ANALISIS MULTI TEMPORAL SEBARAN FLOODING SIGNAL MENGGUNAKAN METODE PPPM(PHENOLOGY AND PIXEL BASED PADDY RICE MAPPING) TERKAIT IDENTIFIKASI LAHAN SAWAH TERKENA BANJIR(Studi Kasus: Kabupaten Kendal Tahun 2016)

Abstract

ABSTRAK

Negara Indonesia terletak di daerah beriklim tropis yang sangat sensitif terhadap anomali iklim El-Nino Southern Oscillation (ENSO) salah satunya La Nina.Pada pertengahan Juni 2016, Kendal terjadi banjir akibat La Nina dengan dampak hingga merendam lahan sawah yang menyebabkan padi menjadi puso. Curah hujan tinggi menyebabkan debit sungai naik hingga berimbas terhadap luapan Kali Blorong.Data Landsat dengan DOY 104 sampai 232 digunakan untuk pengolahan algoritma PPPM (Phenology and Pixel Based Paddy Rice Mapping)yang menghasilkan data Flooding Signal secara multitemporal dan data tutupan lahan dengan klasifikasi terbimbing. Data TRMM dengan DOY 161 sampai 176 dan DOY 214 sampai 221 digunakan untuk perhitungan curah hujan. Rerata nilai curah hujan daerah aliran sungai dan debit sungai digunakan untuk analisis statistik uji korelasi.Pengkajian lahan sawah puso akibat banjir dilakukan dengan penggabungan data Flooding Signal, penurunan EVI padi puso dengan nilai <0,074 dan Masking lahan sawah.Pengolahan algoritma PPPM menghasilkan pola Flooding Signal yang memuncak pada bulan Juni 2016.Hal ini dikarenakan adanya fase penanaman padi dan banjir.Pemetaan lahan puso menggunakan data Flooding Signal menghasilkan data luasan padi puso akibat banjir seluas 270,540 hektar, selisih 105,460 hektar dari data Dispertan Kendal.Pada penelitian ini didapatkan tingkat keakuratan algoritma PPPM dalam memetakan lahan sawah puso akibat banjir sebesar 79,167%. Keterkaitan faktor curah hujan terhadap banjir dinyatakan dengan nilai korelasi debit sungai dan curah hujan pada lima jaring sungai dengan nilai 0,775 pada Kali Kuto, 0,689 pada Kali Damar, 0,754 pada Kali Blukar, 0,639 pada Kali Bodri dan 0,654 pada Kali Blorong. Pada penelitian ini, pengolahan klasifikasi terbimbing menunjukkan tidak adanya pengaruh perubahan tutupan lahan terhadap banjir.Hasil pengolahan data menunjukkan algoritma PPPM sangat akurat memetakan banjir.Curah hujan juga memiliki pengaruh yang sangat tinggi terhadap banjir.Sehingga penelitian ini diharapkan dapat digunakan sebagai referensi pengkajian banjir lahan sawah berbasis data penginderaan jauh.

Kata kunci: Algoritma PPPM, Banjir, Curah Hujan, Flooding Signal, Padi Puso

ABSTRACT

Indonesia is a country located in tropical climate that are very sensitive to the existence of climates anomalies El-Nino Southern Oscillation (ENSO) one of them is La Nina. In mid-June 2016, Kendal occured floods caused by La Nina with the impact till soak the rice fields that cause the rice to be puso. High rainfall causes the river flow to rise up so it impacts on overflow of Kali Blorong.Landsat data with DOY 104 to 232 is used for processing of PPPM algorithms (Phenology and Pixel Based Paddy Rice Mapping) that produce multi-temporal Flooding Signal data and land cover data with supervised classification. TRMM data with DOY 161 to 176 and DOY 214 to 221 are used for rainfall estimation. The value of average rainfall watershed and river flow is used for statistical analysis of correlation test. Study of puso rice fields caused by flooding is done by combining Flooding Signal data, derivation of EVI’s puso rice fields with value<0,074 and paddy rice field masking. The processsing of PPPM algorithm produceFlooding Signal pattern which culminated in June 2016. This is due to the phases of rice cultivation and flooding. Puso rice field mapping with Flooding Signal data produce 270,540 hectares of puso rice field caused by floods, less than 105,460 hectares of Kendal Dispertan data. In this research are earned the accuracy level of PPPM algorithm in the mapping the puso rice field caused by flood at 79,167%.The dependability of rainfall on flood is expressed by the correlation value of river flow and upstream rainfall in five river networks with value of 0,775 in Kali Kuto, 0,689 in Kali Damar, 0,754 in Kali Blukar, 0,639 in Kali Bodri and 0,654 in Kali Blorong. In this research the result of supervised classification shows the absence of land cover change effect to flood.The result of data processing shows the PPPM algorithm is highly accurate in the flood mapping. Rainfall also has a very high impact on floods. So this research is expected to be used as reference in study of flood rice field based on remote sensing data.Keyword: Floods, Flooding Signal, PPPM Algorithm, Puso Rice, Rainfall