Klasifikasi Wilayah Risiko Bencana Kekeringan Berbasis Citra Satelit Landsat 8 Oli Dengan Kombinasi Metode Moran’s I dan Getis Ord G* (Studi Kasus : Kabupaten Boyolali dan Klaten)

  • Nadya Inarossy Fakultas Teknologi Informasi Universitas Kristen Satya Wacana
  • Sri Yulianto Joko Prasetyo Universitas Kristen Satya Wacana
Keywords: Drought, Vegetation Index, Moran’s I, Getis Ord, SPI

Abstract

The purpose of this study is to classify areas that have a high risk of drought with the vegetation index and SPI index and see spatial connectivity between regions with the method of Moran's I and the formation of hotspots with the method of Getis Ord G *. Experiments with vegetation indices in 45 sub-districts in Boyolali and Klaten districts showed that the average was in class 4 including the classification of medium green. As for the SPI method on rainfall data that is interpolated with IDW techniques, all observation areas are included in the normal drought index class. The results of the analysis with Moran's I show Positive Spatial Autocorrelation, namely the drought phenomenon has spatial connectivity between regions observed. The results of Getis Ord's analysis show the formation of hotpsots and spatial connectivity between regions. The results show that 2017 drought spatial connectivity experienced a broad increase from the previous year. Based on the analysis that has been done with the vegetation index and SPI index, the areas prone to drought are Karanggede, Klego, Andong, Kemusu, Wonosegoro and Juwangi

Downloads

Download data is not yet available.

References

Kurniawan, L. Et Al. (2014). Indeks Risiko Bencana Indonesia, Sentul:Direktorat Pengurangan Risiko Bencana Deputi Bidang Pencegahan Dan Kesiapsiagaan.

Amri, M.R. Et Al. (2016). Risiko Bencana Indonesia, Jakarta:Direktorat Pengurangan Risiko Bencana Deputi Bidang Pencegahan Dan Kesiapsiagaan.

Kumalawati, R & Angriani, F. (2017). Pemetaan Risiko Bencana Banjir Di Kabupaten Hulu Sungaitengah. Makalah. Dalam: Prosiding Seminar Nasional Geografi UMS 2017.

Fauzi, M. Et Al. (2017). Analisis Spasial Kekeringan Meteorologis Daerah Aliran Sungai Siak, Vol.13, No. 2.

Puspitasari, L. 2017. Analisis Tingkat Rawan Kekeringan Lahan Pertanian Menggunakan Sistem Informasi Geografi di Kabupaten Bantul Tahun 2016 [skripsi]. Surakarta (ID): Universitas Muhammadiyah Surakarta.

Widyawati, L. (2016, Januari). Tingkat Dan Sebaran Risiko Bencana Kekeringan Di Kecamatan Kokap Kabupaten Kulonprogo [skripsi]. Yogyakarta (ID): Universitas Negeri Yogyakarta.

Nuarsa, I. W. et al. (2015). Pemetaan Daerah Rawan Kekeringan Di Bali-Nusa Tenggara Dan Hubungannya Dengan Enso Menggunakan Aplikasi Data Penginderaan Jauh, Jurnal Bumi Lestari, Vol. 15 No. 1.

Surmaini, E. (2016). Pemantauan Dan Peringatan Dini Kekeringan Pertanian di Indonesia, Jurnal Sumberdaya Lahan, Vol. 10 No. 1.

Badan Pusat Statistik. (2015) Luas Wilayah Menurut Kecamatan, Lahan Pertaniandan Lahan Bukan Pertanian di Kabupaten Klaten Tahun 2015. [Online]. Tersedia: https://klatenkab.bps.go.id/

BNPB, Indeks Risiko Bencana Indonesia, vol. 53. 2013.

Prabowo, K. (2016). Analisis Risiko Bencana Kekeringan Di Kabupaten Klaten [skripsi]. Surakarta (ID): Universitas Muhammadiyah Surakarta.

Faizal, A & Amran, M. A. (2005). Model Transormasi Indeks Vegetasi Yang Efektif Untuk Prediksi Kerapatan Mangrove Rizhopora Mucronata, Makalah. Dalam: Pertemuan Ilmiah Tahunan MAPIN XIV.

Purwanto, A. (2015). Pemanfaatan Citra Landsat 8 Untuk Identifikasi Normalized Difference Vegetation Index (NDVI) Di Kecamatan Silat Hilir Kabupaten Kapuas Hulu, Jurnal Edukasi, Vol. 13 No. 1

Utami, D. et al. (2013). Prediksi Kekeringan Berdasarkan Standardized Precipitation Index (SPI) Pada Daerah Aliran Sungai Keduang Di Kabupaten Wonogiri, e-Jurnal Matriks Teknik Sipil.

D. A. Rudnick and S. J. Ryan, “The Role of Landscape Connectivity in Planning and Implementing Conservation and Restoration Priorities”, The Ecology Society of America, No. XVI, 2012.

D. M. Theobald, “Topology revisited: representing spatial relations,” International Journal of Geographical Information Science, vol. 15, no. 8, pp. 689–705, 2001.

Talakua, P. et al. (2018) Analisis Rawan Kebakaran Hutan Di Seram Maluku Berbasis Citra Landsat 8 Menggunakan Metode Inverse Distance Weighte. Disertasi, Universitas Kristen Satya Wacana, Salatiga-Indonesia.

Adiningsih, E. S. (2014). Tinjauan Metode Deteksi Parameter Kekeringan Berbasis Data Penginderaan Jauh. Makalah. Dalam: Seminar Nasional Penginderaan Jauh 2014.

Fatati, I. F. et al. (Analisis Regresi Spasial Dan Pola Penyebaran Pada Kasus Demam Berdarah Dengue (DBD) Di Provinsi Jawa Tengah, Media Statistika, Vol. 10 No. 2 pp. 95-105.

Lillesand, T. M., Keifer, R. W., (1979), Remote Sensing And Image Interpretation, John Willey And Sons, New York.

Sutanto. (1986), Penginderaan Jauh, Gadjah Mada University Press, Yogyakarta.

Andana, E. K. (2015). Pengembangan Data Citra Satelit Landsat-8 Untuk Pemetaan Area Tanaman Hortikultura Dengan Berbagai Metode Algoritma Indeks Vegetasi. Makalah. Dalam: Prosiding Seminar Nasional Manajemen Teknologi XXII.

Febrianti, N & Sofan, P. (2014). Ruang Terbuka Hijau Di DKI Jakarta Berdasarkan Analisis Spasial Dan Spektral Data Landsat 8. Makalah. Dalam: Seminar Nasional Penginderaan Jauh 2014.

Danoedoro. P, 1996. Pengolahan Citra Digital, Teori dan Aplikasinya dalam Penginderaan Jauh. Fakultas Geografi Universitas Gadjah Mada, Yogyakarta. 253 hal

Aji, B. J. P. S. Analisis Keterkaitan Perubahan Kerapatan Vegetasi Dan LST Citra Landsat 8 [skripsi]. Semarang (ID): Universitas Diponegoro.

Tucker, C. J. (1979), “Red and Photographic Infrared Linear Combinations for Monitoring Vegetation”, Remote Sensing of Environment, Vol. 8, hal. 127–150.

Kogan, F.N. 1987. Vegetation index for area analysis of crop conditions. Pp. 103-106. In Proceedings of 18th Conference on Agricultural and Forest Meteorology

Lee, J., Wong, D.W.S. 2001. Statistical Analysis ArchView GIS. New York: John Wiley & Sons, Inc.

Perobelli, F. S., dan Haddad, E. (2003). Brazilian Interregional Trade (1985-1996): An Exploratory Spatial Data Analysis. Diakses 10 Januari 2011 dari http://www.anpec.org.br/encontro2003/artigos/E18.pdf.

Bekti, R. D. (2012). Autokorelasi Spasial Untuk Identifikasi Pola Hubungan Kemiskinan Jawa Timur, Comtech, Vol. 3 No. 1 pp. 217-227.

Getis, A. (1990). “Screenin for Spatial Dependence in Regression Analysis.” Papers of the Regional Sci- ence Association 69,69-h

Getis, A,, and J. K. Ord (1992). “The Analysis of Spatial Association by Use of Distance Statistics.” Geo- graphical Analysis 24, 189-206.

Z. Hasan, P 12/Menhut-II/2012 ttg Perubahan kedua atas Permenhut no P 32/Menhut-II/2009/ tentang tata cara penyusunan RTKRHL DAS. 2012.
Published
2019-12-11
How to Cite
Inarossy, N., & Prasetyo, S. (2019). Klasifikasi Wilayah Risiko Bencana Kekeringan Berbasis Citra Satelit Landsat 8 Oli Dengan Kombinasi Metode Moran’s I dan Getis Ord G* (Studi Kasus : Kabupaten Boyolali dan Klaten). Indonesian Journal of Computing and Modeling, 2(2), 37-54. Retrieved from https://ejournal.uksw.edu/icm/article/view/3092
Section
Articles