Identifikasi Kekeringan Lahan Pertanian Berdasarkan Metode Temperature Vegetation Dryness Index (TVDI) pada Citra Landsat-8 OLI/TIRS di Kabupaten Madiun Jawa Timur

Kuswaji Dwi Priyono(1*), Listyana Ardhi Rachmawati(2),

(1) Fakultas Geografi, Universitas Muhammadiyah Surakarta
(2) Fakultas Geografi, Universitas Muhammadiyah Surakarta
(*) Corresponding Author




DOI: https://doi.org/10.35580/lageografia.v21i2.38791

Abstract


Abstract

The area of agricultural land in Madiun Regency experiencing agricultural drought is 320 ha, very important as a disaster mitigation effort. The TVDI method in Landsat-8 OLI/TIRS will accelerate spatial information of the drought-affected area. The TVDI method uses the main parameters in the form of a vegetation index or NDVI (Normalized Difference Vegetation Index) and land surface temperature or LST (Land Surface Temperature). The results of this study showed that the spatial distribution of agricultural drought was divided into five classes, namely wet, slightly wet, normal, slightly dry, and dry. The most dominant drought class area in 2019 and 2020 is the normal drought class with an area of  15,426.64 ha and 13,960.01 ha. The distribution of this normal drought class is in the west, which indicates that even though it is located in the lowlands. The accuracy  value of land use and NDVI using the confusion matrix produces an accuracy value of 92.89% for land use. The NDVI accuracy in 2019 was 91.45%, in 2020 it was 87.13%, and in 2021 it was 91.28%. The LST accuracy value in 2019 is 96.38%, in 2020 it is 97.69%, and in 2021 it is 95.71%.


Abstrak

Luas lahan pertanian di Kabupaten Madiun yang mengalami kekeringan pertanian sebesar 320 ha yang memerlukan upaya mitigasi bencana. Pengguaan metode TVDI pada Citra Landsat-8 OLI/TIRS dapat mempercepat informasi spasial wilayah terdampak kekeringan tersebut. Metode TVDI atau Temperature Vegetation Dryness Index menggunakan parameter utama indeks vegetasi atau NDVI (Normalized Difference Vegetation Index) dan suhu permukaan lahan atau LST (Land Surface Temperature). Penggunaan Citra Landsat-8 dengan metode TVDI dapat menghitung nilai akurasi confussion matrix dari algoritma NDVI dan LST yang diperoleh. Hasil penelitian ini didapatkan bahwa distribusi spasial kekeringan pertanian di Kabupaten Madiun dibagi menjadi lima kelas yaitu basah, agak basah, normal, agak kering, dan kering. Luas kelas kekeringan yang paling dominan pada tahun 2019 dan tahun 2020 yaitu kelas kekeringan normal dengan luas 15.426,64 ha dan 13.960,01 ha. Sebaran kelas kekeringan normal ini di sebelah barat yang berada di dataran rendah namun saluran irigasi yang ada berjalan cukup baik memiliki kelas normal. Pada tahun 2021 ini dominan kelas kekeringan agak basah dengan luas sebesar 13.641,93 ha. Nilai NDVI tahun 2019 sebesar 91,45%, tahun 2020 sebesar 87,13%, dan tahun 2021 sebesar 91,28%. Nilai akurasi LST tahun 2019 sebesar 96,38%, tahun 2020 sebesar 97,69%, dan tahun 2021 sebesar 95,71%. 


 


Keywords


TVDI; kekeringan pertanian; NDVI; LST

Full Text:

PDF

References


Adiningsih, E. S. (2014). Tinjauan metode deteksi parameter kekeringan berbasis data penginderaan jauh. In Prosiding Seminar Nasional Penginderaan Jauh 2014 (pp. 210-220). LAPAN. http://repository.lapan.go.id//index.php?p=show_detail&id=2028.

Fathoni, M. A., & Sudaryatno, S. (2015). Pemanfaatan Citra Landsat 8 untuk Pemetaan Kekeringan Pertanian dengan Transformasi Temperature Vegetation Dryness Index (Tvdi) di Kabupaten Sukoharjo Tahun 2013-2014. Jurnal Bumi Indonesia, 4(1), 222873. https://www.neliti.com/id/journals/jurnal-bumi-indonesia.

Fathony, A., Somantri, L., & Sugito, N. T. (2022). Analisis Potensi Kekeringan Pertanian di Kabupaten Bandung. Jurnal Geografi: Media Informasi Pengembangan dan Profesi Kegeografian, 19(1), 29-37. https://journal.unnes.ac.id/nju/index.php/JG.

Fauzi, M., Mutia, T., Akhmad, R., & Hadi, H. (2021). Pemetaan Sebaran Daerah Rawan Kekeringan untuk Menentukan Sistem Pertanian di Kabupaten Lombok Tengah. Geodika: Jurnal Kajian Ilmu dan Pendidikan Geografi, 5(1), 144-153. https://e-journal.hamzanwadi.ac.id/index.php/gdk.

Mujtahiddin, M. I. (2014). Analisis spasial indeks kekeringan Kabupaten Indramayu. Jurnal Meteorologi dan Geofisika, 15(2). https://puslitbang.bmkg.go.id/jmg/index.php /jmg.

Munir, M. M., Sasmito, B., & Haniah, H. (2015). Analisis Pola Kekeringan Lahan Pertanian di Kabupaten Kendal dengan menggunakan Algoritma Thermal Vegetation Index dari Citra Satelit Modis Terra. Jurnal Geodesi Undip, 4(4), 174-180. https:/ /ejournal3.undip.ac.id/index.php/geodesi.

Nilasari. (2017). Aplikasi Penginderaan Jauh untuk Memetakan Kekeringan Lahan Pertanian dengan Metode Thermal Vegetation Index (Studi Kasus: Kabupaten Kudus, Jawa Tengah). Jurnal Geodesi Undip Volume 6 Nomor 3 (ISSN: 2337-845x), 97-105. https://ejournal3.undip.ac.id/index.php/geodesi

Nilasari, M., Sasmito, B., & Sukmono, A. (2017). Aplikasi penginderaan jauh untuk memetakan kekeringan lahan pertanian dengan metode thermal vegetation index (Studi Kasus: Kabupaten Kudus, Jawa Tengah). Jurnal Geodesi Undip, 6(3), 97-105. https://ejournal3.undip.ac.id/index.php/geodesi.

Nuarsa et al. (2015). Pemetaan Daerah Rawan Kekeringan di Bali-Nusa Tenggara dan Hubungannya Dengan ENSO Menggunakan Aplikasi Data Penginderaan Jauh. Jurnal Bumi Lestari Volume 15 Nomor 1. https://ojs.unud.ac.id/index.php/blje/index.

Pasaribu, A. F., Darwis, D., Irwan, A., & Surahman, A. (2019). Sistem Informasi Geografis Untuk Pencarian Lokasi Bengkel Mobil di Wilayah Kota Bandar Lampung. Jurnal Tekno Kompak Volume 14 Nomor 2, 71. https://ejurnal.teknokrat.ac.id/index.php /teknokompak.

Prasetyo, D. A., & Suprayogi, A. (2018). Analisis Lokasi Rawan Bencana Kekeringan Menggunakan Sistem Informasi Geografis di Kabupaten Blora Tahun 2017. Jurnal Geodesi Undip Volume 7 Nomor 4, 314-324. https://ejournal3.undip.ac.id/index.php /geodesi.

Przedziecki, K., Zawadzki, J., & Miatkowski, Z. (2018). Use of the Temperature Vegetation Dryness Index for Remote Sensing Grassland Moisture Condition in the Vicinity of a Lignte Open Case Mine. Envionment. Earth Sci. Volume 77 Number 623. https://iopscience.iop.org/issue/1755-1315/648/1.

Que, V. K., Prasetyo, S. Y., & Fibriani, C. (2019). Analisis Perbedaan Indeks Vegetasi Normalized Differece Vegetation Index (NDVI) dan Normalized Burn Ratio (NBR) Kabupaten Pelalawan Menggunakan Citra Satelit Landsat 8. Indonesia Journal of Computing and Modeling e-ISSN: 2598-9421, 1-7. https://ejournal.uksw.edu/icm/about.

Rajeswari, A., & Mani, N. D. (2014). Estimation of Land Surface Temperature of Dingidul District Using Landsat 8 Data. International Journal of Research in Engineering and Technology. eISSN: 2319-1163, pISSN: 2321-7308. https://ijsrm.in/index.php/ijsrm.

Raharjo, P. D. (2010). Teknik penginderaan jauh dan sistem informasi geografis untuk identifikasi potensi kekeringan. Makara Journal of Technology, 14(2), 150373. https://scholarhub.ui.ac.id/mjt/.

Rahman, F., Sukmono, A., & Yuwono, B. D. (2017). Analisis Kekeringan Pada Lahan Pertanian Menggunakan Metode NDDI dan Perka BNPB Nomor 02 Tahun 2012 (Studi Kasus: Kabupaten Kendal Tahun 2015). Jurnal Geodesi Undip, 6(4), 274-284. https://ejournal3.undip.ac.id/index.php/geodesi.

Sadewo, M. G., Agus, P. W., & Anjar, W. (2018). Penerapan Algoritma Clustering Dalam Mengelompokkan Banyaknya Desa/Kelurahan Menurut Upaya Antisipasi.Mitigasi Bencana Alam Menurut Provinsi Dengan K-Means. KOMIK (Konfrensi Nasional Teknologi Informasi dan Komputer Volume 2 Nomor 1. https://ejurnal.stmik-budidarma.ac.id/index.php/komik.

Sandholt dkk. (2002). A Simple Interpretation of The Surface Temperature/Vegetation Index Space for Assessment of Surface Moisture Status. Remote Sensing of Environment Vol. 79, 213-224. https://www.iiste.org/journals/?gclid=CjwKCAiA_ 6yfBhBNEiwAkmXy5_ AeaUYDsJcSGm9MdSt_dJSSJvJWRbAjmLD5OkhaT6ze38J_khci1RoC76IQAvD_BwE

Sukmono, A., Rahman, F., & Yuwono, B. D. (2018). Pemanfaatan Teknologi Penginderaan Jauh untuk Deteksi Kekeringan Pertanian Menggunakan Metode Normalized Difference Drought Index di Kabupaten Kendal. Jurnal Geografi: Media Informasi Pengembangan dan Profesi Kegeografian, 14(2), 57-65. https://journal.unnes.ac.id/nju/ index.php/JG.

Surmaini, E. (2016). Pemantauan dan peringatan dini kekeringan pertanian di Indonesia. Jurnal Sumberdaya Lahan, 10(1), 37-50. https://ejurnal.litbang. pertanian.go.id/ index.php/jsl/index.

Utomo, A. S., Hadi, M. P., & Nurjani, E. (2022). Analisis spasial temporal zona rawan kekeringan lahan pertanian berbasis remote sensing. Jurnal Teknosains, 11(2), 112-127. https://jurnal.ugm.ac.id/teknosains.

Utami, D. N., & Soewandita, H. (2020). Kajian Kesuburan Lahan untuk Evaluasi Lahan Kaitannya untuk Mitigasi Bencana Kekeringan di Kabupaten Nganjuk. Jurnal ALAMI: Jurnal Teknologi Reduksi Risiko Bencana, 4(2), 81-95. https://ejurnal.bppt.go.id/index.php/Alami.

Widiyatmoko, W., Sudibyakto, S., & Nurjani, E. (2017). Analisis Kerentanan Tanaman Terhadap Ancaman Kekeringan Pertanian menggunakan Pendekatan Multi-Temporal di DAS Progo Hulu. Geomedia: Majalah Ilmiah dan Informasi Kegeografian, 15(2). https://journal.uny.ac.id/index.php/geomedia/index.

Widyastuti, R. (2020). Pola Sebaran Kekeringan di Kecamatan Simpenan Menggunakan Metode SPI (Standardized Precipitation Index). Jurnal Geosaintek, 6(1), 19-24. https://iptek.its.ac.id/index.php/geosaintek.


Article Metrics

Abstract view : 128 times | PDF view : 88 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Kuswaji Dwi Priyono, Listyana Ardhi Rachmawati

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

 

 

LaGeografia: Jurnal Program Studi Pendidikan Geografi, Jurusan Geografi, Fakultas MIPA, Universitas Negeri Makassar.

Email: lageografia@unm.ac.id | +6285298749260

 

Editorial Office

Flag Counter