Pemodelan Spasial Erosi Kualitatif Berbasis Raster (Studi ... · tingkatan secara kualitatif karena besaran nilai secara numerik suatu variabel pada dasarnya adalah nilai yang bisa

127

@2017ProgramStudiIlmuLingkunganSekolahPascasarjanaUNDIP

JURNALILMULINGKUNGANVolume15Issue2(2017):127-134 ISSN1829-8907

PemodelanSpasialErosiKualitatifBerbasisRaster(StudiKasusdiDASSerang,KabupatenKulonprogo)

NursidaArif1,2,ProjoDanoedoro2,danHartono2

1FakultasSainsdanTeknologi,UniversitasMuhammadiyahGorontalo;e-mail:[email protected],UniversitasGadjahMada

ABSTRAK

Erosimerupakan salah satu fenomena alam yang banyak dikaji karenamelibatkan banyak faktor yaitu vegetasi,tanah,iklim,topografidanmanusia.Kompleksitasfaktor-faktoryangmempengaruhierosidisederhanakanmelaluipemodelanuntukmemprediksitingkaterosipadasuatuwilayahdenganmemanfaatkandatapenginderaanjauhdansistem informasi geografis. Faktor yang digunakan dalam menyusun model hanya melibatkan tiga faktor yaituvegetasi, tanah dan lereng. Penelitian ini dilakukan di DAS Serang karena termasuk salah satu DAS yang beradadalamkondisikritisyangdapatmemicuterjadinyadegradasilahan,erosidanlongsor.Tujuanpenelitianiniadalahmengetahui distribusi spasial tingkat erosi kualitatif di DAS Serang. Pendekatan yang digunakan adalah integrasipeginderaan jauhdan sistem informasi geografisberbasis raster.Validasimodeldilakukandenganmelihat faktortopografidanindikatorerosikualitatifdilapanganyaituarmourlayer,singkapanakar,pedestal,erosialurdangully.Hasilpenelitianmenunjukanmodelyangdihasilkansangatefektifsebagaisolusicepatprediksierosi.Berdasarkanhasil analisis tingkaterosi sangatberatmendominasidiwilayahkajianyaitusebagianbesardikecamatanKokap,GirimulyodansebagianPengasih.

Katakunci:Erosi,Model,Kualitatif,DASSerang

EnglishTitle:SpatialModelingofRasterBasedQualitativeErosion

ABSTRACT

Erosionisoneofthenaturalphenomenathat'sstudiedbymanybecauseitinvolvesmanyfactors,namelyvegetation,soil,climate,topographyandhumans.Thecomplexityofthefactorsaffectingerosionissimplifiedthroughmodelingto predict of erosion rates in a region by utilizing remote sensing data and geographic information systems. Theerosion control factor used in this research fewer parameters, namely vegetation, soil and topography only. Thisresearchwas conducted in Serangwatershedbecause it is oneof thewatershedswhich are in critical conditionswhichcan trigger landdegradation, erosionand landslides.Thepurposeof this researchwas toknow the spatialdistributionoferosionsusceptibilitylevelsinSerangwatershed.Theapproachusedwastheintegrationofremotesensing and raster-based geographic information system. Model validation was undertaken based on topograhyfactor and observation of qualitative erosion indicators in the field. The indicators used were pedestals, armorlayers,rootexposure,orothererosionfeaturesssuchasrillandgullies.Theresultsshowthattheresultingmodelismore effective as a quick solution to the prediction of erosion. Based on the results of the analysis, the spatialdistributionoferosionrates isverydominant in thestudyarea,mostly inKokap,Girimulyoandsomeof thesub-districts.

Keywords:Erosion,Modeling,Qualitative,Serangwatershed

Citation:Arif, N., Danoedoro, P., dan Hartono. (2017). Pemodelan Spasial Erosi Kualitatif Berbasis Raster (Studi Kasus di DASSerang,KabupatenKulonprogo).JurnalIlmuLingkungan,15(2),127-134,doi:10.14710/jil.15.2.127-134

1.PendahuluanErosi merupakan proses terlepasnya butiran

ataubagian-bagiantanahdarisuatutempatketempatlain karena terangkut oleh air atau angin (Arsyad,2010). Erosi menjadi alat ukur penting bagi parapenggunalahanmaupunpengambilkeputusanuntukmengevaluasi tata kelola lahan. Oleh karena itupemetaan tingkat erosi melalui pemodelan sangatpenting dilakukan untuk merepresentasikan

kenyataan di lapangan. Pemodelan erosi dapatdilakukandenganmemanfaatkandatapenginderaanjauh dan sistem informasi geografis. Datapenginderaan jauh diandalkan dalam memperolehinformasilandscapesepertivegetasidanpenggunaanlahan. Sedangkan SIG digunakan untuk mengolah,mensimulasikan skenario dan memvisualisasikanhasil pemodelan. Beberapa penelitian dilakukankhususnya dibidang terapan lingkungan termasuk

JurnalIlmuLingkungan(2017),15(2):127-136,ISSN1829-8907

©2017,ProgramStudiIlmuLingkunganSekolahPascasarjanaUNDIP

128

untukkajianerosidan longsormembuktikanbahwaintegrasiSIGdanPJlebihakuratdanefektif(AsisdanOmasa,2007;PradhnandanLee.,2007;Pradhan,Lee,danBuchroitner.,2010;Liaoetal.,2012).

Farhan, Zregat dan Farhan (2013)menggunakan persamaan model RUSLE dalamkalkulasi setiap nilai parameter, hasilnyamenunjukan integrasi penginderaan jauh dan SIGdapat menghasilkan model yang lebih sederhanadalam estimasi erosi, walaupun model yangdihasilkan dapat mengetahui faktor yangmempengaruhi erosi dan estimasi besaran tanahyang hilang di wilayah kajian namun hasil modeltidak dikalibrasi dengan data aktual erosi dilapangan. Karena untuk menghasilkan modelkuantitatif yang dapat merepresentasikan kondisinyata dilapangan secara akurat membutuhkanpengukuran yang detil dengan waktu yang lamasehinggabiayalebihmahal.Metodekuantitatifdalamestimasi erosi membutuhkan pemantauan yangintensifdanlebihrincimengenaikondisisuatulahan(Ypsilantis,2011).

Penelitian ini menggunakan pendekatanberbeda dengan menyederhanakan faktor yangberbeda untuk menilai tingkat erosi yaitu hanyaberdasarkan faktor vegetasi menggunakan indeksfaktor manajemen dan tutupan vegetasi (C), faktortanah menggunakan indeks erodibilitas (K) dantopografi menggunakan indeks panjang dankemiringan lereng (LS). Vrieling, Sterk dan Vigiak(2006) dalam penelitiannya hanya menggunakanfaktor vegetasi dan lereng dalamprediksi erosi danmenghasilkanakurasi80%.Padahaldalambeberapapenelitian selain kedua faktor tersebut, faktorerodibilitas tanah juga memberikan pengaruhterhadap terjadinya erosi (Farhan, Zregat danFarhan,2013;Kamaludinetal.,2013)

Pendekatan yang digunakan dalam penelitianini adalah pendekatan kualitatif dimana keluaranmodel (output) tidak menampilkan informasibesaran prediksi erosi secara kuantitatif tetapitingkatan secara kualitatif karena besaran nilaisecaranumeriksuatuvariabelpadadasarnyaadalahnilai yang bisa berubah pada periode tertentusedangkan pada kualitatif cenderung lebih konstandan tidak berubah (Bredeweg et al., 2009). Modelerosi kuantitatif dapat diandalkan untuk melihatperubahan dinamis dari karakteristik produktivitaslahan, namun memiliki dasar empiris yang lemah,sulit diterapkan pada skala nasional danmembutuhkan interpretasi yang cermat (Sonneveld,Keyzar,danStroosnijder,2011).

Tujuan dari penelitian ini adalah mengetahuidistribusi spasial prediksi tingkat erosi secarakualitatifmenngunakancitrapenginderaan jauhdanSIG. Model erosi kualitatif yang dibangun tidakditentukan berdasarkan hasil tumpangsusun skordata-data input parameter tetapi berdasarkan datalatih (training data) menggunakan klasifikasijaringan saraf tiruan. Dibutuhkan justifikasi awalkelas tingkaterosi secarakualitatif.Definisimasing-masing kelas tingkat erosi secara kualitatifmerupakan hasil perhitungan erosi dan tingkatbahaya erosi yang divalidasi dengan pengamatanindikator erosidi lapangan sepertipedestal,armourlayer, singkapan akar dan tree mound yang telahdigunakan oleh Stocking dan Murnaghan (2000).Dengan pendekatan kualitatif yang dilakukan dapatmenjadi metode alternatif dalam pemetaan erosiyanglebihcepatdanakurat.

Penelitian ini dilakukan di DAS Serang karenatermasuksalahsatuDASyangberadadalamkondisikritisyangdapatmemicuterjadinyadegradasilahan,erosi dan longsor seperti yang ditunjukan olehGambar1.

Gambar1IndikatorTerjadinyaErosi

(a) Kenampakanlongsorlahan(401181mT,9132420mU,FotoFebruari2015)(b) Kenampakansedimentasi(408105mT,9136568mU,FotoDesember2014)

2.MetodePenelitian2.1.BahandanAlatyangdiGunakan

Perangkat lunak (software) yang digunakanterdiri dari beberapa software untuk kepentingan

analisis yang berbeda yaitu (1) ENVI 4.8 untukpengolahan citra pra-pemrosesan (koreksigeometrik,radimetrik, tranformasicitra);(2)ArcGIS10.2 untuk pengolahan data-data non spektral

Sedimentasi

Arif,N.,Danoedoro,P.,danHartono.(2017).PemodelanSpasialErosiKualitatifBerbasisRaster(StudiKasusdiDASSerang,KabupatenKulonprogo).JurnalIlmuLingkungan,15(2),127-134,doi:10.14710/jil.15.2.127-134


129

(interpolasi) dan visualisasi peta hasil pemodelan;(3) IDRISI Selva untuk pengolahan dan analisismodelerosikualitatif.

Peralatan lapangan yang digunakan meliputiGlobal Positioning System (GPS) Garmin seri 76 CsXuntuk navigasi dan plotting titik sampel dilapanganatau posisi kenampakan hasil erosi, Abney leveluntukmengukurkemiringan lereng,Alat tulisuntukmencatat data hasil survei lapangan, Kamera untukmemotretkondisilapangan,Ringuntuksampeltanah

Bahan yang digunakan dalam menunjang datapenelitianyaituCitra SPOT5 tanggalperekaman24Oktober2014untukmenurunkaninformasifaktorC,Peta RBI skala 1:25.000 lembar Kulonprogo, Petatanah skala 1: 50.000 untuk penentuan titik sampeltanah

2.1.PenyusunanParameterErosi

Parameter erosi yang digunakan dalampenelitian diturunkan dari tiga faktor erosi yaituvegetasimenggunakanparameterindeksmanajemendan tutupan vegetasi (C), erodibilitas (K), panjangdankemiringanlereng(LS).

NilaifaktorCdiperolehdaritransformasiindeksvegetasi yang dilakukan pada citra SPOT 5 hasilkoreksi yaitu dengan terlebih dahulu menghitungnilaiNDVImenggunakanPersamaan1.

NDVI=!"#$&'!"#$(!"#$&)!"#$(

...............................(1)

Nilai C dihitungmenggunakanpersamaan yangsama dengan yang digunakan oleh Gutman danIgnatov(1998):

C=1- *+,-'*+,-./0

*+,-.12'*+,-./0.......................(2)

NilaifaktorLSdiperolehdaridatakonturdenganmenghitung panjang dan kemiringan lerengmenggunakanPersamaan3danPersamaan6yangdikembangkan oleh McCool, Brown dan Foster(1989):

L=( 4((.6&

)8 ........................................(3)

β=( 9/0:;.;<=>)/[&∗(BC#D)

;.<)E.FG]

6)( 9/0:;.;<=>)/[&∗(BC#D);.<)E.FG]

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

λ=Flowaccumulationxcellsize .......(5)

S=10.8𝑠𝑖𝑛𝜃 + 0.03𝜃𝜃 < 5°

16.8𝑠𝑖𝑛𝜃 − 0.55° ≤ 𝜃 < 10°21.9𝑠𝑖𝑛𝜃 − 0.96𝜃 ≥ 10°

....(6)

Dimana:L=PanjanglerengS=KecuramanLerengɵ=NilaislopedariDEMλ=Panjanghorisontalslopeβ=Indeksslope

Nilai erodibilitas diperoleh dari data sampeltanah hasil uji laboratorium. Jenis data tanah yang

diambil sampelnya adalah tekstur tanah, bahanorganik dan permeabilitas tanah. Faktor K dihitungmenggunakan persamaan RUSLE (Persamaan 7)yangdikembangkanolehRenardetal.(1997):

𝐊 = 𝟕. 𝟓𝟗𝟒 𝟎. 𝟎𝟎𝟏𝟕 + 𝟎. 𝟎𝟒𝟗 𝐞𝐱𝐩 − 𝟏

𝟐𝐥𝐨𝐠 𝑫𝒈 )𝟏.𝟔𝟕𝟓

𝟎.𝟔𝟗𝟖𝟔

𝟐......(7)

dimana:K=ErodibilitastanahDg=Diameterpartikelgeometriktanah(mm).

DistribusinilaiKpadaareapenelitiandiprediksimenggunakan beberapa metode interpolasi padanilai K hasil data sampel. Masing-masing hasilmetodeinterpolasidiujiakurasimenggunakanRMSE(rootmeansquareerror)padaPersamaan8

RMSE= (n/'o/)p0/

#..............................................(8)

dimana:n=JumlahsampelAi=NilaihasilpengukuranlapangandititikiPi=Nilaihasilprediksidititiki

2.HasildanPembahasan2.1.FaktorErodibilitasTanah

Sampel yang digunakan untuk prediksierodibilitas yaitu 52 sampel tanah yang dibagimenjadidua sampelyaitu37 sampeluntukprediksinilai erodibilitas pada keseluruhan lokasi penelitiandengan menggunakan berbagai metode interpolasidan 15 sampel digunakan untuk uji ketelitian hasilinterpolasi dengan menghitung RMSE. MetodeinterpolasinilaiKdilakukanmenggunakanbeberapametode yang tersedia pada software ArcGIS yaituIDW,spline,kriging.HasilujiRMSEmenunjukanhasilinterpolasimenggunakanIDWmemilikiakurasilebihbaik seperti yang ditunjukan pada Tabel 1. Petaerodibilitas hasil interpolasi IDW disajikan padaGambar2.

Tabel1.PerbandinganRMSEHasilInterpolasi.MetodeInterpolasi RMSE

IDW 0,058Spline 0,101Kriging 0,06

Sumber:Analisis,2016

Jikadilihatdistribusisecaraspasial(Gambar2)makaareapenelitiantermasukrentanterhadaperosidimanaerodibilitastinggitersebarhampirdiseluruharea penelitian yaitu di kecamatan Panjatan,Wates,Kokap,Pengasih,GirimulyodansebagianNanggulan.

2.2.FaktorPanjangdanKemiringanLereng(LS)HasilanalisispadafaktorLSdilokasipenelitian

diperoleh rentang nilai terendah 0,03 dan tertinggi427,50 (LihatGambar 3). Nilai LS yang kecil makapotensierosijugakecil,demikiansebaliknyaNilaiLSbesarmakapotensi erosi jugabesar.Horton (1945)menunjukan bahwa erosi lebih meningkat pada



130

y=-0.7144x+0.6017R²=0.87363

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0 0.1 0.2 0.3 0.4 0.5 0.6

NDVI

NilaiC

lerengyangpanjangdancuramkarenapeningkatankekuatangeserpadapermukaantanah.

Gambar3menunjukandistribusispasialindeksLS terendah mendominasi di Kecamatan Wates,Temon, Panjatan dan sebagian Pengasih danNanggulan. Sedangkan distribusi indeks LS tinggitersebardikecamatanKokapdanGirimulyo,artinyapadawilayahinipotensiterjadinyaerosilebihtinggi.

2.3.FaktorManajemendanTutupanVegetasi(C)

Pada penelitian ini, nilai C diperoleh dari hasiltransformasi NDVI menggunakan Persamaan 2.Beberapa penelitian membuktikan metode NDVImemilikikorelasidengan faktorCdan lebihoptimaldigunakan pada area yang lebih luas dalam waktuyang singkat (Farhan, Zregat dan Farhan, 2013;Alexakis,HadjimitsisdanAgapiou,2013).HubunganNDVI dengan faktor C berbanding terbalik, semakinbaiktutupanvegetasi(NDVImakintinggi)makanilaiCmakinrendah sepertiyang tampakpadaGambar4.

Gambar2.PetaFaktorKDASSerang Gambar3.PetaFaktorKDASSerang

Gambar4.PetaFaktorKDASSerang


131©2017,ProgramStudiIlmuLingkunganSekolahPascasarjanaUNDIP

Peta faktor C menunjukan nilai indeks C padaDASSerangterendah0,01dantertinggi1,426sepertiyangdisajikanpadapetanilaiC(Gambar4). Indeksnilai C tinggi terdapat di kecamatan wates, Temondan Panjatan dimana penggunaan lahan yangditemukan yaitu sawah sedangkan indeks C rendahterdapat di kecamatan Kokap, Pengasih, GirimulyodansebagianNanggulan.

Nilai C yang diperoleh peneliti dari hasilturunanNDVIbeberapaberbedadengannilaiChasilpenelitian terdahulu. Beberapa hal yang mendasariperbedaan indeks C nilai yaitu bulan pengamatan,perbedaan iklim termasuk curah hujan serta lokasipengamatan yang berbeda kondisi dengan lokasipenelitian. Berdasarkan hal tersebut, nilai indeks Cbukan merupakan nilai absolut yang tidakmengalami perubahan setiap periodik(musim/tahun), sehingga sangat memungkinkanadanyaperbedaanpadasetiappeneliti.

KetigapetafaktorpengontrolerosidiatasyaituGambar2,Gambar3danGambar5akandianalisisberbasis raster menggunakan teknik jaringan saraftiruan (JST). Teknik JST digunakan karena JSTmampu memahami data non linear dan kompleks(Melchiorreetal., 2008;ArifdanDanoedoro,2013).

Penelitian ini tidak mengkaji secara mendalampengaruh parameter JST dalam menghasilkanakurasi hasil prediksi, sehingga parameter yangdigunakan hanya berdasarkan kombinasi denganakurasi terbaik yang dilakukan oleh penelititerdahulu (Arif dan Danoedoro, 2013; Chen et al.,2013;Songetal2013).ProsessimulasiprediksierosidilakukanpadasoftwareIDRISISelva.

Metode JST membutuhkan data contoh(sampel) sebagai data latih. Jumlah sampel yangdigunakan adalah 53 sampel, jumlah sampel yangdilatih yaitu 30 sampel mewakili karakteristik databerbeda. Definisi kelas erosi hasil justifikasiberdasarkan analisis yang dilakukan disajikan padaTabel2. Petahasil prediksi disajikanpadaGambar6.

Berdasarkan Gambar 6 menunjukan tingkaterosi yang dominan adalah erosi sangat beratterdapat khususnya di lereng yang curam. Padalereng yang datar terdapat tingkat erosi berat yaitudi kecamatan Panjatan dan sebagianWates. Hal inikarena erodibilitas padawilayah tersebut termasukdalamkelas erosi tinggi (Gambar2). Artinya faktorerodibiltas dan lereng memberikan pengaruh yanglebihbesardibandingkanfaktorvegetasi.

Gambar5.PetaFaktorCDASSerang Gambar6.PetaHasilPrediksiErosiDASSerang



132

0

5

10

15

20

25

30

35

40

sangatringan

ringan sedang berat sangatberat

35,44 %

Distrib

usiarea(%

)

KelasErosi

Tabel2.DefinisiSampelErosidiLokasiPenelitian

KelasErosi

IndikatorErosiKualitatif KemiringanlerengTidakada

AdaSingkapanakar

Pedestal Armourlayer

Erosialur(rill)

Erosiparit(gully)

I II III IV V

Sangatringan ü ü ringan ü ü

ü ü ü ü Sedang ü ü ü ü

ü ü Berat ü ü

ü ü ü Sangatberat ü ü ü ü

ü ü ü ü ü ü ü

Keterangan:I=datar;II=landai;III=agakcuram;IV=curam;V=sangatcuramSumber:Hasilpengamatanlapangan,2015

Peta pada Gambar 6 persentase distribusispasial kelas erosi didominasi oleh erosi berat(35,44%)kemudianberturuterosisedang(32,16%),erosi ringan (10,18 %) dan erosi sangat ringan(3,26%) seperti yangdisajikanpadaGambar7. HalyangsamaditunjukanolehpenelititerdahulubahwaDASSerangtermasukdalamkondisikritisdanburuk(Santoso,2012;Purnomojati,2016).

Validasi model berdasarkan hasil pengamatanindikator erosi kualitatif seperti yang ditunjukanpada beberapa sampel berikut (Gambar 8 danGambar 9). Kenampakan erosi pada Gambar 8adalahpedestaldansingkapanakaryangterjadipadalereng yang curam merupakan tingkat erosi sangatberat mengacu pada justifikasi kelas erosiTabel 2.Pedestal dan singkapan akar menjadi indikator lajuerosi tinggi karena terjadi pada tanah yang mudahterkikis (erodibilitas tinggi) oleh intensitas curahhujantinggi(StockingdanMurnaghan,2000).

Gambar8.KelasTingkatErosiSangatBerat

(a) KenampakanPedestal(b) KenampakansingakapnakarLokasi:400202mT;9138238mU

Gambar7.Persentase Distribusi Tingkat Erosi

(a) (b)



133

Gambar9.KelasTingkatErosiSedang

(a) Kenampakanarmourlayer(b) KenampakansingakapanakarLokasi:407702mT;9129856mU

Gambar 9 dijustifikasi sebagai erosi sedangkarenaberadadilerengyanglandai.Lerengmenjadi

indikator yang penting yang mempengaruhiterjadinya erosi.Vrieling, SterkdanVigiakO (2006)menegaskan bahwa lereng sangat curam memilikikelaserosiyangtinggi.Semakinmiringlereng,makapartikel yang terhambur ke lereng bawah makinbanyaksehinggamemicuterjadinyaerosipercikdanerosi alur Assouline dan Ben-Hur ( 2006). Validasipada keseluruhan sampel menghasilkan akurasi83,02%(Tabel3).Berdasarkanevaluasipadaprosesyang dilakukan dan keluaran model (output) yangdihasilkan,modelsangat fleksibeldengandata inputyang terbatas dapat digunakan untuk memprediksitingkat erosi, model dapat diadaptasi pada DASsejenis. Kelemahannya tingkat generalisasi rendahberbeda denganmodel hasil analisis vektor dimanageneralisasi lebih tinggi, namun gangguan bentanglahan yang lain seringkali diabaikan dalampembuatanpoligon.Distribusispasialberbasisrastersulit diterapkan untuk upaya konservasi lahansehingga kontrol erosi menjadi lebih sulit.

Tabel3.MatriksKesalahanPengujianKeseluruhanSampel

KlasErosiGroundtruth

Total User’saccuracy(%)Sangatringan Ringan Sedang Berat Sangat

berat

HasilPrediksi Sangatringan 3 1 4 75,00

Ringan 5 1 6 83,33

Sedang 1 5 6 83,33

Berat 5 2 7 71,43

Sangatberat 4 26 30 86,67Totalsampel 4 5 7 9 28 53

Produser’sacc.(%) 75 100 71,42 55,55 92,85 Overallaccuracy(%) 83,02

Kappa 0,73

Sumber:PengolahanData,2016;DataLapangan,Oktober2016

Berdasarkan Tabel 3 prediksi lebih mudahdilakukan pada kelas erosi sangat berat, sangatringandanringan.Karenabatasanantarakelaserosisangat tegas perbedaan kenampakan indikatorerosinya di lapangan dengan lereng landai sampaisangatcuramsedangkankelaserosiberat lebihsulitdibedakan dengan erosi sangat berat karenamemilikikenampakanindikatorerosiyangsama.

4.KesimpulanHasil model prediksi menunjukan distribusi

tingkat erosi yang dominan di daerah kajian yaituerosi sangat berat (35,44%) tersebar di sebagianbesar kecamatan Kokap, Girimulyo dan sebagianPengasih. Hasil pengamatan indikator di lapanganmenunjukanDASSerang termasukareayangrentanterhadap erosi. Model kualitatif yang dihasilkandapatdigunakansebagaimetodealternatifyanglebihefektifdanefisienuntukprediksierosi.

5.SaranPenelitian ini dilakukan sebagai bagian dari

upaya membangun logika model erosi secarakualitatif yang sesuai dengan kondisi di Indonesiasehingga menjadi solusi cepat prediksi erosi tanpamengandalkan logikamodel yang selama inibanyakdigunakansepertiUSLEdanturunannya.Olehkarenaitu,metodeyangdilakukandalampenelitianiniperludiujidilokasipenelitianyangberbeda.

UcapanTerimakasihUcapan terimakasih disampaikan kepada

KementrianPendidikanTinggiyangtelahmembiayaipenelitian ini dan Lembaga Penerbangan danAntariksayangtelahmenyediakandata

DAFTARPUSTAKAAlexakis, D.D., Hadjimitsis,D.G., Agapiou. 2013. Integrated

UseofRemoteSensing,GISandPrecipitationDataforTheAssesmentofSoilErosionRateIntheCatchmentArea of "Yialias" in Cyprus. Atmospheric Research(131):108-124.

(b) (a)



134

Arif, N., Danoedoro, P. 2013. An Analyze of ABackpropagation Neural Network in TheIdentification of Critical Land Based on ALOSImagery. 34th Asian Conference on Remote Sensing2013,Volume1,pp589–593.

Arsyad, S. 2010. Konservasi Tanah dan Air, Edisi Kedua,IPBPress

Asis, A., Omasa, K. 2007. Estimation of VegetationParameter for Modeling Soil Erosion Using LinearSpectralMixtureAnalysisofLandsatETMData.ISPRSJournal of Photogrametry & Remote Sensing 62,pp.309-324

Assouline,S.,Ben-Hur,M.2006.EffectofRainfall Intensityand Slope Gradient on The Dynamics of InterillErosionDuringSoilSurfaceSealing”.Catena66:211–220

Bredeweg, B., Linnebank, F., Bouwer, A., Liem, J.2009.Garph3-Workbench for Qualitative ModellingandSimulation.EcologicalInformatics(4):263–281

Chen, Y.R., Chen, J.W, Hsieh, S.C., Ni, P.N. 2013. TheApplication of Remote Sensing Technology to TheInterpretation of LU for Rainfall – Induced LandslideBased on Genetic Algorithm and Artificial NeuralNetwork,IEEEEarthObservationsandremoteSensing,Vol.2(2):87–95

Farhan,Y.,Zregat,D.,Farhan, I.2013.SpatialEstimationofSoil Erosion Risk using RUSLE Approach, RS, and GISTechniques: A Case Study of Kufranja Watershed,Northern Jordan, Journal of Water Resource andProtection(5):1247–1261

Gutman,G., Ignatov,A.1998.TheDerivationofTheGreenVegetation Fraction from NOAA/AVHRR Data for UseinNumericalWeatherPredictionModels.InternationalJournalofRemoteSensing19(8),1533-1543

Horton,R.E. 1945.ErosionalDevelopmentof StreamsandTheir Drainage Basins: Hydrological Approach toQuantitativeMorphology.Geol.Soc.Bull.56:275-243

Kamaludin, H., Lihan, T., Rahman, Z.A., Mustapha, M.A.,Idris, W.M.R and Rahim, S.A. 2013. Intergration ofRemoteSensing,RUSLEandGIStoModelPotentialSoilLoss and Sediment Yield (SY). Hydrol. Earth Syst. Sci.Discuss,10,4567-4569

Liao,Z.,Wang,B.,Xia,X.,Hannam,P.M.2012.EnviromentalEmergency Decission Support System Based onArtificial Neural Network. Safety Science 50, pp. 150-163

McCool,D.K.,Brown,L.C.,Foster,G.R.1989.RevisedSlopeLength Factor for The Universal Soil Loss Equation.TransactionofASAE32(5),1571–1576

Melchiorre, C., Matteuci, M., Azzoni, A. ,Zanchi, A. 2008.Artificial Neural Networks and Cluster Analysis inLandslide Susceptibility Zonation. Geomorphology 94,pp.379-400.

Pradhan, B., Lee, S. 2007. Utilization of Optical RemoteSensing Data and GIS Tools for Regional LandslideHazard Analysis Using an Artificial Neural NetworkModel.EarthScienceFrontiers,14(6):143–152.

Pradhan, B., Lee, S., Buchroitner, M.F. 2010. A GIS-BasedBackpropagationNeuralNetworkModelAndItsCross-Application and Validation for Landslide forSusceptibility Analyses. Computers, Environment andUrbanSystems34:216-235.

Purnomojati, L., 2016. Evaluasi Water Yield (Hasil Air)MelaluiPemodelanHidrologidanSkenarioPL(KasusDiDASSerang,Kulonprogo).Tesis FakultasGeografiUGM.Yogyakarta

Renard, K.G., G.R. Foster, G.A. Weesies, D.K. McCool, andD.C. Yoder, coordinators. 1997. Predicting SoilErosionbyWater:AGuide toConservationPlanningWith The Revised Universal Soil Loss Equation(RUSLE).U.S.DepartmentofAgriculture,AgricultureHandbookNo.703,404pp.

Santoso, H.B. 2012. Arahan Penggunaan Lahan OptimalBerdasarkan Aspek Biofisik dan KebutuhanMinimalLahan Pertanian untuk Pengendalian Erosi di DasSerang.Tesis,FakultasKehutananUGM.Yogyakarta

Song,H., Xu, R.,Ma, Y., Li, G. 2013. Classification of ETM+RemoteSensingImageBasedonHybridAlgorithmofGenetic Algorithm and Backpropagation NeuralNetwork, Hindawi Publishing Corporation,Mathematical Problems Engineering Vol. 2013.http://dx.doi.org/10.1155/2013/719756

Sonneveld, B.G.J.S., Keyzar, M.A., Stroosnijder, L. 2011.Evaluating Quantitative and Qualitative: AnApplicationforNationwideWaterErosionAssesmentin Ethiopia. Enviromental Modelling &Software(26):1161-1170.

Stocking, M., Murnaghan, N. 2000. Land Degradation-Guidelines For Field Assessment. OverseasDevelopment Group, University of East Anglia,NorwichUK

Vrieling, A., SterkG., VigiakO. 2006. Spatial Evaluation ofSoil Erosion Risk In The West Usambara Muntains,Tanzania.LandDegradation17:301–319

Ypsilantis,W.G. 2011.Upland soil erosionmonitoring andassessment: An overview. TechNote 438. Bureau ofLand

Documents

Pemodelan Spasial Erosi Kualitatif Berbasis Raster (Studi ... · tingkatan secara kualitatif karena besaran nilai secara numerik suatu variabel pada dasarnya adalah nilai yang bisa