DETEKSI POTENSI KEKERINGAN BERBASIS PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS DI KABUPATEN KLATEN
SKRIPSI Diajukan dalam Rangka Penyelesaian Studi Strata 1 Untuk Meraih Gelar Sarjana Sains
Oleh Dzulfikar Habibi Jamil 3211409055
JURUSAN GEOGRAFI FAKULTAS ILMU SOSIAL UNIVERSITAS NEGERI SEMARANG 2013
i
PERSETUJUAN PEMBIMBING Skripsi ini telah disetujui oleh pembimbing untuk diajukan ke Sidang Panitia Ujian Skripsi Fakultas Ilmu Sosial Unnes pada:
Hari
:
Tanggal
:
Pembimbing I
Pembimbing II
Drs. Heri Tjahjono, M.Si 19680202 1999031 0 112
Drs. Satyanta Parman, M.T NIP.19611202 199002 1 001
Mengesahkan: Ketua Jurusan Geografi
Drs. Apik Budi Santoso, M.Si NIP.19620904 198901 1 001
ii
PENGESAHAN KELULUSAN Skripsi ini telah dipertahankan di depan Sidang Panitia Ujian Skripsi Fakultas Ilmu Sosial, Universitas Negeri Semarang dan disahkan pada:
Hari
:
Tanggal
:
Penguji Utama
Dr. Tjaturrahono Budi Sanjoto, M.Si NIP.196210191988031002
Penguji I
Penguji II
Drs. Heri Tjahjono, M.Si. 19680202 1999031 0 112
Drs. Satyanta Parman, M.T. NIP.19611202 199002 1 001
Mengetahui: Dekan Fakultas Ilmu Sosial
Dr. Subagyo, M.Pd. NIP.19510808 1980031 003 iii
PERNYATAAN Saya menyatakan bahwa yang tertulis dalam skripsi ini benar-benar hasil karya saya sendiri, bukan jiplakan dari karya tulisan orang lain, baik sebagian atau seluruhnya. Pendapat atau temuan orang lain yang terdapat di dalam skripsi ini dikutip dan dirujuk berdasarkan kode etik ilmiah.
Semarang, Februari 2013
Dzulfikar Habibi Jamil NIM. 3211409055
iv
MOTTO DAN PERSEMBAHAN Motto: 1.
Alloh akan senantiasa memahami kita, jika kita memahami-Nya.
2.
Membahagiakan orang yang kita cintai merupakan hal terindah.
3.
Jika kita berfikir sukses maka kita akan sukses, sebaliknya jika kita berfikir gagal maka kita akan gagal (pikiran adalah sumber kekuatan).
Persembahan: Tanpa mengurangi rasa syukur kepada Alloh SWT, kupersembahkan karyaku ini kepada: Orangtuaku yang saya banggakan, selama ini telah berjuang membesarkan dan mendidikku hingga saat ini.
v
KATA PENGANTAR
Puji syukur kehadirat Alloh SWT yang telah melimpahkan rahmat, hidayah dan kemudahan, sehingga penulis mampu menyelesaikan penyusunan skripsi untuk meraih gelar sarjana yang berjudul “Deteksi Potensi Kekeringan Berbasis Penginderaan Jauh dan Sistem Informasi Geografis di Kabupaten Klaten” pada Jurusan Geografi Universitas Negeri Semarang. Penyusunan skripsi ini dapat terselesaikan karena adanya bantuan dari pihak-pihak terkait. Oleh sebab itu penulis menyampaikan ucapan terimakasih yang setulus-tulusnya kepada: 1. Prof. Dr. Sudijono Sastroatmodjo, M.Si., Rektor Universitas Negeri Semarang. 2. Dr. Subagyo, M.Pd., Dekan Fakultas Ilmu Sosial Universitas Negeri Semarang. 3. Drs. Apik Budi Santoso, M.Si., Ketua Jurusan Geografi Fakultas Ilmu Sosial Universitas Negeri Semarang. 4. Drs. Heri Tjahjono, M.Si., Dosen Pembimbing pertama yang telah memberikan pengarahan dan bimbingan selama proses penelitian hingga akhir penyusunan skripsi. 5. Drs. Satyanta Parman, M.T., Dosen Pembimbing kedua yang telah memberikan pengarahan dan bimbingan hingga akhir penyusunan skripsi. 6. Dr. Tjaturrahono Budi Sanjoto, M.Si, Penguji skripsi yang telah banyak memberikan masukan. 7. Bapak dan Ibuku yang selalu memberikan dukungan dari masuk perguruan tinggi hingga akhir penyusunan skripsi.
vi
8.
Seluruh Staf Pengajar dan karyawan Jurusan Geografi, terima kasih untuk ilmu yang telah diberikan selama masa perkuliahan.
9.
Istianah yang telah memebriku semangat dalam belajar dan menggapai citacita.
10. Mas Husen, Utar dan Rois, lantaran kalian, aku ditunjukan jalan untuk melanjutkan kuliah. 11. Mas Aris faiz, Mas Arif, Mas Anwar, Mas Halim dan Mas Yunianto, kalian kaka angkatan yang baik, ikhlas bertukar pikiran, terimakasih buat pengalaman-pengalaman yang kalian berikan. 12. Teman-teman geografi Unnes angkatan 2009, kalian teman seperjuanganku yang memberiku inspirasi. 13. Teman-teman kos; Afroni, Najib, Wawan dan Roni Fajar. Banyak kenangan bersama kalian, tunjukkan kesuksesan kita. 14. Pemerintah Kabupaten Klaten yang telah memberi izin penelitian sehingga. 15. Seluruh pihak yang tidak dapat penulis sebutkan satu per satu, terimakasih ats dukungan dan bantuanya. Semoga segala kebaikan Bapak/Ibu dan rekan-rekan semua mendapatkan balasan dari Alloh SWT dan semoga skripsi ini dapat bermanfaat bagi penulis dan pembaca semua. Semarang, Februari 2013
Dzulfikar Habibi Jamil
vii
SARI Dzulfikar Habibi Jamil. 2013. Deteksi Potensi Kekeringan Berbasis Penginderaan Jauh dan Sistem Informasi Geografis di Kabupaten Klaten. Skripsi, Jurusan Geografi, Fakultas Ilmu Sosial, Universitas Negeri Semarang. Drs. Heri Tjahjono, M.Si dan Drs. Satyanta Parman, M.T. Kata Kunci: Deteksi, Potensi kekeringan, Penginderaan Jauh dan Sistem Informasi Geografis. Kekeringan merupakan bencana alam yang hampir setiap tahun terjadi. Bencana kekeringan di Kabupaten Klaten dari tahun ke tahun terus mengalami kenaikan dengan dibuktikanya pada tahun 2009 Kabupaten Klaten menduduki peringkat 9 bencana kekeringan secara nasional yang dibuat oleh Badan Nasional dan Penanggulangan Bencana. Kurangnya data peta yang menyediakan informasi daerah potensial dilanda kekeringan turut berperan sebagai salah satu faktor yang menghambat penyelesaian masalah kekeringan. Pokok permasalahan dalam penelitian ini adalah: 1) bagaimana sebaran daerah berpotensi kekeringan dengan menggunakan teknik analisis penginderaan jauh dan sistem informasi geografis?, 2) bagaimana kemampuan penginderaan jauh dan sistem informasi geografis dalam mendeteksi daerah berpotensi kekeringan?. Tujuan dari penelitian ini adalah: 1) Mengetahui sebaran daerah yang berpotensi kekeringan di Kabupaten Klaten berbasis penginderaan jauh dan sistem informasi geografis 2) Mengetahui kemampuan Penginderaan Jauh dan Sistem Informasi geografis dalam mendeteksi daerah rawan terhadap kekeringan di Kabupaten Klaten. Populasi dalam penelitian ini adalah potensi kekeringan Kabupaten Klaten. Sampel berjumlah 30 lokasi yang didasarkan pada kelas hasil interpretasi NDVI (Normalized Difference Vegetation Index), indeks kecerahan dan indeks kebasahan. Dalam penelitian potensi kekeringan ini menggunakan enam variabel yaitu: NDVI, Indeks Kecerahan, Indeks Kebasahan, Curah Hujan, Hidrogeologi dan Penggunaan Lahan. Teknik interpretasi citra digital digunakan untuk menganalisis kerapatan vegetasi dan kelembaban permukaan, kerapatan vegetasi dapat diiterpretasi menggunakan transformasi Normalized Difference Vegetation Index (NDVI), kelembaban permukaan dapat diiterpretasi menggunakan transformasi Indeks Kecerahan (Brightness Index) dan Indeks Kebasahan (Wetness Index). Sistem Informasi Geografis (SIG) digunakan untuk menggabungkan ke-enam parameter tersebut dan memanipulasinya sehingga mengeluarkan keluaran baru berupa informasi potensi kekeringan. Hasil dari penelitian ini menunjukkan sebaran daerah berpotensi kekeringan di Kabupaten Klaten dibagi menjadi 5 kelas potensi. Potensi kekeringan sangat rendah seluas 155,610 ha (0,22%), potensi kekeringan rendah seluas 5348,789 ha (7,63%), potensi kekeringan agak tinggi seluas 34839,348 ha (49,73%), potensi kekeringan tinggi seluas 24724,229 ha (35,29%) dan potensi kekeringan sangat tinggi seluas 4992,734 ha (7,13%). Kemampuan penginderaan jauh dalam menganalisis daerah berpotensi kekeringan mengahasilkan tiga keluaran yang menjadi parameter yaitu; Normalized Difference Vegetation Index (NDVI), Indeks Kecerahan dan Indeks Kebasahan. Kemampuan sistem informasi
viii
geografis dalam menganalisis daerah berpotensi kekeringan dengan cara pengharkatan, pembobotan dan penggabungan dari keenam parameter. Kesimpulan dari penelitian ini adalah sebaran daerah berpotensi kekeringan kelas tinggi dan sangat tinggi terdapat pada Kabupaten Klaten bagian selatan yaitu pada Kecamatan Bayat, Cawas dan sekitarnya serta pada Kabupaten Klaten bagian tengah yaitu pada Kecamatan Klaten, Jogonalan dan sekitarnya. Penginderaan Jauh mampu mendeteksi potensi kekeringan dengan nilai akurasi hasil interpretasi NDVI, Indeks Kecerahan dan Indeks Kebasahan lebih dari ketentuan minimum syarat akurat interpretasi. Sistem Informasi Geografis (SIG) dapat mengkelaskan tingkat potensi kekeringan. Adapun saran dalam penelitian ini yaitu 1) Daerah yang mempunyai potensi tinggi untuk terjadinya kekeringan diharapkan mendapatkan prioritas utama dalam mitigasi bencana kekeringan, 2) Daerah-daerah yang belum mempunyai peta seperti ini diharapkan membuat peta potensi kekeringan, 3) Peneliti berikutnya diharapkan mengetahui dasar-dasar penginderaan jauh digital secara mendalam.
ix
DAFTAR ISI Halaman HALAMAN JUDUL.............................................................................................. i PERSETUJUAN PEMBIMBING..........................................................................
ii
PENGESAHAN KELULUSAN............................................................................. iii PERNYATAAN...................................................................................................... iv MOTTO DAN PERSEMBAHAN..........................................................................
v
KATA PENGANTAR...........................................................................................
vi
SARI.......................................................................................................................
viii
DAFTAR ISI..........................................................................................................
x
DAFTAR TABEL..................................................................................................
xiii
DAFTAR GAMBAR.............................................................................................
xiv
DAFTAR LAMPIRAN..........................................................................................
xv
BAB I PENDAHULUAN....................................................................................... 1 1.1 Latar Belakang............................................................................................
1
1.2 Rumusan Masalah.......................................................................................
4
1.3 Tujuan Penelitian........................................................................................
4
1.4 Manfaat Penelitian......................................................................................
4
1.5 Penegasan Istilah......................................................................................... 5 1.6 Sistematika Penulisan Skripsi.....................................................................
6
BAB II KAJIAN PUSTAKA.................................................................................. 8 2.1 Kekeringan................................................................................................... 8 2.2 Penginderaan Jauh.......................................................................................
x
9
2.3 Citra Landsat......................................................................................
13
2.4 Sistem Informasi Geografis........................................................................
15
2.5 Identifikasi Daerah Berpotensi Kekeringan................................................. 19 2.6 Penelitian Relevan.......................................................................................
28
BAB III METODE PENELITIAN.........................................................................
31
3.1 Lokasi dan Obyek Penelitian......................................................................
31
3.2 Populasi dan Sampel................................................................................... 31 3.3 Variabel Penelitian.....................................................................................
31
3.4 Alat dan Bahan Penelitian..........................................................................
32
3.5 Teknik Perolehan Data...............................................................................
33
3.6 Tahap Penelitian.........................................................................................
34
3.7 Teknik Analisis Data..................................................................................
35
3.8 Uji Ketelitian Interpretasi Citra..................................................................
37
BAB IV HASIL DAN PEMBAHASAN................................................................
39
4.1 Kondisi Umum daerah Penelitian............................................................... 39 4.1.1 Lokasi Penelitian.................................................................................... 39 4.1.2 Kondisi Bentuk Lahan...........................................................................
41
4.1.3 Kondisi Topografi.................................................................................. 45 4.1.4 Kondisi Jenis Tanah............................................................................... 48 4.1.5 Kondisi Curah Hujan.............................................................................
50
4.1.6 Kondisi Hidrologi & Hidrogeologi........................................................ 52 4.1.7 Kondisi Penggunaan Lahan...................................................................
54
4.2 Hasil Penelitian........................................................................................... 56
xi
4.2.1 Sebaran Daerah Berpotensi Kekeringan................................................
56
4.2.2 Kemampuan Penginderaan Jauh dan Sistem Informasi Geografis dalam Mendeteksi Daerah Berpotensi Kekeringan................................ 91 4.3 Pembahasan........................................................................................... 4.3.1 Sebaran Daerah Berpotensi Kekeringan................................................
97 97
4.3.2 Kemampuan Penginderaan Jauh dan sistem Informasi Geografis dalam Mengidentifikasi Daerah Berpotensi Kekeringan....................
99
BAB V KESIMPULAN DAN SARAN.................................................................
102
5.1 Kesimpulan...........................................................................................
102
5.2 Saran......................................................................................................
103
DAFTAR PUSTAKA............................................................................................
104
LAMPIRAN............................................................................................................ 106
xii
DAFTAR TABEL
Tabel 1.1 Peringkat Bencana Kekeringan Nasional........................................
Halaman 2
Tabel 2.1 Karakteristik Citra Landsat 7ETM+................................................
15
Tabel 2.2 Klasifikasi dan Pengharkatan NDVI...............................................
22
Tabel 2.3 Algoritma Transformasi Tasseled Cap Landsat 7ETM+................. 23 Tabel 2.4 Klasifikasi dan Pengharkatan Indeks Kebasahan............................
23
Tabel 2.5 Klasifikasi dan Pengharkatan Indeks Kecerahan............................. 24 Tabel 2.6 Klasifikasi Curah Hujan Terhadap Kekeringan............................... 25 Tabel 2.7 Klasifikasi Hidrogeologi Terhadap Kekeringan.............................. 25 Tabel 2.8 Klasifikasi Penggunaan Lahan Terhadap Kekeringan..................... 26 Tabel 2.9 Penelitian Sebelumnya....................................................................
30
Tabel 3.1 Klasifikasi Kelas Potensi Kekeringan.............................................
37
Tabel 4.1 Luasan Kecamatan di Kabupaten Klaten......................................... 41 Tabel 4.2 Luas Bentuk Lahan Kabupaten Klaten............................................ 44 Tabel 4.3 Luas Ketinggian Tempat Kabupaten Klaten...................................
47
Tabel 4.4 Luas Penggunaan Lahan Kabupaten Klaten.................................... 54 Tabel 4.5 Luas Kelas NDVI............................................................................
60
Tabel 4.6 Luas Kelas Indeks Kecerahan.......................................................... 69 Tabel 4.7 Luas Kelas Indeks Kebasahan.........................................................
78
Tabel 4.8 Luas Potensi Kekeringan Kabupaten Klaten berbasis PJ&SIG....... 84 Tabel 4.9 Luas Potensi Kekeringan Tiap Kecamatan di Kabupaten Klaten.... 87 Tabel 4.10 Hasil Uji Akurasi Interpretasi........................................................ 93
xiii
DAFTAR GAMBAR Halaman Gambar 2.1 Illustrasi Uraian Sub-sistem SIG................................................. 17 Gambar 4.1 Peta Administrasi Kabupaten Klaten........................................... 40 Gambar 4.2 Peta Bentuk Lahan Kabupaten Klaten.........................................
43
Gambar 4.3 Peta Ketinggian Tempat Kabupaten Klaten................................. 46 Gambar 4.4 Peta Jenis Tanah Kabupaten Klaten............................................. 49 Gambar 4.5 Peta Curah Hujan Kabupaten Klaten...........................................
51
Gambar 4.6 Peta Hidrogeologi Kabupaten Klaten..........................................
53
Gambar 4.7 Peta Penggunaan Lahan Kabupaten Klaten.................................
55
Gambar 4.8 Hasil Transformasi NDVI Kabupaten Klaten............................. 58 Gambar 4.9 Histogram Transformasi NDVI……………...............................
59
Gambar 4.10 Kondisi Lapangan Kelas NDVI................................................. 64 Gambar 4.11 Hasil Klasifikasi Transformasi NDVI Kabupaten Klaten.........
65
Gambar 4.12 Hasil Transformasi Indeks Kecerahan Kabupaten Klaten......... 67 Gambar 4.13 Histogram Transformasi Indeks Kecerahan …………….........
68
Gambar 4.14 Kondisi Lapangan Kelas Indeks Kecerahan..............................
73
Gambar 4.15 Hasil Klasifikasi Indeks Kecerahan Kabupaten Klaten............. 74 Gambar 4.16 Hasil Transformasi Indeks Kebasahan Kabupaten Klaten........
76
Gambar 4.17 Histogram Transformasi Indeks Kebasahan….……….............
77
Gambar 4.18 Kondisi Lapangan Kelas Indeks Kebasahan.............................. 82 Gambar 4.19 Hasil Klasifikasi Indeks Kebasahan Kabupaten Klaten............
83
Gambar 4.20 Peta Potensi Kekeringan Berbasis PJ&SIG...............................
90
Gambar 4.21 Perbaikan Klasifikasi Sampel Tidak Akurat.............................. 94
xiv
DAFTAR LAMPIRAN Halaman Lampiran 1 Cara Pengolahan Data Raster atau Citra...................................... 106 Lampiran 1.1 Layer Stacking (Penggabungan band)......................................
106
Lampiran 1.2 Koreksi Geometri dan Reproyeksi Citra...................................
107
Lampiran 1.3 Cloud masking (Pemisahan awan)............................................
109
Lampiran 1.4 Penggabungan Citra 2002 dan 2012.........................................
110
Lampiran 1.5 Pemotongan Citra (cropping citra)...........................................
112
Lampiran 1.6 Koreksi Radiometri...................................................................
114
Lampiran 1.7 Transormasi NDVI.................................................................... 116 Lampiran 1.8 Klasifikasi Nilai Spektral NDVI...............................................
118
Lampiran 1.9 Transformai Indeks Kecerahan (Brightness Index)................... 121 Lampiran 1.10 Klasifikasi Nilai Spektral Indeks Kecerahan..........................
123
Lampiran 1.11 Transformai Indeks Kebasahan (Wetness Index)....................
125
Lampiran 1.12 Klasifikasi Nilai Spektral Indeks Kebasahan.......................... 126 Lampiran 2 Cara Pengolahan Data Vector......................................................
128
Lampiran 2.1 Pendugaan Daerah Berpotensi Kekeringan............................... 128 Lampiran 2.2 Pembuatan Peta Curah Hujan.................................................... 130 Lampiran 2.3 cara Penentuan Titik Sampel……………..…………………
133
Lampiran 3 Tabel Curah Hujan Kabupaten Klaten Tahun 2008 – 2011......... 134 Lampiran 4 Peta Pengamatan Lapangan……………….…………………..
136
Lampiran 5 Peta Validasi Hidrogeologi……………………………………..
137
Lampiran 6 Tabel Cek Lapangan Hasil Interpretasi........................................ 138 Lampiran 7 Tabel Pengharkatan dan Pembobotan Parameter......................... 142
xv
BAB I PENDAHULUAN
1.1 Latar Belakang Bencana alam merupakan fenomena yang dapat mengancam kelangsungan kehidupan. Dampak negatif dari bencana alam berpengaruh secara langsung terhadap aktivitas makhluk hidup. Salah satu bencana alam yang frekuensi kejadianya tinggi (hampir setiap tahun) adalah kekeringan. Kejadian bencana terbesar di Indonesia yang terjadi setelah tahun 1990-an sebagian besar merupakan bencana yang terkait dengan iklim khususnya banjir, kemudian kekeringan, kebakaran hutan, dan ledakan penyakit (Yuwono, 2012). Kekeringan pada dasarnya diakibatkan oleh kondisi hidrologi suatu daerah dalam kondisi air tidak seimbang. Kekeringan terjadi akibat dari distribusi hujan tidak
merata
yang
merupakan
satu-satunya
input
bagi
suatu
daerah.
Ketidakmerataan hujan ini akan mengakibatkan di beberapa daerah yang curah hujanya kecil akan mengalami ketidakseimbangan antara input dan output air (Shofiyati, 2007). Menurut catatan Badan Nasional Penanggulangan Bencana (BNPB) dari tahun 2002 sampai 2009 bencana kekeringan menduduki peringkat kedua intensitas tersering setelah bencana banjir yaitu rata-rata 156 kejadian/tahun. BNPB merilis peringkat bencana kekeringan secara nasional pada tahun 2009. Berdasarkan peringkat tersebut, Kabupaten Klaten yang merupakan daerah lumbung padi Jawa Tengah menduduki peringkat ke-9 nasional untuk bencana
1
2
kekeringan. Adapun sepuluh peringkat tertinggi bencana kekeringan nasional dapat dilihat pada tabel 1.1. Tabel 1.1 Peringkat Bencana Kekeringan Nasional Kabupaten Kelas Rangking Nasional Lombok Tengah Tinggi 1 Lamongan Tinggi 2 Gresik Tinggi 3 Cilacap Tinggi 4 Banyumas Tinggi 5 Banjarnegara Tinggi 6 Kebumen Tinggi 7 Magelang Tinggi 8 Klaten Tinggi 9 Sukoharjo Tinggi 10 Sumber : Indeks Rawan Bencana BNPB, 2009 Bencana kekeringan di Kabupaten Klaten mengakibatkan kurangnya pasokan air untuk lahan pertanian seehingga tanaman padi yang telah ditanam terancam gagal panen. Pada bulan Juni 2012, sekitar 750 hektar lahan sawah di empat kecamatan penghasil utama beras terncam kekeringan yaitu: Delanggu, Wonosari, Kalikotes dan Juwiring (http:/www.Timlo Net.com, 2012). Menurut Pengurus Himpunan Kerukunan Tani Indonesia (HKTI) Kabupaten Klaten dengan semakin panjangnya musim kemarau, kekeringan di Kabupaten Klaten pada bulan September 2012 meluas hingga lima kecamatan lain yang mengakibatkan gagal panen tanaman padi. Adapun lima kecamatan tersebut diantaranya: Gantiwarno, Cawas, Trucuk, Klaten Tengah, dan Ceper (http:/www.Joglosemar.com, 2012). Berdasarkan prakiraan cuaca dari BMKG, awal musim penghujan di Kabupaten Klaten akan mulai pada bulan November 2012 (http:/www.Antara Jateng.com,
3
2012). Oleh karen itu, masih terdapat kemungkinan bertambahnya daerah rawan kekeringan di Kabupaten Klaten. Kurangnya data peta berisi informasi daerah potensial dilanda kekeringan turut berperan sebagai salah satu faktor yang menghambat penyelesaian masalah kekeringan, sehingga saat ini sangat diperlukan peta-peta tersebut mengingat kekeringan merupakan suatu masalah berdampak serius pada seluruh sektor kehidupan. Peta yang berkaitan dengan keruangan hendaknya merupakan peta yang bergeoreferensi. Pembuatan peta yang bergeorefensi dapat menggunakan teknik Penginderaan Jauh (Inderaja) dan Sistem Informasi Geografis (SIG). Dewasa ini teknologi Penginderaan Jauh (inderaja) berkembang pesat. Teknologi ini menghasilkan berbagai data baik foto udara maupun citra satelit yang dapat menggambarkan permukaan bumi. Berbagai penelitian sudah dan terus dilakukan untuk memanfaatkan data inderaja dalam menganalisis masalahmasalah keruangan. Salah satu penelitian Penginderaan Jauh (Inderaja) dan Sistem Informasi Geografis (SIG) dibidang lingkungan dan mitigasi bencana yaitu mengenai bencana kekeringan baik potensi, kejadian, maupun resiko. Penelitian potensi kekeringan menggunakan citra Landsat dapat dilakukan dengan transformasi NDVI (Normalized Difference Vegetation Index) dan Tranformasi Tasseled Cap. Tranformasi Tasseled Cap menganalisis tiga indikator yaitu: indeks kebasahan, indeks kecerahan, dan indeks kehijauan yang indikator-indikator tersebut dapat digunakan dalam analisis tingkat kekeringan suatu lahan (Shofiyati, 2007).
4
Berdasarkan uraian di atas maka perlu dilakukanya penelitian potensi kekeringan di Kabupaten Klaten, dalam hal ini disusun dalam sebuah skripsi dengan judul “Deteksi Potensi Kekeringan Berbasis Penginderaan Jauh dan Sistem Informasi Geografis di Kabupaten Klaten”.
1.2 Rumusan Masalah Rumusan masalah dari penelitian ini adalah: 1. Bagaimana sebaran daerah yang berpotensi kekeringan di Kabupaten Klaten dengan menggunakan teknik analisis Penginderaan Jauh dan Sistem Informasi Geografis. 2. Bagaimana kemampuan Penginderaan Jauh dan Sistem Informasi Geografis untuk mendeteksi daerah berpotensi rawan terhadap kekeringan?
1.3 Tujuan Penelitian Tujuan dari penelitian ini adalah: 1. Mengetahui sebaran daerah berpotensi kekeringan di Kabupaten Klaten dengan menggunakan teknik Penginderaan Jauh dan Sistem Informasi Geografis. 2. Mengetahui kemampuan Penginderaan Jauh dan Sistem Informasi Geografis dalam mendeteksi daerah rawan terhadap kekeringan di Kabupaten Klaten.
1.4 Manfaat Penelitian Beberapa manfaat dari penelitian ini di antaranya adalah: 1. Manfaat praktis, sebagai syarat kelulusan sarjana Geografi S1 serta memberikan informasi distribusi spasial daerah potensi rawan kekeringan
5
berbasis Penginderaan Jauh dan Sistem Informasi Geografis di Kabupaten Klaten kepada pihak-pihak yang membutuhkan. 2. Manfaat teoritis, sebagai sarana pengembangan ilmu dan pengetahuan yang secara teori telah didapatkan di bangku kuliah, khususnya mata kuliah Penginderaan Jauh dan Sistem Informasi Geografis.
1.5 Penegasan Istilah Penegasan
istilah
dimaksudkan
untuk
membatasi
ruang
lingkup
permasalahan yang diteliti, menghindari kesalahan penafsiran dalam penelitian dan memudahkan dalam menangkap isi serta sebagai pedoman dalam pelaksanaan penelitian. 1. Deteksi: Usaha menemukan dan menentukan keberadaan, anggapan ataupun kenyataan (Kamus Besar Bahasa Indonesia, 1989:202). 2. Potensi: Sesuatu kemungkinan yang dapat menjadi aktual (Kamus Besar Bahasa Indonesia, 1989:697). 3. Kekeringan: Kurangnya air bagi kehidupan manusia dan makhluk hidup lainnya pada suatu wilayah yang biasanya tidak kekurangan air (TKPSDA, 2003). 4. Berbasis: Didasarkan pada (Kamus Besar Bahasa Indonesia, 1989:83). 5. Penginderaan Jauh: Ilmu dan seni untuk memperoleh informasi tentang suatu obyek, daerah, atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung dengan obyek, daerah, atau fenomena yang dikaji (Lillesand dan Kiefer, 1994 dalam Purwadhi dan Sanjoto, 2008:3).
6
6. Sistem Informasi Geografis: Kumpulan yang terorganisasi dari perangkat keras komputer, perangkat lunak, data geografi dan personil yang dirancang secara efisien
untuk
memperoleh,
menyimpan,
meng-update,
memanipulasi,
menganalisis dan menampilkan semua bentuk informasi yang bereferensi geografis (Esri, 1990 dalam Prahasta, 2009:117).
1.6 Sistematika Penulisan Skripsi Secara garis besar sistematika penulisan skripsi terbagi menjadi tiga bagian yaitu bagian awal, bagian isi, dan bagian penutup. 1. Bagian awal skripsi Bagian awal skripsi meliputi: halaman sampul, lembar judul, lembar persetujuan pembimbing, lembar pengesahan penguji, lembar pernyataan, lembar motto dan persembahan, sari, kata pengantar, daftar isi, daftar tabel, daftar gambar dan daftar lampiran. 2. Bagian isi skripsi Bagian isi skripsi memuat lima pokok bahasan, yaitu: a. BAB I. Pendahuluan, memuat latar belakang masalah, perumusan masalah, tujuan penelitian, manfaat penelitian, penegasan istilah dan sistematika penulisan. b. BAB II. Landasan teori, memuat kajian secara teoritis mengenai masalah yang dibahas dalam penelitian deteksi potensi kekeringan berbasis penginderaan jauh dan sistem informasi geografis.
7
c. BAB III. Metode penelitian, memuat tentang metode yang digunakan dalam penelitian, meliputi lokasi dan obyek penelitian, alat dan bahan penelitian, variabel penelitian, metode pengumpulan data dan metode analisis data. d. BAB IV. Hasil dan Pembahasan e. BAB V. Kesimpulan dan Saran 3. Bagian akhir skripsi Pada bagian akhir skripsi berisi tentang: a. Daftar pustaka yang berisi tentang daftar buku dan literatur yang berkaitan dengan penelitian. b. Lampiran-lampiran yang berkaitan dengan penelitian.
BAB II TINJAUAN PUSTAKA
2.1 Kekeringan Kekeringan pada dasarnya adalah kondisi kekurangan air pada daerah yang biasanya tidak mengalami kekurangan air, sedangkan daerah yang kering adalah daerah yang mempunyai curah hujan kecil atau jumlah bulan kering dalam setahun lebih besar atau sama dengan delapan bulan. Menurut Kementerian Ristek (2008) kekeringan secara umum bisa didefinisikan sebagai pengurangan pesediaan air atau kelembaban yang bersifat sementara secara signifikan di bawah normal atau volume yang diharapkan untuk jangka waktu tertentu (Raharjo, 2010). Dinas Pengelolaan Sumber Daya Air (PSDA) membagi dua kategori kekeringan yaitu kekeringan alamiah dan kekeringan yang diakibatkan perbuatan manusia (TKPSDA, 2003). Adapun kekeringan alamiah terbagi menjadi lima sudut pandang yaitu: a. Kekeringan meteorologis berkaitan dengan tingkat curah hujan di bawah normal dalam satu musim. Pengukuran kekeringan meteorologis merupakan indikasi pertama adanya kekeringan. Kekeringan hidrologis berkaitan dengan kekurangan pasokan air permukaan dan air tanah. Kekeringan ini diukur berdasarkan elevasi muka air sungai, waduk, danau dan elevasi muka air tanah. Ada tenggang waktu mulai berkurangnya hujan sampai menurunnya elevasi muka air sungai, waduk,
8
9
b. danau dan elevasi muka air tanah. Kekeringan hidrologis bukan merupakan indikasi awal adanya kekeringan. c. Kekeringan pertanian berhubungan dengan kekurangan lengas tanah (Kandungan air dalam tanah) sehingga tidak mampu memenuhi kebutuhan tanaman tertentu pada periode waktu tertentu dalam wilayah yang luas. Kekeringan pertanian ini terjadi setelah gejala kekeringan meteorologis. d. Kekeringan sosial ekonomi berkaitan dengan kekeringan yang memberi dampak terhadap kehidupan sosial ekonomi seperti: rusaknya tanaman, peternakan,
perikanan,
berkurangnya
tenaga
listrik
dari
tenaga
air,
terganggunya kelancaran transportasi air, menurunnya pasokan air baku untuk industri domestik dan perkotaan. e. Kekeringan hidrotopografi berkaitan dengan perubahan tinggi muka air sungai antara musim hujan, musim kering dan topografi lahan. Kekeringan tidak taat aturan atau yang disebabkan manusia terjadi karena: a. Kebutuhan air lebih besar dari pasokan yang direncanakan akibat ketidak taatan pengguna terhadap pola tanam/pola penggunaan air. b. Kerusakan kawasan tangkapan air, sumber-sumber air akibat perbuatan manusia.
2.2 Penginderaan Jauh 2.2.1 Pengertian Penginderaan Jauh Penginderaan Jauh (remote sensing) sering disingkat inderaja, adalah ilmu dan seni untuk memperoleh informasi tentang suatu obyek, daerah, atau fenomena melalui analisis data yang diperoleh dengan suatu alat tanpa kontak langsung
10
dengan obyek, daerah, atau fenomena yang dikaji (Lillesand dan kiefer, 1994 dalam Purwadhi dan Sanjoto, 2008:3). 2.2.2 Sistem Satelit Penginderaan Jauh Satelit tak berawak sebagai wahana penyadap informasi dari permukaan bumi telah mulai dikembangkan sejak awal tahun „60an. Aplikasi utamanya adalah di bidang kemiliteran. Baru awal pada dekade „70an, satelit tak berawak diluncurkan untuk sumberdaya bumi, yaitu ERT-1. Peluncuran ini diikuti oleh peluncuran satelit sumberdaya lain, dan juga pengembangan sistem pengolahan datanya. Mulai saat itulah teknologi di bidang pengolahan citra dikembangkan secara lebih serius. Berdasarkan misinya, satelit penginderaan jauh dapat dikelompokkan menjadi dua macam, yaitu satelit cuaca dan satelit sumberdaya. Selain berdasarkan misinya, satelit penginderaan jauh dikelompokkan berdasarkan cara mengorbitnya yaitu satelit geostasioner dan satelit singkron matahari. Satelit geostasioner merupakan satelit yang diorbitkan pada ketinggian lebih kurang 36.000 km di atas bumi, pada posisi geostasioner. Pada ketinggian ini, pengaruh gaya gravitasi dan sentrifugal bumi lebih kurang sebanding sehingga satelit yang ditempatkan di sana tidak tertarik ke bumi ataupun terlempar ke luar orbit. Pada umumnya satelit cuaca merupakan satelit geostasioner, misalnya GOES dan GMS. Pada posisi „diam‟ (yang sebenarnya terus bergerak untuk menempati posisi relatif konstan terhadap suatu lokasi di bumi) ini, satelit geostasioner hanya mampu merekam wilayah yang sama terus-menerus sepanjang
11
hari, tetapi dengan liputan yang sangat luas. Satelit jenis ini disebut singkron bumi (geo-synchronus satellite) karena posisi relatif tetap di atas permukaan bumi. Satelit singkron matahari (sun-synchronous satellite) sering pula disebut sebagai satelit berorbit polar karena mengorbit bumi dengan hampir melewati kutub, memotong arah rotasi bumi. Hampir semua satelit sumberdaya termasuk satelit singkron matahari, misalnya Landsat, SPOT, ERS dan JERS, IKONOS, Quickbird, Alos, Terra dan Aqua. Satelit NOAA (National Oceanic and Atmospheric Administration) yang sebenarnya merupakan satelit cuaca, juga melakukan orbit singkron matahari. Sesuai dengan namanya, satelit singkron matahari selalu bergerak memotong arah rotasi bumi dengan melalui atau hampir melalui kutub sehingga dapat meliput hampir seluruh bagian permukaan bumi. Oleh karena itu, satelit ini akan selalu berada di atas wilayah yang sama di permukaan bumi pada waktu lokal yang sama pula. Ketinggian orbit satelit jenis ini berkisar dari 600 km sampai dengan sekitar 1000 km, jauh rendah dibandingkan satelit geostasioner (Danoedoro, 2012:67). 2.2.3 Data Penginderaan Jauh Digital Data
penginderaan
jauh
digital
(Citra
digital)
direkam
dengan
menggunakan sensor non-kamera, antara lain scanner, radiometer, spectrometer. Detektor yang digunakan dalam sensor penginderaan jauh adalah detektor elektronik dengan menggunakan tenaga elektromagnetik yang luas, yaitu spektrum tampak, ultraviolet, inframerah dekat, inframerah thermal, dan gelombang mikro. Citra digital dibentuk dari elemen-elemen gambar atau pixel
12
(Picture element) yang menyatakan tingkat keabuan pada gambar. Informasi yang terkandung dalam pixel tersebut bersifat diskrit yaitu mempunyai ukuran presisi tertentu (Purwadhi, 2001:48). Setiap citra digital penginderaan jauh satelit yang dihasilkan oleh setiap sensor mempunyai sifat khas datanya. Sifat khas data tersebut dipengaruhi oleh sifat orbit satelit, sifat dan kepekaan sensor penginderaan jauh terhadap panjang gelombang elektromagnetik, jalur transmisi yang digunakan, sifat sasaran (objek), dan sifat sumber tenaga radiasinya. Sifat orbit satelit dan cara operasi sistem sensornya dapat mempengaruhi resolusi dan ukuran pixel datanya. Sistem perekaman data penginderaan jauh dengan menggunakan sensor satelit dapat dibedakan dalam dua bagian yaitu sistem pasif dan sistem aktif. Kedua sistem tersebut sangat berpengaruh terhadap sistem, prosedur, dan metode pengolaan datanya. Komponen dasar pengambilan data penginderaan jauh sistem pasif meliputi sumber tenaga, atmosfer, interaksi tenaga dengan objek permukaan bumi, sensor, sistem pengolahan data, dan berbagai penggunaan data. Sumber tenaga diambil dari matahari atau sumber lain. Salah satu data penginderaan jauh sistem pasif adalah data satelit (Landsat). 2.2.4 Interpretasi Citra Penginderaan Jauh Interpretasi atau penafsiran citra penginderaan jauh merupakan perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut. Interpretasi citra penginderaan jauh dapat dilakukan dengan dua cara yaitu interpretasi secara manual dan interpretasi secara digital (Purwadhi, 2001:25). Interpretasi secara manual adalah interpretasi
13
data penginderaan jauh yang mendasarkan pada pengenalan ciri/karakteristik objek secara keruangan. Karakteristik objek dapat dikenali berdasarkan 9 unsur interpretasi yaitu bentuk, ukuran, pola, bayangan, rona/warna, tekstur, situs, asosiasi dan konvergensi bukti. Interpretasi secara digital adalah evaluasi kuantitatif tentang informasi spektral yang disajikan pada citra. Dasar interpretasi citra digital berupa klasifikasi citra pixel berdasarkan nilai
spektralnya
dan
dapat
dilakukan
dengan
cara
statistik.
Dalam
pengklasifikasian citra secara digital, mempunyai tujuan khusus untuk mengkategorikan secara otomatis setiap pixel yang mempunyai informasi spektral yang sama dengan mengikutkan pengenalan pola spektral, pengenalan pola spasial dan pengenalan pola temporal yang akhirnya membentuk kelas atau tema keruangan (spasial) tertentu.
2.3 Citra Landsat Satelit Landsat (Land satellite) merupakan suatu hasil program satelit sumberdaya bumi yang dikembangkan oleh NASA (the National Aeronautical and Space Administration) Amerika Serikat pertama kali diluncurkan pada 1972 dengan nama ERTS-1 ((Earth Resources Technology
Satellite). Dengan
kesuksesan peluncuran pertama, dilanjutkan dengan peluncuran selanjutnya seri kedua yang dengan nama Landsat-1. Seri Landsat saat ini telah sampai pada Landsat-7. Mulai dari Landsat-1 hingga Landsat-7 telah terjadi perubahan desain sensor sehingga ketujuh satelit tersebut dapat dikelompokkan menjadi 3 generasi, yaitu generasi pertama (Landsat 1-3), generasi kedua (Landsat 4 dan 5), serta generasi ketiga (Landsat 6
14
dan 7). Landsat 1 dan 2 memuat dua macam sensor, yaitu RBV (Return Beam Vidicion) yang terdiri atas 3 saluran dan MSS (multispectral scanner) yang terdiri atas 4 saluran dengan resolusi spasial 79 meter. Landsat 4 dan 5 memuat dua macam sensor pula, dengan mempertahankan MSS-nya, tetapi menggantikan RBV dengan TM (Thematic Mapper) karena alasan kapabilitas. Dengan demikian, urutan penomeran MSS menjadi MSS1, MSS2, MSS3, dan MSS4. Sensor TM yang mempunyai 7 saluran dinomeri urut dari 1 sampai dengan 7. Pada 1993 Landsat generasi 3 (Landsat 6) diluncurkan, tetapi misi ini gagal karena sesaat peluncuran satelit Landsat 6 hilang. Pada 1999 Landsat 7 diluncurkan dengan membawa sensor multispektral beresolusi 15 meter untuk citra pankromatik dan 30 meter untuk citra multispektral serta 60 meter untuk citra inframerah termal. Dengan demikian, berbeda dari sensor TM pendahulunya yang hanya membawa tujuh saluran spektral, sensor Landsat 7 yang disebut ETM+ (Enhanced Thematic Mapper Plus, atau TM yang telah diperbaiki kinerjanya) ini memuat 8 saluran, di mana saluran 6 telah dinaikkan resolusi spasialnya dai 120 meter menjadi 60 meter, dan saluran 8 merupakan saluran pankromatik dengan julat panjang gelombang antara 0,58 – 0,90 µm. Sejak 31 Mei 2003, sistem sensor pada Landsat 7 ETM+ mengalami kerusakan berupa kegagalan pengoreksi garis pemindai (scan line corrector, SLC). Akibat kegagalan ini, data hasil pemindai pun banyak yang hilang. Melalui operasi sistem sensor yang menggunakan moda SLC-off ini, diperoleh citra digital
15
yang menampakkan baris-baris pemindai yang melompat-lompat (Danoedoro, 2012:68). Karakteristik citra Landsat 7ETM+ dijelaskan dalam tabel 2.1. Tabel 2.1 Karakteristik Citra Landsat 7 ETM+ Band
Gelombang
1
Saluran Spektral (µm) 0.45 – 0.52
Biru
Resolusi spasial (meter) 30 X 30
2
0.52 – 0.60
Hijau
30 X 30
3
0.63 – 0.69
Merah
30 X 30
4
0.76 – 0.90
Infra merah dekat
30 X 30
5
1.55 – 1.75
Infra merah dekat
30 X 30
6
10.4 – 12.5
Infra merah termal
60 X 60
7
2.08 – 2.35
Infra merah sedang
30 X 30
8
Kegunaan Tembus terhadap tubuh air, dapat untuk pemetaan air, pantai, pemetaan tumbuhan, pemetaan kehutanan, dan mengidentifikasi budidaya manusia. Untuk pengukuran nilai pantul hijau pucuk tumbuhan dan penafsiran aktifitasnya, juga untuk pengamatan budidaya manusia Dibuat untuk melihat daerah yang menyerap klorofil, yang dapat digunakan untuk membantu dalam pemisahan spesies tanaman. Untuk membedakan jenis tumbuhan, aktifitas dan kandungan biomas untuk membatasi tubuh air dan pemisahan kelembaban tanah. Menunjukan kandungan kelembaban tumbuhan dan kelembaban tanah, juga untuk membedakan salju dan awan Untuk menganalisis tingkat tumbuhan, pemisahan kelembaban tanah dan pemetaan panas Berguna untuk pengenalan terhadap mineral dan jenis batuan, juga sensitive terhadap kelembaban tumbuhan
Untuk peningkatan resolusi spasial. Pankroma15 X 15 tik Sumber: Humaidi 2005 (www.Satelit-inderajablogspot.com).
0.50 – 0.90
2.4 Sistem Informasi Geografis 2.4.1 Pengertian SIG (Sistem Informasi Geografis) Menurut Aronoff (1998), SIG adalah sistem yang berbasiskan komputer (CBIS) yang digunakan untuk menyimpan dan memanipulasi informasi-informasi
16
geografis. SIG dirancang untuk mengumpulkan, menyimpan, dan menganalisis objek-objek dan fenomena di mana lokasi geografis merupakan karakteristik yang penting atau kritis untuk dianalisis (Prahasta, 2009:116). Dengan demikian, SIG merupakan sistem komputer yang memiliki empat kemampuan berikut dalam menangani data yang bereferensi geografis: (a) masukan, (b) manajemen data (penyimpanan dan pemanggilan data), (c) analisis dan manipulasi data dan (d) keluaran. 2.4.2 Subsistem SIG (Sistem Informasi Geografis) Berdasarkan definisi diatas, SIG dapat diuraikan menjadi beberapa subsitem yang dapat diuraikan sebagai berikut (Prahasta, 2009:118): a. Data Input Subsistem ini bertugas untuk mengumpulkan, mempersiapkan, dan menyimpan data spasial beserta atributnya dari berbagai sumber. Sub-sistem ini pula yang bertanggungjawab dalam mengonversikan atau mentranformasikan format-format data aslinya ke dalam format (native) yang dapat digunakan oleh perangkat SIG yang bersangkutan. b. Data Output Subsistem ini bertugas untuk menampilkan atau menghasilkan keluaran (termasuk mengekspornya ke format yang dikehendaki) seluruh atau sebagian basis data (spasial) baik dalam bentuk softcopy maupun hardcopy seperti halnya tabel, grafik, report, peta dan lain sebagainya.
17
c. Data Management Subsistem ini mengorganisasikan baik data spasial maupun tabel-tabel atribut terkait ke dalam sebuah sistem basis data sedemikian rupa hingga mudah dipanggil kembali atau diretrieve (diload ke memori), diupdate, dan diedit. d. Data manipulation dan analisyis Subsistem ini menentukan informasi-informasi yang dapat dihasilkan oleh SIG. Selain itu, subsistem ini juga melakukan manipulasi (Evaluasi dan penggunaan fungsi-fungsi dan operator matematis&logika) dan pemodelan data untuk menghasilkan informasi yang diharapkan. Subsistem SIG dapat diilustrasikan pada gambar 2.1 dibawah ini dengan memperjelas uraian jenis masukan, proses, dan jenis keluaran yang ada di dalamnya.
Gambar 2.1 Ilustrasi uraian Sub-sistem SIG (Prahasta, 2009:119) 2.4.3 Kemampuan SIG Salah satu kemampuan SIG adalah kemampuan analisis yang dapat dilakukanya. Secara umum terdapat dua jenis kemampuan analisis SIG, yaitu analisis spasial dan analisis atribut (Basis data atribut).
18
a. Kemampuan analisis atribut Analisis atribut terdiri dari operasi dasar sistem pengelolaan basisdata (DBMS) dan perluasanya. Operasi dasar basisdata mencakup: membuat basis data baru, menghapus basisdata, membuat tabel basisdata, mengisi dan menyisipkan data, membaca dan mencari data, mengedit data yang terdapat di dalam tabel basisdata dan membuat indeks untuk setiap tabel basisdata Sedangkan perluasan basisdata meliputi: Membaca basisdata dalam sistem basisdata yang lain, dapat berkomunikasi dengan sistem basisdata yang lain, dapat menggunakan bahasa basisdata standar SQL, operasi-operasi atau fungsi analisis lain yang sudah rutin digunakan di dalam sistem basisdata b. Kemampuan analisis spasial 1. Klasifikasi: Fungsi ini mengklasifikasikan atau mengklasifikasikan kembali suatu data spasial (atau atribut) menjadi data spasial yang baru dengan menggunakan kriteria tertentu. 2. Jaringan (netWork): Fungsi ini merujuk data spasial titik-titik (point) atau garis-garis (line) sebagai suatu jaringan yang tidak terpisahkan. 3. Overlay: Fungsi ini menghasilkan data spasial baru dari minimal dua data spasial yang menjadi masukkanya. 4. Buffering: Fungsi ini akan menghasilkan data spasial baru yang berbentuk polygon atau zone dengan jarak tertentu dari data spasial yang menjadi masukkanya.
19
5. 3D analysis: Fungsi ini terdiri dari sub-sub fungsi yang berhubungan dengan presentasi data spasial dalam ruang 3 dimensi. Fungsi analisis spasial ini banyak menggunakan fungsi interpolasi. 6. Digital image processing (pengolahan citra digital): fungsi ini dimiliki oleh perangkat SIG yang berbasiskan raster.
2.5 Identifikasi Daerah Berpotensi Kekeringan Penelitian deteksi potensi kekeringan berbasis penginderaan jauh dan sistem informasi geografis ini menggunakan data penginderaan jauh berupa Landsat 7ETM+ serta kondisi fisiografis yang berpengaruh terhadap kekeringan, diantaranya: kondisi curah hujan, kondisi hidrogeologi dan penggunaan lahan. Citra Landsat sudah banyak digunakan dalam penelitian-penelitian kekeringan, salah satu metode yang sering digunakan pada citra landsat untuk identifikasi kekeringan yaitu dengan menggunakan indeks vegetasi dan Tasseled Cap Tranformation (TCT). Transformasi Tasseled Cap merupakan formula matemtik
untuk
menghitung
tingkat
kecerahan
(brightness),
kehijauan
(greenness), dan kelembaban (wetness) dari angka-angka digital disetiap band (Band 1 hingga band 5 dan band 7) pada citra Landsat. Nilai-nilai dalam TCT yaitu Brightness, Greeness, dan Wetness bisa digunakan dalam menganalisis kekeringan (Shofiyati, 2007). Tranformasi Tasseled Cap memanfaatkan feature space pada keenam saluran sekaligus. Prinsip tarnformasi ini ialah penyusunan kembali sumbu-sumbu saluran dalam ruang spektral sehingga sumbu-sumbu tersebut terputar (terotasi) ke arah tertentu, yang satu sama lain ortogonal (Danoedoro, 2012:269).
20
2.5.1 Indeks Vegetasi Indeks Vegetasi merupakan suatu bentuk tranformasi spektral yang diterapkan terhadap citra multisaluran untuk menonjolkan aspek kerapatan vegetasi ataupun aspek lain yang berkaitan dengan kerapatan, misalnya biomassa, Leaf Area Index (LAI), konsentrasi Klorofil dan sebagainya (Danoedoro, 2012:246). Secara praktis, indeks vegetasi merupakan suatu tranformasi matematis yang melibatkan beberapa saluran sekaligus, dan menghasilkan citra baru yang lebih representatif dalam menyajikan fenomena vegetasi. Tranformasi indeks vegetasi dapat dikelompokkan ke dalam empat golongan besar, yaitu (a) Indeks vegetasi dasar (generik), (b) indeks vegetasi yang meminimalkan pengaruh latar belakang tanah, (c) indeks vegetasi yang meminimalkan pengaruh atmosfer dan (d) indeks vegetasi lainya (Danoedoro, 2012:246). Salah satu tranformasi indeks vegetasi dasar yaitu Normalized Difference Vegetation Index (NDVI). NDVI merupakan kombinasi antara teknik penisbahan dengan teknik pengurangan citra. Indeks ini sederhana dan mempunyai nilai range yang dinamis dan sensitif yang paling bagus terhadap perubahan tutupan vegetasi. Saluran yang digunakan dalam transformasi ini adalah saluran merah dan inframerah. Kedua saluran ini dipilih karena memiliki kepekaan yang berbeda terhadap vegetasi. Klorofil a dan b yang merupakan pigmen penting dari tanaman menyerap cahaya biru dan merah. Klorofil a pada panjang gelombang 0,43 dan 0,66 µm dan klorofil b pada panjang gelombang 0,45 dan 0,65 µm (Jensen, 2005 dalam Dian, 2010).
21
Hal tersebut mengakibatkan pada band merah nilai reflectance vegetasi sangat rendah. Berbeda dengan bend merah, pada band inframerah dekat nilai pantulan vegetasi sehat meningkat tajam. Sepanjang julat inframerah dekat ini (0,7 – 1,2 µm) cahaya matahari yang diterima oleh tanaman mengandung sebagian besar energi matahari. Jika tanaman menyerap energi tersebut seperti pada panjang gelombang tampak maka tanaman akan terlalu panas sehingga protein yang didalamnya akan rusak. Pada panjang gelombang ini terjadi pantulan yang tinggi (40% - 60%), transmisi juga tinggi (40 – 60%), serta penyerapan yang rendah (5-10%). Rouse et al (1974) dalam Dian (2010) mengembangkan formula untuk mendapatkan kerapatan vegetasi: NDVI = (NIR-Red) / (NIR+Red) Hasil dari formula tersebut berkisar antara -1 sampai +1. Nilai
-1
mengindikasikan bahwa pada saluran merah memiliki nilai pantulan maksimum dan pada saluran inframerah dekat memiliki pantulan minimum. Hal ini menunjukan daerah non vegetasi. Begitupun sebaliknya, nilai +1 menunjukan terjadi pantulan maksimum pada saluran inframerah dekat dan pantulan minimum pada saluran merah, sehingga menunjukka area bervegetasi kerapatan tinggi. Perhitungan perbandingan sifat respon obyek terhadap pantulan sinar merah dan NIR dapat menghasilkan nilai dengan karakteristik khas yang dapat digunakan untuk memperkirakan kerapatan atau kondisi kanopi/kehijauan tanaman. Tanaman yang sehat berwarna hijau mempunyai nilai indeks vegetasi tinggi. Hal ini disebabkan oleh hubungan terbalik antara intensitas sinar yang dipantulkan vegetasi pada spektral sinar merah dan NIR.
22
Hasil transformasi NDVI pada citra menghasilkan nilai yang sngat beragam, maka dilakukan penyederhanaan nilai-nilai tersebut menjadi beberpa kelas. Berikut klasifikasi nilai NDVI dengan pengharkatan yang disesuaikan terhadap potensi kekeringan di Kabupaten Klaten. Tabel 2.2 Klasifikasi dan pengharkatan NDVI No Nilai NDVI Keterangan 1 -1 s/d - 0.005 Lahan tidak bervegatasi 2 - 0.005 s/d 0.19 Kehijauan sangat rendah 3 0.19 s/d 0.50 Kehijauan rendah 4 0.50 s/d 0.63 Kehijauan sedang 5 0.63 s/d 1.00 Kehijauan tinggi Sumber: Perhitungan data, tahun 2012.
Harkat 5 4 3 2 1
2.5.2 Indeks Kebasahan dan Indeks Kecerahan Kelembaban tanah permukaan adalah air yang mengisi pori-pori horizon tanah atau lapisan tanah bagian atas. Setiap permukaan tanah mampunyai kelembaban tanah yang berbeda-beda dan mempunyai karakteristik nilai pantulan pada sensor yang berbeda-beda pula. Dengan hubungan bahwa suatu tanah yang mempunyai kelembaban yang tinggi mengasumsikan bahwa tanah tersebut sering tergenang air, sehingga dari sini didapat hubungan bahwa semakin tinggi kelembaban tanah maka semakin sering tanah tersebut tergenang dan mempunyai kerawanan yang rendah terhadap kekeringan. Demikian pula sebaliknya jika kelembaban tanah semakin rendah maka semakin jarang pula daerah tersebut tergenang air dan kerawanan kekeringan juga semakin tinggi. Kelembaban tanah diperoleh dengan pendekatan indeks kebasahan (wetness index) dan indeks kecerahan (brightness index), dengan asumsi bahwa nilai kebasahan adalah yang paling mendekati kelembaban tanah. Nilai kebasahan
23
ini selanjutnya digunakan sebagai nilai kelembaban tanah. Mengetahui kebasahan tanah pada suatu tempat dengan menggunakan citra Landsat 7 ETM+ dapat rnenggunakan formula yang merupakan pengalian, penambahan dan pengurangan pada saluran 1, saluran 2, saluran 3, saluran 4, saluran 5 dan saluran 7. Algoritma Indeks Kecerahan dan Indeks Kebasahan Landsat 7 ETM+ disajikan dalam tabel 2.3. Tabel 2.3 Algoritma Tranformasi Tasseled Cap Landsat 7ETM+ Tranformasi Wetness Brightness Band 1 0.2626 0.3561 Band 2 0.2141 0.3972 Band 3 0.09266 0.3904 Band 4 0.0656 0.6966 Band 5 -0.7629 0.2286 Band 7 -0.5388 0.1596 Sumber: Liu dan Mason dalam Danoedoro, 2012:271 Saluran
Nilai wetness yang negatif menunjukkan bahwa tingkat kebasahan tanah yang kecil, sedangkan nilai wetness yang semakin positif menunjukkan tingkat kebasahan yang semakin besar. Nilai spektral dari trnformasi Indeks Kebasahan (Wetness Index) dalam hubunganya kekeringan di Kabupaten Klaten dapat diklasifikasikan pada tabel 2.4 sebagai berikut: Tabel 2.4 Klasifikasi dan Pengharkatan Indeks Kebasahan No Nilai Wetness Index 1 nilai terendah s/d -73.518 2 -73.518 s/d -37.753 3 -37.753 s/d -21.157 4 -21.157 s/d 21.152 5 21.152 s/d nilai tertinggi Sumber: Perhitungan data, 2012.
Keterangan sangat kering kering sedang/lembab sangat lembab sangat tinggi/ tergenang
Harkat 5 4 3 2 1
24
Indeks Kecerahan memberikan informasi bahwa permukaan cerah dipantulkan dari permukaan yang kering. Artinya, semakin gelap tanah maka ketersediaan bahan organik lebih tinggi, kelembaban tinggi dan ketersediaan air cukup. Nilai spektral dari trnformasi Indeks Kecerahan (Brightess index) dalam hubunganya kekeringan di Kabupaten Klaten dapat diklasifikasikan pada tabel 2.5. Tabel 2.5 Klasifikasi dan Pengharkatan Indeks Kecerahan No Nilai Brightness Index 1 >206.641 2 177.663 – 206.641 3 147.368 – 177.663 4 113.122 – 147.368 5 Nilai terendah s/d 113.122 Sumber: Perhitungan data, 2012.
Keterangan Sangat cerah Cerah Agak cerah Gelap Sangat gelap
Harkat 5 4 3 2 1
2.5.3 Curah Hujan Hujan adalah jatuhnya hydrometeor yang berupa partikel-partikel air dengan diameter 0.5 mm atau lebih. Curah hujan merupakan ketinggian air hujan yang terkumpul dalam tempat yang datar, tidak menguap, tidak meresap dan tidak mengalir. Curah hujan menjadi sangat penting dalam penelitian ini karena merupakan salah satu faktor utama dalam menentukan kondisi permukaan dalam sudut pandang sumberdaya air. Hujan merupakan suatu masukan (input) yang akan diproses oleh permukaan lahan untuk menghasilkan suatu keluaran (Raharjo, 2010). Pengharkatan nilai curah hujan didasarkan dari jumlah curah hujanya. Daerah dengan jumlah curah hujan paling kecil dapat dikatakan bahwa daerah itu akan lebih berpengaruh terhadap kejadian kekeringan. Oleh karena itu, untuk
25
daerah yang mempunyai nilai curah hujan rendah akan diberi nilai skor yang lebih tinggi daripada daerah dengan curah hujan tinggi. Adapun pengharkatan tertera pada tabel 2.6. Tabel 2.6 Klasifikasi curah hujan terhadap kekeringan No Curah hujan rata-rata 1 <1500 2 1500-200 3 2001-2500 Sumber : Fersely, 2007
Harkat 4 3 2
2.5.4 Kondisi Hidrogeologi Hidrogeologi
digunakan
dalam
penelitian
ini
karena
dapat
menggambarkan kondisi air bawah tanah. Tipe dan jenis akuifer menentukan dalam kemungkinan terjadinya kekeringan. Kondisi air tanah yang relatif sedikit akan semakin berkurang dengan adanya musim kemarau. Suplai air tanah berkurang dan menjadikan ketersediaan air menjadi kecil (Raharjo, 2010). Pengharkatan jenis akuifer dilakukan dengan melihat tingkat pengaruh jenis akuifer terhadap potensi kekeringan. Pengharkatan kondisi hidrogeologi disajikan pada tabel 2.7. Tabel 2.7 Klasifikasi kondisi hidrogeologi terhadap kekeringan No Tipe Akuifer 1 Air tanah langka 2 Produktivitas kecil 3 Produktivitas sedang 4 Produktivitas tinggi Sumber: Tjahjono 2008, dengan meodifikasi.
Harkat 4 3 2 1
2.5.5 Penggunaan Lahan Penggunaan
lahan
berperan
dalam
menampung
air
ataupun
melimpaskanya. Daerah yang ditumbuhi banyak pepohonan akan membantu
26
dalam penyerapan air sehingga air akan mudah ditampung dan limpasan air akan kecil sekali terjadi. Hal ini disebabkan besarnya kapasitas serapan air oleh pepohonan dan lambatnya air limpasan mengalir akibat tertahan oleh akar dan batang pohon. Kaitanya dalam kekeringan, nilai skor rendah diberikan pada daerah dengan tutupan lahan didominasi oleh pepohonan, sedangkan nilai skor tinggi untuk daerah dengan penutup lahan minim pepohonan atau tanpa pepohonan. Pemberian nilai nol pada tubuh air dikarenakan tubuh air dianggap tidak pernah mengalami kekeringan. Klasifikasi masing-masing penggunaan lahan yang berkaitan dengan potensi kekeringan dapat dilihat pada tabel 2.8. Tabel 2.8 Klasifikasi penggunaan lahan terhadap kekeringan No Penggunaan lahan 1 Tanah terbuka, lahan terbangun(pemukiman) 2 Pertanian lahan kering, tegalan, sawah 3 Semak 4 Hutan, kebun campuran, perkebunan, tambak 5 Tubuh air Sumber: Fersely, 2007
Harkat 4 3 2 1 0
27
Citra Landsat 7ETM+ path120 row 65 perekaman
Batas administrasi
september 2002 dan 2012
Kabupaten Klaten
Koreksi Geometri Pemotongan area
Peta Curah hujan Peta
Peta
Hidrogeologi
Penggunaan lahan
Koreksi Radiometri & highlight cloud Validasi Citra landsat 7ETM+ Klaten Diterima/tidak terkoreksi & bebas awan Tranformasi
Tranformasi
Wetness index
Brightness index
Skoring dan overlay
Pembobotan Tranformasi NDVI
Diterima
Klasifikasi
Tidak Diterima
Peta potensi tingkat
Vectorize
Peta NDVI
Peta
Indeks
Kecerahan
Cek Lapangan
Peta
kekeringan
Indeks
Kelembaban
Keterangan : Input
Hasil antara
Proses
Output
Gambar 2.3. Diagram Alir Penelitian
28
2.6 Penelitian Relevan Penelitian mengenai kekeringan berbasis penginderaan jauh telah dilakukan oleh beberapa peneliti. Penelitian yang dilakukan baik hanya berdasarkan analisis citra satelit maupun gabungan antara analisis citra satelit dengan parameter kondisi fisik lahan. Rahma Winati (2006) telah melakukan penelitian di sebagian Kabupaten Kulon Progo. Penelitian ini mencoba memetakan daerah potensi rawan kekeringan menggunakan citra Landsat 7 ETM+ perekaman bulan Juni 2002. Metode yang digunakan yaitu analisis berbasis Citra Satelit dengan menghitung nilai spektral citra hasil Tranformasi Normalized Difference Vegetation Index dan Wetness Index dan mengkelaskan ke dalam beberapa tingkat klasifikasi. Hasil dari penelitian ini adalah peta potensi rawan kekeringan. Penelitian dilakukan Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian (2007) yaitu oleh Rizatus Shofiyati pada lahan sawah DAS Citarum Jawa Barat. Menggunakan citra Landsat TM dengan pemilihan tanggal perekaman yang mewakili musim kemarau, peneliti mencoba mengintegrasikan nilai spektral citra Landsat TM hasil tranformasi NDVI, Wetness Index dan Brightness Temperatur. Adapun penelitian tersebut hanya pada lahan pertanian yaitu sawah. Hasil dari integrasi tranformasi tersebut dikelaskan menjadi empat kelas dengan hasil akhir peta tingkat kekeringan lahan sawah DAS Citarum Jawa Barat. Puguh Dwi Raharjo (2010) melakukan penelitian di Kabupaten Kebumen mencoba mengkombinasikan analisis citra satelit dengan kondisi fisik lahan.
29
Penelitian ini menggunakan data citra Landsat TM 7 perekaman bulan juni 2002. Analisis citra satelit untuk kekeringan yang dilakukan yaitu menggunakan tranformasi Normalized Difference Vegetation Index, Wetness Index dan Brightess Index. Hasil tranformasi tersebut dipisahkan nilai spektral yang berpotrensi dan yang tidak berpotensi kekeringan. Adapun parameter kondisi fisik yang digunakan yaitu Kondisi Hidrogeologi (potensi air tanah), Curah Hujan, dan Penggunaan Lahan. Hasil analisi citra satelit dioverlaykan dengan parameter penunjang dengan memperhitungkan tingkat pengaruh kekeringan dengan hasil akhir peta identifikasi potensi kekeringan. Dari paparan penelitian tersebut, peneliti bermaksud melakukan penelitian mengenai kekeringan berbasis penginderaan jauh dan sistem informasi geografis. Data yang digunakan dalam analisis ini adalah citra Landsat TM5 tahun 2009 dengan pemilihan tanggal perekaman 29 Juni dan parameter penunjang yang terdiri atas Rata-rata curah hujan, kondisi hidrogeologi dan penggunaan lahan. Adapun metode yang digunakan yaitu interpretasi citra digital dengan teknik tranformasi NDVI, indeks kelembaban dan indeks kecerahan. Tranformasi tersebut merupakan tranformasi yang menduga nilai lengas tanah dengan asumsi tanah dengan nilai lengas rendah maka potensi untuk terjadi kekeringan tinggi. Hasil transformasi tersebut dibuat peta NDVI, indeks kelembaban dan indeks kecerahan Pada penelitian ini tidak terlepas dari analisis Sistem Informasi Geografis dengan metode skoring dan pembobotan yang dilakukan dengan teknik overlay.
30
Tabel 2.9 Penelitian sebelumnya
Nama Rahma Winati, 2006
Judul Penelitian Tujuan Peneltian Aplikasi Indeks Vegetasi untuk Mengetahui kemampuan Penentuan Potensi Rawan Terhadap Citra landsat 7 ETM+ dalam Kekeringan di sebagian Kabupaten mengidentifikasi potensi Kulonprogo rawan kekeringan Melakukan pengkelasan Tingkat kekeringan berdasarkan Vegetation index dan Wetness index Riztus Inderaja untuk Mengkaji Kekeringan mengidentifikasi, mengkaji, Shofiyati, di Lahan Pertanian memetakan, dan memonitor 2007 kekeringan menggunakan pola spektral, TCT, NDVI, dan BT
Parameter NDVI RVI Wetness Index
Data citra Landsat 7 ETM+ tahun 2002
Hasil Penelitian Peta Potensi Rawan Kekeringan
NDVI Brightness Temperatur Wetness Index
Peta Tingkat Kekeringan Pada Lahan Sawah
Puguh Dwi Raharjo, 2010
Landsat TM tanggal perekaman diseleksi berdasarkan waktu yg mewakili musim kemarau Landsat 7TM tahun 2003
Teknik Penginderaan Jauh dan Sistem Informasi Geografis untuk Identifikasi Potensi Kekeringan Kabupaten Kebumen
Mengidentifikasi wilayah yang mempunyai potensi kekeringan di Kabupaten Kebumen berdasarkan parameterparameter fisiknya secara umum.
Wetness index Brightness index NDVI Curah hujan Hidrogeologi Penggunaan Lahan
Peta Identifikasi Potensi Kekeringan
BAB III METODE PENELITIAN
3.1 Lokasi dan Obyek Penelitian Lokasi penelitian ini dilakukan di Kabupaten Klaten Provinsi Jawa Tengah dengan obyek penelitian yaitu potensi kekeringan.
3.2 Populasi dan Sampel Penelitian deteksi potensi kekeringan ini yang menjadi populasi adalah potensi kekeringan wilayah Kabupaten Klaten. Sedangkan penentuan sampel dilakukan dengan menggunakan metode simple random sampling. Penentuan sampel dilakukan pada hasil penggabungan Normalized Difference Vegetation Index (NDVI), Indeks Kecerahan dan Indeks Kebasahan. Sampel yang diambil sebanyak
30
titik
yang
didasarkan pada kelas
NDVI,
namun
tetap
mempertimbangkan indeks kecerahan dan indeks kebasahan sehingga hasil dari kelas ke tiga indeks tersebut dapat terwakili (Lampiran 2.3)
3.3 Variabel Penelitian Variabel dalam penelitian deteksi potensi kekeringan ini terdiri dari 2 kelompok yautu variabel yang didapatkan dari interpretasi citra Landsat 7 ETM+ dan variabel kondisi fisiografis berpengaruh terhadap kekeringan. 1. Interpretasi citra Landsat 7 ETM+ a. NDVI (Normalized Difference Vegetation Index) b. Indeks Kebasahan (Wetness Index)
31
32
c. Indeks Kecerahan (Brightness Index) 2. Kondisi fisiografis berpengaruh kekeringan a. Curah hujan b. Kondisi geohidrologi c. Penggunaan lahan
3.4 Alat dan Bahan Penelitian Peralatan yang digunakan dalam penelitian ini adalah: (1) Laptop Amd 2.0 Ghz, Ram 2 Gb, Hardisk 500 Gb, sebagai alat untuk kegiatan pemetaan dan interpretasi citra satelit. (2) Aplikasi program Er Mapper 7.0, sebagai aplikasi untuk kegiatan analisis citra satelit. (3) Aplikasi program ArcGIS 9.3 dan ArcVew 3.3, sebagai aplikasi untuk pemrosesan peta digital. (4) GPS, untuk menentukan titik koordinat sampel di lapangan. (5) Kamera, untuk kegiatan dokumentasi di lapangan. Sedangkan bahan yang digunakan dalam penelitian ini adalah: (1) Citra Landsat 7 ETM+ Path 120 row 65, perekaman September 2002 dan September 2012 (2) Peta Geohidrologi Kabupaten Klaten (3) Peta Rata-rata curah hujan tahun 2008 - 2011 Kabupaten Klaten (4) Peta Penggunaan Lahan Kabupaten Klaten tahun 2011.
33
3.5 Teknik Perolehan Data Pada penelitian ini teknik perolehan data yang digunakan meliputi: 1. Pengumpulan data penginderaan jauh adalah pengumpulan data hasil perekaman obyek dengan menggunakan sensor buatan. Data ini dapat berupa citra foto dan non-foto atau data numerik. Data numerik umumnya direkam pada Computer Compatible Tape (CCT). Data ini bisa dipesan melalui instansi-instansi tertentu, baik dalam maupun luar negeri (Tika, 2005:61). Teknik memperoleh data penginderaan jauh berupa citra Landsat 7ETM+ yaitu dengan cara men-download langsung melalui situs resmi USGS yaitu www.glovis.usgs.gov. Untuk dapat men-download harus mempunyai akun terlebih dahulu yang berisikan informasi data pen- download dan keperluan penggunaan data. Citra satelit Landsat 7ETM+ yang didownload merupakan citra perekaman September 2002 dan September 2012. 2. Pengumpulan data sekunder, merupakan cara dan teknik pengumpulan data tidak secara langsung dari subjek atau obyek yang diteliti, tetapi melalui pihak lain seperti instansi-instansi atau lembaga yang terkait, perpustakaan, arsip perorangan dan sebagainya (Tika, 2005:60). Dalam mengumpulkan data sekunder, peneliti membuat surat ijin mencari data dan penelitian yang ditujukan pada instansi terkait. Setelah mendapatkan persetujuan dari instansi terkait, maka data sekunder yang dibutuhkan dapat diberikan. Data sekunder dalam penelitian ini adalah curah hujan tahun 2008 - 2011 yang diperoleh dari BMKG, peta geohidrologi dan peta penggunaan lahan yang diperoleh dari BAPPEDA Kabupaten Klaten.
34
3. Observasi, merupakan cara dan teknik perolehan data dengan melakukan pengamatan dan pencatatan secara sistematis terhadap gejala atau fenomena yang ada pada obyek penelitian (Tika, 2005:44). Dalam mengumpulkan data menggunakan teknik observasi, peneliti mengamati kondisi lapangan dengan mencocokkan hasil interpretasi yang telah dilakukan sebelumnya. Adapun kondisi lapangan yang diamati meliputi kondisi fisik wilayah di Kabupaten Klaten berdasarkan hasil interpretasi Normalized Difference Vegetation Index (NDVI), Indeks Kecerahan dan Indeks Kebasahan..
3.6 Tahap Penelitian Penelitian ini terdiri dari beberapa tahapan penelitian, meliputi tahap persiapan, tahap penelitian dan tahap akhir yang dijabarkan sebagai berikut: 1. Tahap persiapan Pada tahap ini dilakukan berbagai persiapan dengan mengumpulkan datadata yang diperlukan dalam penelitian seperti citra satelit Landsat 7 ETM+, peta curah hujan, peta geohidrologi, peta penggunaan lahan, persiapan peralatan dan studi kepustakaan mengenai literatu-literatur yang terkait dengan obyek penelitian. 2. Tahap penelitian Tahap penelitian dalam penelitian ini adalah pemrosesan citra digital dengan menganalisis indeks kecerahan, indeks kebasahan, dan indeks kehijauan untuk menegtahui tingkat kelengasan tanah dan kehijauan tanaman. Setelah pemrosesan citra digital selesai kemudian menggabungkan hasil tersebut dengan peta rata-rata curah hujan, peta geohidrologi, dan peta penggunaan lahan. Hasil
35
penggabungan tersebut akan dilakukan sekoring hingga didapatkan tingkat potensi kekringan. Pengukuran lapangan diperlukan guna validasi hasil analisis citra maupun hasil peta potensi kekeringan. 3. Tahap akhir Pada tahap akhir ini, berupa penyusunan hasil penelitian dalam bentuk laporan.
3.7 Teknik Analisis Data Teknik dalam penelitian ini menggunakan kombinasi antara analisis citra digital dan dilanjutkan dengan teknik sistem informasi geografis. 1. Teknik Interpretasi Citra Digital Interpretasi citra merupakan perbuatan mengkaji foto udara dan atau citra dengan maksud untuk mengidentifikasi objek dan menilai arti pentingnya objek tersebut. Interpretasi citra penginderaan jauh dapat dilakukan dengan dua cara yaitu interpretasi secara manual dan interpretasi secara digital. Pada penelitian ini menggunakan teknik interpretasi citra secara digital. Salah satu metode interpretasi digital adalah transformasi citra. Transformasi citra merupakan upaya untuk menonjolkan salah satu obyek dan menekan aspek yang lain. Citra yang digunakan untuk transformasi ini adalah citra yang telah terkalibrasi radiometri, sehingga nilai yang digunakan adalah nilai surface reflectance. Transformasi citra yang digunakan dalam mendeteksi daerah berpotensi kekeringan berupa teknik Normalized Difference Vegetation Index (NDVI), Indeks Kecerahan (Brightness index) dan indeks kebasahan (Wetness index).
36
Transformasi tersebut digunakan untuk mendapatkan informasi spasial mengenai kerapatan vegetasi dan kelembaban permukaan. 2. Teknik Sistem Informasi Geografis a. Metode Pengharkatan (Scoring) Metode pengharkatan adalah pemberian skor terhadap masing-masing kelas dalam setiap parameter. Pemberian harkat ini didasarkan pada seberapa besar pengaruh kelas tersebut terhadap kekeringan. Semakin tinggi pengaruhnya terhadap kekeringan maka harkat yang diberikan akan semakin tinggi. Pemberian harkat terhadap parameter-parameter kekeringan dilakukan secara linear terhadap kelas-kelas dalam suatu parameter kekeringan. Adapun penjelasan dan kriteria pengharkatan untuk masing-masing parameter dapat dilihat pada bab II yang telah dijelaskan sebelumnya. Menentukan interval kelas potensi kekeringan dalam penelitian ini dengan cara menjumlahkan skor tertinggi dikurangi jumlah skor terendah dibagi dengan jumlah kelas yang diinginkan. Rumus berikut digunakan untuk mempermudah perhitungan: Skor maksimal – skor minimal Interval Kelas = Jumlah kelas Berdasarkan parameter-parameter yang telah disebutkan didapatkan penjumlahan skor maksimum adalah 27 dan jumlah skor minimum adalah 6, jumlah kelas yang dibuat dalam penelitian ini adalah 5 kelas. 27 – 6 Interval Kelas =
= 4,2 dibulatkan menjadi 4 5
37
Setelah interval kelas didapatkan, maka kelas potensi kekeringan dapat ditetapkan dan disajikan pada tabel 3.1 sebagai berikut: Tabel 3.1 Klasifikasi kelas potensi kekeringan No
Kelas
Interval Kelas
Potensi Kekeringan
1
I
6 – <=10
Sangat rendah
2
II
>10 – <=14
Rendah
3
III
>14 – <=18
Agak tinggi
4
IV
>18 – <=22
Tinggi
5
V
>22
Sangat tinggi
Sumber: perhitungan data, 2012.
b. Metode Tumpang tindih (overlay) Tumpang tindih merupakan interaksi atau gabungan dari beberapa peta biofisik pemicu kekeringan. Tumpang tindih beberapa peta menghasilkan suatu informasi baru dalam bentuk luasan atau poligon yang terbentuk dari irisan beberapa poligon dari peta-peta tersebut. Peta yang ditumpang tindih merupakan peta-peta yang sebelumnya telah diberi skor pada setiap kelas dari masing-masing parameter biofisik sehingga menghasilkan peta zonasi kekeringan.
3.8 Uji Ketelitian Interpretasi Citra Metode uji ketelitian interpretasi citra diperoleh dari survei lapangan dengan menggunakan tabel kesesuaian. Uji ketelitian bertujuan untuk mengetahui keakuratan hasil pengolahan citra dengan nilai ambang akurasi citra 85%, nilai tersebut digunakan sebagai nilai minimum untuk diterimanya suatu interpretasi
38
berbasis citra penginderaan jauh. Pengambilan sampel dalam penelitian ini menggunakan metode simple random sampling karena populasi merupakan Kabupaten Klaten dengan daerah yang luas. Pengambilan sampel didasarkan pada hasil interpretasi digital citra satelit Landsat 7ETM+ yaitu kelas Normalized Difference Index, Indeks Kecerahan (Brightess Index) dan Indeks Kebasahan (Wetness Index). ∑ Titik benar Tingkat Kebenaran Interpretasi =
X 100% ∑ Titik yang disurvei
Nilai keakuratan dapat diketahui dengan menggunakan rumus di atas, yaitu dengan membandingkan jumlah titik survei yang benar dengan jumlah titik keseluruhan survei (Danoedoro, 2012:330).
BAB IV HASIL DAN PEMBAHASAN
4.1 Kondisi Umum daerah Penelitian 4.1.1 Lokasi Penelitian a. Letak Astronomis Letak astronomis adalah letak suatu daerah yang didasarkan atas garis lintang dan garis bujur. Secara astronomis Kabupaten Klaten berada pada koordinat 110˚ 26‟ 14” – 110˚ 47‟ 33” BT dan 07˚ 32‟ 19” – 07˚ 48‟ 33” LS. b. Letak Administratif Kabupaten Klaten merupakan salah satu dari 35 kabupaten/kota yang berada di Provinsi Jawa Tengah. Secara administrasi, Kabupaten Klaten terbagi menjadi 26 Kecamatan yaitu: Kemalang, Prambanan, Gantiwarno, Bayat, Cawas, Karangdowo, Wonosari, Polanharjo, Tulung, Jatinom, Karangnongko, Wedi, Karangnom, Ngawen, Klaten Utara, Klaten Tengah, Klaten Selatan, Kebonarum, Manisrenggo, Kalikotes, Trucuk, Ceper, Pedan, Jogonalan, Delanggu dan Juwiring. Adapun batas administrasi Kabupaten Klaten sebagai berikut: 1. Sebelah utara
: Kabupaten Boyolali
2. Sebelah selatan : Kabupaten Gunung Kidul (Provinsi D.I.Y) 3. Sebelah barat
: Kabupaten Sleman (Provinsi D.I.Y)
4. Sebelah timur
: Kabupaten Sukoharjo
39
40
Gambar 4.1 Peta Administrasi Kabupaten Klaten
41
Tabel 4.1. Luasan Kecamatan di Kabupaten Klaten No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Kecamatan
Bayat Cawas Ceper Delanggu Gantiwarno Jatinom Jogonalan Juwiring Kalikotes Karanganom Karangdowo Karangnongko Kebonarum Kemalang Klaten Selatan Klaten Tengah Klaten Utara Manisrenggo Ngawen Pedan Polanharjo Prambanan Trucuk Tulung Wedi Wonosari Jumlah Sumber: Perhitungan data tahun 2012
Luas dalam Ha 4030,566 3640,932 2553,693 1962,362 2680,444 3622,698 2754,349 3121,710 1393,621 2583,952 3056,010 2986,014 1099,184 5749,488 1504,658 998,570 1144,567 3081,444 1843,058 2009,806 2531,468 2667,418 3609,612 3463,108 2650,788 3321,185 70060,71
4.1.2 Kondisi Bentuk Lahan Berdasarkan peta bentuk lahan yang diperoleh dari BAPPEDA Kabupaten Klaten (Gambar 4.2), bentuk lahan di daerah penelitian dapat dikelompokkan menjadi 4 satuan yang secara garis besar dapat diuraikan sebagai berikut:
42
a. Satuan puncak Gunung Merapi Satuan puncak gunung merapi Kabupaten Klaten mempunyai luas 852.195 ha dengan ketinggian lebih dari 1000 mdpl yang terletak di bagian atas Kecamatan kemalang b. Satuan kaki Gunung Merapi Satuan kaki Gunung Merapi Kabupaten Klaten mempunyai luas 31769.399 ha dengan ketinggian antara 100 – 1000 mdpl. Satuan ini berada pada hampir separuh
Kabupaten
Klaten
yaitu
pada
Kecamatan
Manisrenggo,
Karangnongko, Jatinom, Tulung, Kebonarum, Ngawen, dan sebagian besar dari Kecamatan Kemalang, Prambanan, Jogonalan, Klaten selatan, Klaten Utara, Klaten Tengah, Kebonarum, Karangnom dan Polanharjo. c. Satuan Perbukitan Satuan perbukitan di Kabupaten Klaten merupakan satuan bentuk lahan terkecil dibandingkan dari satuan bentuk lahan yang lain berkisar antara 720.051 ha yang berada pada sebagian Kecamatan Bayat. d. Satuan Dataran Satuan dataran di Kabupaten Klaten mempunyai luas 36732.979 ha dengan ketinggian antara < 100 – 200 mdpl. Satuan ini berada pada hampir separuh Kabupaten Klaten yaitu pada Kecamatan Wonosari, Juwiring, Karangdowo, Cawas, Trucuk, Pedan, Gantiwarno, Wedi dan sebagian besar dari Kecamatan Bayat, Prambanan, Jogonalan, Klaten selatan, Klaten Utara, Klaten Tengah, Kalikotes, Ceper dan Delanggu.
43
Gambar 4.2 Peta Bentuk Lahan Kabupaten Klaten
44
Tabel 4.2. Luasan Satuan Bentuk Lahan Kabupaten Klaten No Kecamatan 1 Bayat 2 3 4 5 6 7 8 9 10 11 12 13 14
Bentuk Lahan Satuan Perbukitan Satuan Dataran Cawas Satuan Dataran Ceper Satuan Kaki Gunung Merapi Satuan Dataran Delanggu Satuan Kaki Gunung Merapi Satuan Dataran Gantiwarno Satuan Dataran Jatinom Satuan Kaki Gunung Merapi Jogonalan Satuan Kaki Gunung Merapi Satuan Dataran Juwiring Satuan Dataran Kalikotes Satuan Kaki Gunung Merapi Satuan Dataran Karanganom Satuan Kaki Gunung Merapi Satuan Dataran Karangdowo Satuan Dataran Karangnongko Satuan Kaki Gunung Merapi Kebonarum Satuan Kaki Gunung Merapi Kemalang Satuan Puncak Gunung Merapi Satuan Kaki Gunung Merapi
Sumber: Pengolahan data tahun 2012
Luas (ha) No Kecamatan 700,63 15 Klaten Selatan 3329,936 3640,932 16 Klaten Tengah 178,685 2375,008 17 Klaten Utara 232,972 1729,389 18 Manisrenggo 2680,444 19 Ngawen 3622,697 1857,711 20 Pedan 896,638 21 Polanharjo 3121,71 78,555 22 Prambanan 1315,066 2431,677 23 Trucuk 152,275 24 Tulung 25 Wedi 3056,01 2986,014 1099,184 26 Wonosari 863,602 4885,886
Bentuk Lahan Satuan Kaki Gunung Merapi Satuan Dataran Satuan Kaki Gunung Merapi Satuan Dataran Satuan Kaki Gunung Merapi Satuan Dataran Satuan Kaki Gunung Merapi Satuan Kaki Gunung Merapi Satuan Dataran Satuan Dataran Satuan Kaki Gunung Merapi Satuan Dataran Satuan Kaki Gunung Merapi Satuan Dataran Satuan Dataran Satuan Kaki Gunung Merapi Satuan Perbukitan Satuan Dataran Satuan Dataran
Luas (ha) 827,673 676,985 298,854 699,716 1083,636 60,931 3081,444 1842,419 0,639 2009,806 2278,673 252,795 1475,626 1191,792 3609,612 3463,108 29,759 2621,029 3321,185
45
4.1.3 Kondisi Topografi Letak Kabupaten Klaten secara topografis diapit oleh Gunung Merapi dan Pegunungan Seribu dengan ketinggian antara 75 – 2991 meter di atas permukaan air laut (DPL). Adapun pengelomokkan wilayah Kabupaten berdasarkan ketinggian sebagai berikut: a. Wilayah dengan ketinggian kurang dari 100 mdpl, meliputi sebagian besar dari Kecamatan Wonosari, Juwiring, Karangdowo, Cawas dan sebagian kecil dari Kecamatan Pedan. b. Wilayah dengan ketinggian antara 100 – 200 mdpl, meliputi Kecamatan Delanggu, Ceper, Kalten tengah, Klaten Utara, klaten Selatan, Trucuk, Bayat, Wedi, Gantiwarno, dan sebagian dari Kecamatan Jogonalan, Prambanan, Kebonarum,
Ngawen,
Karangnom,
Polanharjo,
Wonosari,
Juwiring,
Karangdowo, Cawas, pedan. c. Wilayah dengan ketinggian 200 – 400 mdpl meliputi sebagian besar dari Kecamatan Manisrenggo, Karangnongko, Jatinom, Tulung dan sebagian kecil dari Kecamatan Jogonalan, Prambanan, Kebonarum, Ngawen, Karangnom, Polanharjo, Wonosari, Juwiring, Karangdowo, Cawas, pedan. d. Wilayah dengan ketinggian 400 – 1000 mdpl meliputi sebagian besar Kecamatan Kemalang, sebagian kecil dari
Kecamatan Manisrenggo,
Karangnongko, Jatinom, Tulung. e. Wilayah dengan ketinggian 1000 – 2000 mdpl terletak di Kecamatan kemalang. Untuk lebih jelasnya dapat dilihat pada gambar 4.3 dan tabel 4.3.
46
Gambar 4.3 Peta Ketinggian Tempat Kabupaten Klaten
47
Tabel 4.3. Luasan Ketinggian Tempat Kabupaten Klaten No Kecamatan 1 Bayat 2 3 4 5 6 7 8 9 10 11 12 13
Ketinggian Luas (ha) 100 - 200 mdpl 4030,566 < 100 mdpl 2361,946 Cawas 100 - 200 mdpl 1278,986 Ceper 100 - 200 mdpl 2553,693 Delanggu 100 - 200 mdpl 1962,362 100 - 200 mdpl 2680,407 Gantiwarno 200 - 400 mdpl 0,038 200 - 400 mdpl 2920,040 Jatinom 400 - 1000 mdpl 702,658 100 - 200 mdpl 2266,161 Jogonalan 200 - 400 mdpl 488,188 < 100 mdpl 1255,589 Juwiring 100 - 200 mdpl 1866,121 Kalikotes 100 - 200 mdpl 1393,621 100 - 200 mdpl 1194,129 Karanganom 200 - 400 mdpl 1389,823 < 100 mdpl 2880,380 Karangdowo 100 - 200 mdpl 175,630 100 - 200 mdpl 15,281 Karangnongko 200 - 400 mdpl 2398,591 400 - 1000 mdpl 572,142 100 - 200 mdpl 585,751 Kebonarum 200 - 400 mdpl 513,434
Sumber: Perhitungan data tahun 2012
No Kecamatan 14
Kemalang
15
Klaten Selatan
16
Klaten Tengah
18
Manisrenggo
19
Ngawen
20
Pedan
21
Polanharjo
22
Prambanan
23
Trucuk
24
Tulung
25
Wedi
26
Wonosari
Ketinggian > 1000 mdpl 200 - 400 mdpl 400 - 1000 mdpl 100 - 200 mdpl 200 - 400 mdpl 100 - 200 mdpl 100 - 200 mdpl 200 - 400 mdpl 400 - 1000 mdpl 100 - 200 mdpl 200 - 400 mdpl < 100 mdpl 100 - 200 mdpl 100 - 200 mdpl 200 - 400 mdpl 100 - 200 mdpl 200 - 400 mdpl 100 - 200 mdpl 100 - 200 mdpl 200 - 400 mdpl 400 - 1000 mdpl 100 - 200 mdpl < 100 mdpl 100 - 200 mdpl
Luas (ha) 1241,796 274,491 4233,201 1470,860 33,798 998,570 56,165 2703,838 321,441 824,450 1018,608 198,673 1811,133 2176,362 355,106 2472,227 7,798 3609,612 1,127 2819,801 642,180 2650,788 837,141 2484,044
48
4.1.4 Kondisi Jenis Tanah Berdasarkan peta jenis tanah yang diperoleh dari BAPPEDA Kabupaten Klaten (Gambar 4.4), jenis tanah di Kabupaten Klaten terdiri atas beberapa jenis, baik yang terdapat secara tunggal, campuran beberapa jenis tanah, maupun kelompok tanah. a. Aluvial Kelabu: Terbentuk dari lumpur sungai yang mengendap di dataran rendah, memiliki sifat tanah yang subur. Tanah jenis ini berada di sebagian Kecamatan Bayat, Cawas, Juwiring, Karangdowo, Trucuk dan Wonosari. b. Grumosol: Bahan induk berupa abu dan pasir vulkan intermidier terdapat di sebagian Kecamatan Cawas, Bayat, Gantiwarno dan Wedi. c. Komplek Litosol & Mediteran Latosol: bahan induk dari skis kristal dan batu tulis yang terdapat di Kecamatan Bayat. d. Komplek Litosol & Regosol Kelabu: Tanah campuran dari litosol dan regosol terdapat pada daerah puncak gunung dan kaki gunung tepatnya di Kecamatan Kemalang, Manisrenggo, Prambanan, Gantiwarno, Jogonalan dan Wedi. e. Komplek Regosol Coklat dan Kealabu: bahan induk berupa abu dan pasir vulkan intermidier terdapat di Kecamatan Bayat dan Kalikotes. f. Regosol kelabu: Bahan induk abu dan pasir dan pasir vulkanik intermidier terdapat di sebagian besar Kabupaten Klaten bagian tengah hingga utara.
49
Gambar 4.4 Peta Jenis Tanah Kabupaten Klaten
50
4.1.5 Kondisi Curah Hujan Kondisi curah hujan di Kabupaten Klaten berdasarkan hasil analisis dari data yang diperoleh Badan Meteorologi dan Geofisika menunjukkan rata-rata curah hujan pada tahun 2008 – 2011 sebesar 1000 – 2500 mm/th. Data curah hujan di 7 stasiun penakar hujan dapat dilihat pada lampiran 3. Dari data tersebut dibuat menjadi peta curah hujan dengan menggunakan metode polygon thiessen. Proses pembuatan peta curah hujan menggunakan metode polygon thiessen dapat dilihat pada lampiran 2.2. Berdasarkan hasil pembuatan peta curah hujan didapatkan informasi 50% dari wilayah Kabupaten Klaten mempunyai kisaran curah hujan antara 2000 – 2500 mm/th, 25% dari wilayah Kabupaten Klaten mempunyai kisaran curah hujan antara 1500 – 2000 mm/th dan 25% dari wilayah Kabupaten Klaten mempunyai kisaran curah hujan antara 1000 – 1500 mm/th. Lebih jelasnya dapat dilihat pada gambar 4.5. Peta curah hujan ini yang nantinya menjadi salah satu parameter untuk menduga daerah berpotensi terhadap kekeringan. Temperatur udara Kabupaten Klaten rata-rata 28°-30° Celsius dengan kecepatan angin rata-rata sekitar 153 mm setiap bulannya.
51
Gambar 4.5 Peta Curah Hujan Kabupaten Klaten
52
4.1.6 Kondisi Hidrologi & Hidrogeologi Wilayah kabupaten klaten dilalui oleh 28 sungai parenial atau sungai yang mengalir sepanjang tahun, sungai-sungai tersebut antara lain yaitu sungai bengawan solo, sungai dengkeng, sungai pususur, sungai gawe, dan sungai ujung. Sungai-sungai ini mengalir di beberapa kecamatan dengan banyak anak sungai dan sungai musiman. Potensi sumberdaya air dari beberapa sungai parenial tersebut dimanfaatkan dan dikelola dengan membuat saluran-saluran irigasi, baik teknis maupun setengah teknis maupun sederhana. Berdasarkan pola aliran dan batas administrasi, departemen pekerjaan umum sub bidang pengairan telah membagi kabupaten klaten ke dalam lima wilayah irigasi atau UPTD (Unit Pelayanan Teknis Daerah) yaitu: UPDT Delanggu, UPDT Pedan, Jatinom, Gondang, Kota. Jenis akuifer yang berada di Kabupaten Klaten terdiri dari beberapa tingkatan produktivitas air tanah yaitu: 1.
Akuifer dengan produktivitas tinggi, penyebaran luas
2.
Akuifer dengan produktivitas sedang, penyebaran luas
3.
Akuifer dengan produktivitas sedang, penyebaran setempat
4.
Akuifer produktif kecil penyebaran luas
5.
Akuifer produktif kecil penyebaran setempat
6.
Daerah airtanah langka
Persebaran jenis akuifer tersebut dapat dilihat pada gambar 4.6
53
Gambar 4.6 Peta Hidrogeologi Kabupaten Klaten
54
4.1.7 Kondisi Penggunaan Lahan Penggunaan lahan di Kabupaten Klaten dibedakan menjadi enam jenis yaitu pemukiman, kebun, tegalan, semak/belukar, sawah dan rawa. Berdasarkan peta yang diperoleh dari BAPPEDA Kabupaten Klaten (Gambar 4.7), pada tahun 2011 Kabupaten Klaten memiliki luas kebun 3.921,11 ha (5,5%), pemukiman seluas 20.368,94 ha (29%), rawa seluas 163,28 ha (0,2%), sawah seluas 30723,95 ha (43,8%), semak belukar seluas 3.657,04 ha (5,2%) dan tegalan seluas 11.226,41 ha (16%). Perhitungan luasan penggunaan lahan pada tiap-tiap kecamatan di Kabupaten Klaten dapat dilihat pada tabel 4.4. Jenis penggunaan lahan pada penelitian ini menjadi salah satu parameter kondisi fisiografis yang berpengaruh terhadap kekeringan. Setiap jenis penggunaan lahan dikelaskan berdasarkan tingkat pengaruhnya terhadap kekeringan. Tabel 4.4 Luasan Penggunaan Lahan Kabupaten Klaten No 1 2 3 4 5 6
Penggunaan lahan Luas (ha) Persentase (%) Kebun 3.921,111 5,59 Pemukiman 20.368,904 29,07 Rawa 163,287 0,23 Sawah 30.723,950 43,85 Semak Belukar 3.657,046 5,21 Tegalan 11.226,412 16,02 Total 70.060,710 100 Sumber: BAPPEDA Kabupaten Klaten, 2012
55
Gambar 4.7 Peta Penggunaan lahan Kabupaten Klaten
56
4.2 Hasil Penelitian 4.2.1 Sebaran Daerah Berpotensi Kekeringan Sebaran daerah berpotensi kekeringan dalam penelitian ini didapatkan dari penggabungan (Overlay) serta pengharkatan (Scoring) parameter-parameter yang digunakan yaitu: NDVI (Normalized Difference Vegetation Index), Indeks Kecerahan (Brightness Index), Indeks Kebasahan (Wetness Index), kondisi curah hujan, kondisi hidrogeologi dan penggunaan lahan. Data atribut penggabungan keenam parameter tersebut dapat dilihat pada lampiran 5. Hasil sebaran daerah potensi kekeringan dapat dilihat pada gambar 4.20, tabel 4.8 dan tabel 4.9. Berikut penjelasan hasil analisis citra Landsat 7ETM+ untuk mengetahui kondisi permukaan lahan yang berkaitan dengan kekeringan yaitu: NDVI, indeks kecerahan dan indeks kebasahan. Sedangkan kondisi fisiografis berpengaruh terhadap kekeringan yaitu: curah hujan, kondisi hidrogeologi dan penggunaan lahan sudah dijelaskan pada gambaran umum wilayah. a. NDVI (Normalized Difference Vegetation Index) Transformasi NDVI (Normalized Difference Vegetation Index) dalam penelitian ini digunakan untuk mengetahui hubunganya dengan potensi kekeringan. Beberapa penelitian sebelumnya menyebutkan bahwa terdapat hubungan antara nilai NDVI dengan ketersediaan air tanah (Dian, 2010). Asumsi yang digunakan dalam penelitian ini adalah bahwa obyek vegetasi merupakan obyek dengan kapasitas perespan air tinggi, sebaliknya obyek selain vegetasi merupakan obyek kedap air. Sehingga nilai NDVI yang tinggi menunjukan daerah dengan kerapatan vegetasi tinggi, kemampuan penyerapan air tinggi. Sebaliknya
57
nilai NDVI yang rendah menunjukkan daerah dengan kerapatan vegetasi yang rendah, kemamupan penyerapan air rendah. Berdasarkan hasil pengolahan transformasi NDVI yang diterapkan pada citra Landsat 7 ETM+ Kabupaten Klaten perekaman bulan kering yang ditunjukkan gambar 4.8 menghasilkan nilai spektral antara -0,878 sampai dengan 0,948. Nilai negatif memperlihatkan bahwa obyek yang berada pada piksel tersebut memiliki nilai pantulan yang lebih tinggi pada band 3 (merah) jika dibandingkan dengan pantulan pada band 4 (inframerah dekat). Pantulan yang tinggi pada band merah mengindikasikan kerapatan vegetasi yang rendah karena pada dasarnya terjadi penyerapan cahaya merah oleh pigmen tanaman. Nilai NDVI yang tinggi memperlihatkan vegetasi yang lebih rapat. Nilai pantulan vegetasi pada saluran 4 (Inframerah dekat) lebih tinggi karena pada panjang gelombang ini cahaya matahari mengandung sebagian besar energinya, sehingga vegetasi mengantisipasi rusaknya protein dengan memantulkan kembali cahaya tersebut (Dian, 2010). Proses transformasi NDVI dapat dilihat pada lampiran 1.7.
58
Gambar 4.8 Hasil Transformasi NDVI Kabupaten Klaten
59
Hasil transormasi NDVI pada citra memiliki nilai yang sangat beragam. Nilai yang bervariasi ini akan mempengaruhi dalam pemilihan sempel serta pengharkatan potensi kekeringan karena homogenitasnya. Oleh karena itu, dilakukan penyerdehanaan nilai-nilai tersebut menjadi beberapa kelas sehingga dapat dihasilkan daerah yang lebih homogen atau dalam hal ini memiliki nilai yang hampir seragam. Adapun teknik pengkelasan transformasi NDVI menggunakan teknik pemotongan nilai spektral dengan melihat kurva histogram yang dihasilkan. Berikut gambar kurva histogram hasil transformasi NDVI citra Landsat 7ETM+ kabupaten Klaten.
Gambar 4.9. Histogram Transformasi NDVI Mengacu kurva histogram tersebut, dalam penelitian ini nilai spektral NDVI dikelaskan menjadi 5 kelas yang dapat dijelaskan pada tabel 4.5. Peta hasil klasifikasi transformasi NDVI dapat dilihat pada gambar 4.10. Proses klasifikasi
60
NDVI dapat dilihat pada lampiran 1.8. Berdasarkan pengkelasan interval nilai spektral, hasil klasifikasi NDVI Kabupaten Klaten dikategorikan kedalam 5 kelas yaitu: kelas lahan tidak bervegetasi, kehijauan sangat rendah, kehijauan rendah, kehijauan sedang dan kehijauan tinggi. Berikut luasan masing – masing kelas hasil transformasi NDVI. Tabel 4.5 Luas Kelas NDVI No
Interval nilai Klasifikasi spektral -1 s/d - 0.005 Lahan tidak bervegatasi - 0.005 s/d 0.19 Vegetasi sangat rendah 0.19 s/d 0.50 Vegetasi rendah 0.50 s/d 0.63 Vegetasi sedang 0.63 s/d 1.00 Vegetasi tinggi Sumber: perhitungan data, tahun 2012
Luas (ha)
1 2 3 4 5
847,541 13548,701 36056,955 11088,945 8518,568
Persentase (%) 1,21 19,34 51,47 15,83 12,16
Kelas kerapatan vegetasi hasil transformasi NDVI dijelaskan sebagai berikut: 1. Kelas Lahan Tidak Bervegetasi Tingkat kerapatan vegetasi kelas lahan tidak bervegetasi mempunyai luasan 847,541 ha atau 1,21% dari luas total wilayah (Tabel 4.5). Kelas ini banyak tersebar di penggunaan lahan yang berupa aera pabrik, pertokoan, pemukiman, rawa dan sawah. Kondisi lapangan mengenai lahan tidak bervegetasi dapat ditunjukkan pada gambar 4.10. Berdasarkan hasil transformasi NDVI pola sebaran kelas ini hampir terdapat di semua kecamatan dengan luasan yang kecil. Apabila dilihat kondisi geografisnya, kelas ini terdapat pada ketinggian di bawah 200 mdpl, curah hujan di bawah 2000 mm/th dan banyak terdapat pada penggunaan lahan pemukiman, sawah, belukar, tegalan dan rawa. Sebaran kelas lahan tidak bervegetasi hasil analisis NDVI dapat ditunjukkan pada gambar 4.11.
61
Kelas lahan tidak bervegetasi diakibatkan karena pantulan gelombang elektromagnetik saluran 3 (Band merah) lebih tinggi daripada pantulan dari saluran 4 (Inframerah dekat). Oleh karena itu, nilai NDVI bernilai rendah. Berdasarkan klasifikasi nilai NDVI yang didasarkan pada pemotongan kurva histogram transformasi NDVI Kabupaten Klaten, daerah yang memiliki nilai NDVI anatara -1 s/d -0.005 masuk pada kelas lahan tidak bervegetasi. 2. Kelas Vegetasi Sangat Rendah Tingkat kerapatan vegetasi kelas sangat rendah mempunyai luasan 13548,701 ha atau 19,34% dari luas total wilayah (Tabel 4.5). Kelas ini banyak tersebar di penggunaan lahan yang berupa aera pabrik, pertokoan, pemukiman, sawah, belukar, tegalan dan rawa. Kondisi lapangan mengenai lahan tidak bervegetasi dapat ditunjukkan pada gambar 4.10. Berdasarkan hasil transformasi NDVI, pola sebaran kelas ini tidak jauh berbeda dengan kelas lahan tidak bervegetasi. Kelas kerapatan vegetasi sangat rendah pada umumnya terdapat di dekat atau di luar area lahan tidak bervegetasi. Apabila dilihat kondisi geografisnya, kelas ini terdapat pada ketinggian di bawah 200 mdpl, curah hujan di bawah 2000 mm/th. Sebaran kelas kerapatan vegetasi sangat rendah hasil analisis NDVI dapat ditunjukkan pada gambar 4.11. Kelas kerapatan vegetasi sangat rendah diakibatkan karena pantulan gelombang elektromagnetik saluran 3 (Band merah) lebih tinggi daripada pantulan dari saluran 4 (Inframerah dekat). Oleh karena itu, nilai NDVI bernilai rendah. Berdasarkan klasifikasi nilai NDVI yang didasarkan pada pemotongan
62
kurva histogram transformasi NDVI Kabupaten Klaten, daerah yang memiliki nilai NDVI anatara -0.005 s/d 0.19 masuk pada kelas vegetasi sangat rendah. 3. Kelas Vegetasi Rendah Tingkat kerapatan vegetasi kelas rendah mempunyai luasan 36056,955 ha atau 51,47% dari luas total wilayah (Tabel 4.5). Kelas ini banyak tersebar di penggunaan lahan yang berupa pemukiman, belukar dan sawah. Kondisi lapangan mengenai lahan tidak bervegetasi dapat ditunjukkan pada gambar 4.10. Berdasarkan hasil transformasi NDVI pola sebaran kelas ini tidak jauh berbeda dengan kelas lahan tidak bervegetasi. Apabila dilihat kondisi geografisnya, kelas ini terdapat pada ketinggian di bawah 200 mdpl, curah hujan di bawah 2000 mm/th. Sebaran kelas kerapatan vegetasi rendah dari hasil analisis NDVI dapat ditunjukkan pada gambar 4.11. Kelas
kerapatan
vegetasi
rendah
diakibatkan
karena
gelombang
elektromagnetik saluran 3 (Band merah) terserap dalam pigmen-pigmen tanaman. Sedangkan saluran 4 (Inframerah dekat) terpantulkan kembali oleh tanaman untuk mengantisipasi rusaknya protein. Oleh karena itu, nilai NDVI bernilai rendah. Berdasarkan klasifikasi nilai NDVI yang didasarkan pada pemotongan kurva histogram transformasi NDVI Kabupaten Klaten, daerah yang memiliki nilai NDVI anatara 0.19 s/d 0.50 masuk pada kelas vegetasi rendah. 4. Kelas Vegetasi Sedang Tingkat kerapatan vegetasi kelas sedang mempunyai luasan 11088,945 ha atau 15,83% dari luas total wilayah (Tabel 4.5). Kelas ini banyak tersebar di penggunaan lahan yang berupa kebun, pemukiman, belukar dan sawah. Kondisi
63
lapangan mengenai lahan tidak bervegetasi dapat ditunjukkan pada gambar 4.10. Berdasarkan hasil transformasi NDVI pola sebaran kelas kerapatan vegetasi sedang hampir menyebar di seluruh wilayah Kabupaten Klaten. Apabila dilihat kondisi geografisnya, kelas ini terdapat pada ketinggian <100 - >1000 mdpl, curah hujan antara 100 - 2500 mm/th. Sebaran kelas kerapatan vegetasi sedang dari hasil analisis NDVI dapat ditunjukkan pada gambar 4.11. Kelas
kerapatan
vegetasi
sedang
diakibatkan
karena
gelombang
elektromagnetik saluran 3 (band merah) terserap dalam pigmen-pigmen tanaman. Sedangkan saluran 4 (inframerah dekat) terpantulkan kembali oleh tanaman karena untuk mengantisipasi rusaknya protein. Oleh karena itu, pantulan saluran 4 (inframerah dekat) lebih besar daripada pantulan saluran 3 (merah). Hal tersebut menjadikan nilai NDVI tinggi. Berdasarkan klasifikasi nilai NDVI yang didasarkan pada pemotongan kurva histogram transformasi NDVI Kabupaten Klaten, daerah yang memiliki nilai NDVI anatara 0.50 s/d 0.63 masuk pada kelas vegetasi sedang. 5. Kelas Vegetasi Tinggi Tingkat kerapatan vegetasi kelas tinggi mempunyai luasan 8518,568 ha atau 12,16% dari luas total wilayah (Tabel 4.5). Kelas ini terdapat hampir di setiap penggunaan lahan. Kondisi lapangan mengenai lahan tidak bervegetasi dapat ditunjukkan pada gambar 4.10. Berdasarkan hasil transformasi NDVI pola sebaran kelas kerapatan vegetasi tinggi hampir menyebar di seluruh wilayah Kabupaten Klaten. Apabila dilihat kondisi geografisnya, kelas ini terdapat pada ketinggian <100 - >1000 mdpl, curah hujan antara 2000 - 2500 mm/th. Sebaran
64
kelas kerapatan vegetasi tinggi dari hasil analisis NDVI dapat ditunjukkan pada gambar 4.11. Kelas kerapatan vegetasi tinggi diakibatkan gelombang elektromagnetik saluran 3 (Band merah) terserap dalam pigmen-pigmen tanaman. Sedangkan saluran 4 (Inframerah dekat) terpantulkan kembali oleh tanaman karena untuk mengantisipasi rusaknya protein. Oleh karena itu, pantulan saluran 4 (inframerah dekat) lebih besar daripada pantulan saluran 3 (merah). Hal tersebut menjadikan nilai NDVI tinggi. Berdasarkan klasifikasi nilai NDVI yang didasarkan pada pemotongan kurva histogram transformasi NDVI Kabupaten Klaten, daerah yang memiliki nilai NDVI anatara 0.63 s/d 1 masuk pada kelas vegetasi tinggi.
Kelas NDVI lahan tidak bervegatasi Koordinat X: 458349 Y:9142144 mU
Kelas NDVI vegetasi rendah Koordinat X: 465847 Y:9138509 mU
Kelas NDVI vegetasi sangat rendah Koordinat X: 455698 Y: 9148391
Kelas NDVI vegetasi sedang Koordinat X: 465847 Y: 9138509
Kelas NDVI vegetasi tinggi Koordinat X: 465847 Y: 9138509 Gambar 4.10. Kondisi Lapangan Kelas NDVI
65
Gambar 4.11 Hasil Klasifikasi Transformasi NDVI Kabupaten Klaten
66
b. Indeks Kecerahan (Brightness Index) Transformasi Indeks Kecerahan (Brightness Index) dalam penelitian ini digunakan untuk mengetahui hubunganya dengan potensi kekeringan. Asumsi yang digunakan dalam penelitian ini adalah semakin tinggi nilai kecerahan suatu obyek pada citra maka obyek tersebut semakin kering, sebaliknya semakin rendah tingkat kecerahan obyek pada citra maka obyek tersebut semakin basah. Berdasarkan hasil pengolahan transformasi indeks kecerahan yang diterapkan pada citra Landsat 7 ETM+ Kabupaten Klaten yang ditunjukan pada gambar 4.12 menghasilkan nilai spektral antara 7,31 sampai dengan 528,02. Nilai spektral hasil transformasi indeks kecerahan yang rendah memperlihatkan bahwa obyek yang berada pada pixel tersebut memiliki nilai pantulan yang rendah. Nilai pantulan yang rendah pada suatu citra penginderaan jauh dapat diakibatkan karena obyek tersebut memiliki permukaan yang kasar sehingga pantulan kemabali dari obyek tersebut tidak sempurna. Nilai pantulan yang rendah juga dapat diakibatkan pada obyek air. Dalam ilmu penginderaan jauh pantulan ini dinamakan pantulan baur. Sedangkan pantulan yang tinggi pada suatu citra penginderaan jauh diakibatkan karena obyek yang terkena gelombang elektromagnetik merupakan obyek yang mempunyai tingkat kehalusan serta kekerasan tinggi, sehingga gelombang elektromagnetik dapat terpantulkan dengan sempurna. Proses transformasi indeks kecerahan dapat dilihat pada lampiran 1.9.
67
Gambar 4.12 Hasil Transformasi Indeks Kecerahan Kabupaten Klaten
68
Hasil transormasi Indeks Kecerahan pada citra memiliki nilai yang sangat beragam. Nilai yang bervariasi ini akan mempengaruhi dalam pemilihan sempel serta pengharkatan rawan kekeringan karena homogenitasnya. Oleh karena itu, dilakukan penyerdehanaan nilai-nilai tersebut menjadi beberapa kelas, sehingga dapat dihasilkan daerah yang lebih homogen atau dalam hal ini memiliki nilai yang hampir seragam. Adapun teknik pengkelasan transformasi indeks kecerahan menggunakan teknik pemotongan nilai spektral dengan melihat kurva histogram yang dihasilkan. Berikut gambar kurva histogram hasil transformasi Indeks Kecerahan citra Landsat 7ETM+ kabupaten Klaten.
Gambar 4.13 Histogram Transformasi Indeks Kecerahan Mengacu kurva histogram tersebut, dalam penelitian ini nilai spektral indeks kecerahan dikelaskan menjadi 5 kelas yang dapat dijelaskan pada tabel 4.6. Peta hasil klasifikasi transformasi indeks kecerahan dapat dilihat pada gambar 4.15.
69
Proses klasifikasi indeks kecerahan dapat dilihat pada lampiran 1.10. Berdasarkan pengkelasan interval nilai spektral, hasil klasifikasi indeks kecerahan Kabupaten Klaten dikategorikan kedalam 5 kelas yaitu: Sangat gelap, gelap, agak cerah, cerah dan sangat cerah. Berikut luasan masing – masing kelas hasil transformasi indeks kecerahan. Tabel 4.6 Luas Kelas Indeks Kecerahan No 1 2 3 4 5
Interval nilai spektral ≤ 113.122 113.122 – 147.368 147.368 – 177.663 177.663 – 206.641
Klasifikasi Sangat gelap Gelap Agak cerah Cerah
>206.641 Sangat cerah Sumber: perhitungan data, tahun 2012
Luas (ha) 3664,339 28051,457 25142,320 9486,439 3716,156
Persentase (%) 5,23 40,04 35,89 13,54 5,30
Kelas kecerahan hasil transformasi indeks kecerahan dijelaskan sebagai berikut: 1. Indeks Kecerahan Kelas Sangat Gelap Daerah dengan indeks kecerahan kelas sangat gelap mempunyai luasan 3664,339 ha atau 5,23% dari luas total wilayah (Tabel 4.6). Kelas ini banyak tersebar di penggunaan lahan yang berupa kebun, sawah dan daerah yang mempunyai kelembaban tinggi. Kondisi lapangan mengenai Indeks kecerahan kelas sangat gelap dapat ditunjukkan pada gambar 4.14. Berdasarkan hasil transformasi indeks kecerahan pola sebaran kelas sangat gelap hanya terdapat di beberapa daerah dengan cakupan kecil. Kelas kecerahan sangat gelap diakibatkan karena obyek yang dikenai gelombang elektromagnetik merupakan obyek air atau permukaan yang lunak sehingga gelombang elektromagnetik dapat terserap atau terhamburkan dan sedikit membalikkan gelombang elektromagnetiknya. Akibat dari hal tersebut
70
nilai spektral indeks kecerahan bernilai rendah. Kelas ini terdapat pada rawa atau sawah yang masih terdapat air. Berdasarkan klasifikasi nilai spektral indeks kecerahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kecerahan Kabupaten Klaten, daerah yang memiliki nilai spektral anatara nilai terendah s/d 113.122 masuk pada kelas sangat gelap. 2. Indeks Kecerahan Kelas Gelap Daerah dengan indeks kecerahan kelas gelap mempunyai luasan 28051,457 ha atau 40,04% dari luas total wilayah (Tabel 4.6). Kelas ini tersebar di penggunaan lahan yang berupa sawah, kebun maupun pemukiman yang terdapat pohon. Kondisi lapangan mengenai indeks kecerahan kelas gelap dapat ditunjukkan pada gambar 4.14. Berdasarkan hasil transformasi indeks kecerahan pola sebaran kelas gelap hampir terdapat di setiap kecamatan yang dapat dilihat pada gambar 4.15. Kelas ini banyak terdapat di penggunaan lahan berupa sawa, kebun ataupun pemukiman yang terdapat pohon. Kelas kecerahan bernilai gelap diakibatkan obyek yang kasar ataupun lunak sehingga gelombang elektromagnetik yang dipancarkan dari satelit terserap ataupun terhamburkan. Oleh sebab itu gelombang balik elektromagnetik dari objek kurang sempurna dan mengakibatkan pada penajaman (Transformasi) kecerahan nilai spektralnya rendah (lebih tinggi dari kelas sangat gelap). Berdasarkan klasifikasi nilai spektral indeks kecerahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kecerahan Kabupaten Klaten, daerah yang memiliki nilai spektral anatara 113.122 s/d 147.368 masuk pada kelas gelap.
71
3. Indeks Kecerahan Agak Cerah Daerah dengan indeks kecerahan kelas agak cerah mempunyai luasan 25142,320 ha atau 35,89% dari luas total wilayah (Tabel 4.6). Kelas ini banyak tersebar di penggunaan lahan yang berupa sawah, tegalan dan kebun yang kering. Kondisi lapangan mengenai indeks kecerahan kelas agak cerah dapat ditunjukkan pada gambar 4.14. Berdasarkan hasil transformasi indeks kecerahan pola sebaran kelas agak cerah sebagian besar terdapat di Kecamatan Tulung, Manisrenggo, Prambanan, Gantiwarno, Jogonalan, dan Ceper (Gambar 4.15). Kelas kecerahan agak cerah diakibatkan obyek berupa lahan yang mempunyai permukaan kering dan keras seperti sawah dan tegalan sehingga gelombang balik elektromagnetik yang dipancarkan hampir sempurna. Pada obyek seperti ini kisaran nilai spektral hasil penajaman (Transformasi) kecerahan agak tinggi. Berdasarkan klasifikasi nilai spektral indeks kecerahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kecerahan Kabupaten Klaten, daerah yang memiliki nilai spektral anatara 147.368 s/d 177.663 masuk pada pada kelas agak cerah. 4. Indeks Kecerahan Cerah Daerah dengan indeks kecerahan kelas cerah mempunyai luasan paling kecil diantara kelas lainya yaitu 9486,439 ha atau 13,54% dari luas total wilayah (Tabel 4.6). Kelas ini tersebar di penggunaan lahan yang berupa sawah dan tegalan yang kondisinya kering ataupun pada lahan terbangun seperti pemukiman dan pabrik. Kondisi lapangan mengenai Indeks kecerahan kelas cerah dapat ditunjukkan pada gambar 4.14. Berdasarkan hasil transformasi indeks kecerahan,
72
kelas cerah sebagian besar terdapat di Kecamatan Bayat, Cawas dan Jogonalan (Gambar 4.15). Kelas kecerahan cerah diakibatkan gelombang elektromagnetik yang dipancarkan mengenai sawah dan tegalan yang kering ataupun atap bangunan yang halus dan keras dengan tanpa hambatan sehingga dapat membalikkan gelombang elektromagnetik secara sempurna. kisaran nilai spektral hasil penajaman (Transformasi) pada obyek seperti ini tinggi. Berdasarkan klasifikasi nilai spektral indeks kecerahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kecerahan Kabupaten Klaten, daerah yang memiliki nilai spektral anatara 177.663 s/d 206.641 masuk pada kelas cerah. 5. Indeks Kecerahan Sangat Cerah Daerah dengan indeks kecerahan kelas sangat cerah mempunyai luasan paling kecil diantara kelas lainya yaitu 3716,156 ha atau 5,30% dari luas total wilayah (Tabel 4.6). Kelas ini tersebar di penggunaan lahan terbangun seperti pemukiman dan pabrik maupun sawah dan tegalan yang kondisinya sangat kering. Kondisi lapangan mengenai Indeks kecerahan kelas sangat cerah dapat ditunjukkan pada gambar 4.14. Berdasarkan hasil transformasi indeks kecerahan, kelas sangat cerah sebagian besar terdapat di Kecamatan Bayat, Cawas, Jogonalan dan Klaten (Gambar 4.15). Kelas kecerahan sangat cerah diakibatkan gelombang elektromagnetik yang dipancarkan mengenai sawah dan tegalan yang kering ataupun atap bangunan yang halus dan keras dengan tanpa hambatan sehingga dapat membalikkan gelombang elektromagnetik secara sempurna. kisaran nilai spektral
73
hasil penajaman (transformasi) pada obyek seperti ini sangat tinggi. Berdasarkan klasifikasi nilai spektral indeks kecerahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kecerahan Kabupaten Klaten, daerah yang memiliki nilai spektral > 206.641 masuk pada kelas sangat cerah.
Kelas indeks kecerahan sangat gelap Koordinat X: 458349 Y:9142144
Kelas indeks kecerahan sangat gelap Koordinat X: 452260 Y: 9157669
Kelas indeks kecerahan gelap Koordinat X: 465847 Y: 9138509
Kelas indeks kecerahan cerah Koordinat X: 457058 Y: 9149842
Kelas indeks kecerahan agak cerah Koordinat X: 462448 Y: 9152474 Gambar 4.14 Kondisi Lapangan Kelas Indeks Kecerahan.
74
Gambar 4.15 Hasil Klasifikasi Indeks Kecerahan Kabupaten Klaten
75
c. Indeks Kebasahan (Wetness Index) Transformasi Indeks Kebasahan (Wetness Index) dalam penelitian ini digunakan untuk mengetahui hubunganya dengan potensi kekeringan. Asumsi yang digunakan dalam penelitian ini adalah semakin rendah nilai spektral hasil transformasi Indeks Kebasahan suatu obyek maka obyek tersebut semakin kering, sebaliknya semakin tinggi tingkat nilai spektral hasil transformasi Indeks Kebasahan suatu obyek maka obyek semakin basah. Berdasarkan hasil pengolahan transformasi Indeks Kebasahan yang diterapkan pada citra Landsat 7 ETM+ Kabupaten Klaten perekaman bulan kering yang ditunjukan pada gambar 4.16 menghasilkan nilai spektral antara -215,875 sampai dengan 61,358. Nilai spektral hasil transformasi indeks kebasahan yang rendah memperlihatkan bahwa obyek yang berada pada pixel tersebut memiliki kondisi kelembaban rendah sehingga menghasilkan nilai pantulan yang tinggi. Sebaliknya nilai spektral hasil transformasi indeks kebasahan yang tinggi memperlihatkan bahwa obyek yang berada pada pixel tersebut memiliki kondisi kelembaban tinggi sehingga menghasilkan nilai pantulan yang rendah. Oleh karena itu, tinggi rendahnya nilai spektral hasil transformasi indeks kebasahan dapat menggambarkan tingkat kelembaban suatu obyek. Proses transformasi indeks kebasahan dapat dilihat pada lampiran 1.11
76
Gambar 4.16 Hasil Transformasi Indeks Kebasahan Kabupaten Klaten
77
Hasil transormasi Indeks Kebasahan pada citra memiliki nilai yang sangat beragam. Nilai yang bervariasi ini akan mempengaruhi dalam pemilihan sempel serta pengharkatan rawan kekeringan karena homogenitasnya. Oleh karena itu, dilakukan penyerdehanaan nilai-nilai tersebut menjadi beberapa kelas, sehingga dapat dihasilkan daerah yang lebih homogen atau dalam hal ini memiliki nilai yang hampir seragam. Adapun teknik pengkelasan transformasi Indeks Kecerahan menggunakan teknik pemotongan nilai spektral dengan melihat kurva histogram yang dihasilkan. Berikut gambar kurva histogram hasil transformasi Indeks Kecerahan citra Landsat 7ETM+ kabupaten Klaten.
Gambar 4.17 Histogram Transformasi Indeks Kebasahan Mengacu kurva histogram tersebut, dalam penelitian ini nilai spektral indeks kebasahan dikelaskan menjadi 5 kelas yang dapat dijelaskan pada tabel 4.7. Peta hasil klasifikasi transformasi indeks kebasahan dapat dilihat pada gambar 4.19.
78
Proses klasifikasi indeks kecerahan dapat dilihat pada lampiran 1.9. Berdasarkan pengkelasan interval nilai spektral, hasil klasifikasi indeks kebasahan Kabupaten Klaten dikategorikan kedalam 5 kelas yaitu: Sangat kering, kering, lembab, sangat lembab dan tergenang. Berikut luasan masing – masing kelas hasil transformasi indeks kebasahan. Tabel 4.7 Luas Kelas Indeks Kebasahan No Interval nilai spektral Klasifikasi 1 Nilai terendah s/d -73.518 Sangat kering 2 -73.518 s/d -37.753 Kering 3 -37.753 s/d -21.157 Sedang/lembab 4 -21.157 s/d 21.152 Sangat lembab 5 21.152 s/d nilai tertinggi Tergenang Sumber: perhitungan data, tahun 2012
Luas (ha) 21179,138 18580,532 25909,164 3281,535 1110,341
Persentase (%) 30,23 26,52 36,98 4,68 1,58
Kelas kecerahan hasil transformasi indeks kecerahan dijelaskan sebagai berikut: 1. Indeks Kebasahan Kelas Sangat Kering Daerah dengan indeks kebasahan kelas sangat kering mempunyai luasan 21179,138 ha atau 30,23 % dari luas total wilayah (Tabel 4.7). Kelas ini banyak tersebar di penggunaan lahan yang berupa pemukiman, pabrik, pertokoan (lahan terbangun), sawah, tegalan dan belukar. Kondisi lapangan mengenai indeks kebasahan kelas sangat kering dapat ditunjukkan pada gambar 4.18. Berdasarkan hasil transformasi indeks kebasahan, pola sebaran kelas sangat kering sebagian besar terdapat di Kecamatan Bayat, Cawas, Karangdowo, Pedan, Ceper, Juwiring, Wonosari, Delanggu, Karangnom, Klaten Utara, Klaten tengah, Klaten selatan, Kalikotes, Wedi, Gantiwarno dan Prambanan (Gambar 4.19). Apabila dilihat kondisi geografisnya, kelas ini sebagian besar terdapat pada ketinggian di bawah 200 mdpl.
79
Indeks kebasahan kelas sangat kering diakibatkan karena obyek yang dikenai gelombang elektromagnetik merupakan obyek dengan permukaan cenderung kasar hingga halus. Hal tersebut mengakibatkan gelombang elektromagnetik yang dipancarkan dari satelit terbalikkan dengan sempurna. Gelombang balik tersebut mengakibatkan nilai spektral hasil transformasi indeks kebasahan bernilai rendah. Berdasarkan klasifikasi nilai spektral indeks kebasahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kebasahan Kabupaten Klaten, daerah yang memiliki nilai spektral terendah sampai dengan < -73.518 masuk pada kelas sangat kering. 2. Indeks Kebasahan Kelas Kering Daerah dengan indeks kebasahan kelas kering mempunyai luasan 18580,532 ha atau 26,52% dari luas total wilayah (Tabel 4.7). Kelas ini banyak tersebar di penggunaan lahan yang berupa pemukiman, pabrik, pertokoan (Lahan terbangun), sawah, tegalan dan belukar. Kondisi lapangan mengenai indeks kebasahan kelas kering dapat ditunjukkan pada gambar 4.18. Berdasarkan hasil transformasi indeks kebasahan, pola sebaran kelas lembab sebagian besar terdapat di Kecamatan kemalang, Trucuk, Jatinom, Polanharjo dan bayat (Gambar 4.19). Indeks kebasahan kelas lembab diakibatkan karena obyek yang dikenai gelombang elektromagnetik merupakan obyek dengan permukaan cenderung kasar hingga halus. Hal tersebut mengakibatkan gelombang elektromagnetik yang dipancarkan dari satelit terbalikkan hampir sempurna. Gelombang balik tersebut mengakibatkan nilai spektral hasil transformasi indeks kebasahan bernilai rendah. Berdasarkan klasifikasi nilai spektral indeks kebasahan yang didasarkan pada
80
pemotongan kurva histogram transformasi indeks kebasahan Kabupaten Klaten, daerah yang memiliki nilai spektral antara -73.518 sampai dengan -37.753 masuk pada kelas kering. 3. Indeks Kebasahan Kelas Lembab Daerah dengan indeks kebasahan kelas lembab mempunyai luasan 25909,164 ha atau 36,98% dari luas total wilayah (Tabel 4.7). Kelas ini banyak tersebar di penggunaan lahan yang berupa kebun, sawah dan pemukiman. Kondisi lapangan mengenai indeks kebasahan kelas lembab dapat ditunjukkan pada gambar 4.18. Berdasarkan hasil transformasi indeks kebasahan, pola sebaran kelas lembab tidak jauh dari kelas sangat kering (Gambar 4.19). Indeks kebasahan kelas lembab diakibatkan dikarenakan obyek berupa kebun, sawah dan pemukiman yang lembab. Hal tersebut mengakibatkan gelombang elektromagnetik yang dipancarkan dari satelit terserap ataupun terhamburkan, sehingga pada penajaman (Transformasi) kebasahan nilai spektralnya tinggi. Berdasarkan klasifikasi nilai spektral indeks kebasahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kebasahan Kabupaten Klaten, daerah yang memiliki nilai spektral antara -37.753 sampai dengan -21.157 masuk pada kelas lembab. 4. Indeks Kebasahan Kelas Sangat Lembab Daerah dengan indeks kebasahan kelas sangat lembab mempunyai luasan 3281,535 ha atau 4,68% dari luas total wilayah (Tabel 4.7). Kelas ini banyak terdapat di penggunaan lahan berupa sawah yang masih basah. Kondisi lapangan mengenai indeks kebasahan kelas sangat lembab dapat ditunjukkan pada gambar
81
4.18. Berdasarkan hasil transformasi indeks kebasahan, pola sebaran kelas lembab sebagian besar terdapat di Kecamatan Karangnongko, Manisrenggo dan Polanharjo (Gambar 4.17). Indeks kebasahan kelas sangat lembab dikarenakan obyek berupa sawah yang sangat lembab. Hal tersebut mengakibatkan gelombang elektromagnetik yang dipancarkan dari satelit terserap, sehingga pada penajaman (transformasi) kebasahan nilai spektralnya tinggi. Berdasarkan klasifikasi nilai spektral indeks kebasahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kebasahan Kabupaten Klaten, daerah yang memiliki nilai spektral antara 21.157 sampai dengan 21.152 masuk pada kelas sangat lembab. 5. Indeks Kebasahan Kelas Tergenang Daerah dengan indeks kebasahan kelas tergenang mempunyai luasan terkecil diantara kelas yang lain yaitu 1110,341 ha atau 1,58% dari luas total wilayah (Tabel 4.7). Kelas ini hanya terdapat di Kecamatan Bayat yaitu pada daerah rawa (Gambar 4.19). Kondisi lapangan mengenai indeks kebasahan kelas tergenang dapat ditunjukkan pada gambar 4.18. Indeks kebasahan kelas tergenang dikarenakan obyek berupa rawa yang tergenang air. Hal tersebut mengakibatkan gelombang elektromagnetik yang dipancarkan dari satelit terserap, sehingga pada penajaman (Transformasi) kebasahan nilai spektralnya tinggi. Berdasarkan klasifikasi nilai spektral indeks kebasahan yang didasarkan pada pemotongan kurva histogram transformasi indeks kebasahan Kabupaten Klaten, daerah yang memiliki nilai spektral > 21.152 masuk pada kelas tergenang.
82
WI kelas tergenang X: 458349 Y:9142144
WI kelas sangat lembab X: 446738 Y: 9142018
WI kelas lembab X: 452260 Y: 9157669
WI kelas kering X: 457058 Y: 9149842
WI kelas sangat kering X: 461232 Y: 9150785 Gambar 4.18. Kondisi Lapangan Kelas Indeks Kebasahan.
83
Gambar 4.19 Hasil Klasifikasi Indeks Kebasahan Kabupaten Klaten
84
Berdasarkan hasil analisis NDVI, indeks kecerahan, indeks kebasahan yang telah digabungkan dengan kondisi fisiografis berpengaruh terhadap kekeringan yaitu: curah hujan, hidrogeologi dan penggunaan lahan dapat diketahui Kabupaten Klaten terdapat 5 kelas potensi kekeringan. Adapun kelas potensi tersebut yaitu: Potensi kekeringan sangat rendah seluas 155,610 ha (0,22%), potensi kekeringan rendah seluas 5348,789 ha (7,63%), potensi kekeringan agak tinggi seluas 34839,348 ha (49,73%), potensi kekeringan tinggi seluas 24724,229 ha (35,29%) dan potensi kekeringan sangat tinggi seluas 4992,734 ha (7,13%). Tabel 4.8 Luas Potensi Kekeringan Kabupaten Klaten Berbasis PJ&SIG Luas Luas Persentase No Potensi Kekeringan potensi(ha) kabupaten (ha) (%) 1 Potensi kekeringan sangat rendah 155,610 70060,71 0,22 2 Potensi kekeringan rendah 5348,789 70060,71 7,63 3 Potensi kekeringan agak tinggi 34839,348 70060,71 49,73 4 Potensi kekeringan tinggi 24724,229 70060,71 35,29 5 Potensi kekeringan sangat tinggi 4992,734 70060,71 7,13 Sumber: pengolahan data, tahun 2012 Berikut penjelasan kelas potensi kekeringan di Kabupaten Klaten: 1. Potensi Kekeringan Sangat Rendah Potensi kekeringan sangat rendah sebagian besar terdapat pada daerah dengan kondisi fisiografis ketinggian tempat antara 200 – 1000 mdpl dengan curah hujan tinggi antara 2000 – 2500 mm/th, penggunaan lahan kebun dan rawa, berada pada kondisi jenis akuifer produktivitas sedang hingga tinggi. Disamping kondisi fisiografis tersebut, potensi kekeringan sangat rendah berdasarkan hasil analisis citra landsat 7 ETM+ berada pada daerah dengan kerapatan vegetasi tinggi dan kelembaban basah hingga tergenang. Kelas potensi ini tersebar di
85
Kecamatan Bayat, Jatinom, Juwiring, Kalikotes, Karngnom, Karangdowo, Karangnongko, Kemalang, Manisrenggo, Pedan, Polanharjo, Trucuk dan Tulung. 2. Potensi Kekeringan Rendah Potensi kekeringan rendah sebagian besar terdapat pada daerah dengan kondisi fisiografis ketinggian tempat merata pada ketinggian kurang dari 100 hingga lebih dari 1000 mdpl dengan curah hujan antara 1500 – 2500 mm/th, terdapat di semua jenis penggunaan lahan dan berada pada kondisi hidrogeologi jenis akuifer produktivitas sedang hingga tinggi. Disamping kondisi fisiografis tersebut, potensi kekeringan rendah berdasarkan hasil analisis citra landsat 7 ETM+ berada pada kerapatan vegetasi tinggi dengan kelembaban permukaan sangat basah. Kelas potensi ini tersebar di setiap Kecamatan di Kabupaten klaten. 3. Potensi Kekeringan Agak Tinggi Potensi kekeringan agak tinggi sebagian besar terdapat pada daerah dengan kondisi fisiografis dengan ketinggian tempat antara kurang dari 100 hingga 200 mdpl dengan curah hujan antara 1000 – 2500 mm/th, terdapat di jenis penggunaan lahan sawah, pemukiman, tegalan dan berada pada kondisi hidrogeologi jenis akuifer produktivitas kecil hingga air tanah langka. Disamping kondisi fisiografis tersebut, potensi kekeringan agak tinggi berdasarkan hasil analisis citra landsat 7 ETM+ berada pada kerapatan vegetasi rendah hingga sedang dengan kodisi permukaan lembab hingga sangat kering. Kelas potensi ini sebagian besar tersebar di Kecamatan Manisrenggo, Prambanan, Jogonalan, Kebonarum, Ngawen, Karangnom, Klaten Utara, Klaten Selatan, Kalten Tengah, Kalikotes, Wedi, Bayat, Trucuk, Ceper dan Cawas.
86
4. Potensi Kekeringan Tinggi Potensi kekeringan tinggi sebagian besar terdapat pada daerah dengan kondisi fisiografis pada ketinggian tempat antara 100 hingga 200 mdpl dengan curah hujan rendah antara 1000 – 2000 mm/th, terdapat di jenis penggunaan lahan sawah, pemukiman, tegalan dan berada pada kondisi hidrogeologi jenis akuifer produktivitas kecil hingga air tanah langka. Disamping kondisi fisiografis tersebut, potensi kekeringan tinggi berdasarkan hasil analisis citra landsat 7 ETM+ berada pada kerapatan vegetasi rendah hingga sedang dengan kondisi permukaan kering hingga sangat kering. Kelas potensi ini sebagian besar tersebar di Kecamatan Prambanan, Jogonalan, Kebonarum, Ngawen, Klaten Utara, Klaten Selatan, Kalten Tengah, Wedi, Bayat, Trucuk, Ceper dan Cawas. 5. Potensi Kekeringan Sangat Tinggi Potensi kekeringan sangat tinggi sebagian besar terdapat pada daerah dengan kondisi fisiografis dengan ketinggian tempat antara 100 hingga 200 mdpl dengan curah hujan rendah antara 1000 – 1500 mm/th, terdapat di jenis penggunaan lahan sawah, pemukiman, tegalan dan berada pada kondisi hidrogeologi jenis akuifer produktivitas kecil hingga air tanah langka. Disamping kondisi fisiografis tersebut, potensi kekeringan sangat tinggi berdasarkan hasil analisis citra landsat 7 ETM+ berada pada kerapatan vegetasi sangat rendah dengan kondisi permukaan sangat kering. Kelas potensi ini sebagian besar tersebar di Kecamatan Bayat, Gantiwarno, Jogonalan, Kalikotes, Karangnongko, Kebonarum, klaten Selatan, Kalten Tengah dan Klaten Utara, Ngawen, Pedan, Prambanan, Trucuk, Wedi.
87
Tabel 4.9 Luas Sebaran Variasi Potensi Kekeringan di Kabupaten Klaten No Potensi kekeringan 1 Sangat rendah
Kecamatan Bayat Jatinom Karangdowo Karangnongko Kemalang Manisrenggo Tulung
Total 2
Rendah
Bayat Cawas Ceper Delanggu Gantiwarno Jatinom Jogonalan Juwiring Kalikotes Karanganom Karangdowo Karangnongko Kebonarum Kemalang Klaten Utara Manisrenggo Ngawen Pedan Polanharjo Prambanan Trucuk Tulung Wedi Wonosari Total
3
Agak tinggi
Bayat Cawas Ceper Delanggu
Luas (ha) 110,097 14,949 3,818 16,117 9,747 0,053 0,829 155,610 171,212 61,484 28,032 4,867 1,089 866,252 0,187 214,346 5,150 100,452 389,449 546,810 0,221 1489,922 0,078 614,189 0,003 61,481 117,099 0,447 25,449 504,076 1,857 144,637 5348,789 1015,274 1148,357 1110,380 1310,864
Persentase 70,75 9,61 2,45 10,36 6,26 0,03 0,53 100,00 3,20 1,15 0,52 0,09 0,02 16,20 0,00 4,01 0,10 1,88 7,28 10,22 0,00 27,86 0,00 11,48 0,00 1,15 2,19 0,01 0,48 9,42 0,03 2,70 100,00 2,91 3,30 3,19 3,76
88
Gantiwarno Jatinom Jogonalan Juwiring Kalikotes Karanganom Karangdowo Karangnongko Kebonarum Kemalang Klaten Selatan Klaten Tengah Klaten Utara Manisrenggo Ngawen Pedan Polanharjo Prambanan Trucuk Tulung Wedi Wonosari Total 4
Tinggi
Bayat Cawas Ceper Delanggu Gantiwarno Jatinom Jogonalan Juwiring Kalikotes Karanganom Karangdowo Karangnongko Kebonarum Kemalang Klaten Selatan Klaten Tengah
1000,414 1458,995 611,918 2150,174 667,531 1605,248 2072,481 1903,460 533,274 2625,607 488,305 233,513 253,857 1917,671 746,365 1341,679 1943,537 775,443 2084,506 2466,697 1151,626 2222,172 34839,348 2268,408 2272,042 1358,321 657,541 1534,202 491,629 1711,231 814,284 647,575 897,879 759,773 514,131 415,754 401,232 620,077 526,241
2,87 4,19 1,76 6,17 1,92 4,61 5,95 5,46 1,53 7,54 1,40 0,67 0,73 5,50 2,14 3,85 5,58 2,23 5,98 7,08 3,31 6,38 100,00 9,17 9,19 5,49 2,66 6,21 1,99 6,92 3,29 2,62 3,63 3,07 2,08 1,68 1,62 2,51 2,13
89
Klaten Utara Manisrenggo Ngawen Pedan Polanharjo Prambanan Trucuk Tulung Wedi Wonosari 5
Total Sangat Tinggi Bayat Cawas Ceper Delanggu Gantiwarno Jatinom Jogonalan Juwiring Kalikotes Karanganom Karangdowo Karangnongko Kebonarum Kemalang Klaten Selatan Klaten Tengah Klaten Utara Manisrenggo Ngawen Pedan Polanharjo Prambanan Trucuk Tulung Wedi Wonosari
Total Sumber: Pengolahan data, tahun 2012
575,971 751,711 959,792 631,517 574,390 997,705 1338,503 606,457 1459,548 938,315 24724,229 883,793 402,004 50,882 30,932 364,812 13,086 679,645 14,338 83,555 29,573 1,926 46,097 183,518 1,944 408,038 301,113 337,081 16,172 207,995 26,371 36,393 418,134 119,943 9,241 281,164 44,984 4992,734
2,33 3,04 3,88 2,55 2,32 4,04 5,41 2,45 5,90 3,80 100,00 17,70 8,05 1,02 0,62 7,31 0,26 13,61 0,29 1,67 0,59 0,04 0,92 3,68 0,04 8,17 6,03 6,75 0,32 4,17 0,53 0,73 8,37 2,40 0,19 5,63 0,90 100,00
90
Gambar 4.20 Peta Potensi Kekeringan Kabupaten Klaten
91
4.2.2 Kemampuan Penginderaan Jauh dan Sistem Informasi Geografis dalam Mendeteksi Daerah Berpotensi Kekeringan Kemampuan penginderaan jauh dalam mendeteksi daerah berpotensi kekeringan dapat dilakukan dengan memanfaatkan data penginderaah jauh berupa citra satelit. Penelitian ini menggunakan citra satelit Landsat 7 ETM+ perekaman september 2002 dan september 2012. Penggunaan dua buah perekaman citra satu wilayah dimaksudkan untuk mengisi kekosongan pixel pada perekaman 2012 yang diakibatkan karena SLC-off (Scan line corrector-off). Citra Landsat 7 ETM+ dalam mendeteksi daerah rawan terhadap kekeringan dapat dilakukan dengan teknik
transformasi
atau
penajaman
multispektral.
Transformasi
NDVI
(Normalized Difference Vegetation Index) digunakan untuk mempertajam informasi kerapatan vegetasi, transformasi Indeks Kecerahan (Brightness Index) digunakan untuk mempertajam informasi kecerahan obyek dan transformasi Indeks Kebasahan (Wetness Index) digunakan untuk mempertajam informasi kelembaban obyek. Informasi hasil transformasi tersebut menggambarkan kondisi permukaan yang dapat digunakan untuk mengidentifikasi kekeringan permukaan. Sebelum proses transformasi, citra Landsat 7 ETM+ yang digunakan dilakukan proses pra-pengolahan yang terdiri dari penggabungan band (Lampiran 1.1), koreksi geometri (Lampiran 1.2), cloud masking (Lampiran 1.3) penggabungan citra 2002 dan 2012 (Lampiran 1.4) pemotongan citra (lampiran 1.5) dan koreksi radiometri (Lampiran 1.6). Hasil transformasi NDVI wilayah penelitian mempunyai nilai spektral berkisar antara -0.878 sampai dengan 0.948. Rentang nilai spektral tersebut kemudian dilakukan pengkelasan berdasarkan
92
kurva histogram yang terbagi menjadi 5 kelas yaitu: lahan tidak bervegetasi, vegetasi sangat rendah, vegetasi rendah, vegetasi sedang dan vegetasi tinggi. Hasil transformasi indeks kecerahan wilayah penelitian mempunyai nilai spektral berkisar antara 7.31 sampai dengan 528.02. Rentang nilai spektral tersebut kemudian dilakukan pengkelasan berdasarkan kurva histogram yang terbagi menjadi 5 kelas yaitu: sangat gelap, gelap, agak cerah, cerah dan sangat cerah. Hasil transformasi indeks kebasahan wilayah penelitian mempunyai nilai spektral berkisar antara -25.875 sampai dengan 61,358. Rentang nilai spektral tersebut kemudian dilakukan pengkelasan berdasarkan kurva histogram yang terbagi menjadi 5 kelas yaitu: sangat kering, kering, lembab, sangat lembab dan tergenang. Hasil interpretasi citra penginderaan jauh membutuhkan cek lapangan untuk mengetahui tingkat kebenaran hasil interpretasi tersebut. Keberhasilan sebuah interpretasi citra dapat dipercaya jika tingkat kebenaranya > 85%. Namun dalam penelitian pemanfaatan penginderaan jauh yang hasil interpretasinya akan digunakan untuk analisis lebih lanjut, maka hasil interpretasi tersebut harus mempunyai nilai keakuratan 100%. Penelitian potensi kekeringan ini merupakan penelitian sampel. Jumlah sampel yang diambil sebanyak 30 titik menggunakan metode acak yang didasarkan pada hasil interpretasi NDVI, namun tetap memperhatikan indeks kecerahan dan indeks kebasahan. Peta pengambilan sampel hasil interpretasi dapat dilihat pada gambar lampiran 4. Berdasarkan hasil uji kebenaran interpretasi didapatkan 26 sampel NDVI benar dari total 30 sampel, maka didapatkan tingkat kebenaran interpretasi NDVI
93
sebesar 86,66%. Pada interpretasi Indeks Kecerahan terdapat 28 sampel benar dari total 30 sampel, maka didapatkan tingkat kebenaran interpretasi indeks kecerahan sebesar 93,33% dan hasil interpretasi indeks kebasahan terdapat 27 sampel benar dari total 30 sampel, maka didapatkan tingkat kebenaran interpretasi indeks kebasahan sebesar 90%. Perhitungan nilai akurasi tersebut dapat ditunjukkan pada tabel 4.10, sedangkan hasil cek lapangan terlampir pada lampiran 6. Nilai keakuratan tersebut belum baik digunakan karena penelitian ini bukan merupakan penelitian hasil interpretasi namun penelitian potensi kekeringan yang menggunakan hasil interpretasi. Oleh karena itu, hasil transformasi tersebut dilakukan perbaikan sehingga nilai akurasi hasil transformasi bernilai 100%. Tabel 4.10 Hasil Uji Akurasi Interpretasi No
Hasil Interpretasi
Jumlah sampel
1 NDVI 2 Indeks Kecerahan 3 Indeks Kebasahan
30 30 30 Sumber: perhitungan data, tahun 2012 Perhitungan akurasi: NDVI = 26/30 x 100 = 86,66% Indeks Kecerahan = 28/30 x 100 = 93,33% Indeks Kebasahan = 27/30 x 100 = 90%
Kondisi Lapangan Akurat Tidak akurat 26 4 28 2 27 3
Tingkat akurasi (%) 86,66% 93,33% 90%
94
Perbaikan hasil transformasi dilakukan pada titik sampel yang tidak akurat dengan cara mengubah nilai kelas menggunakan Sistem Informasi Geografis. Setelah dilakukan perbaikan pada semua titik yang tidak akurat maka didapatkan akurasi hasil transformasi NDVI, indeks kecerahan dan indeks kebasahan sebesar 100%. Data yang sudah dilakukan perbaikan dapat digunakan untuk ianalisis lebih lanjut. Berikut adalah contoh gambar perbaikan kelas hasil transformasi yang tidak akurat. Hasil interpretasi
Kondisi lapangan
Perbaikan
Gambar 4.21 Perbaikan Klasifikasi Sampel Tidak Akurat Penelitian potensi kekeringan ini tidak hanya didasarkan pada hasil interpretasi penginderaan jauh, melainkan hasil tersebut diintegrasikan dengan kondisi fisiografis berpengaruh terhadap kekeringan yaitu: curah hujan, hidrogeologi dan penggunaan lahan. Kondisi fisiografis tersebut merupakan data sekunder sehingga untuk penggunaan lebih lanjut dibutuhkan validasi data. Validasi data dilakukan untuk melihat kondisi sebenarnya, sehingga hasil akhir yang didapatkan sudah valid dikarenakan parameter-parameter yang digunakan
95
sudah diuji kebenaranya. Adapun data sekunder yang diuji validitasnya dalam penelitian ini yaitu peta hidrogeologi dan penggunaan lahan, sedangkan peta curah hujan tidak dilakukan karena dalam pembuatan peta tersebut menggunakan data curah dalam bentuk angka yang didapatkan dari BMKG. Pengambilan sampel untuk validasi data sekunder yaitu menggunakan metode acak. Peta penggunaan lahan diambil 30 sampel sesuai lokasi cek lapangan hasil interpretasi citra Landsat, sedangkan peta hidrogeologi diambil 4 sampel yang mewakili setiap kelasnya. Adapun peta lokasi pengambilan sampel penggunaan lahan dapat dilihat pada lampiran 4, sedangkan peta pengambilan sampel hidrogeologi dapat dilihat pada lampiran 5. Hasil dari uji validitas peta hidrogeologi dan peta penggunaan lahan menunjukkan bahwa data peta tersebut valid dikarenakan anatara peta dengan kondisi di lapangan tidak ada penyimpangan. Berikut tabel uji validitas data sekunder tersebut. Tabel 4.11 Validasi Kondisi Hidrogeologi No 1
Jenis akuifer Produksi kecil
Kedalaman muka airtanah 18 m
Lokasi
Ds. Bono Kec. Tulung 2 Produksi sedang 7m Ds. Jimbung Kec. kalikotes 3 Produksi tinggi 5m Ds. Pucangmiliran Kec. Tulung Sumber: Peta hidrogeologi, dan cek lapangan 2013. Kondisi kedalaman air tanah pada akuifer prodiktifitas kecil di Desa Bono Kecamatan Tulung berkisar 18 m, pada akuifer produktifitas sedang di Desa Jimbung Kecamatan berkisar 11 m, dan pada akuifer produktifitas tinggi di Desa
96
Pucangmiliran Kecamatan Tulung berkisar 8 m. dari sampel tersebut dapat diketahui bahwa pada setiap jenis akuifer kedalaman muka air tanah juga berbeda sesuai dengan potensinya. Hasil validasi peta penggunaan lahan yang dibuat oleh BAPPEDA Kabupaten Klaten dengan kondisi lapangan menunjukkan tidak adanya penyimpangan. Pengamatan lapangan mengambil sampel sejumlah 30 titik dapat ditunjukkan pada tabel 4.12 sebagai berikut. Tabel 4.12 Validasi Penggunaan Lahan No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Koordinat 458349 9142144 473173 9146590 464386 9155434 448618 9144528 467315 9137689 452769 9149702 468457 9160246 457058 9149842 455713 9159372 446738 9142018 463534 9145314 464881 9149165 461232 9150785 460555 9139477 474448 9154723
Peta Rawa
Lapngan Rawa
No 16
Sawah
Sawah
17
Sawah
Sawah
18
Rumput
Rumput
19
Tegalan
Tegalan
20
Sawah
Sawah
21
Sawah
Sawah
22
Pemukiman
Pemukiman
23
Pemukiman
Pemukiman
24
Sawah
Sawah
25
Kebun
Kebun
26
Kebun
Kebun
27
Pemukiman
28
Sawah
Lahan terbangun Sawah
Kebun
Kebun
30
29
Koordinat 455273 9160340 452260 9157669 459603 9148003 456615 9139250 465847 9138509 461689 9143811 462448 9152474 447156 9143899 461224 9150785 461846 9159370 449589 9156347 458062 9142752 457109 9148726 455698 9148391 460562 9139481
Sumber: Peta Penggunaan Lahan dan Cek Lapangan, 2012.
Peta Sawah
Lapangan Sawah
Kebun
Kebun
Sawah
Sawah
Sawah
Sawah
Tegalan
Tegalan
Sawah
Sawah
Pemukiman
Tegalan
Lahan terbangun Lahan terbangun Lahan terbangun Lahan terbangun Tegalan
Rawa
Rawa
Pemukiman
Lahan terbangun Lahan terbangun sawah
Pemukiman Pemukiman Pemukiman
Pemukiman sawah
97
4.3 Pembahasan 4.3.1 Sebaran Daerah Berpotensi Kekeringan Hasil penelitian ini mengklasifikasikan potensi kekeringan di Kabupaten Klaten menjadi 5 kelas yaitu: Potensi kekeringan sangat rendah, potensi kekeringan rendah, potensi kekeringan agak tinggi, potensi kekeringan tinggi dan potensi kekeringan sangat tinggi (Gambar 4.20). Berdasarkan perhitungan data hasil penelitian (Tabel 4.8) menunjukan bahwa potensi kekeringan agak tinggi mendominasi daerah penelitian dengan kisaran 49,73% dari luas wilayah. Sedangkan luas potensi kekeringan tinggi mencakup 35,29% dari luas wilayah, luas potensi kekeringan rendah mencakup 7,63% dari luas wilayah, luas potensi kekeringan sangat tinggi mencakup 7,13% dan potensi kekeringan sangat rendah di Kabupaten Klaten merupakan kelas potensi yang paling kecil luasanya hanya mencakup 0,22% dari luas wilayah. Dari uraian di atas dapat diketahui lebih dari 50% luas Kabupaten Klaten berpotensi kekeringan agak tinggi hingga sangat tinggi dan kurang dari 50% luas Kabupaten Klaten berpotensi rendah hingga sangat rendah. Hal ini sejalan dengan catatan BNPB tahun 2009 yang memasukan Kabupaten Klaten dalam 10 kabupaten paling berpotensi kekeringan. Wilayah berpotensi kekeringan kelas tinggi dan sangat tinggi di Kabupaten Klaten berada bagian selatan dan bagian tengah (Gambar 4.20). Bagian selatan dari Kabupaten Klaten berbatasan langsung dengan Kabupaten Gunung Kidul. Terdapat beberapa faktor penyebab bagian selatan Kabupaten Klaten rawan terhadap kekeringan. Secara kondisi fisiografis daerah ini memiliki kondisi
98
akuifer produktivitas sedang hingga air tanah langka. Berdasarkan data curah hujan tahun 2008 hingga 2011 dari Badan Meteorologi Klimatologi dan Geofisika (BMKG), kondisi curah hujan daerah ini berkisar antara 1500-2000 mm/th, dengan curah hujan yang relatif kecil dan potensi air tanah yang terbatas menjadikan input dan output air tidak seimbang. Daerah ini berpotensi kekeringan tinggi dibuktikan dengan banyaknya penggunaan lahan pertanian lahan kering atau tegalan (Gambar 4.7). Pada musim kemarau daerah ini cenderung lebih kering yaitu pada Kecamatan Bayat dan Kecamatan Cawas (Gambar 4.20). Selain bagian selatan Kabupaten Klaten, potensi tinggi terhadap kekeringan juga berada pada daerah tengah Kabupaten Klaten yang merupakan wilayah pusat dan perkembangan kota. Daerah tersebut meliputi Kecamatn Klaten Utara, Klaten Tengah, Klaten selatan, Ngawen, Kebonarum dan Prambanan (Gambar 4.20). Terdapat beberapa faktor yang menyebabkan daerah ini berpotensi tinggi terhadap kekeringan. Kondisi fisiografis pada daerah ini memiliki curah hujan terkecil dibandingkan daerah lain dengan kisaran curah hujan antara 10001500 mm/th (Gambar 4.5). Di samping kondisi curah hujan yang kecil, bagian tengah Kabupaten Klaten berada pada kondisi akuifer produktivitas kecil. Sebagi ibukota kabupaten, daerah ini mengalami perkembangan bangunan yang tinggi baik pemukiman, pertokoan maupun industri. Hal tersebut mengakibatkan berkurangnya kerapatan vegetasi sebagai penyimpan air serta menaikkan suhu permukaan yang dapat memperbesar tingkat penguapan. Berdasarkan kondisi fisiografis yang dimiliki bagian tengah Kabupaten Klaten, daerah ini mempunyai kemungkinan besar terjainya ketidakseimbangan
99
antara input dan output air. Oleh karena itu, derah ini memiliki potensi yang besar untuk terjadinya kekeringan. Berdasarkan fakta di lapangan yang termuat di beberapa media berita, pada musim kemarau 2012 terdapat beberapa kecamatan yang merupakan daerah penghasil beras di Kabupaten Klaten yang mengalami kekeringan. Daerah – daerah tersebut diantaranya pada Kecamatan Gantiwarno, Cawas, Trucuk, Klaten Tengah, Wonosari, dan Ceper. Kecamatan tersebut terancam gagal panen dikarenakan sawah yang terus mengalami penurunan kelembaban, berita tersebut disampaiakan oleh ketua Himpunan Kerukunan Tani Indeonesia pada media berita Joglosemar (http/www.Joglosemar.com). Sedangkan pada media berita yang lain menyebutkan selain kecamatan tersebut ada juga kecamatan yang terancam kekeringan yaitu: Juwiring, Karanganom, Karangnongko dan Pedan. 4.3.2 Kemampuan Penginderaan Jauh dan Sistem Informasi Geografis dalam Mengidentifikasi Daerah Berpotensi Kekeringan. Hasil dari penelitian ini menunjukkan bahwa dengan menginterpretasi secara digital citra Penginderaan Jauh (Landsat 7 ETM+) dapat diketahui kondisi kerapatan vegetasi, kelembaban permukaan dan kecerahan obyek yang terekam pada citra. Kondisi kerapatan vegetasi dapat diinterpretasi dengan suatu transformasi citra multispektral. Salah satu transformasi tersebut yaitu dengan teknik NDVI (Normalized Difference Vegetation Index). Nilai spektral yang dihasilkan dari transformasi NDVI menunjukan tingkat kerapatan vegetasi, smakin tinggi nilai spektralnya maka akan semakin tinggi kerapatan vegetasinya, sebaliknya semakin
100
rendah nilai spektralnya maka akan semakin rendah pula kerapatan vegetasinya. Asumsi yang digunakan dalam penelitian ini adalah dengan kerapatan vegetasi yang tinggi maka daerah tersebut mempunyai kondisi perairan yang bagus, sebaliknya dengan kerapatan vegetasi yang rendah maka daerah tersebut mempunyai kondisi perairan yang kurang bagus. Kondisi kelembaban permukaan tanah pada citra Landsat 7 ETM+ dapat diinterpretasi menggunakan suatu transformasi Indeks Kebasahan. Nilai spektral yang dihasilkan dari transformasi Indeks Kebasahan menunjukkan tingkat kelembaban permukaan. Semakin tinggi nilai spektral yang dihasilkan maka semakin lembab daerah tersebut. Sebaliknya semakin rendah nilai spektral yang dihasilkan maka akan semakin kering daerah tersebut. Dengan menilai kelembaban permukaan, penelitian ini mengasumsikan semakin lembab permukaan suatu daerah maka akan semakin tidak berpotensi terhadap kekeringan, sebaliknya semakin rendah kelembaban suatu daerah maka akan cenderung berpotensi terhadap kekeringan. Sama halnya dengan indeks kebasahan, indeks kecerahan pada dasarnya juga menilai kelembaban suatu obyek. Semakin tinggi nilai spektral yang dihasilkan maka akan semakain cerah obyek tersebut, sebaliknya semakin rendah nilai spektral yang dihasilkan maka akan semakin lembab obyek tersebut. Dengan asumsi bahwa semakin cerah maka akan semakin kering obyek tersebut, sebaliknya semakin gelap maka akan semakin basah obyek tersebut. Sistem Informasi Geografis dalam mengolah data spasial dapat digunakan untuk menggabungkan beberapa data spasial serta menganalisis data atribut.
101
Sistem Informasi Geografis dalam penelitian ini berperan menginformasikan kondisi fisiografis berpengaruh terhadap kekeringan serta memberi harkat setiap kondisi tersebut. Hasil pengolahan dari citra Landsat 7 ETM+ diintegrasikan dengan kondisi fisiografis menggunakan teknik SIG yaitu pengharkatan, pembobotan dan penggabungan. Setiap parameter diberi harkat sesuai dengan tingkat pengaruhnya terhadap kekeringan. Setelah dilakukan proses pengharkatan, penggabungan dan pembobotan maka didapatkan kelas potensi kekeringan. Berdasarkan uraian tersebut dapat diketahui penginderaan jauh dan sistem informasi geografis mampu mendeteksi potensi kekeringan. Peran penginderaan jauh dalam penelitian potensi kekeringan ini yaitu mengidentifikasi kondisi permukaan. Sedangkan sistem informasi geografis mampu mengkelaskan tingkat potensi kekeringan di daerah penelitian dengan teknik pengharkatan, pembobotan dan overlay.
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan Berdasarkan hasil penelitian yang telah dilakukan, diperoleh beberapa kesimpulan yaitu: 1. Kabupaten Klaten terdapat 5 kelas potensi kekeringan yaitu: Potensi kekeringan sangat rendah seluas 155,610 ha (0,22%), potensi kekeringan rendah seluas 5348,789 ha (7,63%), potensi kekeringan agak tinggi seluas 34839,348 ha (49,73%), potensi kekeringan tinggi seluas 24724,229 ha (35,29%) dan potensi kekeringan sangat tinggi seluas 4992,734 ha (7,13%). Sebaran daerah yang berpotensi kekeringan kelas tinggi dan sangat tinggi terdapat pada Kabupaten Klaten bagian selatan yaitu pada Kecamatan Bayat, Cawas dan sekitarnya serta pada Kabupaten Klaten bagian tengah yaitu pada Kecamatan Klaten, Jogonalan dan sekitarnya. 2. Teknik Penginderaan Jauh dan Sistem Informasi Geografis mampu mengidentifikasi daerah berpotensi kekeringan. Menggunakan data citra Penginderaan Jauh berupa Landsat 7ETM+ dapat digunakan untuk menganalisis
kondisi
permukaan
yang
berkaitan
dengan
kerawanan
kekeringan. Kondisi tersebut adalah kerapatan vegetasi dan kelembaban permukaan.
Sistem
Informasi
Geografis
(SIG)
berperan
dalam
menginformasikan kondisi fisiografis yang dapat berpengaruh pada kekeringan seperti curah hujan, hidrogeologi dan penggunaan lahan. Menggunakan Sistem Informasi Geografis, beberapa kondisi tersebut dapat digabungkan sehingga
102
103
menghasilkan keluaran suatu keluaran baru berupa potensi kekeringan. Penelitian potensi kekeringan ini berbasis Penginderaan Jauh dan Sistem Informasi Geografis, maka keluaran dari penelitian ini berupa informasi dalam bentuk spasial yang disajikan dalam sebuah peta.
5.2 Saran 1. Daerah yang mempunyai potensi tinggi untuk terjadinya kekeringan diharapkan mendapatkan prioritas utama dalam mitigasi bencana kekeringan. 2. Peta potensi kekeringan bermanfaat untuk penanganan bencanan kekeringan, sehingga daerah-daerah yang belum mempunyai peta seperti ini diharapkan membuat peta potensi kekeringan. 3. Mendeteksi potensi kekeringan berbasis Penginderaan Jauh dan sistem Informasi Geografis membutuhkan pengetahuan dasar mengenai pengolahan citra digital, sehingga peneliti berikutnya diharapkan mengetahui dasar-dasar penginderaan jauh digital secara mendalam.
106
DAFTAR PUSTAKA BNPB. 2011. Indeks Rawan Bencana. Jakarta: Badan Nasional penanggulangan Bencana.
Danoedoro, Projo. 2012. Pengantar Penginderaan Jauh Digital. Yogyakarta: Andi Offset. Dian, Risa. 2010. Penentuan daerah potensi genangan di sebagian kota surakarta dengan teknik penginderaan jauh dan sig. Skripsi. Yogyakarta: UGM. ________, 2003. Draft Final TKPSDA. Jakarta: Kementrian Pengelolaan Sumber Daya Air. Fersely. 2007. Identifikasi Indikator Kekeringan Penginderaan Jauh. Artikel Skripsi. Bogor: IPB.
menggunakan
teknik
________, 1989. Kamus Besar Bahasa Indonesia. Jakarta: Balai Pustaka. Harjadi, Beny. 2010. Analisis Kerentanan Tumbuhan Hutanakibat Perubahan Iklim (Variasi Musim & Cuaca Ekstrim). Laporan Penelitian. Solo: Balai Penelitian Kehutanan. Prahasta, Eddy. 2009. Sistem Informasi Geografis Konsep-konsep dasar (Prespektif Geodesi&Geomatika). Bandung: Informatika. Purwadhi, Sri H. 2001. Interpretasi Citra Digital. Jakarta: Gramedia. Purwadhi, Sri H dan Tjaturrahono BS. 2008. Pengantar Interpretasi Citra Penginderaan Jauh. Semarang: Unnes dan Lapan. Raharjo, Puguh Dwi. 2010. Teknik Penginderaan Jauh dan Sistem Informasi Geografis untuk Identifikasi Potensi Kekeringan Kabupaten Kebumen. Jurnal makara teknologi, vol. 14 no. 2, November 2010: 97-105. Karangsambung: Lembaga Ilmu Pengetahuan Indonesia. Shofiyati, Rizatus. 2007. Inderaja untuk Mengkaji Kekeringan di Lahan Pertanian. Jurnal informatika pertanian volume 16 no.1, Juli 2007. Jakarta: Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian.
107
Tika, Moh. Pabundu. 2005. Metode Penelitian Geografi. Jakarta: Bumi Aksara. Tjahjono, Heri. 2008. Analisis Potensi Wilayah. Semarang: Unnes. Winati, Rahma. 2006. Aplikasi Indeks Vegetasi untuk Penentuan Potensi Rawan Terhadap Kekeringan di sebagian Kabupaten Kulonprogo. Tugas Akhir. Yogyakarta: Universitas Gajahmada. Yuwono ,Arief. 2012. Antisipasi Bencana Banjir dan Longsor di Indonesia. diunduh pada http:/www.Kementrian lingkungan Hidup.go.id (27 Agustus 2012). http://www.Solo Pos.com. diakses pada 8 September 2012. http://www.Satelit-inderajablogspot.com. Diakses pada 27 Agustus 2012
108
Lampiran Lampiran 1. Cara Pengolahan Data Raster atau Citra Pada penelitian ini citra yang digunakan adalah Citra Landsat 7 ETM+ perekaman september 2002 dan september 2012. Citra Landsat 7 ETM+ dapat diperoleh dari http://glovis.usgs.gov. Pengolahan citra diproses menggunakan aplikasi Er-Mapper 7.0. Adapun cara pengolahan citra menggunakan aplikasi ErMapper diuraikan sebagai berikut. Lampiran 1.1. Layer Stacking (Penggabungan band) Tahap awal yang harus dilakukan dalam pengolahan citra penginderaan jauh yaitu layer stacking dimana tahap ini merupakan proses penggabungan beberapa band menjadi satu sehingga menjadi citra multilayer. Pada penelitian ini digunakan citra Landsat 7 ETM+ dengan band yang digunakan yaitu band 1-7. Adapun proses layer stacking dijelaskan pada gambar sebagai berikut:
109
Dengan mengimport/menggabungkan band 1-7 diperoleh hasil citra komposit band 321 seperti berikut
Landsat 7ETM+ 2012
Landsat 7ETM+ 2002
Lampiran 1.2. Koreksi Geometri Koreksi geometrik diperlukan untuk menempatkan piksel-piksel citra pada posisi koordinat yang tepat. Kesalahan penempatan piksel terjadi karena berbagai faktor baik faktor internal maupun eksternal sensor penginderaan jauh. Citra Landsat 7ETM+ yang digunakan dalam penelitian ini merupakan citra landsat level 1T yang artinya pada level tersebut citra sudah terkoreksi geometri. Namun acuan yang digunakan dalam koreksi geometri menggunakan data DEM. Dalam penelitian ini dilakukan koreksi geometri ulang dengan acuan citra Landsat 5 TM tahun 2009 yang telah terkoreksi geometri dari LAPAN dengan harapan untuk menurunkan tingkat RMSE (kesalahan geometri). Adapun hasil dari koreksi geometri yang dilakukan pada Landsat 7ETM+ 2002 mendapatkan hasil RMSE terkecil 0.02 dan RMSE terbesar 0.61 dengan rata-rata RMSE sebesar 0.15 dari 20 titik GCP yang dibuat. Sedangkan pada Landsat 7ETM+ 2012 mendapatkan hasil
110
RMSE terkecil 0.00 dan RMSE terbesar 0.22 dengan rata-rata RMSE sebesar 0.05 dari 20 titik GCP yang dibuat. Proses koreksi geometri dapat dijelaskan sebagai berikut, 1. Panggil citra yang akan dikoreksi 2. Dari menu bar pilih procces geocoding wizard 3. Pada kotak dialog geocoding wizard terdapat 5 tahap yang dilakukan 4. Start: masukkan citra yang akan dikoreksi, pilih polynomial 5. Polynomial setup: pilih linear 6. GCP setup: masukkan citra yang menjadi referensi (acuan) 7. GCP edit: pada tahap ini menentukan titik GCP, klik lokasi GCP pada citra Corrected GCP sebagai titik acuan (koreksi) kemudian klik pada lokasi yang sama pada citra Uncorrected GCP. Ketelitian pada tahap ini menentukan nilai RMS yang akan didapatkan 8. Rectify: masukkan nama keluaran citra hasil koreksi, klik save file and start rectification.
111
Lampiran 1.3. Cloud Masking (Pemisahan awan) Cloud masking (pemisahan awan) digunakan untuk diskriminasi atau memisahkan awan dari citra karena awan dianggap mengganggu dalam interpretasi digital yang berkaitan dengan nilai spektral. Pemisahan awan pada ErMapper dapat dilakukan menggunakan tool highlight cloud. Adapun proses pemisahan awan sebagai berikut. 1. Klik pada tool highlight cloud, pada kotak dialog pilih dataset yang akan diproses.
2. Simpan file yang telah dilakukan highlight cloud dalam format ers. 3. Lakukan proses raster cells to vector polygons dari menu procces. 4. Tentukan input (format ers) dan outputnya (format erv). 5. Kemudian konversi file vektor erv menjadi region dalam citra yang akan dihapus awanya dengan memilih menu procces > polygons < - > vector conversion > vector dataset polygons to regions. 6. Pada kotak dialog vector to region conversion, tentukan input (data vektor yang dihasilkan dalam langkah 3) dan outputnya (file ers citra yang akan dihapus awanya)
112
7. Buka citra yang berisi region awan (format ers). Kemudian pada algorithm-nya, klik edit formula sehingga muncul kotak dialog formula. Ketikkan rumus: IF (INREGION(r1)) THEN null ELSE i1, dan pada pilihan regions pastikan REGION1 : 255. Lakukan hal tersebut untuk semua band pada dataset citra tersebut.
Lampiran 1.4. Penggabungan Citra 2002 dan 2012 Penggabungan citra tahun 2002 dan 2012 dimaksudkan untuk menambal baris-baris kosong yang terdapat pada citra 2012 karena terjadinya SLC-off. Berikut langkah penggabungan citra tahun 2002 dan 2012. 1. Buka citra dua tahun dalam satu algorithm 2. Gandakan jumlah band sebanyak enam band pada masing-masing citra
113
3. Gabungkan semua band menjadi satu layer dengan cara memindahkan (drag) layer bawah ke atas.
4. Setelah digabungkan, kemudian simpan dalam format ers.
Gambar di atas merupakan hasil dari penggabungan citra 2012 dengan citra 2002. Dapat dilihat pada citra 2002 yang memberikan efek garis. Citra tersebut sudah dilakukan koreksi geometric sehingga pada citra yang bertampalan pergeseranya masih dapat ditoleransi. Jalan di tepi rawa pada citra 2012 dan citra 2002 terhubung tanpa adanya pergeseran yang berarti. Lampiran 1.5. Pemotongan Citra (Cropping citra)
114
Citra Landsat 7ETM+ yang sudah digabungkan kemudian dipotong sesuai daerah penelitian (Kabupaten Klatena). Dalam pemotongan citra sesuai region yang diingankan menggunakan data vektor batas administrasi Kabupaten Klaten yang bersumber dari Bakosurtanal. Cara pemotongan citra sesuai batas administrasi sebagai berikut: 1. Buka citra landsat 7ETM+ gabungan 2002 dan 2012. 2. Siapkan batas administrasi dalam format shapefile 3. Pada menu bar er mapper pilih utilities input vector and GIS format esri sahpefile import 4. Pada kotak dialog import shapefile, isikan nama file yang akan di input dan nama file outputnya
5. Pada menu bar pilih process polygon <-> region conversion vector dataset polygon to region. Kemudian pada kotak dialog isikan input dan outputnya. 6. Pada menu bar pilih edit edit/creat region. Pada kotak dialog new map composition pilih raster dan ok.
115
7. Setelah pada citra muncul batas administrasinya, buka formula editornya. Pada formula editor pilih standard inside region polygon test. Terapkan pada masing – masing RGB.
8. Untuk menyimpan hasil pemotongan agar tetap menjadi citra multispektral 6 band, maka pada RGB diubah menjadi pseudo layer copy menjadi 6 band dan beri nama sesuai bandnya.
9. Setelah itu, simpan data hasil pemotongan dalam bentuk ers. Lampiran 1.6. Koreksi Radiometri Koreksi radiometri diperlukan atas dasar dua alasan, yaitu untuk memperbaiki kualitas visual citra dan sekaligus memperbaiki nilai-nilai piksel yang tidak sesuai dengan nilai pantulan atau pancaran spektral objek yang sebenarnya. Secara garis besar, koreksi radiometri meliputi dua kelompok besar metode, yaitu koreksi yang bertumpu pada informasi dari dalam citra sendiri dan
116
koreksi yang mempertimbangkan faktor-faktor luar yang berpengaruh terhadap kesalahan informasi yang ada pada citra. Adapun metode koreksi dalam penelitian ini menggunakan koreksi yang bertumpu pada informasi dari dalam citra sendiri yaitu menggunakan teknik penyesuaian histogram. Metode penyesuaian histogram merupakan teknik koreksi radiometri yang paling sederhanan dengan hanya melihat histogram setiap saluran secara independen. Dari historam dapat diketahui nilai piksel terendah saluran tersebut. Asumsi yang melandasi metode ini adalah bahwa dalam proses koding digital oleh sensor, obyek yang memberikan respon spektral paling lemah atau tidak memberikan respon sama sekali seharusnya bernilai 0. Berikut nilai statistik pada citra Landsat 7ETM+ yang telah melalui proses croping wilayah Klaten
Teknik koreksi radiometri penyesuaian histogram sebagai berikut:
Preformula transform Post Formula tranform
1. Buka citra landsat 7ETM+ yang telah dipotong sesuai area 2. Buka kotak dialog algorithma
117
3. Pada tampilan awal di kotak dialog algirithm, susunan awal tampilan citra secara deafult dalam mode RGB. Pada tab Surface ubah Color Mode menjadi Pseudocolor. Lalu kembali pada tab Layer. 4. Ubah Red layer menjadi Pseudo layer dengan klik kanan pada layer tersebut lalu pilih Pseudo. Dobel klik pada layer tersebut dan ubah nama layer menjadi “band1”. Lalu arahkan pilihan band pada Band 1 citra landsat 5. Lakukan hal yang sama pada Green layer dan Blue layer. Ubahlah nama layer menjadi “band2” dan “band3”. 6. Karena citra landsat 7ETM+ memiliki 6 band multispektral maka gandakan layer dengan klik ikon duplikat layer menjadi sebanyak 6 buah dan lakukan hal yang sama pada band4, band5 dan band7.
7. Pada tiap-tiap band buka histogram Preformula transform, kemudian ubah nilai spektral pada histogram sesuai dengan nilai kesalahan radiometrisnya atau bisa dengan menekan actual limitnya. Setelah terisi klik refresh. 8. Pada histogram Post Formula tranform nilai actual limit akan berubah sendirinya
118
Preformula transform
Post Formula tranform
Lampiran 1.7. Transformasi NDVI (Normalized Difference Vegetation Index) Citra Landsat 7ETM+ Kabupaten Klaten yang telah terkoreksi radiometri siap untuk dilakukan analisis NDVI. Seabagian besar aplikasi pengolahan citra penginderaan jauh telah terpasang tool untuk menganalisis NDVI, Aplikasi ErMapper pun sudah terdapat tool tersebut. Berikut langkahnya: 1. Buka aplikasi er-mapper kotak dialog algorithm 2. Pada kotak dialog algorithm buka citra Landsat 7ETM+ dengan tampilan pseuducolor. 3. Setelah citra terbuka, pada dialog algorithm buka edit formula. 4. Pada kotak dialog edit formula kemudian pilih ratio Landsat TM NDVI.
119
Berikut hasil transformasi NDVI dengan tampilan pseuducolor.Nilai spektral yang didapatkan transformasi NDVI Kabupaten Klaten antara -0,878 sampai dengan 0,948.
Hasil transformasi tersebut disimpan dalam format Er-mapper virtual dataset untuk menjaga nilai spektral tidak berubah ketika akan dilakukan proses klasifikasi lebih lanjut. Lampiran 1.8. Klasifikasi nilai spektral NDVI (Normalized Difference Vegetation Index) Hasil dari transformasi NDVI perlu diklasifikasikan untuk analisis lebih lanjut. Dalam klasifikasi ini digunakan teknik kalsifikasi nilai spektral dimana pemotongan nilai spektral mengacu pada histogram yang dihasilkan oleh transformasi NDVI. Berdasarkan kurva histogram tersebut dilakukan pengkelasan sebanyak 5 kelas yaitu:
120
No 1 2 3 4 5
Interval nilai spektral -1 s/d - 0.005 - 0.005 s/d 0.19 0.19 s/d 0.50 0.50 s/d 0.63 0.63 s/d 1.00
Klasifikasi Lahan tidak bervegatasi Vegetasi sangat rendah Vegetasi rendah Vegetasi sedang Vegetasi tinggi
Berikut teknik klasifikasi nilai spektral transformasi NDVI: 1. Buka citra NDVI yang sudah disimpan dalam format virtual dataset (ers). 2. Pada kotak dialog algorithm edit formula, masukkan rumus klasifikasi yang telah ditentukan menjadi 5 kelas. IF I1 <= - 0.005 THEN 1 ELSE IF I1 > - 0.005 AND I1 <= 0.19 THEN 2 ELSE IF I1 > 0.19 AND I1 <= 0.50 THEN 3 ELSE IF I1 > 0.50 AND I1 <= 0.63 THEN 4 ELSE IF I1 > 0.63 THEN 5 ELSE NULL
3. Setelah memasukkan rumus klasifikasi, atur histogramnya agar sesuai dengan hasil klasifikasi. Dengan tampilan color table grennes, didapatkan citra yang telah terklasifikasi sebagai berikut
121
Citra hasil klasifikasi transformasi NDVI telah didapatkan, namun citra ini masih dalam bentuk raster. Untuk analisis lebih lanjut dibutuhkan hasil transformasi NDVI dalam format vektor karena akan dioverlaykan dengan parameter lain yang berformat vektor. Berikut cara mengubah data raster ke dalam format vektor menggunakan Er-Mapper 1. Hasil klasifikasi NDVI disimpan dalam format Raster Virtual Dataset (ers) agar nilai klasifikasi tersebut tersimpan. 2. Buka kembali hasil penyimpanan tersebut, kemudian pada menu bar pilih Process raster Cells to Vector Polygons. Pada kotak dialog raster Cells to Vector Polygons isikan citra yang mau diubah pada input raster dataset dan isikan nama keluaranya (erv) pada output vector dataset. Centang kotak smooth untuk menghaluskan hasil.
122
3. Setelah didapatkan citra dalam format (erv), kemudian pilih Utilities Export Vector and GIS format esri shape File Export.
4. Pada kotak dialog Export ESRI shapefile isikan input dan outputnya, setelah ini citra hasil transformasi NDVI sudah dalam bentuk format Shapefile dan siap dibuka menggunakan ArcGIS/ArcVew untuk dilakukan analisis lebih lanjut.
format ers
format shp
123
Lampiran 1.9. Transformai Indeks Kecerahan (Brightness Index) Transformasi indeks kecerahan dilakukan untuk mendapatkan tingkat kecerahan suatu obyek perekaman citra penginderaan jauh. Dalam penelitian ini analisis indeks kecerahan dilakukan menggunakan suatu algoritma transformasi citra yang dikembangkan oleh Kauth dan Thomas (1976) khusus untuk citra Landsat 7ETM+ dengan rumus algoritma sebagai berikut: BI=(0.3561*B1)+(0.3972*B2)+(0.3904*B3)+(0.6966*B4)+(0.2286*B5)+ (0.1596*B7) Adapun proses transformasi indeks kecerahan dapat dijelaskan sebagai berikut: 1. Buka citra Landsat 7ETM+ pada aplikasi Er-Mapper dengan tampilan Pseuducolor. 2. Pada kotak dialog algorithm buka edit algorithm dan masukkan rumus indeks kecerahan.
3. Nilai spektral dari transformasi indeks kecerahan citra Landsat 7ETM+ Kabupaten Klaten berkisar antara 7,31 sampai dengan 528,02. Atur histogram hingga nilai actual limit sesuai hasil.
124
Hasil transformasi tersebut disimpan dalam format Er-mapper virtual dataset untuk menjaga nilai spektral tidak berubah ketika akan dilakukan proses klasifikasi lebih lanjut. Lampiran 1.10. Klasifikasi Nilai Indeks Kecerahan (Brightness Index) Hasil dari transformasi Indeks Kecerahan perlu diklasifikasikan untuk analisis lebih lanjut. Dalam klasifikasi ini digunakan teknik kalsifikasi nilai spektral dimana pemotongan nilai spektral mengacu pada histogram yang dihasilkan oleh transformasi Indeks Kecerahan. Berdasarkan kurva histogram tersebut dilakukan pengkelasan sebanyak 5 kelas yaitu: No 1 2 3 4
Interval nilai spektral ≤ 113.122 113.122 – 147.368 147.368 – 177.663 177.663 – 206.641
Klasifikasi Sangat gelap Gelap Agak cerah Cerah
5
>206.641
Sangat cerah
Berikut teknik klasifikasi nilai spektral transformasi indeks kecerahan: 1. Buka citra indeks kecerahan yang sudah disimpan dalam format virtual dataset (ers).
125
2. Pada kotak dialog algorithm edit formula, masukkan rumus klasifikasi yang telah ditentukan menjadi 5 kelas. IF I1 <= 113.122 THEN 1 ELSE IF I1 > 113.122 AND I1 <= 147.368 THEN 2 ELSE IF I1 > 147.368 AND I1 <= 177.663 THEN 3 ELSE IF I1 > 177.663 AND I1 <= 206.641THEN 4 ELSE IF I1 > 600 THEN 5 ELSE NULL
3. Setelah memasukkan rumus klasifikasi, atur histogramnya agar sesuai dengan hasil klasifikasi. Dengan tampilan color table Pseuducolor, didapatkan citra yang telah terklasifikasi sebagai berikut
126
Citra hasil klasifikasi transformasi indeks kecerahan telah didapatkan, namun citra ini masih dalam bentuk raster. Untuk analisis lebih lanjut dibutuhkan hasil transformasi indeks kecerahan dalam format vektor karena akan dioverlaykan dengan parameter lain yang berformat vektor. Adapun proses perubahan data format raster ke dalam format vektot sama seperti perubahan yang telah dilakukan pada Transformasi NDVI. Lampiran 1.11. Transformai Indeks Kebasahan (Wetness Index) Transformasi indeks kebasahan dilakukan untuk mendapatkan tingkat kelembaban suatu obyek perekaman citra penginderaan jauh. Dalam penelitian ini analisis indeks kebasahan dilakukan menggunakan suatu algoritma transformasi citra yang dikembangkan oleh Kauth dan Thomas (1976) khusus untuk citra Landsat 7ETM+ dengan rumus algoritma sebagai berikut: WI=(0.2626*B1)+(0.2141*B2)+(0.09266*B3)+(0.0656*B4)-(0.7629*B5)(0.5388*B6) Adapun proses transformasi indeks kebasahan dapat dijelaskan sebagai berikut: 1. Buka citra Landsat 7ETM+ pada aplikasi Er-Mapper dengan tampilan Pseuducolor. 2. Pada kotak dialog algorithm buka edit algorithm dan masukkan rumus indeks kebasahan. 3. Nilai spektral dari transformasi indeks kebasahan citra Landsat 7ETM+ Kabupaten Klaten berkisar antara -215,875 sampai dengan 61,358. Atur histogram hingga nilai actual limit sesuai hasil.
127
Hasil transformasi tersebut disimpan dalam format Er-mapper virtual dataset untuk menjaga nilai spektral tidak berubah ketika akan dilakukan proses klasifikasi lebih lanjut. Lampiran 1.12. Klasifikasi Nilai Indeks Kebasahan (Wetness Index) Hasil dari transformasi Indeks Kebasahan perlu diklasifikasikan untuk analisis lebih lanjut. Dalam klasifikasi ini digunakan teknik kalsifikasi nilai spektral dimana pemotongan nilai spektral mengacu pada histogram yang dihasilkan oleh transformasi Indeks Kebasahan. Berdasarkan kurva histogram tersebut dilakukan pengkelasan sebanyak 5 kelas yaitu: No Interval nilai spektral Klasifikasi 1 Nilai terendah s/d -73.518 Sangat kering 2 -73.518 s/d -37.753 Kering 3 -37.753 s/d -21.157 Sedang/lembab 4 -21.157 s/d 21.152 Sangat lembab 5 21.152 s/d nilai tertinggi Tergenang Berikut teknik klasifikasi nilai spektral transformasi indeks kecerahan: 1. Buka citra indeks kebasahan yang sudah disimpan dalam format virtual dataset (ers). 2. Pada kotak dialog algorithm edit formula, masukkan rumus klasifikasi yang telah ditentukan menjadi 5 kelas.
128
IF I1 <= -73.518 THEN 1 ELSE IF I1 > -73.518 AND I1 <= -37.753 THEN 2 ELSE IF I1 > -37.753 AND I1 <= -21.157 THEN 3 ELSE IF I1 >-21.157 AND I1 <= 21.152 THEN 4 ELSE IF I1 > 21.152 THEN 5 ELSE NULL
3. Setelah memasukkan rumus klasifikasi, atur histogramnya agar sesuai dengan hasil klasifikasi. Dengan tampilan color table Pseuducolor, didapatkan citra yang telah terklasifikasi sebagai berikut
Hasil dari klasifikasi nilai spektra indeks kebasahan Kabupaten Klaten hanya mendapatkan 5 kelas. Citra hasil klasifikasi transformasi indeks kecerahan telah
129
didapatkan, namun citra ini masih dalam bentuk raster. Untuk analisis lebih lanjut dibutuhkan hasil transformasi indeks kecerahan dalam format vektor karena akan dioverlaykan dengan parameter lain yang berformat vektor. Adapun proses perubahan data format raster ke dalam format vektot sama seperti perubahan yang telah dilakukan pada Transformasi NDVI. Lampiran 2. Cara pengolahan data vektor Untuk menghasilkan peta potensi rawan kekeringan dibutuhkan beberapa parameter-parameter yang telah disebutkan sebelumnya. Parameter-parameter tersebut dilakukan proses pengharkatan dan overlay sehingga menghasilkan informasi baru yaitu potensi kekeringan. Dalam proses penggabungan (overlay) digunakan data dengan format vektor yang diolah pada aplikasi ArcGIS kemudian untuk layout digunakan ArcVew. Adapun proses pengolahan parameter-parameter kekeringan pada aplikasi ArcGIS dan ArcVew diuraikan sebagai berikut
Lampiran 2.1. Pendugaan Daerah Berpotensi Kekeringan Setelah didapatkan peta parameter kekeringan dan dilakukan pengharkatan pada tiap-tiap parameter, kemudian keseluruhan peta tersebut digabungkan (overlay). Adapun proses penggabungan menggunakan aplikasi arcGIS agar dapat menghemat waktu pengerjaan karena dengan arcGIS penggabungan dapat dilakukan secara langsung semua peta tersebut. Berikut proses penggabungan (overlay). 1. Jalankan aplikasi arcGIS 9.3
130
2. Panggil semua peta yang telah dilakukan pengharkatan pada setiap kelasnya. 3. Menggunakan Arctoolbox, pilih analysis tools overlay intersect
4. Untuk mendapatkan kelas potensi kekeringan maka hasil dari overlay tersebut di jumlah harkatnya. Setelah didapatkan jumlah harkat kemudian dikelaskan menurut perhitungan yang telah dilakukan yaitu, No
Kelas
Interval Kelas
Potensi Kekeringan
1
I
6 – <=10
Sangat rendah
2
II
>10 – <=14
Rendah
3
III
>14 – <=18
Agak tinggi
4
IV
>18 – <=22
Tinggi
5
V
>22
Sangat tinggi
Berikut hasil penggabungan yang sudah dilakukan penjumlahan harkat dan sudah di kelaskan berdasarkan tingkat potensinya
131
Lampiran 2.2. Pembuatan Peta Curah Hujan Berdasarkan data curah hujan yang didapatkan dari Badan Meteorologi dan Geofisika (Lampiran 3), rata-rata curah hujan Kabupaten Klaten dalam rentang waktu 4 tahun (2008 – 2011) berkisar antara 1000 – 2500 mm/th. Dengan menggunakan metode polygon thiessen, didapatkan peta curah hujan kabupaten klaten. Adapun cara pembuatan peta curah hujan berdasarkan metode polygon tysson dapat diuraikan sebagi berikut. 1. Menyiapkan batas administrasi dan titik stasiun pengamatan hujan dalam format shapefile yang telah didisi atribut besaran curah hujannya.
132
2. Dengan menggunakan aplikasi arcGIS 9.3, aktifkan Arctoolbox pilih Analysis tool proximity creat thiessen polygons. 3. Pada kotak dialog polygon thiessen, isikan titik stasiun pada input dan ubah nama pada hasil output. Perlu diperhatikan, agar hasil polygon thiesssen sesuai dengan batas administrasi yang diinginkan maka klik environment general setting. pada kotak extent isikan batas administrasi yang diingankan maka secara otomatis polygon yang akan dihasilkan sudah dipastikan akan mencakup seluruh wilayah administrasi.
4. Peta polygon Thiessen yang dihasilkan belum diklasifikasikan, artinya nilai curah hujan pada tiap-tiap polygon yang terbentuk masih dalam keadaan aslinya. 5. Setelah dilakukan klasifikasi, Kabupeten Klaten memiliki 3 interval curah hujan yaitu 1000 – 1500 mm/th, 1500 – 2000 mm/th dan 2000 – 2500 mm/th.
Sebelum terklasifikasi
Sesudah terklasifikasi
133
Lampiran 2.3. Cara Penentuan Titik Sampel Teknik pengambilan sampel yaitu menggunakan teknik acak sederhana yang didasarkan pada hasil klasifikasi NDVI, namun tetap mempertimbangkan hasil indeks kecerahan dan kebasahan. Jumlah sampel yang diambil sebanyak 30 titik pada setiap hasil transformasi NDVI, indeks kecerahan dan indeks kebasahan. Teknik penentuan sampel hasil transformasi tersebut dapat dilakukan setelah ke tiga hasil transformasi dilakukan penggabungan, sehingga pada satuan polygon yang akan diambil sampel sudah terdapat informasi ke tiga hasil transformasi. Berikut contoh gambar penentuan sampel pada hasil transformasi.
Gambar di atas merupakan contoh penentuan sampel yang didasarkan pada hasil transformasi NDVI. Sebagai contoh dengan memilih kelas klasifikasi NDVI lahan tidak bervegetasi, maka akan didapatkan informasi kelas klasifikasi indeks kecerahan dan indeks kebasahan pada daerah yang sama.
134
Lampiran 3. Tabel curah hujan Kabupaten Klaten tahun 2008 – 2011
No
Stasiun
1
Cawas
Koordinat 468024 9141117
455878 9159901 2
Cokrotulun 450370 9152157
3
Karngnongko 462504 9149957
4
Ketandan 452579 9148843
5
Kebonarum 466916 9148855
6
Pedan
Tahun 2008 2009 2010 2011 2008 2009 2010 2011 2008 2009 2010 2011 2008 2009 2010 2011 2008 2009 2010 2011 2008 2009 2010 2011
Jan 102 378 168 401 327 506 578 323 222 586 416 258 135 445 320 585 109 324 359 509 278 0 390 361
Feb 416 248 220 169 381 249 362 285 356 494 190 480 405 490 183 333 279 427 203 392 660 442 251 245
Mar 261 228 218 295 392 383 391 254 392 300 297 265 227 330 213 206 227 239 225 312 542 317 264 453
Apr 285 127 108 187 73 79 157 217 198 200 124 240 110 224 84 367 121 0 106 116 137 198 148 306
Mei 45 93 199 222 154 84 155 135 196 0 261 314 71 148 363 315 108 126 511 287 136 225 198 320
Jun 0 75 75 0 0 60 47 0 0 74 155 0 0 14 152 28 0 48 99 34 0 38 87 28
Jul 0 31 42 0 0 0 7 66 0 0 42 12 0 0 29 14 0 25 0 51 0 0 58 17
Agust 0 0 89 0 0 0 183 0 0 0 153 0 0 0 152 0 0 0 0 0 0 0 62 0
Sep 0 0 310 0 0 0 204 0 0 0 307 0 0 0 60 0 0 0 175 0 0 0 249 0
Okt 233 86 252 92 256 78 131 76 195 88 149 68 325 45 254 180 113 100 173 165 378 52 235 198
Nop 347 162 402 399 492 75 128 288 300 91 285 363 385 91 308 264 333 164 265 284 516 174 232 417
Des 39 143 241 190 224 84 298 71 126 195 301 345 120 102 355 158 106 277 294 251 207 353 250
Total 1728 1571 2324 1955 2299 1598 2641 1715 1985 2028 2680 2345 1778 1889 2473 2450 1396 1730 2410 2401 2647 1653 2527 2595
Ratarata 1894,5
2063,2
2259,5
2147,5
1984,2
2355,5
135
463610 9145536 7
Trucuk Sumber : BMKG Semarang 2012.
2008 2009 2010 2011
135 224 289 476
405 209 254 151
227 214 273 277
194 148 54 193
52 80 238 165
0 74 74 19
0 0 20 9
0 0 78 0
0 0 266 0
102 23 290 97
312 102 398 377
157 185 251 182
1427 1259 2485 1946
1779,2
136
Lampiran 4. Peta Pengamatan Lapangan
137
Lampiran 5. Peta Validasi Hidrogeologi
138
Lampiran 6. Tabel Cek Lapangan Hasil Interpretasi Citra NDVI, Indeks Kecerahan dan Indeks Kebasahan di Kabupaten Klaten
1
458349 9142144
lahan tidak bervegetasi (akurat)
Hasil Interpretasi Indeks Indeks Kecerahan Kebasahan Sangat Tergenang gelap (akurat) (akurat)
2
473173 9146590
lahan tidak bervegetasi (akurat)
Sangat gelap (akurat)
Tergenang (akurat)
Tidak ada vegetasi, pada musim kemarau
Tanah terbuka (nonbangunan)
Sawah
Sampel berada pada sawah yg tidak ada pohon. Tanah terbuka (sawah) mengakibatkan nilai BI sangat gelap dan nilai WI tergenang
3
464386 9155434
kehijauan sangat rendah (akurat)
Cerah (akurat)
kering (akurat)
Sangat rendah, di pematang sawah
Tanah terbuka (nonbangunan)
Sawah irigasi
4
448618 9144528
lahan tidak bervegetasi (akurat)
Agak cerah (akurat)
Lembab (tidak akurat)
Tidak vegetasi
Tanah terbuka (nonbangunan)
Tanah kosong, tandus
5
467315 9137689
kehijauan sangat rendah (akurat)
Sangat cerah (akurat)
Sangat kering (akurat)
Rendah, tanaman ladang
Tanah terbuka (nonbangunan)
Tegalan
6
452769 mT 9149702 mU
kehijauan tinggi (akurat)
Gelap (akurat)
lembab (akurat)
Tanaman pada sawah&rumput
Tanah terbuka (nonbangunan)
Sawah tadah hujan
Sampel berada pada sawah bervegetasi sangat rendah. Tanah terbuka (sawah irigasi) mengakibatkan nilai BI cerah dan nilai WI kering. Sampel berada pada tanah terbuka tanpa vegetasi. Tanah terbuka (kondisi tandus) mengakibatkan nilai BI agak cerah dan nilai WI seharusnya kering Sampel barada pada tegalan vegetasi sangat rendah. Tanah terbuka dengan adanya tanaman mengakibatkan nilai BI sngt cerah dan nilai WI sangat kering. Sampel berada pada sawah bervegetasi rendah. Tanah terbuka (sawah tadah hujan) mengakibatkan nilai BI sangat gelap dan nilai WI sangat lembab.
No Koordinat
NDVI
Landsat Rgb 741
Kerapatan Vegetasi Tidak ada vegetasi
ada
Kondisi Lapangan Kondisi Penggunaan Permukaan Lahan Tergenang Rawa
Foto
KETERANGAN Sampel berada pada rawa yang tidak bervegetasi. Tubuh air mengakibatkan nilai BI sangat gelap dan nilai WI tergenang.
139
7
468457 mT 9160246 mU
kehijauan tinggi (akurat)
Gelap (akurat)
Lembab (akurat)
Tanaman pada sawah&rumput
Tanah terbuka (nonbangunan)
Sawah
Sampel berada pada sawah vegetasi tinggi. Tanah terbuka (sawah) mengakibatkan nilai BI gelap dan nilai WI lembab.
8
457058 9149842
kehijauan sangat rendah (akurat)
Agak cerah (akurat)
Kering (akurat)
Sedang, pohon peneduh rumah
Tanah tertutup bangunan
Pemukiman
9
455713 mT 9159372 mU
kehijauan rendah (tidak akurat)
Gelap (akurat)
Lembab (akurat)
Tinggi, menutupi pemukiman
Tanah tertutup bangunan & pohon
Pemukiman dengan pohon rapat
Sampel berada pada pemukiman bervegtasi sngt rendah. Tanah tertutup bangunan (pemukiman) mengakibatkan nilai WI kering dan seharusnya nilai BI cerah. Sampel berada pada pemukiman vegetasi rapat sehingga pantulan citra gelap dan kelembaban tinggi
10
446738 9142018
kehijauan sedang (akurat)
Sangat gelap (akurat)
Sangat lembab (akurat)
Tanaman pada sawah&rumput
Tanah terbuka (nonbangunan)
Sawah irigasi
Sampel berada pada sawah vegetasi sedang. Tanah terbuka mengakibatkan nilai BI sangat gelap dan nilai WI sangat lembab.
11
463534 mT 9145314 mU
kehijauan sedang (akurat)
Gelap (akurat)
Sangat Kering (tidak akurat)
Pohon tinggi dan padat
Tanah terbuka, tertutup pohon
Kebun campuran
12
464881 mT 9149165 mU
kehijauan sedang (akurat)
Agak cerah (tidak akurat)
Kering (akurat)
Pohon tinggi dan padat
Tanah tertutup bangunan & pohon
Kebun campuran
13
461232 9150785
Lahan tdk bervegetasi (akurat)
Sangat cerah (akurat)
Sangat kering (akurat)
Sangat rendah, pertokoan tanpa pohon peneduh
Tanah tertutup bangunan
Bangunan
Sampel berada pada Kebun campuran dengan vegetasi sedang. Tanah tertutup pohon mengakibatkan nilai BI gelap dan nilai WI kering. Titik sampel berada pada Kebun campuran dengan vegetasi tinggi. Tanah tertutup pohon mengakibatkan nilai spektral BI rendah dan nilai WI tinggi Titik sampel berada pada pertokoan dengan tanpa vegetasi. Atap bangunan mengakibatkan nilai spektral BI tinggi dan nilai WI rendah.
140
14
460555 9139477
Kehijauan rendah (akurat)
Cerah (akurat)
Sangat kering (akurat)
Tanaman pada sawah&rumput
Tanah terbuka (nonbangunan)
Sawah
15
474448 9154723
kehijauan sedang (akurat)
Gelap (akurat)
Kering (akurat)
Pohon tinggi dan padat
Tanah terbuka, tertutup pohon
Kebun campuran
16
455273 9160340
kehijauan tinggi (tidak akurat)
Agak cerah (akurat)
Kering (akurat)
Tanaman pada sawah&pohon disisi sawah
Tanah terbuka (nonbangunan)
Sawah
17
452260 9157669
kehijauan tinggi (akurat)
Gelap (akurat)
Lembab (akurat)
Pohon tinggi dan padat
Tanah terbuka,tertu tup pohon
Kebun campuran
18
459603 9148003
kehijauan rendah (akurat)
Agak cerah (akurat)
Sangat kering (akurat)
Tanaman pada sawah&pohon disisi sawah
Tanah terbuka (nonbangunan)
Sawah
19
456615 9139250
Kehijauan sangat rendah (akurat)
Gelap (akurat)
Lembab (akurat)
Tanaman pada sawah&rumput
Tanah terbuka (nonbangunan)
Sawah
20
465847 9138509
kehijauan sangat rendah (akurat)
Agak cerah (akurat)
Sangat kering (akurat)
Kehijauan rendah, tanaman sawah/ladang
Tanah terbuka (nonbangunan)
Tegalan
Titik sampel berada pada area sawah dengan vegetasi rendah. Tanah terbuka (sawah) mengakibatkan nilai BI gelap dan nilai WI lembab. Titik sampel berada pada Kebun campuran dengan vegetasi tinggi. Tanah tertutup pohon mengakibatkan nilai spektral BI rendah dan nilai WI tinggi sampel berada pada area sawah dengan tidak ada pohon namun kemungkinan ada tanaman padi. Tanah terbuka (sawah tadah hujan) berpotensi nilai BI cerah dan nilai WI kering pada musim kemarau. Titik sampel berada pada Kebun campuran dengan vegetasi tinggi. Tanah tertutup pohon mengakibatkan nilai spektral BI rendah dan nilai WI tinggi Titik sampel berada pada area sawah dengan vegetasi rendah. Tanah terbuka (sawah tadah hujan) berpotensi nilai BI cerah dan nilai WI kering pada musim kemarau. Titik sampel berada pada area sawah dengan vegetasi rendah. Tanah terbuka (sawah tadah hujan) berpotensi nilai BI cerah dan nilai WI kering pada musim kemarau. sampel berada pada area sawah dan tegalan vegetasi rendah. Tanah terbuka (sawah&tegalan) berpotensi nilai BI cerah dan nilai WI kering pada musim kemarau.
141
21
461689 9143811
kehijauan rendah (akurat)
Sangat cerah (akurat)
Sangat kering (akurat)
Kehijauan rendah
Tanah terbuka (nonbangunan)
Sawah
Titik sampel berada pada area sawah dengan vegetasi rendah. Tanah terbuka (sawah tadah hujan) berpotensi nilai BI cerah dan nilai WI kering pada musim kemarau. Titik sampel berada pada area pabrik dengan tanpa vegetasi. Atap bangunan mengakibatkan nilai BI tinggi dan nilai WI rendah.
22
462448 9152474
Lahan tdk bervegetasi (akurat)
Sangat cerah (akurat)
Sangat kering (akurat)
Sangat rendah
Tanah tertutup bangunan
Area pabrik
23
447156 9143899
Lahan tdk bervegetasi (akurat)
Sangat cerah (akurat)
Sangat kering (akurat)
Sangat rendah
Tanah tertutup bangunan
Area pabrik
Titik sampel berada pada area pabrik dengan tanpa vegetasi. Atap bangunan mengakibatkan nilai BI tinggi dan nilai WI rendah.
24
461224 9150785
kehijauan sangat rendah (akurat)
Sangat cerah (akurat)
Sangat kering (akurat)
Kehijauan rendah
Tanah tertutup bangunan
Area pabrik
Titik sampel berada pada area pabrik dengan tanpa vegetasi. Atap bangunan mengakibatkan nilai BI tinggi dan nilai WI rendah.
25
461846 9159370
Sangat cerah (akurat)
Sangat kering (akurat)
Sangat rendah
Tanah terbuka
Area pabrik
sampel berada pada area pabrik dengan tanpa vegetasi. Atap bangunan mengakibatkan nilai BI tinggi dan nilai WI rendah.
26
449589 9156347
kehijauan sangat rendah (tidak akurat) Kehijauan tinggi (akurat)
Sangat cerah (tidak akurat)
Lembab (akurat)
Tinggi, merupakan daerah pertanian
Tanah terbuka,tertu tup pohon
Tegalan
27
458062 mT 9142752 mU
Kehijauan tinggi (akurat)
Sangat gelap (akurat)
Sangat Lembab (tidak akurat)
Tinggi, dipenuhi dengan enceng gondok
Tergenang, kerapatan enceng gondok tinggi
Rawa
sampel berada pada daerah pertanian (ladang) dengan vegetasi tinggi. kerapatan vegetasi tinggi mengakibatkan nilai BI sangat gelap dan nilai WI sangat lembab. sampel berada pada daerah rawa yang bervegetasi enceng gondok tinggi. Tubuh air mengakibatkan nilai BI sangat gelap dan nilai WI tergenang.
142
28
457109 mT 9148726 mU
29
455698 mT 9148391 mU
30
460562 9139481
kehijauan sangat rendah (tidak akurat) kehijauan rendah (akurat)
Sangat cerah (akurat)
Sangat kering (akurat)
Sangat rendah
Tanah tertutup bangunan
Bangunan pabrik
sampel berada pada area pabrik dengan tanpa vegetasi. Atap bangunan mengakibatkan nilai BI cerah dan nilai WI sangat kering.
Sangat cerah (akurat)
Sangat kering (akurat)
Sangat rendah
Tanah tertutup bangunan
Pertokoan,
kehijauan rendah (akurat)
Agak cerah (akurat)
Sangat kering (akurat)
Sangat rendah
Tanah terbuka (nonbangunan)
sawah
sampel berada pada daerah pertokoan dengan vegetasi sangat rendah. Atap bangunan mengakibatkan nilai BI cerah dan nilai WI sangat kering. sampel berada pada area sawah dengan vegetasi sangat rendah. Tanah terbuka (sawah) berpotensi nilai BI cerah dan nilai WI sangat kering pada musim kemarau.
Lampiran 7. Tabel Pengharkatan dan Pengkelasan Potensi Kekeringan di Kabupaten Klaten
No
NDVI
Skor
BI
Skor
WI
Skor
CH
Skor
Akuifer (produktivitas)
Skor
Penglan
Skor
∑Skor
Potensi kekeringan
1
Tidak bervegetasi
5
Agak cerah
3
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
23
Sangat tinggi
2
Tidak bervegetasi
5
Agak cerah
3
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
22
Tinggi
3
Tidak bervegetasi
5
Agak cerah
3
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
22
Tinggi
4
Tidak bervegetasi
5
Agak cerah
3
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
21
Tinggi
5
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
23
Sangat tinggi
6
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
22
Tinggi
7
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
22
Tinggi
8
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
24
Sangat tinggi
9
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
23
Sangat tinggi
10
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
23
Sangat tinggi
11
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
22
Tinggi
12
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Tegalan
3
21
Tinggi
143
13
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
21
Tinggi
14
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
22
Tinggi
15
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Tegalan
3
22
Tinggi
16
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
20
Tinggi
17
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran luas
2
Belukar
2
19
Tinggi
18
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran luas
2
Tegalan
3
20
Tinggi
19
Tidak bervegetasi
5
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
17
Agak tinggi
20
Tidak bervegetasi
5
Agak cerah
3
Tergenang
1
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
18
Agak tinggi
21
Tidak bervegetasi
5
Agak cerah
3
Tergenang
1
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
22
Tidak bervegetasi
5
Agak cerah
3
Tergenang
1
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
23
Tidak bervegetasi
5
Agak cerah
3
Tergenang
1
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
17
Agak tinggi
24
Tidak bervegetasi
5
Cerah
4
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
21
Tinggi
25
Tidak bervegetasi
5
Cerah
4
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
23
Sangat tinggi
26
Tidak bervegetasi
5
Cerah
4
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
21
Tinggi
27
Tidak bervegetasi
5
Cerah
4
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
21
Tinggi
28
Tidak bervegetasi
5
Cerah
4
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
24
Sangat tinggi
29
Tidak bervegetasi
5
Cerah
4
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
23
Sangat tinggi
30
Tidak bervegetasi
5
Cerah
4
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
23
Sangat tinggi
31
Tidak bervegetasi
5
Cerah
4
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
25
Sangat tinggi
32
Tidak bervegetasi
5
Cerah
4
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
24
Sangat tinggi
33
Tidak bervegetasi
5
Cerah
4
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
24
Sangat tinggi
34
Tidak bervegetasi
5
Cerah
4
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
23
Sangat tinggi
35
Tidak bervegetasi
5
4
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
22
Tinggi
36
Tidak bervegetasi
5
1
Lembab
3
1500-2000
3
Rawa
0
Pemukiman
4
16
Agak tinggi
37
Tidak bervegetasi
5
1
Lembab
3
1500-2000
3
Rawa
0
Rawa
0
12
Rendah
38
Tidak bervegetasi
5
Cerah Sangat Gelap Sangat Gelap Sangat Gelap
1
Lembab
3
1500-2000
3
Rawa
0
Belukar
2
14
Rendah
39
Veg. sedang
2
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
14
Rendah
144
40
Veg. sedang
2
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
17
Agak tinggi
41
Veg. sedang
2
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
16
Agak tinggi
42
Veg. sedang
2
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Tegalan
3
16
Agak tinggi
43
Veg. sedang
2
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
16
Agak tinggi
44
Veg. sedang
2
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
19
Tinggi
45
Veg. sedang
2
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
18
Agak tinggi
46
Veg. sedang
2
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
17
Agak tinggi
47
Veg. sedang
2
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
16
Agak tinggi
48
Veg. sedang
2
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
17
Agak tinggi
49
Veg. sedang
2
Gelap
2
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
19
Tinggi
50
Veg. sedang
2
Gelap
2
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
51
Veg. sedang
2
Gelap
2
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Belukar
2
17
Agak tinggi
52
Veg. sedang
2
Gelap
2
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
18
Agak tinggi
53
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran luas
2
Sawah
3
16
Agak tinggi
54
Veg. sedang
2
2
Kering
4
1500-2000
3
Sedang, penyebaran luas
2
Tegalan
3
16
55
Veg. sedang
2
1
Lembab
3
1500-2000
3
Rawa
0
Rawa
0
9
56
Veg. sedang
2
1
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
10
Veg. sedang
2
2
1500-2000
3
Rawa
0
Rawa
0
8
58
Veg. sedang
2
2
2000-2500
2
Sedang, penyebaran luas
2
Kebun
1
10
59
Veg. sedang
2
1
Lembab Sangat lembab Sangat lembab Sangat lembab
3
57
Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap
2
1500-2000
3
Sedang, penyebaran setempat
2
Rawa
0
10
Agak tinggi Sangat rendah Sangat rendah Sangat rendah Sangat rendah Sangat rendah
60
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
17
Agak tinggi
61
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
16
Agak tinggi
62
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran setempat
2
Belukar
2
15
Agak tinggi
63
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
16
Agak tinggi
64
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Kecil penyebaran luas
3
Pemukiman
4
18
Agak tinggi
65
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
17
Agak tinggi
1 1
145
66
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Kecil penyebaran luas
3
Tegalan
3
17
Agak tinggi
67
Veg. sedang
2
Gelap
2
Kering
4
1500-2000
3
Rawa
0
Belukar
2
13
Rendah
68
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Kebun
1
13
Rendah
69
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
16
Agak tinggi
70
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
15
Agak tinggi
71
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Belukar
2
14
Rendah
72
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Tegalan
3
15
Agak tinggi
73
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran setempat
2
Pemukiman
4
16
Agak tinggi
74
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
15
Agak tinggi
75
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran setempat
2
Belukar
2
14
Rendah
76
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
15
Agak tinggi
77
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
12
Rendah
78
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
15
Agak tinggi
79
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
14
Rendah
80
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Tinggi, penyebaran luas
1
Tegalan
3
14
Rendah
81
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
14
Rendah
82
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
17
Agak tinggi
83
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
16
Agak tinggi
84
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Belukar
2
15
Agak tinggi
85
Veg. sedang
2
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Tegalan
3
16
Agak tinggi
86
Veg. sedang
2
Gelap
2
Lembab
3
1500-2000
3
Kecil penyebaran luas
3
Tegalan
3
16
Agak tinggi
87
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Kebun
1
12
Rendah
88
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
15
Agak tinggi
89
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
14
Rendah
90
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Belukar
2
13
Rendah
91
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Tegalan
3
14
Rendah
92
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Pemukiman
4
15
Agak tinggi
93
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
14
Rendah
94
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
14
Rendah
146
95
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
11
Rendah
96
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
14
Rendah
97
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
13
Rendah
98
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Tegalan
3
13
Rendah
99
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
13
Rendah
100
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
16
Agak tinggi
101
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
15
Agak tinggi
102
Veg. sedang
2
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Belukar
2
14
Rendah
103
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Pemukiman
4
19
Tinggi
104
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
18
Agak tinggi
105
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Belukar
2
17
Agak tinggi
106
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Tegalan
3
18
Agak tinggi
107
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Kebun
1
16
Agak tinggi
108
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
19
Tinggi
109
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
18
Agak tinggi
110
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
17
Agak tinggi
111
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
18
Agak tinggi
112
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Kebun
1
17
Agak tinggi
113
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
114
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
115
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Belukar
2
18
Agak tinggi
116
Veg. sedang
2
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
19
Tinggi
117
Veg. sedang
2
Gelap
2
5
1000-1500
4
Daerah airtanah langka
4
Pemukiman
4
21
Tinggi
118
Veg. sedang
2
Gelap
2
2
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
15
Agak tinggi
119
Veg. sedang
2
Gelap
2
2
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
14
Rendah
120
Veg. sedang
2
Gelap
2
2
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
14
Rendah
121
Veg. sedang
2
Gelap
2
Sangat kering Sangat lembab Sangat lembab Sangat lembab Sangat lembab
2
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
14
Rendah
147
122
Veg. sedang
2
Gelap
2
123
Veg. sedang
2
Gelap
2
124
Veg. sedang
2
Gelap
2
125
Veg. sedang
2
Gelap
2
126
Veg. sedang
2
Gelap
2
127
Veg. sedang
2
Gelap
2
128
Veg. sedang
2
Gelap
2
129
Veg. sedang
2
Gelap
2
130
Veg. sedang
2
Gelap
2
131
Veg. sedang
2
Gelap
2
Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab
132
Veg. sedang
2
2
133
Veg. sedang
2
134
Veg. sedang
2
135
Veg. sedang
2
136
Veg. sedang
2
137
Veg. sedang
2
138
Veg. sedang
2
139
Veg. sedang
2
140
Veg. sedang
2
Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap
2
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
13
Rendah
2
2000-2500
2
Sedang, penyebaran luas
2
Belukar
2
12
Rendah
2
2000-2500
2
Sedang, penyebaran luas
2
Tegalan
3
13
Rendah
2
2000-2500
2
Sedang, penyebaran setempat
2
Pemukiman
4
14
Rendah
2
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
13
Rendah
2
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
13
Rendah
2
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
12
Rendah
2
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
15
Agak tinggi
2
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
14
Rendah
2
2000-2500
2
Daerah airtanah langka
4
Belukar
2
14
Rendah
Tergenang
1
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
12
Rendah
1
Kering
4
1000-1500
4
Sedang, penyebaran luas
2
Pemukiman
4
17
Agak tinggi
1
Kering
4
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
16
Agak tinggi
1
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
17
Agak tinggi
1
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
16
Agak tinggi
1
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
15
Agak tinggi
1
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
16
Agak tinggi
1
Tergenang
1
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
12
Rendah
1
Tergenang
1
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
12
Rendah
148
141
Veg. sedang
2
142
Veg. sedang
2
143
Veg. sedang
2
144
Veg. sedang
2
Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap
145
Veg. rendah
3
Agak cerah
146
Veg. rendah
3
147
Veg. rendah
148
1
Tergenang
1
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
11
Rendah
1
Tergenang
1
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
11
Rendah
1
Tergenang
1
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
11
Rendah
1
Tergenang
1
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
12
Rendah
3
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
21
Tinggi
3
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
20
Tinggi
Veg. rendah
3
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
22
Tinggi
149
Veg. rendah
3
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
21
Tinggi
150
Veg. rendah
3
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
20
Tinggi
151
Veg. rendah
3
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
17
Agak tinggi
152
Veg. rendah
3
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Tegalan
3
17
Agak tinggi
153
Veg. rendah
3
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
17
Agak tinggi
154
Veg. rendah
3
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
155
Veg. rendah
3
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
156
Veg. rendah
3
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Tegalan
3
19
Tinggi
157
Veg. rendah
3
Cerah
4
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
16
Agak tinggi
158
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
18
Agak tinggi
159
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
19
Tinggi
160
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
18
Agak tinggi
161
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
17
Agak tinggi
162
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
18
Agak tinggi
163
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
164
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
165
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Belukar
2
18
Agak tinggi
166
Veg. rendah
3
Gelap
2
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
19
Tinggi
167
Veg. rendah
3
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
18
Agak tinggi
149
168
Veg. rendah
3
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran luas
2
Tegalan
3
17
Agak tinggi
169
Veg. rendah
3
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
18
Agak tinggi
170
Veg. rendah
3
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
17
Agak tinggi
171
Veg. rendah
3
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran setempat
2
Belukar
2
16
Agak tinggi
172
Veg. rendah
3
Gelap
2
Kering
4
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
17
Agak tinggi
173
Veg. rendah
3
Gelap
2
Kering
4
1500-2000
3
Kecil penyebaran luas
3
Pemukiman
4
19
Tinggi
174
Veg. rendah
3
Gelap
2
Kering
4
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
175
Veg. rendah
3
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Kebun
1
14
Rendah
176
Veg. rendah
3
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
17
Agak tinggi
177
Veg. rendah
3
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
16
Agak tinggi
178
Veg. rendah
3
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Belukar
2
15
Agak tinggi
179
Veg. rendah
3
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran luas
2
Tegalan
3
16
Agak tinggi
180
Veg. rendah
3
Gelap
2
Kering
4
2000-2500
2
Sedang, penyebaran setempat
2
Pemukiman
4
17
Agak tinggi
181
Veg. rendah
3
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Tegalan
3
16
Agak tinggi
182
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Pemukiman
4
20
Tinggi
183
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
19
Tinggi
184
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Tegalan
3
19
Tinggi
185
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Kebun
1
17
Agak tinggi
186
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
20
Tinggi
187
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
19
Tinggi
188
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
18
Agak tinggi
189
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
19
Tinggi
190
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Kebun
1
18
Agak tinggi
191
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
21
Tinggi
192
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
20
Tinggi
193
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Belukar
2
19
Tinggi
194
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
20
Tinggi
195
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Daerah airtanah langka
4
Pemukiman
4
22
Tinggi
196
Veg. rendah
3
Gelap
2
Sangat kering
5
1000-1500
4
Daerah airtanah langka
4
Sawah
3
21
Tinggi
150
197
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Kebun
1
16
Agak tinggi
198
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
19
Tinggi
199
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Sawah
3
18
Agak tinggi
200
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Belukar
2
17
Agak tinggi
201
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Tegalan
3
18
Agak tinggi
202
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
19
Tinggi
203
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
18
Agak tinggi
204
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
18
Agak tinggi
205
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Belukar
2
17
Agak tinggi
206
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
18
Agak tinggi
207
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
208
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
209
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Belukar
2
18
Agak tinggi
210
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Tegalan
3
19
Tinggi
211
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Pemukiman
4
21
Tinggi
212
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Rawa
0
17
Agak tinggi
213
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Sawah
3
20
Tinggi
214
Veg. rendah
3
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Belukar
2
19
Tinggi
215
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
14
Rendah
216
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
17
Agak tinggi
217
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
16
Agak tinggi
218
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Belukar
2
15
Agak tinggi
219
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Tegalan
3
16
Agak tinggi
220
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
16
Agak tinggi
221
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
19
Tinggi
222
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
223
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Belukar
2
17
Agak tinggi
224
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Tegalan
3
18
Agak tinggi
225
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran setempat
3
Kebun
1
16
Agak tinggi
151
226
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran setempat
3
Pemukiman
4
19
Tinggi
227
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran setempat
3
Belukar
2
17
Agak tinggi
228
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Kecil penyebaran setempat
3
Tegalan
3
18
Agak tinggi
229
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Daerah airtanah langka
4
Kebun
1
17
Agak tinggi
230
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Daerah airtanah langka
4
Pemukiman
4
20
Tinggi
231
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Daerah airtanah langka
4
Sawah
3
19
Tinggi
232
Veg. rendah
3
Gelap
2
Sangat kering
5
2000-2500
2
Daerah airtanah langka
4
Belukar
2
18
Agak tinggi
233
Veg. rendah
3
Gelap
2
5
2000-2500
2
Daerah airtanah langka
4
Tegalan
3
19
Tinggi
234
Veg. rendah
3
Gelap
2
Sangat kering Sangat lembab
2
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
16
Agak tinggi
235
Veg. rendah
3
Gelap
2
3
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
236
Veg. rendah
3
Gelap
2
2
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
16
Agak tinggi
237
Veg. rendah
3
Gelap
2
2
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
15
Agak tinggi
238
Veg. rendah
3
Gelap
2
2
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
15
Agak tinggi
239
Veg. rendah
3
Gelap
2
2
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
15
Agak tinggi
240
Veg. rendah
3
Gelap
2
2
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
14
Rendah
241
Veg. rendah
3
Gelap
2
2
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
14
Rendah
242
Veg. rendah
3
Gelap
2
2
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
14
Rendah
243
Veg. rendah
3
Gelap
2
2
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
11
Rendah
244
Veg. rendah
3
Gelap
2
2
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
14
Rendah
245
Veg. rendah
3
Gelap
2
2
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
13
Rendah
246
Veg. rendah
3
Gelap
2
2
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
16
Agak tinggi
247
Veg. rendah
3
Gelap
2
Lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab
2
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
15
Agak tinggi
152
248
Veg. rendah
3
249
Veg. rendah
3
250
Veg. rendah
3
251
Veg. rendah
3
252
Veg. rendah
3
253
Veg. rendah
3
254
Veg. rendah
3
255
Veg. rendah
3
256
Veg. rendah
3
257
Veg. rendah
3
258
Veg. rendah
3
259
Veg. rendah
3
260
Veg. rendah
3
261
Veg. rendah
3
262
Veg. rendah
3
263
Veg. rendah
3
264
Veg. rendah
3
265
Veg. rendah
3
266
Veg. rendah
3
Sangat Gelap Sangat Gelap Sangat Gelap Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap
1
Kering
4
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
17
Agak tinggi
1
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
18
Agak tinggi
1
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
17
Agak tinggi
2
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
17
Agak tinggi
1
Kering
4
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
17
Agak tinggi
1
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
19
Tinggi
1
Sangat kering
5
2000-2500
2
Daerah airtanah langka
4
Belukar
2
17
Agak tinggi
1
Sangat kering Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab
5
2000-2500
2
Daerah airtanah langka
4
Tegalan
3
18
Agak tinggi
2
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
15
Agak tinggi
2
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
17
Agak tinggi
2
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
16
Agak tinggi
2
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
16
Agak tinggi
2
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
15
Agak tinggi
2
1500-2000
3
Sedang, penyebaran setempat
2
Rawa
0
11
Rendah
2
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
14
Rendah
2
1500-2000
3
Sedang, penyebaran setempat
2
Belukar
2
13
Rendah
2
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
14
2
1500-2000
3
Rawa
0
Rawa
0
9
Rendah Sangat rendah
2
2000-2500
2
Sedang, penyebaran luas
2
Kebun
1
11
Rendah
1 1 1 1 1 1 1 1 1 1 1
153
267
Veg. rendah
3
2
3
Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap Sangat Gelap
3
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
16
1
lembab Sangat lembab
268
Veg. rendah
3
269
Veg. rendah
3
270
Veg. rendah
3
271
Veg. rendah
3
272
Veg. rendah
3
273
Veg. rendah
274
Veg. sangat rendah
4
275
Veg. sangat rendah
276
Agak tinggi Sangat rendah
2
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
8
1
Tergenang
1
2000-2500
2
Sedang, penyebaran setempat
2
Pemukiman
4
13
1
Tergenang
1
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
10
1
Tergenang
1
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
12
1
Tergenang
1
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
10
Rendah Sangat rendah
1
Tergenang
1
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
13
Rendah
Agak cerah
3
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
22
Tinggi
4
Agak cerah
3
Kering
4
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
21
Tinggi
Veg. sangat rendah
4
Agak cerah
3
Kering
4
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
20
Tinggi
277
Veg. sangat rendah
4
Agak cerah
3
Kering
4
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
15
Agak tinggi
278
Veg. sangat rendah
4
Agak cerah
3
Kering
4
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
17
Agak tinggi
279
Veg. sangat rendah
4
Agak cerah
3
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
280
Veg. sangat rendah
4
Agak cerah
3
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
281
Veg. sangat rendah
4
Agak cerah
3
Kering
4
2000-2500
2
Daerah airtanah langka
4
Belukar
2
19
Tinggi
282
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
20
Tinggi
283
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
19
Tinggi
284
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
19
Tinggi
285
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
21
Tinggi
286
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
20
Tinggi
287
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
19
Tinggi
288
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
289
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
17
Agak tinggi
290
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
16
Agak tinggi
291
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
19
Tinggi
292
Veg. sangat rendah
4
Agak cerah
3
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
Rendah Sangat rendah
154
293
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Pemukiman
4
22
Tinggi
294
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
21
Tinggi
295
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Tegalan
3
21
Tinggi
296
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
22
Tinggi
297
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
21
Tinggi
298
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
20
Tinggi
299
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
21
Tinggi
300
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Kebun
1
20
Tinggi
301
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
23
Sangat tinggi
302
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
22
Tinggi
303
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Belukar
2
21
Tinggi
304
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
22
Tinggi
305
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Kebun
1
18
Agak tinggi
306
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
21
Tinggi
307
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Sawah
3
20
Tinggi
308
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Belukar
2
19
Tinggi
309
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Tegalan
3
20
Tinggi
310
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
21
Tinggi
311
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Rawa
0
17
Agak tinggi
312
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran luas
2
Tegalan
3
19
Tinggi
313
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran setempat
2
Kebun
1
17
Agak tinggi
314
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran setempat
2
Pemukiman
4
20
Tinggi
315
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
19
Tinggi
316
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran setempat
2
Belukar
2
18
Agak tinggi
317
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
19
Tinggi
318
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
16
Agak tinggi
319
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
19
Tinggi
320
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
18
Agak tinggi
321
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Tinggi, penyebaran luas
1
Tegalan
3
18
Agak tinggi
155
322
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
18
Agak tinggi
323
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
21
Tinggi
324
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
20
Tinggi
325
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Belukar
2
19
Tinggi
326
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran luas
3
Tegalan
3
20
Tinggi
327
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran setempat
3
Pemukiman
4
21
Tinggi
328
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran setempat
3
Belukar
2
19
Tinggi
329
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Kecil penyebaran setempat
3
Tegalan
3
20
Tinggi
330
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Daerah airtanah langka
4
Pemukiman
4
22
Tinggi
331
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Daerah airtanah langka
4
Sawah
3
21
Tinggi
332
Veg. sangat rendah
4
Agak cerah
3
Sangat kering
5
2000-2500
2
Daerah airtanah langka
4
Belukar
2
20
Tinggi
333
Veg. sangat rendah
4
Agak cerah
3
5
2000-2500
2
Daerah airtanah langka
4
Tegalan
3
21
Tinggi
334
Veg. sangat rendah
4
Agak cerah
3
2
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
19
Tinggi
335
Veg. sangat rendah
4
Agak cerah
3
2
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
18
Agak tinggi
336
Veg. sangat rendah
4
Agak cerah
3
2
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
337
Veg. sangat rendah
4
Agak cerah
3
2
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
338
Veg. sangat rendah
4
Agak cerah
3
2
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
18
Agak tinggi
339
Veg. sangat rendah
4
Agak cerah
3
2
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
340
Veg. sangat rendah
4
Agak cerah
3
2
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
13
Rendah
341
Veg. sangat rendah
4
Agak cerah
3
2
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
16
Agak tinggi
342
Veg. sangat rendah
4
Agak cerah
3
2
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
15
Agak tinggi
343
Veg. sangat rendah
4
Agak cerah
3
Sangat kering Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab Sangat lembab
2
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
17
Agak tinggi
344
Veg. sangat rendah
4
Agak cerah
3
Tergenang
1
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
17
Agak tinggi
345
Veg. sangat rendah
4
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
19
Tinggi
156
346
Veg. sangat rendah
4
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
347
Veg. sangat rendah
4
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Belukar
2
17
Agak tinggi
348
Veg. sangat rendah
4
Gelap
2
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Tegalan
3
18
Agak tinggi
349
Veg. sangat rendah
4
Gelap
2
Kering
4
2000-2500
2
Daerah airtanah langka
4
Sawah
3
19
Tinggi
350
Veg. sangat rendah
4
Gelap
2
Kering
4
2000-2500
2
Daerah airtanah langka
4
Belukar
2
18
Agak tinggi
351
Veg. sangat rendah
4
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
19
Tinggi
352
Veg. sangat rendah
4
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
18
Agak tinggi
353
Veg. sangat rendah
4
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
17
Agak tinggi
354
Veg. sangat rendah
4
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
18
Agak tinggi
355
Veg. sangat rendah
4
Gelap
2
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
356
Veg. sangat rendah
4
Gelap
2
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
357
Veg. sangat rendah
4
Gelap
2
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Belukar
2
18
Agak tinggi
358
Veg. sangat rendah
4
Gelap
2
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
19
Tinggi
359
Veg. sangat rendah
4
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
18
Agak tinggi
360
Veg. sangat rendah
4
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Sawah
3
17
Agak tinggi
361
Veg. sangat rendah
4
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Tegalan
3
17
Agak tinggi
362
Veg. sangat rendah
4
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
18
Agak tinggi
363
Veg. sangat rendah
4
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
17
Agak tinggi
364
Veg. sangat rendah
4
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Belukar
2
16
Agak tinggi
365
Veg. sangat rendah
4
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
17
Agak tinggi
366
Veg. sangat rendah
4
Gelap
2
Lembab
3
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
367
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Kebun
1
14
Rendah
368
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
17
Agak tinggi
369
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
16
Agak tinggi
370
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Tegalan
3
16
Agak tinggi
371
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Pemukiman
4
17
Agak tinggi
372
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
16
Agak tinggi
373
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
16
Agak tinggi
374
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
13
Rendah
157
375
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
16
Agak tinggi
376
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
15
Agak tinggi
377
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Tegalan
3
15
Agak tinggi
378
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
15
Agak tinggi
379
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
18
Agak tinggi
380
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
17
Agak tinggi
381
Veg. sangat rendah
4
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Tegalan
3
17
Agak tinggi
382
Veg. sangat rendah
4
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Pemukiman
4
21
Tinggi
383
Veg. sangat rendah
4
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
20
Tinggi
384
Veg. sangat rendah
4
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
21
Tinggi
385
Veg. sangat rendah
4
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
20
Tinggi
386
Veg. sangat rendah
4
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
19
Tinggi
387
Vegetasi tinggi
1
Agak cerah
3
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
17
Agak tinggi
388
Vegetasi tinggi
1
Agak cerah
3
Kering
4
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
16
Agak tinggi
389
Vegetasi tinggi
1
Agak cerah
3
Kering
4
2000-2500
2
Daerah airtanah langka
4
Belukar
2
16
Agak tinggi
390
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
17
Agak tinggi
391
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
16
Agak tinggi
392
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
16
Agak tinggi
393
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
18
Agak tinggi
394
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
17
Agak tinggi
395
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
16
Agak tinggi
396
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
16
Agak tinggi
397
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
14
Rendah
398
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
13
Rendah
399
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
16
Agak tinggi
400
Vegetasi tinggi
1
Agak cerah
3
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
15
Agak tinggi
401
Vegetasi tinggi
1
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
19
Tinggi
402
Vegetasi tinggi
1
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
18
Agak tinggi
403
Vegetasi tinggi
1
Agak cerah
3
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
18
Agak tinggi
158
404
Vegetasi tinggi
1
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
20
Tinggi
405
Vegetasi tinggi
1
Agak cerah
3
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
19
Tinggi
406
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
15
Agak tinggi
407
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
16
Agak tinggi
408
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
15
Agak tinggi
409
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
14
Rendah
410
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
15
Agak tinggi
411
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
17
Agak tinggi
412
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
16
Agak tinggi
413
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Belukar
2
15
Agak tinggi
414
Vegetasi tinggi
1
Gelap
2
Lembab
3
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
16
Agak tinggi
415
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
15
Agak tinggi
416
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Sawah
3
14
Rendah
417
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran luas
2
Tegalan
3
14
Rendah
418
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
15
Agak tinggi
419
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Rawa
0
11
Rendah
420
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
14
Rendah
421
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Belukar
2
13
Rendah
422
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
14
Rendah
423
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
15
Agak tinggi
424
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Kecil penyebaran luas
3
Tegalan
3
15
425
Vegetasi tinggi
1
Gelap
2
Lembab
3
1500-2000
3
Rawa
0
Rawa
0
9
Agak tinggi Sangat rendah
426
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Kebun
1
11
Rendah
427
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Pemukiman
4
14
Rendah
428
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Sawah
3
13
Rendah
429
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Belukar
2
12
Rendah
430
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran luas
2
Tegalan
3
13
Rendah
431
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Pemukiman
4
14
Rendah
159
432
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Sawah
3
13
Rendah
433
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Belukar
2
12
Rendah
434
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Sedang, penyebaran setempat
2
Tegalan
3
13
435
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Kebun
1
10
Rendah Sangat rendah
436
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Pemukiman
4
13
Rendah
437
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Sawah
3
12
Rendah
438
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Tinggi, penyebaran luas
1
Tegalan
3
12
Rendah
439
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Kebun
1
12
Rendah
440
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Pemukiman
4
15
Agak tinggi
441
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Sawah
3
14
Rendah
442
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Belukar
2
13
Rendah
443
Vegetasi tinggi
1
Gelap
2
Lembab
3
2000-2500
2
Kecil penyebaran luas
3
Tegalan
3
14
Rendah
444
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Pemukiman
4
18
Agak tinggi
445
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Sawah
3
17
Agak tinggi
446
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran luas
2
Tegalan
3
17
Agak tinggi
447
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Kebun
1
15
Agak tinggi
448
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Pemukiman
4
18
Agak tinggi
449
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Sawah
3
17
Agak tinggi
450
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Belukar
2
16
Agak tinggi
451
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Sedang, penyebaran setempat
2
Tegalan
3
17
Agak tinggi
452
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Kebun
1
16
Agak tinggi
453
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Pemukiman
4
19
Tinggi
454
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Sawah
3
18
Agak tinggi
455
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Belukar
2
17
Agak tinggi
456
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Kecil penyebaran luas
3
Tegalan
3
18
Agak tinggi
457
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Daerah airtanah langka
4
Pemukiman
4
20
Tinggi
458
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1000-1500
4
Daerah airtanah langka
4
Sawah
3
19
Tinggi
459
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Kebun
1
14
Rendah
160
460
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Pemukiman
4
17
Agak tinggi
461
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Sawah
3
16
Agak tinggi
462
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Belukar
2
15
Agak tinggi
463
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran luas
2
Tegalan
3
16
Agak tinggi
464
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Pemukiman
4
17
Agak tinggi
465
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Rawa
0
13
Rendah
466
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Sawah
3
16
Agak tinggi
467
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Belukar
2
15
Agak tinggi
468
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Sedang, penyebaran setempat
2
Tegalan
3
16
Agak tinggi
469
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Pemukiman
4
18
Agak tinggi
470
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Sawah
3
17
Agak tinggi
471
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Belukar
2
16
Agak tinggi
472
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Kecil penyebaran luas
3
Tegalan
3
17
Agak tinggi
473
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Pemukiman
4
19
Tinggi
474
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Rawa
0
15
Agak tinggi
475
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Sawah
3
18
Agak tinggi
476
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Belukar
2
17
Agak tinggi
477
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
1500-2000
3
Daerah airtanah langka
4
Tegalan
3
18
478
Vegetasi tinggi
1
Gelap
2
Tergenang
1
1500-2000
3
Rawa
0
Rawa
0
7
479
Vegetasi tinggi
1
Gelap
2
Tergenang
1
1500-2000
3
Rawa
0
Rawa
0
7
480
Vegetasi tinggi
1
Gelap
2
Tergenang
1
1500-2000
3
Rawa
0
Rawa
0
7
481
Vegetasi tinggi
1
Gelap
2
Tergenang
1
1500-2000
3
Rawa
0
Rawa
0
7
Agak tinggi Sangat rendah Sangat rendah Sangat rendah Sangat rendah
482
Vegetasi tinggi
1
Gelap
2
Sangat kering
5
2000-2500
2
Sedang, penyebaran luas
2
Kebun
1
13
Rendah
