (sekitar 10 tahun). Hotspot merupakan suatu petunjuk adanya potensi kebakaran yang akan atau sedang terjadi. Dalam hal ini, akumulasi data hotspot dari kurun waktu yang relatif panjang pada suatu daerah merupakan informasi yang penting dalam sejarah terjadinya kebakaran pada daerah tersebut. Jadi, dasar pemahaman pendekatan historis yang dipergunakan ini adalah bahwa semakin sering daerah tersebut terjadi hotspot, maka daerah tersebut memiliki tingkat kerawanan terhadap kebakaran hutan/lahan yang relatif lebih tinggi. Seluruh data hotspot diplotkan berdasarkan koordinat lintang dan bujurnya dan diintegrasikan ke dalam satu tampilan (view). Berdasarkan cara ini, akan diperoleh sebaran secara spasial dari data hotspot selama kurun waktu sepuluh tahun. Zonasi daerah rawan kebakaran hutan/lahan dilakukan dengan menganalisis data hotspot dari citra MODIS yang telah tersedia dari tahun 2000 hingga tahun 2009. Tingkat kerawanan dihitung berdasarkan kepadatan hotspot untuk satuan luas tertentu (persamaan 1). Adapun rumusan untuk menghitung kepadatan hotspot adalah sebagai berikut:

............... (1) Dimana D adalah kepadatan hotspot, adalah jumlah titik hotspot dan A adalah luas daerah (dalam km2). Satuan luas daerah yang digunakan dalam penelitian ini ada 1 km x 1 km. Pada dasarnya belum ada kriteria yang dipergunakan sebagai penentu tingkat kerawanan kebakaran hutan/lahan berdasarkan tingkat kepadatan hotspotnya. Pada penelitian ini dibuat 4 kelas tingkat kerawanan berdasarkan kepadatan hotspot, yaitu: • • • •

Sangat Rawan Rawan Agak Rawan Tidak Rawan

: kepadatan hotspot > 10 hotspot/km2. : kepadatan hotspot 6 -10 hotspot/km2. : kepadatan hotspot 2 - 5 hotspot/km2. : kepadatan hotspot < 2 hotspot/km2.

Perlu dipahami bahwa hasil zonasi daerah rawan kebakaran hutan dan lahan tersebut bersifat relatif, yaitu daerah yang memiliki kepadatan hotspot lebih tinggi akan bersifat relatif memiliki tingkat kerawanan yang lebih tinggi, begitu pula sebaliknya. Secara teknis, operasi analisis dilakukan dengan menggunakan software ArcGIS versi 10, yaitu menggunakan operasi Density pada ArcToolbox Spatial Analyst Tools.

III. HASIL DAN PEMBAHASAN 3.1. Pola Spasial dan Temporal Titik Panas di Provinsi Riau dan Sumatera Selatan Berdasarkan data hotspot yang diperoleh dari citra MODIS sepanjang tahun 2000 hingga 2009, dapat diperoleh pola hotspot secara temporal, yaitu rerata intensitas hotspot bulanan selama kurun waktu sekitar sepuluh tahun tersebut, dari bulan Januari hingga Desember. Hasil analisis memperlihatkan fenomena yang unik terdapat di Provinsi Riau, yaitu terdapat dua periode peningkatan jumlah hotspot, yaitu periode Januari – Maret dan Mei – September (Gambar 1). Sangat dimungkinkan dan perlu diwaspadai bahwa pada bulan-bulan tersebut terjadi peningkatan intensitas kebakaran hutan/lahan. Secara spasial, sebaran titik hotspot di Provinsi Riau sepanjang tahun 2000 – 2009 dapat dilihat pada Gambar 2.


53

Fenomena yang terjadi di Provinsi Riau berbeda sekali dengan yang ada di Provinsi Sumatera Selatan. Di Provinsi Sumatera Selatan hanya terjadi satu periode peningkatan intensitas kebakaran hutan/lahan, yaitu pada bulan Agustus hingga Oktober (Gambar 3). Secara spasial, sebaran titik hotspot di Provinsi Sumatera Selatan sepanjang tahun 2000 – 2009 dapat dilihat pada Gambar 4. Berdasarkan informasi pola hotspot secara temporal tersebut dapat diketahui tingkat kerawanan kebakaran hutan dan lahan secara temporal. Dalam hal ini, untuk di Provinsi Riau, periode Januari – Maret dan Mei – September merupakan periode rawan kebakaran. Sedangkan di Provinsi Sumatera Selatan, periode rawan kebakaran adalah bulan Agustus hingga Oktober. Berdasarkan informasi tersebut, untuk mitigasi bencana kebakaran hutan/ lahan perlu juga memperhatikan pola kerawanan kebakaran hutan dan lahan secara temporal tersebut. Dalam hal ini, tentu saja penanganan kebakaran hutan/lahan di Provinsi Riau akan sedikit berbeda dengan Provinsi Sumatera Selatan.

JUMLAH HOTSPOT

1000 744

800

400 200

571

536

600

466 343

224

156

143

24

0

47

9

8

JAN FEB MAR APR MEI JUN JUL AGS SEP OKT NOV DES BULAN

Gambar 1. Pola hotspot secara temporal di Provinsi Riau yang ditunjukkan oleh intensitas hotspot rerata bulanan (dari tahun 2000 – 2009).


Gambar 2. Sebaran hotspot dari citra MODIS di Provinsi Riau sepanjang tahun 2000 - 2009

938

JUMLAH HOTSPOT

1000 800 600

502

400

282

200 0

1

1

2

3

7

19

60

64

4

JAN FEB MAR APR MEI JUN JUL AGS SEP OKT NOV DES BULAN Gambar 3. Pola hotspot secara temporal di Provinsi Sumatera Selatan yang ditunjukkan oleh intensitas hotspot rerata bulanan (dari tahun 2000 – 2009). Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

55

Gambar 4. Sebaran hotspot dari citra MODIS di Provinsi Sumatera Selatan sepanjang tahun 2000 - 2009.

2.1. Zonasi Kerawanan Kebakaran Hutan dan Lahan di Provinsi Riau dan Sumatera Selatan Hasil analisis density menunjukkan sebaran spasial kepadatan hotspot di Provinsi Riau dan Sumatera Selatan. Hasil pengkelasan menunjukkan wilayah-wilayah yang mempunyai tingkat kerawanan yang bervariasi mulai dari sangat rawan, rawan, agak rawan dan daerah yang tidak rawan. Gambar 5 dan 6 berturut-turut menunjukkan peta hasil analisis tingkat kerawanan kebakaran hutan/lahan di Provinsi Riau dan Sumatera Selatan. Berdasarkan Gambar 5 dapat diketahui bahwa wilayah dengan tingkat kerawanan tinggi (sangat rawan dan rawan) di Provinsi Riau yang terkonsentrasi pada beberapa lokasi tertentu, yaitu di Kabupaten Bengkalis, Rokan Hilir, dan Indragiri Hilir. Sedangkan berdasarkan Gambar


6 dapat diketahui bahwa tingkat kerawanan tinggi di Provinsi Sumatera Selatan terkonsentrasi di Kabupaten Ogan Komering Ilir. Selain itu, berdasarkan Gambar 5 dan 6, dapat diketahui bahwa pola sebaran daerah rawan kebakaran di Provinsi Riau dan Sumatera Selatan cenderung mengelompok (cluster). Pola ini mengindikasikan bahwa ada faktor dominan yang mempengaruhi terjadinya kebakaran hutan dan lahan di kedua provinsi tersebut. Namun demikian pembahasan mengenai faktor tersebut belum menjadi bagian dari penelitian ini.

Gambar 5. Tingkat kerawanan kebakaran hutan/lahan di Provinsi Riau berdasarkan kepadatan hotspot sepanjang tahun 2000 - 2009.


57

Gambar 6. Tingkat kerawanan kebakaran hutan/lahan di Provinsi Sumatera Selatan berdasarkan kepadatan hotspot sepanjang tahun 2000 - 2009.

IV. KESIMPULAN Kesimpulan yang dapat ditarik dari penelitian ini adalah informasi tingkat kerawanan suatu daerah terhadap bahaya kebakaran hutan/lahan dapat diperoleh dari analisis data historis sebaran titik-titik hotspot dalam kurun waktu yang relatif lama. Selain diperoleh informasi tingkat kerawanan secara spasial, berdasarkan analisis data hotspot tersebut juga dapat diketahui kerawanan kebakaran hutan/lahan secara temporal, yaitu bulan-bulan apa saja yang berpotensi akan terjadi peningkatan intensitas kebakaran hutan/lahan. Untuk di Provinsi Riau, periode Januari – Maret dan Mei – September merupakan periode rawan kebakaran. Sedangkan di Provinsi Sumatera Selatan, periode rawan kebakaran adalah bulan Agustus hingga Oktober. Hasil penelitian juga menunjukkan bahwa pola sebaran daerah rawan kebakaran di Provinsi Riau dan Sumatera Selatan cenderung mengelompok (cluster). Pola ini mengindikasikan bahwa ada faktor dominan yang mempengaruhi terjadinya kebakaran hutan dan lahan di kedua provinsi tersebut.


Daftar Pustaka Cochrane, M.A., 2003. Fire science for rainforests. Nature, 421, pp.913-919. Delgado, R.D., Lloret, F., & Pons, X., 2004. Spatial patterns of fire occurence in Catalonia, NE, Spain. Landscape Ecology, 19, pp.731-745. Duffy, P.A., Epting, J., Graham, J.M., Rupp, T.S., & McGuire, A.D., 2007. Analysis of Alaskan burn severity patterns using remotely sensed data. International Journal of Wild Fire, 16, pp.277-284. Lloret, F., Calvo, E., Pons, X., & Delgado, R.D., 2002. Wildfire and landscape patterns in the Eastern Iberia Peninsula. Landscape Ecology, 17, pp.745-759. Miettinen, J., 2007. Burnt area mapping in insular Southeast Asia using medium resolution satllite imagery. Academic dissertation. Department of Forest Resource Management, Faculty of Agriculture and Forestry, University of Helsinki. Parisien, M.A., Peters, V.S., Wang, Y., Little, J.M., Bosch, E.M., & Stocks, B.J., 2006. Spatial patterns of forest fires in Canada. International Journal of Wild Fire, 15, pp.361-374. Silverman, B. W., 2006. Density Estimation for Statistics and Data Analysis. New York: Chapman and Hall.


59

Biografi Penulis

Suwarsono, S.Si, M.Si.

Email : [email protected];[email protected]

Pendidikan: }} Magister Sains (M.Si.) pada program studi ilmu Geografi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Indonesia (UI), 2012 }} Sarjana (S.SI.) Program Studi Geografi Fisik, Fakultas Geografi, Universitas Gadjah Mada (UGM). 2002.

Suwarsono telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 2003. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan (hutan dan perkebunan) dan potensinya terhadap kebencanaan (banjir, longsor, kekeringan, kebakaran hutan). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN).

Dr. Indah Prasasti

Email : [email protected], [email protected]

Pendidikan: }} Doctor (Dr) pada program studi Klimatologi Terapan, Program Doktor, Sekolah Pascasarjana, Institut Pertanian Bogor (IPB). 2012. }} Magister Sains (M.Si) pada program studi Ilmu Tanah, Program Magister Sains, Sekolah Pascasarjana, Institut Pertanian Bogor (IPB). 2004. }} nsinyur (Ir.) pada program studi Agrometeorologi, Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB). 1988.

Dr. Indah Prasasti telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 1990. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk pemantauan kondisi kekeringan lahan (1990 – 1997), identifikasi dan deteksi parameter permukaan bumi dan laut (1997 – 2007), dan mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan dan potensinya terhadap kebencanaan (banjir, kekeringan, dan kebakaran hutan) (2007 – sekarang). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN) dan Perhimpunan Meteorologi Pertanian Indonesia (PERHIMPI).

Yenni Vetrita, S.Hut, M.Sc. Email : [email protected]

Pendidikan: }} Master of Science (M.Sc) pada program studi Remote Sensing and GIS Applications, Program Master pada Space Technology and Applications di Internatinal School, Beijing University of Aeronautics and Astronautics (BUAA), PRC. 2010. }} Sarjana Kehutanan (S.Hut.) pada Jurusan Manajemen Hutan, Fakultas Kehutanan, Institut Pertanian Bogor (IPB). 2000.

Yenni telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 2005. Penelitian yang telah dilakukan antara lain adalah estimasi biomasa/stok karbon berbasiskan data penginderaan jauh, evaluasi produk fire hotspot untuk mitigasi bencana kebakaran hutan/lahan, dan degradasi hutan.


PEMANFAATAN PENGINDERAAN JAUH UNTUK MITIGASI BENCANA GUNUNG API

ANALISIS RESIKO GUNUNG API MERAPI BERDASARKAN DATA PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS Parwati Sofan dan Fajar Yulianto Abstract

Mount Merapi is the most active volcano in Indonesia. Genesis eruption of Mount Merapi in late 2010 brought many victims of both life and enormous material. Primary and secondary dangers of Mount Merapi is in the form of pyroclastic flows and lava flows cold. These dangers have a very high risk, if it occurs in densely populated areas and a lot of important infrastructure in the area. Therefore, in this study a model of integration between hazard and vulnerability models for volcanic risk analysis. Zoning danger of Mount Merapi is done based on the data of Digital Elevation Model - Shuttle Radar Thematic Mapper (SRTM DEM) 30 m with a probabilistic analysis method eruption flow and energy methods for zoning danger pyroclastic cone. As for vulnerability analysis conducted detailing the distribution of population by type of land use of satellite data SPOT-4 in 2009. In order to anticipate disasters that do not know the time of day or night, the risk analysis is divided into two time that the risk of daytime and nighttime by the tendency of the population located in a land use of this type of work. High risk of Mount Merapi in the day contained in the southern region of Merapi, which in Cangkringan (Wukirsari Village, Village Argomulyo, Umbulharjo Village), Kecamantan CTL (Hargobinangun village), and Kecamantan Turi (Wonokerto village). Merapi high risk zone at night there in Kecamantan Cangkringan (Umbulharjo village and Wukirsari), Kecamantan CTL (Hargobinangun village). Furthermore, the evacuation route has been prepared based on zoning risk Merapi and critical infrastructure in the local area. Keywords: Mount Merapi, hazard, vulnerability, risk, SRTM DEM, land use Abstrak

Gunung Merapi merupakan gunung api yang paling aktif di Indonesia. Kejadian letusan gunung Merapi pada akhir tahun 2010 membawa banyak korban baik jiwa maupun material yang sangat besar. Bahaya primer dan sekunder Gunung Merapi adalah berupa aliran pyroclastic dan aliran lahar dingin. Bahaya-bahaya ini memiliki resiko yang sangat tinggi, jika terjadi di wilayah yang padat penduduk dan banyak infrastruktur yang penting di daerah tersebut. Oleh karena itu, pada penelitian ini dilakukan integrasi antara model bahaya dan model kerentanan untuk analisis resiko gunung api. Zonasi bahaya Gunung Merapi dilakukan berdasarkan data Digital Elevation Model – Shuttle Radar Thematic Mapper (DEM SRTM) 30 m dengan metode analisis probabilistik aliran erupsi dan metode energy cone untuk zonasi bahaya pyroclastic. Sementara untuk analisis kerentanan dilakukan pendetailan sebaran penduduk berdasarkan jenis penggunaan lahan dari data satelit SPOT-4 tahun 2009. Guna mengantisipasi datangnya bencana yang tidak mengenal waktu siang ataupun malam, maka analisis resiko dibagi menjadi 2 waktu yaitu resiko siang hari dan malam hari berdasarkan kecenderungan penduduk berada di suatu penggunaan lahan dari jenis pekerjaannya. Resiko tinggi Gunung Merapi pada siang hari terdapat pada wilayah selatan Merapi yaitu di Kecamatan Cangkringan (Desa Wukirsari, Desa Argomulyo, Desa Umbulharjo), Kecamantan Pakem (Desa Hargobinangun), dan Kecamantan Turi (Desa Wonokerto). Zona resiko tinggi Merapi pada malam hari terdapat di Kecamantan Cangkringan (Desa Umbulharjo dan Wukirsari), Kecamantan Pakem (Desa Hargobinangun). Selanjutnya, jalur evakuasi telah disusun berdasarkan zonasi resiko Merapi dan infrastruktur penting di daerah setempat. 62 Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

I. PENDAHULUAN Kejadian letusan Gunungapi Merapi pada akhir tahun 2010 membawa banyak korban baik jiwa maupun material yang sangat besar. Berdasarkan data Pusdalops BNPB pada tanggal 27 November 2010, bencana erupsi Gunungapi Merapi ini telah menimbulkan korban jiwa sebanyak 339 orang meninggal di wilayah Daerah Istimewa Yogyakarta dan Jawa Tengah. Dampak bencana erupsi Gunungapi Merapi tersebut telah menimbulkan kerusakan dan kerugian pada sektor ekonomi produktif, sektor infrastruktur, sektor perumahan, lintassektor, dan sektor sosial. sebesar Rp. 3,557 triliun. Mengingat tingginya tingkat bahaya Gunung Api Merapi yang merupakan gunung api paling aktif di Indonesia, maka diperlukan upaya untuk meminimalkan dampak kerugian di masa yang akan datang. Salah satu upaya yang dapat dilakukan dalam tahapan pengelolaan bencana adalah melakukan upaya mitigasi bencana dengan pemetaan zona bahaya dan zona resiko bencana. Dalam memetakan zona bahaya suatu gunung api perlu dicermati jenis letusan gunung tersebut sehingga dapat digunakan metode yang tepat dalam memetakan daerah bahaya. Menurut Lavigne (2000) dan Voight et al. (2000), Gunungapi Merapi merupakan gunung api tipe Stratovulcano yang memiliki bahaya primer dengan karakteristik khas tipe letusan berupa awan panas atau wedus gembel dalam istilah bahasa Jawa. Letusan tersebut terdiri dari unsur gas, bongkah batu dan abu vulkanis yang diawali oleh aliran lava dan runtuhan kubah lava. Kejadian erupsi Merapi dari tahun 1672 – 1997 terdiri dari beberapa tipe, yaitu: Explosions, Pyroclastic Flows, Pyroclastic Surge, Dome Growth, Lava Flow, dan Debris Flows (Lavigne et al., 2000; Thouret et al., 2000). Terakhir pada tahun 2010 mekanisme letusan Merapi terjadi secara Explosions dan Pyroclastic Flows (Wikipedia, 2011), dimana Explosions merupakan tipe erupsi pelepasan energi dan ledakan secara ekstrim, dengan suhu tinggi, sedangkan Pyroclastic Flows , tipe erupsi yang berupa campuran abu, batu apung, fragmen batuan panas dan gas partikel halus hingga kasar dengan kerapatan tinggi yang bergerak cepat selama erupsi berlangsung. Sedangkan bahaya sekunder yang sering kali terjadi pasca erupsi Gunungapi Merapi adalah banjir lahar dingin yang juga terjadi pada letusan tahun 2010. Bahaya gunungapi ini memiliki resiko yang sangat tinggi, jika terjadi di wilayah yang padat penduduk dan banyak infrastruktur yang penting di daerah tersebut. Oleh karena itu, dipandang sangat penting untuk dapat memetakan zona bahaya akibat letusan gunung api tersebut. Setelah itu, pada daerah bahaya dapat dilihat berapa jumlah penduduk sebagai objek yang rentan terhadap bahaya, dan juga infrastuktur apa sajakah yang ada di zona bahaya. Hingga akhirnya peta dan analisa resiko dapat dilakukan dengan mengintegrasikan zona bahaya dan kerentanan gunung api. Beberapa pendekatan untuk pemetaan bahaya gunung api antara lain adalah pemodelan erosi deposit aliran pyroclastic dan lahar dingin dengan analisis geomorfologi dan penggunaan lahan, serta simulasi aliran menggunakan teknik Sistem Informasi Geografis (SIG) oleh Santos Daag and van Westen (2003); analisa probabilistik zona bahaya dengan data historik aliran lava (Lirer dan Viteli, 1998); pemetaan daerah bahaya Merapi berdasarkan analisis geomorfologi dan penggunaan lahan dari data satelit (Asriningrum et al, 2004); pendekatan model Energy Cone untuk aliran pyroclastic (Malin dan Sheridan 1982; Hayashi dan Self 1992, Toyos et al. 2007); pemetaan bahaya gunung api secara otomatis dengan teknik SIG berdasarkan aplikasi metode probabilistic dan Energy Cone (Felpeto et al., 2007; Felfeto 2009); modeling aliran pyroclastic dengan FLOW3D (Saucedo et al., 2005), simulasi bahaya pyroclastic Gunung Merapi dengan menggunakan metode Energy Cone (Parwati et al, 2011) dan simulasi bahaya aliran lava Gunung Merapi dengan metode probabilistic (Yulianto dan Parwati, 2012) dengan akurasi yang cukup signifikan terhadap data kerusakan di lapangan (Parwati et al, 2013). Bunga Rampai Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

63

Sejauh ini, pemetaan daerah resiko gunungapi berdasarkan data penginderaan jauh belum mengintegrasikan analisis kerentanan penduduk dimana diperlukan pembaharuan analisis penutup lahan dari data satelit. Alberico et al. (2008) mengintegrasikan daerah bahaya aliran pyroclastic ditumpang susun dengan penggunaan lahan dan jumlah penduduk untuk penentuan daerah resiko. Pada penelitian ini akan dilakukan integrasi hasil pemetaan bahaya dari penelitian sebelumnya (Parwati et al., 2013) dan analisis wilayah kerentanan untuk menghasilkan pemetaan resiko Gunung Merapi dengan menggunakan data satelit dan SIG.

II. DATA DAN METODE 2.1. Metoda Simulasi Bahaya Gunung Api Pada penelitian ini dilakukan integrasi antara hasil simulasi model bahaya Gunung Merapi dengan model probabilistik (Yulianto dan Parwati, 2012) dan model Energi Cone (Parwati, 2012). Kedua model ini menggunakan input utama data DEM-SRTM 30 m, dimana pada model probabilistik diasumsikan topografi sebagai faktor utama yang menentukan jalannya aliran material erupsi, sedangkan model Energy Cone merupakan model simulasi potensi maksimum suatu wilayah terpengaruh oleh PDC. Data SRTM 30 m tersedia untuk umum melalui US Geological Survey EROS Data Center. Data dapat diunduh atau dipesan melalui server di http://seamless.usgs.gov/, atau http://edc.usgs.gov/products/elevation/ srtmdted. html.

2.2. Metode Analisa Kerentanan Kerentanan difokuskan pada jumlah penduduk dan kondisi infrastruktur di wilayah studi. Untuk jumlah penduduk dilakukan metode penajaman informasi spatial dengan mengkombinasikan penggunaan lahan yang dianalisis dari data SPOT-4 tanggal 26 Juni 2009. Analisis klasifikasi penutup/penggunaan lahan dilakukan melalui klasifikasi terbimbing (supervised classification) dengan metode maximum likelihood. dengan data penduduk dari data statistik. Data penduduk yang digunakan adalah per-desa tahun 2009 dari BPS Yogyakarta di Kecamatan Turi, Pakem, dan Cangkringan di Kabupaten Sleman, yang selanjutnya akan diintegrasikan dengan data penggunaan lahan dari hasil klasifikasi data satelit SPOT-4 tahun 2009. Formula yang diterapkan dalam pendetailan penduduk berdasarkan penggunaan lahannya adalah sebagai berikut (Indrajit and Khomarudin, 2011):

……………………………………(1) dimana Xd adalah jumlah penduduk dalam unit administrasi; Pi adalah jumlah penduduk dalam unit landuse i; Pij adalah jumlah penduduk dalam polygon j di landuse i; Sij adalah ukuran polygon j dalam landuse i di sebuah unit administrasi; Wi adalah faktor pembobot landuse i yang dibedakan pada siang dan malam hari.


2.3. Analisis Resiko Gunung Api Resiko/Risk merupakan tingkat kerugian (sosial, ekonomi, lingkungan, dan lain-lain) yang dihasilkan dari interaksi antara bahaya (H) dan kerentanan (V). Risk (R) diformulasikan sebagai berikut (Wisner et al., 2004): R = H. V …………………………………….…………………(2)

IV. HASIL DAN PEMBAHASAN 3.1. Zonasi Bahaya Merapi Berdasarkan hasil penelitian sebelumnya (Parwati et al, 2013) yang menunjukkan akurasi hasil zonasi bahaya Gunung Merapi yang cukup signifikan terhadap data kerusakan di lapangan, maka pada penelitian ini dilakukan analisis lanjutan terhadap zona bahaya tersebut dengan melakukan analisis overlay bahaya aliran lava dan bahaya pyroclastic kemudian dikelaskan tingkat bahayanya seperti matriks yang dapat dilihat pada Tabel 1 berikut ini. Tabel 1. Matriks analisis overlay potensi bahaya Merapi. Jenis Bahaya Aliran Lava

Pyroclastic Tinggi

Sedang

Rendah

Tinggi

Tinggi

Tinggi

Sedang

Sedang

Tinggi

Sedang

Rendah

Rendah

Sedang

Rendah

Rendah

Hasil analisis overlay zona potensi bahaya Merapi secara spasial dibagi menjadi 3 tingkat, yaitu tinggi, sedang, rendah (Gambar 1). Zona bahaya tinggi yang ditandai dengan warna merah terletak di sekitar puncak Merapi hingga kurang lebih sejauh 8 km dari puncak Merapi menuju ke Desa Kepuharjo (Cangkringan), Umbulharjo (Cangkringan), Hargobinangun (Pakem), dan Wonokerto (Turi). Zona bahaya sedang yang ditandai dengan warna kuning terletak dari 2 km setelah puncak Merapi hingga mencapai 15 km menuju ke Desa Argomulyo (Cangkringan). Wilayah lain yang tidak ternasuk dalam zona bahaya tinggi dan sedang termasuk dalam zona bahaya rendah. Meskipun disebut sebagai zona bahaya rendah bukan berarti kesiapsiagaan di wilayah tersebut menjadi rendah, karena masih terdapat peluang terjadinya bencana dalam zona tersebut.


65

Gambar 1. Informasi spasial zona potensi bahaya Merapi di Kecamatan Cangkringan, Turi, dan Pakem yang diolah berdasarkan integrasi bahaya aliran lava dan pyroclastic.

3.2. Daerah Kerentanan Gunung Merapi 3.2.1. Penutup/Penggunaan Lahan di sekitar Gunung Merapi Dari 16 daerah kecamatan di wilayah administrasi Kabupetan Sleman, ada 3 kecamatan yang merupakan kecamatan dengan kerusakan terparah akibat letusan Merapi 2010, yaitu Kecamatan Cangkringan, Pakem, dan Turi, sehingga analisis penutup/penggunaan lahan dilakukan di wilayah 3 kecamatan tersebut. Data satelit yang digunakan adalah SPOT-4 tahun 2009. Hasil analisis penutup/penggunaan lahan yang nya telah divalidasi dengan hasil analisis bangunan di wilayah permukiman dengan data resolusi tinggi Geo Eye tahun 2009 (Gambar 2). Tampilan belakang hasil klasifikasi selain lokasi kajian adalah citra komposit RGB SPOT-4 tanggal 29 Juni 2009. Pada hasil analisis penutup/penggunaan lahan dapat dilihat bahwa di bagian utara kurang lebih jarak 5 km dari puncak sudah terdapat wilayah permukiman di utara Kecamatan Cangkringan Kabupaten Sleman. Wilayah tersebut secara geomorfologi memang merupakan dataran alluvial yang relatif subur untuk kegiatan pertanian, sehingga walaupun wilayah tersebut termasuk dalam zona bahaya tinggi namun permukiman banyak ditemukan di wilayah tersebut. Selanjutnya ke arah selatan, umumnya jenis penggunaan lahannya didominasi oleh areal pertanian dan permukiman seperti yang terlihat pada Gambar 2.


Gambar 2. Hasil interpretasi penutup/penggunaan lahan dari data SPOT-4 tahun 2009 yang telah divalidasi dengan data Geo Eye 2009 di Kecamatan Cangkringan, Pakem, dan Turi Hasil perhitungan luas penutup /penggunaan lahan di 3 kecamatan Kabupaten Sleman yaitu Kecamatan Cangkringan, Pakem, dan Turi berdasarkan data SPOT-4 tahun 2009 menunjukkan bahwa jenis penutup/penggunaan lahan yang terluas adalah sawah irigasi yang mencapai sekitar 30.3 % dari total luas di ketiga kecamatan tersebut. Selanjutnya wilayah permukiman sekitar 25.2 % dan jenis penutup lahan lainnya yang luasnya di bawah 15 % (Tabel 2). Tabel 2. Luas penutup/penggunaan lahan di Kecamatan Cangkringan, Pakem, dan Turi berdasarkan analisis data SPOT-4 tahun 2009. Jenis Penutup/ Penggunaan Lahan

Luas (Ha)

Persentase (%)

Sawah Irigasi

4206.04

30.31

Permukiman

3500.13

25.22

Kebun

2027.05

14.61

Tegalan

1501.51

10.82

Belukar/Semak

1162.03

8.37

Hutan

848.90

6.12

Material Erupsi

501.17

3.61

Sawah

129.32

0.93

Berdasarkan wilayah administrasi kecamatan (Tabel 3), wilayah administrasi yang mempunyai luas sawah irigasi dari tertinggi hingga terendah adalah Kecamatan Pakem (41.8 %), Kecamatan Turi (29.4 %) dan Cangkringan (28.8 %). Sedangkan luas wilayah permukiman mempunyai sebaran yang hampir sama, yaitu Kecamatan Turi (35.9 %), Pakem (32.7 %), dan Cangkringan (31.4 %).


67

Tabel 3. Persentase (%) luas sawah irigasi dan permukiman di Kecamatan Cangkringan, Turi, dan Pakem berdasarkan data SPOT-4 tahun 2009. Kecamatan

Sawah Irigasi

Permukiman

Cangkringan

28.8

31.5

Pakem

41.8

32.7

Turi

29.4

35.9

3.2.2.

Analisis Kerentanan Penduduk

Berdasarkan data penduduk di di Kecamatan Cangkringan, Turi, dan Pakem tahun 2009 yang dirilis oleh BPS tahun 2010 dapat diketahui sebaran jumlah penduduk yang banyak penduduknya yaitu di Desa Wukirsari-Cangkringan (9882 jiwa) hingga yang relatif sedikit penduduknya yaitu di Desa Kepuhharjo-Cangkringan (2907 jiwa). Informasi jumlah penduduk secara spasial disajikan pada Gambar 3.

Gambar 3. Informasi spasial jumlah penduduk tahun 2009 di Kecamatan Cangkringan, Turi, dan Pakem (Sumber data: BPS Sleman 2010). Dalam menghitung kerentanan maka dilakukan overlay antara data spasial jumlah penduduk dengan data spasial penggunaan lahan. Pada penentuan faktor pembobot landuse yang dibedakan antara siang dan malam hari, digunakan informasi data pencaharian penduduk dari BPS setempat.sebagai acuan lokasi aktivitas penduduk. Umumnya pada siang hari penduduk di Kecamatan Cangkringan, Turi, dan Pakem lebih banyak berada di wilayah permukiman (40 %), kemudian di sawah (21 %), kebun (20 %), pertanian lahan kering (16 %), dan di areal hutan/belukar/material erupsi (1 %), sedangkan pada malam hari, penduduk lebih cenderung berada di wilayah permukiman (97 %), sisanya tersebar di wilayah landuse yang lain, dengan asumsi bahwa masih terdapat orang yang bekerja atau berada pada areal material erupsi dan lain-lain. Berdasarkan analisa jumlah penduduk di jenis penggunaan lahan tertentu pada siang dan malam hari, maka dapat ditunjukkan tingkat kerentanan penduduk terhadap bahaya Gunung Merapi. Pada siang hari dapat ditunjukkan bahwa kerentanan penduduk yang tinggi terdapat di bagian selatan yaitu pada tipe penggunaan lahan sawah irigasi dan permukiman, sedangkan pada malam hari kerentanan penduduk terhadap bahaya Gunung Merapi menyebar wilayah permukiman di bagian utara juga selatan.


Zona kerentanan penduduk terhadap bencana Merapi dibagi menjadi 3 tingkat, yaitu tinggi, sedang, dan rendah. Gambar 4 menunjukkan informasi kerentanan Merapi pada siang hari dimana tingkat kerentanan tinggi (warna merah) terdapat di wilayah selatan Kecamatan Cangkringan (Desa Argomulyo dan Wukirsari), Kecamatan Pakem (Desa Hargobinangun bagian selatan, Pakembinangun, Harjobinangun), dan Kecamatan Turi (Girikerto bagian selatan, Donokerto, Bangunkerto). Zona kerentanan sedang (warna kuning) terletak menyebar di Kecamatan Cangkringan, Turi, dan Pakem pada berbagai jenis penutup lahan, sedangkan zona kerentanan rendah (warna hijau) terdapat dari wilayah puncak Merapi hingga menyebar di bagian selatan Kecamatan Cangkringan, Turi, dan Pakem.

Gambar 4. Informasi spasial zona kerentanan Merapi pada siang hari di Kecamatan Cangkringan, Turi, dan Pakem yang diolah berdasarkan integrasi landuse dan data kependudukan Sementara itu pada zona kerentanan Merapi untuk malam hari seperti yang terlihat pada Gambar 5 menunjukkan bahwa tingkat kerentanan penduduk pada malam hari bernilai tinggi (warna merah) di wilayah permukiman yang menyebar dari bagian utara (± 5 km dari puncak) hingga bagian selatan Kecamatan Cangkringan, Turi, dan Pakem. Demikian pula dengan tingkat kerentanan sedang (warna kuning) yang menyebar di wilayah permukiman dari utara hingga selatan. Dibandingkan dengan zona kerentanan tinggi, zona kerentanan sedang lebih merata penyebarannya di ketiga kecamatan. Selebihnya zona kerentanan rendah terdapat dari mulai puncak Merapi hingga ke wilayah selatan Kecamatan Cangkringan, Turi, dan Pakem.


69

Gambar 5. Informasi spasial zona kerentanan Merapi pada malam hari di Kecamatan Cangkringan, Turi, dan Pakem yang diolah berdasarkan integrasi landuse dan data kependudukan

3.2.3. Daerah Resiko Gunung Merapi Dalam analisis resiko dilakukan integrasi hasil analisis bahaya dan kerentanan. Pada kajian penelitian ini terkait dengan keterbatasan data spasial dan penduduk, maka analisis resiko hanya dilakukan untuk di Kecamatan Cangkringan, Turi, dan Pakem. Hasil analisis risiko dibagi menjadi 2 waktu yaitu resiko siang hari dan resiko malam hari. Adapun matrik analisis overlay potensi bahaya dan kerentanan Gunung Merapi dapat disajikan pada Tabel 4 berikut ini. Tabel 4. Matriks analisis resiko Gunung Merapi Kategori Bahaya

Kerentanan Tinggi

Sedang

Rendah

Tinggi

Tinggi

Tinggi

Sedang

Sedang

Tinggi

Sedang

Rendah

Rendah

Sedang

Rendah

Rendah

Gambar 6 menunjukkan zona resiko Merapi pada siang hari di Kecamatan Cangkringan, Turi, dan Pakem, dimana resiko tinggi (warna merah) terdapat pada wilayah selatan yaitu di Desa Wukirsari dan Argomulyo (Cangkringan), serta di sekitar ± 5 km dari puncak Merapi di wilayah Desa Umbulharjo (Cangkringan), Hargobinangun (Pakem), dan Wonokerto (Turi). Zona resiko sedang (warna kuning) terdapat di wilayah puncak Merapi hingga sekitar 10 km dari puncak Merapi, dan di bagian selatan Kecamatan Cangkringan, Turi, dan Pakem. Zona resiko rendah berada menyebar mulai 2 km dari puncak Merapi hingga di bagian selatan Kecamatan Cangkringan, Turi, dan Pakem.


Gambar 6. Informasi spasial zona resiko Merapi pada siang hari di Kecamatan Cangkringan, Turi, dan Pakem yang diolah berdasarkan integrasi bahaya dan kerentanan Sementara itu Gambar 7 menunjukkan zona resiko Merapi pada malam hari di Kecamatan Cangkringan, Turi, dan Pakem, dimana resiko tinggi (warna merah) terdapat di Desa Umbulharjo (Cangkringan), Hargobinangun (Pakem), Wukirsari (Cangkringan). Zona resiko sedang (warna kuning) lebih banyak sebarannya dibandingkan zona resiko tinggi, dan menyebar mulai dari wilayah puncak Merapi hingga selatan Kecamatan Cangkringan, Turi, dan Pakem. Demikian pula zona resiko rendah yang berada menyebar mulai 2 km dari puncak Merapi hingga di bagian selatan Kecamatan Cangkringan, Turi, dan Pakem.

Gambar 7. Informasi spasial zona resiko Merapi pada malam hari di Kecamatan Cangkringan, Turi, dan Pakem yang diolah berdasarkan integrasi bahaya dan kerentanan.


71

3.2.4. Analisis Evakuasi Gunung Merapi Analisis jalur evakuasi Merapi dilakukan dengan mempertimbangkan zona resiko Merapi dan infrastruktur berupa jalan, kantor administrasi pemerintahan daerah, kantor polisi, rumah sakit/puskesmas, dan sekolah. Berdasarkan hasil analisis evakuasi, jalur evakuasi di wilayah Kabupaten Sleman dari wilayah hulu hingga hilir di Kecamatan Cangkringan, Pakem dan Turi pada Gambar 8 terdapat 8 jalur utama yang menghubungkan wilayah permukiman di daerah yang mempunyai resiko tinggi di sekitar hulu Merapi hingga ke jaringan infrastruktur terdekat.

Gambar 8. Informasi jalur evakuasi Merapi berdasarkan analisis resiko dan jaringan infrastuktur di wilayah Kabupaten Sleman.

IV. KESIMPULAN Analisis resiko Gunung Merapi telah dilakukan dengan mengintegrasikan zonasi bahaya dan kerentanan berdasarkan data DEM-SRTM, SPOT-4 tahun 2009, serta data kependudukan dari BPS dengan teknologi SIG. Resiko tinggi Gunung Merapi pada siang hari terdapat pada wilayah selatan Merapi yaitu di Kecamatan Cangkringan (Desa Wukirsari, Desa Argomulyo, Desa Umbulharjo), Kecamantan Pakem (Desa Hargobinangun), dan Kecamantan Turi (Desa Wonokerto). Zona resiko tinggi Merapi pada malam hari terdapat di Kecamantan Cangkringan (Desa Umbulharjo dan Wukirsari), Kecamantan Pakem (Desa Hargobinangun). Jalur evakuasi telah disusun berdasarkan zonasi resiko Merapi dan infrastruktur penting di daerah setempat.


Daftar Pustaka Asriningrum, W., H. Noviar, Suwarsono. 2004. Pengembangan Metode Zonasi Daerah Bahaya Letusan Gunung Api Studi Kasus Gunung Merapi. Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital. Vol.1: 66-75. LAPAN. Alberico, I., L. Lirer, P. Petrosino, R. Scandone. 2008. Volcanic hazard and risk assessment from pyroclastic flows at Ischia island (southern Italy). Journal of Volcanology and Geothermal Research. Vol. 171 : 118–136 Felpeto, A., Matri, J., Ortiz, R., (2007). Automatic GIS-based system for volcanic hazard assessment. Journal of Volcanology and Geothermal Research 166 (2007) 106–116. Felpeto, A., (2009). VORIS a GIS-based tool for volcanic hazard assessment. User’s guide version 2.0.1. Observatorio Geofisico Central, IGN. Hayashi JN, and Self S. 1992. A comparison of pyroclastic ﬂow and debris avalanche mobility.J Geophysical Res 97(B6):9063–9071 Indrajit, A. and M. R. Khomarudin. 2011. Development of Remote Sensing Technique to Classify Settlement Area for Supporting People Distribution Mapping. Journal of Information Technology for Natural Resources Management 01/2011; Vol II:27-39. Lavigne, F., Thouret, J.C., Voight, B., Suwa, H., Sumaryonoe, A., (2000). Lahars at Merapi volcano, Central Java: an overview. Journal of Volcanology and Geothermal Research 100 (2000) 423–456. Lirer L dan Livia Viteli. 1998. Volcanic Risk Assessment and Mapping in the Vesuvian Area Using GIS. Journal Natural Hazards 17: 1–15, 1998 Malin MC, and Sheridan MF. 1982. Computer-Assisted mapping of pyroclastic surges. Science. 217:637– 640 Parwati, F.Yulianto, M.R., Khomarudin. 2012. Simulasi Bahaya Pyroclastic Gunung Merapi Berdasarkan Model Energy Cone dari Data DEM SRTM. Proceedings of Geomatika SAR Nasional (GeoSARNas) 2011. Parwati, F.Yulianto, M.R., Khomarudin. 2013. Verifikasi Zona Bahaya Gunung Api Berdasarkan Model Probabilistik dan Energy Cone. dalam proses penerbitan. Saucedo, R., J.L. Macıas, M.F. Sheridan, M.I. Bursik, and J.C. Komorowski. 2005. Modeling of pyroclastic flows of Colima Volcano, Mexico: implications for hazard assessment. Journal of Volcanology and Geothermal Research 139 (2005) 103– 115. Santos Daag, A. and van Westen, C. 2003. Modeling the Erosion of Pyroclastic Flow Deposits and the Occurrence of Lahars at Mt. Pinatubo, Philippines. PhD. Thesis: Enschede, Utrecht University, 238p. Thouret, J.C., Lavignea, F., Kelfouna, K., Brontob, S., 2000. Toward a revised hazard assessment at Merapi volcano, Central Java. Journal of Volcanology and Geothermal Research 100 (2000) 479–502. Voighta,B., Constantinea, E.K, Siswowidjoyoc, S., Torleyd, R., 2000. Historical eruptions of Merapi Volcano, Central Java, Indonesia, 1768 – 1998. Journal of Volcanology and Geothermal Research 100 (2000) 69–138. Wikanti, A. H. Noviar, Suwarsono. 2004. Pengembangan Metode Zonasi Daerah Bahaya Letusan Gunung Api Studi Kasus Gunung Merapi. Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital. Vol. 1. No.1. Juni 2004:66-75. Wikipedia, 2011. http://en.wikipedia.org/wiki/2010_eruptions_of_Mount_Merapi. Wisner, B., Blaikie, P., Cannon, T., Davis, I. 2004. At Risk: Natural Hazards, People’s Vulnerability and Disaster. London. Routledge Yulianto, F. dan Parwati. 2012. Aplikasi Model Probabilistik untuk Simulasi Aliran Material Erupsi Studi Kasus: Gunung Merapi, Jawa Tengah. Jurnal Penginderaan Jauh dan Pengolahan Data Citra Digital. Vol. 9; 1-11. LAPAN.


73

Biografi Penulis

Parwati Sofan, S.Si, M.Sc. Email : [email protected]

Pendidikan: }} Master of Science (M.Sc) pada program studi Remote Sensing and GIS Applications, Program Master pada Space Technology and Applications di Internatinal School, Beijing University of Aeronautics and Astronautics (BUAA), PRC. 2008 }} Sarjana Sains (S.Si.) pada program studi Agrometeorologi, Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB). 1999

Parwati telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 2002. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan dan potensinya terhadap kebencanaan (banjir, kekeringan, kebakaran hutan, letusan gunung api). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN) dan Perhimpunan Meteorologi Pertanian Indonesia (PERHIMPI).

Fajar Yulianto, S.Si, M.Si. Email : [email protected]; [email protected]

Pendidikan: }} Magister Sains (M.Si) pada Program Studi Mitigasi Bencana Kerusakan Lahan, Sekolah Pascasarjana Institut Pertanian Bogor (IPB). 2012. }} Sarjana Sains (S.Si) pada Jurusan Geografi Fisik, Fakultas Geografi, Universitas Gadjah Mada (UGM). 2001.

Penelitian yang diminati: Aplikasi data Penginderaan Jauh dan Sistem Informasi Geografis (SIG) untuk Pemodelan, Lingkungan, Mitigasi Bencana, Hidrologi, Geomorfologi Terapan. Telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 2008. Berbagai penelitian yang dilakukan berkaitan dengan aplikasi pemanfaatan data penginderaan jauh telah dipublikasikan di jurnal nasional dan international. Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN), Ikatan Geografi Indonesia (IGI), Ikatan Geografi Universitas Gadjah Mada (IGEGAMA).


PEMANFAATAN PENGINDERAAN JAUH UNTUK MENDUKUNG SISTEM INFORMASI KEBENCANAAN

ANALISIS PROSES BISNIS SISTEM INFORMASI DAN MITIGASI BENCANA ALAM (SIMBA) CENTER UNTUK MENDUKUNG INFORMASI TANGGAP DARURAT KEBENCANAAN Muhammad Priyatna dan Muhammad Rokhis Khomarudin Abstract

It has been done analyzing the business process systems for disaster SIMBA Center remote sensing data based on Remote Sensing Utilization Center, LAPAN. The need SIMBA Center begins with the process of information dissemination for disaster relief quickly and accurately to the stakeholders or users of data and information disaster happens, whether requested or not. In accordance with the law keantariksaan number 21 in 2013, LAPAN is required to provide data and information and research results to stakeholders or users via a variety of media and ways. With the method of literature review and long-term plan Utilization Center for Remote Sensing, SIMBA center can be used as a system for the dissemination of disaster information to the user either through the internet or intranet. The advantages of the SIMBA system can provide disaster information services quickly and accurately both for users inside and outside the Space agency. In addition, business processes are performed in the delivery of disaster emergency response information was made to the Government Institutions like BNPB and can be used for emergency response further. SIMBA System Center needs to be improved both the infrastructure and regulation so as to provide reliable performance in LAPAN organizational structure in general. Required development / upgrading of information technology infrastructure and integration of all system SIMBA other system resources so as to provide data and information services related to disaster mitigation to the user into the door through the system dynamic websites. Keywords: business processes, remote sensing, Infrastructure, SIMBA Center, Emergency response.

76 Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Abstrak

Telah dilakukan analisis terhadap proses bisnis sistem SIMBA Center untuk kebencanaan berbasis data penginderaan jauh di Pusat Pemanfaatan Penginderaan Jauh, LAPAN. Perlunya SIMBA Center diawali dengan proses diseminasi informasi tanggap darurat kebencanaan secara cepat dan akurat untuk para stakeholder atau pengguna data dan informasi kebencanaan yang terjadi baik diminta maupun tidak. Sesuai dengan undang-undang keantariksaan nomor 21 tahun 2013, LAPAN diharuskan memberikan data dan informasi hasil penelitian kepada stakeholder atau pengguna melalui berbagai media dan cara. Dengan metode kajian pustaka dan rencana jangka panjang Pusat Pemanfaatan Penginderaan Jauh, SIMBA center dapat dijadikan sebagai sistem diseminasi informasi kebencanaan kepada pengguna baik melalui internet maupun intranet. Kelebihan dari sistem SIMBA ini dapat memberikan pelayanan informasi kebencanaan secara cepat dan akurat baik untuk di dalam maupun pengguna di luar LAPAN. Selain itu proses bisnis yang dilakukan dalam pengiriman informasi tanggap darurat kebencanaan telah dilakukan kepada Lembaga Pemerintah seperti BNPB dan dapat digunakan untuk tanggap darurat bencana selanjutnya. Sistem SIMBA Center perlu di tingkatkan baik infrastruktur maupun regulasinya sehingga dapat memberikan kinerja yang handal dalam struktur organisasi LAPAN pada umumnya. Diperlukan pengembangan / upgrading infrastruktur teknologi informasi sistem SIMBA dan integrasi semua sumber daya sistem lainnya sehingga dalam memberikan pelayanan data dan informasi terkait mitigasi bencana kepada user menjadi satu pintu melalui sistem website yang dinamis. Kata kunci: Proses bisnis, penginderaan jauh, infrastruktur, SIMBA Center, Tanggap darurat1.

Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

77

I. PENDAHULUAN Sesuai dengan Undang-Undang Republik Indonesia Nomor 21 Tahun 2013 Tentang Keantariksaan, yang telah disahkan pada tanggal 6 Agustus 2013, di Jakarta oleh Presiden Republik Indonesia, bagian Ketiga tentang Penginderaan Jauh, paragraph 1, bagian Umum, Pasal 15, yang memuat tugas LAPAN, yakni melakukan perolehan data, pengolahan data, penyimpanan dan pendistribusian data, dan pemanfaatan data dan diseminasi informasi kepada pengguna/stakeholder lain selama 7x 24 jam, maka dibutuhkan sistem teknologi informasi yang dapat membantu, mempermudah, dan mempercepat pendistribusian data/ informasi kepada pengguna/stakeholder lain. Selain itu juga, Pusat Pemanfaatan Penginderaan Jauh (Pusfatja) LAPAN harus menjalankan visi dan misi, dimana mempunyai target sebagai Pusat Pemantauan Bumi Nasional, maka diperlukan sistem infrastruktur teknologi informasi yang handal sehingga dapat memberikan kecepatan, ketepatan, dan keakuratan dalam mendiseminasikan informasi baik turunan data satelit maupun produk informasi dari data satelit cuaca. Selain itu LAPAN mempunyai peranan yang sangat penting dalam mendukung untuk mendiseminasikan hasil kinerja ataupun informasi berbasis data satelit penginderaan jauh pada jaringan internasional, seperti Sentinel Asia, UNSPIDER, Activation Disaster Management in Asia Pasific, International Charter in Disaster, dan sebagainya. Dalam kondisi jumlah beban tugas yang demikian banyak maka dibutuhkan SDM yang cukup handal dan sistem teknologi informasi yang dapat membantu, mempermudah, dan mempercepat pekerjaan tersebut di atas dengan dukungan operasi selama 7x24 jam [Muhammad Rokhis Khomarudin dan Muhammad Priyatna, 2012]. Dalam hal itulah, maka perlu dibangun sebuah sistem atau media untuk mengelola secara baik dan benar dalam memberikan informasi kebencanaan berbasis data penginderaan jauh, yakni ruang krisis kebencanaan, yang disebut dengan SIMBA (Sistem Informasi Mitigasi Bencana Alam) Center. Pada tulisan ini dilakukan analisis terhadap proses bisnis yang terjadi pada SIMBA Center, sehingga diketahui kelebihan dan kekurangan baik infrastruktur maupun secara regulasi kebencanaan nasional dalam mendukung sistem informasi kebencanaan berbasis data penginderaan jauh.

II. MODEL MANAJEMEN BENCANA Alternatif lain untuk model siklus hidup linearitas atau kausalitas multi-arah dari ketidakteraturan manajemen bencana, dimana unsur-unsur yang berbeda atau substansial menjadi tumpang tindih dan dapat bekerja secara bersamaan. Meskipun istilah “manajemen bencana” kadangkadang keliru digunakan sebagai sinonim untuk manajemen krisis, manajemen bencana sebenarnya adalah proses yang berbeda, biasanya melibatkan instansi pemerintah/otoritas teritorial dan paling sering berhubungan dengan kejadian bencana. Manajemen bencana merupakan komponen lintas fungsional atau seluruh pemerintah, yang berkomitmen untuk perencanaan sesuai regulasi yang berlaku. Sementara fokus utama dari manjemen bencana untuk mengurangi dampak bencana alam seperti gempa bumi, banjir, pandemi, tanah longsor dan angin topan untuk daripada mencegah bencana itu sendiri. Manajemen bencana dapat menyediakan kerangka kerja yang berguna untuk masalah manajemen krisis, khususnya dengan memilih elemen yang pasti dan jelas.


Mengacu pada siklus manajemen bencana klasik (Gambar 1), (Nick Carter, 1991) mengatakan bahwa sementara siklus sering digambarkan dalam bentuk lain, yang penting adalah bahwa format harus menunjukkan bahwa bencana manajemen bencana adalah sebuah kontinuitas kegiatan yang saling terkait; itu bukan serangkaian peristiwa yang mulai dan berhenti dengan setiap kejadian bencana “.

Gambar 1. Siklus manajemen bencana, (Nick Carter, 1991)

III. DATA DAN METODE Secara umum langkah-langkah penelitian ini dapat dijabarkan sebagai berikut: • Analisis Perencanaan strategi terdiri dari Visi dan Misi Pusfatja. • Analisis infrastruktur tanggap darurat kebencanaan yang telah dilakukan di nasional maupun internasional • Analisis proses bisnis terhadap sumber daya yang sudah dimiliki oleh Pusfatja • Evaluasi terhadap hasil analisa yang diperoleh untuk mendapatkan kelebihan dan kekurangan sistem SIMBA Center • Hasil evaluasi untuk membuat rekomendasi peningkatan sistem SIMBA Center di masa yang akan datang, baik infrastruktur maupun regulasi dalam pengambilan keputusan tanggap darurat kebencanaan di Pusfatja, LAPAN.

IV. HASIL DAN PEMBAHASAN  4.1. Konsep Proses Bisnis Simba Center Konsep proses bisnis SIMBA Center LAPAN secara umum dapat disajikan pada Gambar 2 berikut (Laporan Akhir tahun Pusfatja. 2011).


79

Gambar 2. Konsep SIMBA Center Kebencanaan Berbasis Data Penginderaan Jauh LAPAN. Pada Gambar 2. bahwa hasil kegiatan pemantauan lingkungan dan mitigasi bencana menghasilkan informasi untuk mitigasi bencana, dan kemudian ditampilkan dalam SIMBA Center Kebencanaan. Informasi yang terdapat dalam SIMBA Center kemudian didifusikan ke pengguna melalui website SIMBA, Web Services, Prioriry User, Regional User maupun Internal User yang akhirnya akan ke end-user. Hasil informasi yang diterima oleh End-user kemungkinan tidak akurat atau sesuai, sehingga End-User dapat memberikan Feedback ke Pusfatja-LAPAN, sehingga Pusfatja-LAPAN dapat meneliti kembali dan mengembangan sistem yang telah dibangun, agar informasi yang disampaikan lebih baik. Siklus ini terus berputar, sehingga tidak berhenti dan perkembangan yang lebih baik dapat dihasilkan. SIMBA Center dapat digunakan untuk mendukung sistem informasi kebencanaan dan bila terbangun terdiri atas empat sub-sistem sehingga akan dapat menyampaikan informasi kebencanaan secepat mungkin. Empat bagian sistem tersebut perlu dibangun, diantaranya: a. Sistem Penerimaan Informasi Kebencanaan Sistem ini dibuat dengan tujuan untuk mendapatkan informasi bencana di wilayah Indonesia secara cepat, sehingga proses pengolahan data akan dilakukan dengan cepat begitu mendapatkan informasi bencana. Sistem ini akan menggunakan sistem komunikasi dengan radio kebencanaan yang dimiliki oleh BNPB. Data geospasial dapat disediakan dalam waktu 24 jam jika terjadi bencana di suatu wilayah. Selain komunikasi dengan radio BNPB, siaran televisi dan radio yang terupdate juga akan dikombinasikan dalam sistem ini. b. Sistem Koneksi ke Data Center Sistem ini dibuat untuk mendapatkan data remote sensing secara cepat, sehingga diperlukan sistem koneksi data center yang dikelola oleh pusat lain di LAPAN. Data penginderaan jauh yang diperlukan untuk pengolahan data secara cepat akan diperoleh dalam sistem ini. Saat ini yang telah berjalan dengan baik adalah sistem indofire yang telah langsung koneksi ke data center, pengolahan otomatis, dan informasi langsung disampaikan dalam website. 80 Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

c. Sistem Pengolahan Data Sistem itu merupakan rangkaian dari sistem sebelumnya, sehingga dapat dioleh baik secara manual maupun otomatis. Harapan untuk ke depannya sistem pengolahan data ini dapat berlangsung secara otomatis, namun penguatan riset pemanfaatan penginderaan jauh untuk deteksi daerah bencana sangat perlu dilakukan. d. Sistem Penyampaian Informasi Sistem ini merupakan ujung tombak dari keseluruhan sistem informasi kebencanaan berbasis penginderaan jauh. Website SIMBA, geospatial BNPB, Sentinel Asia, dan website lain merupakan target penyampaian informasi dari sistem ini. Secara keseluruhan sub sistem SIMBA Center yang di bangun di LAPAN secara umum disajikan pada Gambar 3.

Gambar 3. Sistem informasi kebencanaan berbasis penginderaan jauh SIMBA Center Sistem SIMBA Center memerlukan suatau ruangan khusus untuk mendisplay informasi yang disampaikan, sehingga jika masyarakat yang datang dapat langsung mengetahui situasi kebencanaan yang terjadi berbasiskan data penginderaan jauh. Masyarakat dalam hal ini adalah wartawan media cetak maupun elektronik, mahasiswa, masyarakat umum yang diijinkan dan penguna lainnya yang ingin melihat atau memantau kondisi lingkungan dari data penginderaan jauh. Gambar 4. merupakan desain SIMBA Center dalam ruangan yang ditampilkan secara sederhana.


81

Gambar 4. Sistem Sederhana SIMBA Center dalam Ruangan untuk Kebencanaan Dalam sistem ini terlihat bahwa terdapat empat monitor yang dapat menampilkan informasi berbeda. Sistem pemantauan banjir harian, sistem peringkat bahaya kebakarana, quick response kebencanaan, dan kondisi lingkungan di suatu wilayah tertentu merupakan kandidat informasi yang akan ditampilkan. Pada sistem sederhana ini setiap monitor akan terkoneksi dengan satu workstation yang memproses informasi baik otomatis, semi otomatis maupun manual. Setiap hari terdapat Officer on Duty (OOD) yang bertugas 24 jam 7 hari bekerja dengan bergantian. OOD bekerja terlatih dalam mengoperasionalkan peralatan dan informasi yang diperoleh. Pada Gambar 5. di-desain pula untuk pelaksanaan rencana instalisasi wall display sesuai dengan kondisi ruangan yang ada saat ini. Dengan menggunakan peralatan wall display dengan ukuran monitor 127 cm x 76 cm, maka dapat dibuat gambar sebagai berikut.


Gambar 5. Rencana instalisasi wall display sesuai dengan kondisi ruangan Sedangkan untuk ruangan atau tata kelola yang harus disiapkan untuk SIMBA Center dapat dilihat pada Gambar 6. Pada Gambar ini, dapat dilihat bahwa SIMBA Center berdampingan dengan sistem server Pusfatja dengan partisi yang tembus pandang, seperti kaca ataupun mika, yang akan digunakan sebagai sistem Pemantauan Bumi (Earth Observation) nantinya. Pada ruangan yang memiliki ukuran kurang lebih 670 cm x 486 cm ini akan direncanakan memasang dua buah pasang wall display yang akan dibangun dan beberapa monitor LCD tambahan. Direncanakan juga sebuah meja yang bersifat semi konferensi sehingga nantinya operator pengolah data maupun pengunjung dapat langsung melihat dan melakukan keperluan lainnya seperti uploading/downloading data dan informasi kebencanaan. Pada ruangan ini juga akan disiapkan beberapa lemari untuk penyimpanan data dan dokumen informasi kebencanaan. Selain itu pula perlu di adakan perangkat komunikasi telepon/ faxicimile dan perangkat pencetak dengan resolusi warna dan gambar tinggi


83

Gambar 6. Rencana ruang SIMBA Center Kebencanaan Sistem SIMBA Center dengan menggunakan wall display yang dibangun untuk keperluan diseminasi secara langsung kepada pengguna di LAPAN Pusfatja. Selain wall display ini, akan dibangun juga Web SIMBA, Web Services, dan sistem priority user yang dapat komunikasi dua arah secara langsung antara pengguna data dan informasi kebencanaan. Dengan terbangunnya wall display ini dapat memberikan gambaran kejadian bencana secara langsung dalam hitungan waktu yang relatif cepat pasca kejadian bencana, sehingga nantinya dapat dilakukan kebijakan dalam pengambilan keputusan dalam mengantisipasi atau meminimalisir dampak bencana yang terjadi. Pada bagian sistem pengolahan data kebencanaan ini dibutuhkan beberapa perangkat keras/lunak, antara lain: Internet connection/Virtual Private Network, Multi Switch Hub, Workstation, Server, Automatic model. Terkait dengan Automatic model, masih perlu dilakukan kajian atau penelitian dan pengembangan yang lebih komprehensif. Priority Users pengguna data dan infromasi kebencanaan nantinya akan ditujukan kepada instansi terkait dengan kebencanaan diantaranya, BNPB, BMKG, BPBD, Kementerian Kehutan, Kementerian Pertanian, Media TV ONE, METRO TV, dan lain-lain. Berdasarkan gambar skema di atas dapat dijelaskan bahwa secara garis besar sistem desiminasi SIMBA Center dikelompokkan menjadi 5 jenis, diantaranya: website, wall display, webservices, Televisi dan Short Message Sistem. Semua informasi yang telah dihasilkan dari kegiatan operasional baik pemantauan lingkungan maupun untuk mitigasi bencana didiseminasikan melalui website Sistem Informasi Mitigasi Bencana (SIMBA) (www.lapanrs.com/simba), sedangkan target sasaran adalah semua pihak-pihak yang membutuhkan informasi SIMBA Center (Publik). Berikut ditampilkan gambaran umum dari sistem desiminasi SIMBA Center LAPAN (Gambar 7).


Gambar 7. Skema Umum Alur Diseminasi Simba Center Website SIMBA ini merupakan salah satu media untuk mendistribusikan atai mendemisimasikan hasil-hasil kegiatan terkait SIMBA sehingga diharapkan dapat mempermudah masyarakat khususnya pengguna data penginderaan jauh untuk mendapatkan informasi-informasi yang dibutuhkan. Website ini memiliki beberapa menu pilihan yang dapat diakses pengguna untuk mendapatkan informasi diantaranya: Menu SIMBA, Informasi Harian, Informasi Bulanan, Link, Kategori SIMBA, INDOFIRE, Prediksi OLR, Hotspot Harian, dan Liputan Awan Harian. Pada pembahasan kali ini hanya dibatasi pada menu-menu yang berkaitan dengan informasi hasilhasi kegiatanl operasional Simba Center dan desiminisasinya terkait pemantauan lingkungan dan mitigasi bencana. Informasi di-diseminasikan melalui 4 (empat) buah LCD Monitor 55 Inch dan didukung komputer workstation dengan spesifikasi tinggi yang terpasang di ruangan SIMBA Center LAPAN. Sistem desiminasi informasi SIMBA Center melalui teknologi ini menggunakan 2 (dua) prosedur yakni desiminasi secara Offline dan desiminasi secara Online. Desiminasi informasi secara Offline maksudnya informasi hanya ditampilkan di ruangan SIMBA Center dan user dengan lebih jelas dan leluasa bisa melihat informasi-informasi tersebut dalam layar monitor besar. Sistem desiminasi ini dilakukan dengan menampilkan informasi banjir, hotspot, dan lai-lain ke media wall display yang ada di ruangan SIMBA Center sehingga user (public) bisa dengan leluasa melihat informasi tersebut secara lebih detail dan jelas. Sedangkan diseminasi informasi secara online yaitu informasi-informasi tersebut desiminasikan kepada instansi-instansi terkait (Priority users) secara real time melalui jaringan internet / VPN dengan memanfaatkan aplikasi remote desktop. Komputer workstation yang digunakan tersebut berbeda dengan desktop komputer yang biasa kita gunakan sehari-hari. Perbedaannya adalah terletak pada spesifikasi hardware dan tujuan penggunaannya. Sebuah komputer workstation dioptimalkan untuk visualisasi dan manipulasi data yang kompleks seperti 3D mechanical design, engineering simulation, animasi, rendering video dan mathematical plots. Persyaratan sebuah komputer workstation yaitu : menggunakan RAM dengan spesifikasi


85

tinggi, Processor multicore khusus workstation (intel Xeon/AMD Opteron), Kartu VGA/Grafis professional (nVidia Quadro/Ati Firepro), dan Sistem Operasi Windows berbasis 64 bit. Untuk desiminasi informasi wall display secara online bisa digunakan beberapa alternative pilihan software remote desktop di antaranya, Real VNC (Virtual Network Computing). VNC dapat melakukan akses untuk bekerja di suatu komputer lain yang terhubung dengan jaringan. Hal ini dapat dilakukan baik dalam lingkungan LAN (Local Area Network) yang relatif berjarak dekat sampai dalam jaringan internet yang dapat berjarak ribuan kilometer. Penggunaan Remote Control sangat membantu pekerjaan seorang administrator jaringan yang membutuhkan suatu interface yang handal untuk dapat menjangkau seluruh komputer yang ada dalam jaringannya atau karena suatu sebab tidak dapat berada di depan komputer yang bersangkutan, sehingga perbedaan lokasi tidak menjadi masalah untuk dapat melakukan pekerjaan sehari-hari, dalam hal ini Pusfatja memiliki dua lantai nantinya. Diharapkan dengan penggunaan Teknologi remote control sangat powerfull karena kecepatan dalam memberikan informasi kebencanaan baik untuk internal maupun eksternal LAPAN.

4.2. KONEKSI PRIORITY USER Priority User adalah pengguna yang diprioritaskan untuk diberikan informasi segera dari SIMBA Center, karena mereka memiliki akses langsung kepada pengguna. Priority User yang pertama adalah Badan Nasional Penanggulangan Bencana (BNPB), Kementerian Lingkungan Hidup (KLH), Badan Pengkajian Penerapan dan Teknologi (BPPT), dan Unit Kerja Presiden untuk Pengawasan dan Pengendalian Pembangunan (UKP4). UKP4 selanjutnya akan meneruskan informasi ke dalam Pusat Krisis Presiden. Selain dengan institusi nasional, priority user lainnya dalam wilayah regional maupun internasional dapat dilayani. Contoh institusi tersebut adalah Sentinel Asia, RSO UN SPIDER, International Charter, Asian Disaster Risk Reduction (ADRC), dan organisasi international lainnya. Gambar 8. merupakan desain proses bisnis koneksi ke priority user kebencanaan berbasiskan data penginderaan jauh pada SIMBA Center.

Gambar 8. Skema proses bisnis koneksi ke priority user 86 Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

Untuk sharing informasi ke priority user dapat menggunakan software VMware view untuk menampilkan apa yang di wall display ke tempat priority user secara real time. Karena mekanismenya desktop yang ada di tempat priority user hanya meneropong tampilan yang ada di wall display dengan menggunakan jaringan internet dan tidak membutuhkan bandwith yang besar karena tidak ada transfer data atau informasi kebencanaan. Selain itu pengiriman informasi juga bisa dilakukan dengan memberikan tanda peringatan melalui SMS, email, atau pun dengan melakukan update pada website priority user apabila kita diberi akses oleh mereka. Spesifikasi peralatan minimal yang dibutuhkan pada proses bisnis priority user, diantaranya desktop, monitor atau wall display, Software vmware, dan Bandwith untuk akses internet. Gambar 9. merupakan salah satu contoh informasi kebencanaan yang dikirim kepada priority user / BNPB, terkait kejadian banjir di kota Medan dan sekitarnya berdasarkan pengamatan dari citra satelit pada tanggal 6 Januari 2011. Dan untuk Gambar 10. salah satu contoh informasi kebencanaan terkait dengan kejadian erupsi gunung api soputan, Sulawesi Utara, Indonesia pada tanggal 3 Juli 2011, dan Gambar 11. dan Gambar 12. Gambar ini merupakan informasi spasial kejadian banjir di kabupaten Pati Propinsi Jawa Tengah dan kejadian banjir di kabupaten Gowa Propinsi Sulawesi Selatan.

Gambar 9. Contoh informasi kebencanaan yang dikirim kepada Priority User terkait kejadian banjir

Gambar 10. Contoh informasi kebencanaan yang dikirim kepada Priority User terkait kejadian erupsi gunung api. Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

87

Gambar 11. Contoh informasi spasial kejadian banjir di Kabupaten Gowa Propinsi Sulawesi Selatan.

Gambar 12. Contoh informasi spasial kejadian banjir di Kabupaten Pati Propinsi Jawa Tengah. a. Analisis Sistem Kinerja Organisasi Kegiatan operasionalisasi dan perawatan terkait dengan infrastruktur yang dilakukan secara rutin di bidang Lingkungan dan Mitigasi Bencana terhadap sumber daya sistem yang ada, terdiri atas: Sistem SIMBA, Sistem Sentinel Asia / WINDS, Sistem indofire, Sistem download automatisasi data pendukung, Sistem Pengolahan MODIS, Sistem komunikasi data/internet, dan Sistem pengolah data modis. Sistem yang ada merupakan sebuah dukungan bagi Sistem informasi kebencanaan secara cepat atau tanggap darurat pasca bencana, biasanya memiliki produk dalam bentuk image atau peta citra spasial dalam format image dengan ukuran


resolusi image yang tinggi (1840 piksel) sehingga memberikan hasil yang sempurna. Berikut penjelasan sistem yang dimiliki oleh organisasi dalam mendukung SIMBA, • Sistem SIMBA Berikut dijelaskan dalam bentuk diagram siklus kinerja sistem SIMBA (Gambar 13)

Gambar 13. Siklus kinerja sistem SIMBA Dapat dijelaskan sesuai gambar di atas, bahwa siklus kinerja sistem SIMBA yang dilakukan di bidang LMB terdiri atas beberapa tahap yakni: masukan, proses, dan keluaran. Secara detil dapat dijelaskan tahapan tersebut, sebagai berikut: 1. Tahap pertama adalah proses masukan, diantaranya: • Melakukan inventarisir data dan informasi spasial pemantauan lingkungan dan bencana alam dibidang Lingkungan dan Mitigasi Bencana 2. Tahap kedua adalah melakukan tahap proses di antaranya sebagai berikut: • Melakukan standarisasi, yakni mempersiapkan data dan informasi dalam format yang seragam sehingga mempermudah proses uploading data dan informasi. • Melakukan proses pengembangan, yakni membuat perubahan pada sistem website yang sudah ada atau melengkapi sesuai dengan kemajuan teknologi saat ini. Pada tahap ini juga melakukan pengembangan metode sistem yang sudah ada sehingga tercapai diseminasi yang cepat dan akurat. 3. Tahap ketiga adalah tahap keluaran, diantaranya, sebagai berikut: • Informasi spasial pemantauan lingkungan dan bencana alam berbasis website di SIMBA. • Melakukan evaluasi terhadap hasil keluaran. Sistem informasi penginderaan jauh untuk mitigasi bencana alam yang telah terbangun dalam web SIMBA LAPAN ini dapat diakses dengan web address http://www.lapanrs.com/simba. Informasi yang ditampilkan di update secara rutin terutama untuk informasi cuaca iklim, hotspot di Indonesia, banjir longsor, serta prediksi cuaca harian. Informasi lainnya seperti analisis kehijauan lahan untuk antisipasi kekeringan dan kebakaran hutan di update secara rutin harian, mingguan dan bulanan. Sistem website SIMBA berbasiskan bahasa Cascading Sheet Style, sistem yang dimanfaatkan untuk menyebarluaskan hasil kegiatan di bidang LMB kepada masyarakat luas dengan berbasis web. Website SIMBA terdiri dari 11 menu kategori utama, masing-masing kategori informasi SIMBA Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

89

mempunyai submenu yang menunjukkan periode dan daerah pemantauan serta informasi kegiatan. Berikut dijelaskan dalam Tabel 1 terkait dengan jumlah informasi spasial kebencanan yang telah di upload pada website SIMBA selama periode tahun 2011. Berdasarkan Prosentase keberhasilan yang telah dicapai selama tahun 2011 dalam gambar adalah rata-rata mencapai 83 %. Tabel 1. Jumlah Data/Informasi Spasial yang Terupload di Website SIMBA tahun 2011

Pada Tabel 2. dijelaskan mengenai jumlah pengunjung yang mengakses website SIMBA selama tahun anggaran 2011. Tampak pada tabel dapat dilihat sejak tanggal 10 Nopember 2011, tidak ada jumlah pengunjung yang mengakses website SIMBA, hal ini dikarenakan adanya kerusakan pada system hardware server lapan. Sistem penghitungan jumlah pengunjung ini menggunakan aplikasi Google Analityc sehingga dapat terpantau secara harian dan dapat digunakan sebagai bahan pengambilan keputusan untuk merancang website di masa yang akan datang.


Tabel 2. Jumlah pengunjung website SIMBA tahun 2011

• Sistem Sentinel Asia / WINDS Merupakan sistem komunikasi data dan sharing website antara JAXA Jepang dengan LAPAN Indonesia mengenai kejadian informasi kebencanaan yang terjadi di dunia khususnya di Asia. Sistem WINDS (Wideband Internetworking Engineering Test and Demonstration Satellite Very Small Aperture Terminal) ini terjadual setiap bulannya dilakukan komunikasi data sebanyak lima kali komunikasi yang dilakukan. Sistem WINDS ini juga merupakan sistem mirror dari website JAXA yang berada di Jepang, tentunya dengan server sentinel asia berada di Indonesia akan memberikan waktu dan jarak yang lebih dekat untuk mendapatkan informasi kebencanaan di wilayah Asia Tenggara khususnya di Indonesia. Namun demikian perlu dijaga kestabilan akses internet sistem ini. • Sistem Download Automatisasi Data Pendukung Merupakan sistem download yang dimiliki dan di maintenance secara harian dan merupakan sistem data pendukung untuk proses pengolahan lanjut dalam memberikan informasi spasial mitigasi dan bencana alam yang terjadi di Indonesia. Sistem download outomatisasi dapat diakses secara umum (public) dengan alamat internet protocol sebagai berikut http://202133.6.214. • Sistem Komunikasi Data/Internet Sistem komunikasi data dan internet ini dilakukan kontrol dan pengawasan terhadap kinerja komunikasi data dan internet di bidang LMB. Sistem ini dibutuhkan dalam operasionalisasi di bidang LMB guna memberikan ketersediaan akan informasi spasial mengenai kebencaan yang terjadi di Indonesia. Tampak Gambar 14 menjelaskan komunikasi data/internet di bidang LMB.


91

Gambar 14. Jalur komunikasi data di bidang LMB. • Sistem Pengolah Data MODIS Merupakan sistem pengolahan data modis dengan hasil produk hingga level 2. Proses pengolahan dilakukan secara harian dan berasal dari data server di LAPAN Parepare, Sulawesi Selatan. Proses pengolahan data MODIS level 2 dilakukan secara automatis namun karena ada permasalahan sistem jaringan dan perangkat lunak antara LAPAN Pekayaon, LAPAN Rumpin, dan LAPAN Parepare, maka dilakukan dengan semi automatis. Hasil atau produk dari pengolahan modis ini dihasilkan Hierarchical Data Format (hdf) file maupun image file

4.2. Operasionalisasi Mitigasi Bencana Alam Operasionalisasi mitigasi bencana di bidang Lingkungan dan Mitigasi Bencana (LMB) merupakan kegiatan yang dilakukan secara rutin dan hasilnya di upload ke server lapanrs.com untuk ditampilkan pada website SIMBA. Sebelum dilakukan proses upload perlu dilakukan inventarisasi data dan informasi dari setiap kegiatan yang ada di Bidang LMB. Beberapa informasi spasial yang ditampilkan dalam website SIMBA antara lain erupsi Gunung Api Soputan, Sulawesi Utara yang ditampilkan dalam menu hotnews sehingga dapat tampil secara insidentil. Selain informasi hotnews terdapat informasi harian citra satelit dari Terra/Aqua Modis yang disajikan secara harian dengan informasi berupa format image (JPEG). Contoh lain dari informasi spasial cuaca harian ditampilkan secara harian dari citra satelit MTSAT yang ditampilkan dalam website SIMBA pada menu informasi harian dengan sub menu prediksi potensi banjir.

4.3. Rancangan Quick Response Quick response penyampaian informasi bencana alam di bidang LMB, selama ini berlangsung belum terstruktur secara baik, oleh karena ini masih perlu diperbaiki dalam rangka untuk penyampaian informasi secara cepat dan akurat. Dalam kaitannya hal ini sistem ini harus memperhatikan hal-hal sebagai berikut: • Database, ketersediaan data adalah sangat penting dalam kegiatan quick response 92 Pemanfaatan Data Penginderaan Jauh untuk Mitigasi Bencana

• Model, model-model pemetaan cepat yang ada di dunia ini perlu di inventarisasi untuk mengetahui model apa yang tepat untuk wilayah Indonesia • Difusi, penyampaian informasi diperlukan mekanisme yang baik sehingga informasi dapat disampaikan dengan cepat dan bermanfaat bagi masyarakat. Untuk mendukung kegiatan sistem quick response kebencanaan diperlukan adanya desain crisis room sehingga diharapkan sistem ini nantinya akan terus berkembang sehingga terbentuk sistem yang semakin sempurna. Pada Gambar 15, berikut menjelaskan alur sistem quick response di bidang LMB saat ini. Perencanaan sistem quick response secara terintegrasi dan akan mendukung sistem SIMBA Center. Diharapkan dengan adanya sistem SIMBA Center dapat mengurangi dampak resiko bencana yang terjadi di wilayah Indonesia, walaupun dengan menjadikan LAPAN sebagai penyedia data dan informasi kebencanaan bagi stakeholder/pengguna instansi terkait.

Gambar 15. Alur sistem quick response di bidang LMB.

V. KESIMPULAN SIMBA center dapat dijadikan sebagai sistem diseminasi informasi kebencanaan kepada pengguna baik melalui internet maupun intranet secara cepat dan akurat baik untuk di dalam maupun pengguna di luar LAPAN, dan diperlukan diperlukan desain materi atau isi site map yang sesuai dengan tugas fungsi dari eselon dua serta sesuai dengan trend website/portal berbasis webgis dan mapgis, serta kemajuan infrastruktur teknologi informasi Diperlukan pengembangan / upgrading infrastruktur teknologi informasi sistem SIMBA dan integrasi semua sumber daya sistem lainnya sehingga dalam memberikan pelayanan data dan informasi terkait mitigasi bencana kepada user menjadi satu pintu melalui sistem website yang dinamis.


93

Saran Diperlukan kesiapan semua aspek baik sarana maupun prasarana guna terwujudnya pembangunan SIMBA Center ini, seperti sumber daya manusia, kesiapan ruangan, dan kesiapan perangkat komunikasi.

Daftar Pustaka ARSM Disaster Management. http://www.remotesensing.gov.my/ page.cfm?name=Disaster. Akses terakhir: 1 Juni 2012. Abdul Kadir, 2003, Pengenalan Sistem Informasi, Yogyakarta: Andi. Carter N., 1991, http://pustaka.ristek.go.id/main/home#bib8. Akses terakhir: 1 Maret 2012. Centre for Satellite Based Crisis Information. 2011. Jerman Aerospace Center (DLR). http://www.zki.dlr. de/page/2203. Akses terakhir : 27 April 2012 Jogiyanto HM, MBA, Akt., Ph.D., 2003, Sistem Teknologi Informasi, Penerbit Andy, Yogyakarta. Laporan akhir tahun yang terkait dengan SIMBA, 2003, Pusat Pemanfaatan dan Pengembangan Penginderaan Jauh, LAPAN. Laporan akhir tahun yang terkait dengan SIMBA, 2004, Pusat Pemanfaatan dan Pengembangan Penginderaan Jauh, LAPAN. Laporan akhir tahun yang terkait dengan SIMBA, 2005, Pusat Pemanfaatan dan Pengembangan Penginderaan Jauh, LAPAN. Laporan akhir tahun yang terkait dengan SIMBA, 2009, Pusat Pemanfaatan dan Pengembangan Penginderaan Jauh, LAPAN. Laporan Akhir Tahun Bidang Lingkungan dan Mitigasi Bencana, PUSFATJA, LAPAN, 2011 Laporan Riset Insentif dan Kerdirgantaraan, LAPAN, 2011 Laporan Akhir Pusat Pemanfaatan Penginderaan Jauh, LAPAN, 2011 Mc Leod, Jr. Raymond., et al., 2001. Management Information System, Prentice Hall Muhammad Rokhis Khomarudin dan Muhammad Priyatna, 2012, Pengembangan Sistem Informasi Kebencanaan Berbasiskan Data Penginderaan Jauh Sebagai Upaya Untuk Mengurangi Resiko Bencana Di Indonesia, MAPIN 2012. Proses bisnis, http://id.wikipedia.org/wiki/Proses_bisnis, Akses terakhir: 1 Juni 2012. Undang-Undang Republik Indonesia Nomor 21 Tahun 2013, Tentang Keantariksaan, Republik Indonesia, 6 Agustus 2013 USGS Earthquake Monitoring. http://earthquake.usgs.gov/earthquakes/map/. Akses terakhir: 1 Juni 2012. Belluco, E., Camuffo, M., Ferrari, S., Modenese, L., Silvestri, S., Marani, A., and Marani, M. 2006. Mapping salt-marsh vegetation by multispectral and hyperspectral remote sensing. Remote Sensing of Environment, 105, 54–67. Blaschke, T., Lang, S., Lorup, E., Strobl, J., Zeil, P. 2009. Object-oriented Image Processing in an Integrated GIS/remote Sensing Environment and Perspectives for Environmental Applications. In: Cremers, A., Greve, K. (Eds.), Environmental Information for Planning, Politics and the Public, 2. Metropolis Verlag, Marburg, 555-570. Liu, K., Li, X., Shi, X., and Wang, S. 2008. Monitoring Mangrove Forest Changes Using Remote Sensing and GIS Data with Decision-Tree Learning. WETLANDS, 28 (2), 336–346. Hung, M. and Ridd, M.K. 2002. A Subpixel Classifier for Urban Land-cover Mapping Based on a Maximumlikelihood Approach and Expert System Rules. Photogrammetric Engineering and Remote Sensing, 68, 1173–1180. Stathakis, D., and Kanellopoulus, I. 2008. Global Elevation Ancillary Data for Land-use Classification Using Granular Neural Networks. Photogrammetric Engineering & Remote Sensing, 74 (1), 1-9. Xiao, X., Boles, s., Frolking, S., Li, C., Babu, J.Y., Salas, W., and Moore, B. 2006. Mapping Paddy Rice Agriculture in South and Southeast Asia using Multi-temporal MODIS Images. Remote Sensing of Environment, 100, 95 – 113.


Biografi Penulis

Muhammad Priyatna, S.Si., MTI.

Email : [email protected]; [email protected]

Pendidikan: }} Magister Teknologi Informasi (MTI), pada program Pasca Sarjana Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Indonesia. 2007. }} Sarjana Sarjana Sains (S.Si.) pada program studi Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Nasional. 1998

Muhammad Priyatna telah bekerja sebagai peneliti di Pusat Pemanfaatan Penginderaan Jauh LAPAN sejak tahun 1999. Penelitian yang telah dilakukan berkaitan dengan aplikasi data penginderaan jauh untuk mitigasi bencana alam yang merupakan integrasi dari berbagai disiplin ilmu, seperti cuaca dan iklim serta interaksinya dengan sumberdaya lahan dan potensinya terhadap kebencanaan (banjir, kekeringan, kebakaran hutan, letusan gunung api). Organisasi profesi yang diikuti adalah Masyarakat Penginderaan Jauh Indonesia (MAPIN).


Email : [email protected]; [email protected]

Pendidikan: }} Doktor (Dr), pada Ludwig-Maximilians-Universität (LMU) Munich –Germany, 2010 }} Magister Sains (M.Si.), pada program studi Agroklimatologi, Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB), 2005. }} Sarjana Sains (S.Si.) pada program studi Agrometeorologi, Jurusan Geofisika dan Meteorologi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB). 1998

Penelitian yang diminati: Profesi sebagai Kepala Pusat Pemanfaatan Penginderaan Jauh, Deputi Penginderaan Jauh, Lembaga Penerbangan dan Antariksa Nasional, sebelumnya menjabat sebagai Kepala Bidang Lingkungan dan Mitigasi Bencana, selain itu aktif sebagai fungsional peneliti Pusat Pemanfaatan Penginderaan Jauh, Deputi Penginderaan Jauh, Lembaga Penerbangan dan Antariksa Nasional, sejak 1 Maret 1999. Kegiatan penelitian yang telah dilakukan, pengembangan model diaplikasikan untuk berbagai tipe bencana. Organisasi profesi yang diikuti adalah Anggota pada Indonesian Agricultural Meteorology Society, Anggota pada Indonesian Remote Sensing Society, Anggota pada American Geoscience Union, dan Anggota pada European Geoscience Union.


95

Bunga Rampai Pemanfaatan Data Penginderaan Jauh Untuk Mitigasi Bencana

Recommend Documents