Latar Belakang

Kabupaten Banyuwangi secara astronomis, Kabupaten Banyuwangi terletak pada 7° 43’ — 8° 46’ LS dan 113° 53’ — 114° 38’ BT(BPS,2021).  Di kutip dari DiBi BNPB, sepanjang tahun 2021 terdapat 3 kejadian bencana angin puting beliung akibat cuaca ekstrim. Kejadian pada tahun 2021 tersebut merusak 55 rumah  , 2 tempat ibadah, 1 sekolah serta menimpa 154 korban.  Sejak tahun 2011 - 2021 terjadi sebanyak 32 kejadian bencana angin puting beliung. Tidak hanya menyebabkan kerugian ekonomi dan kerusakan infrastruktur, bencana angin puting beliung juga dapat menyebabkan dampak sosial pada korban. Sebagai upaya pemerintah untuk meningkatkan kewaspadaan dan pencegahan terhadap bencana, dilakukan pemetaan indeks bahaya.  Komponen bahaya cuaca ekstrim merupakan fenomena alam yang dapat menyebabkan bencana tersebut (BNPB, 2018). Buku RBI (Resiko Bencana Indonesia) tahun 2021 memaparkan bahwa terdapat 3 parameter penyusun dalam memetakan indeks bahaya cuaca ekstrim angin puting beliung: (1) Keterbukaan Lahan, (2) Kemiringan Lereng, (3) Curah Hujan Tahunan.  Indeks bahaya digunakan untuk menyusun kajian resiko sehingga dibutuhkan data resmi dari lembaga yang berwenang (BNPB,2021), namun dalam hal ini dilakukan pengkajian cepat sebagai langkah awal mengetahui daerah yang terancam bahaya cuaca ektrim bencana puting beliung se dini mungkin. Pengkajian cepat yang dilakukan dalam proyek ini menitikberatkan pada kemudahan pengumpulan data, proses pengolahan serta analisis dan visualisasi data. Pada tahap pengumpulan data, digunakan Google Earth Engine (GEE) dan open-data milik Badan Informasi Geospasial (BIG) Tanah Air Indonesia. GEE merupakan cloud platform milik Google yang menyediakan dataset serta katalog hasil pengamatan bumi secara global (Pratama,2020), dataset tersebut termasuk CHIRPS dan SRTM. Pemanfaatan GEE dapat mempercepat dua tahapan sekaligus yaitu pengumpulan data dan pengolahan data curah hujan serta kelerengan lahan yang selanjutkan akan di analisis dengan perangkat lunak SIG. Data keterbukaan lahan di unduh dari platform Tanah Air Indonesia milik BIG. Selain data parameter, dibutuhkan data pendukung analisis yaitu data kependudukan desa dari open-data Dukcapil Jawa Timur tahun 2019. Data parameter diolah menggunakan perangkat lunak ArcGIS dengan metode skoring sesuai acuan Perka BNPB Nomor 2 Tahun 2012. Indeks bahaya direklasifikasi menjadi 3 kelas yaitu tinggi, sedang dan rendah.  Hasil reklasifikasi dioverlay dengan data kependudukan desa sehingga diketahui desa yang berada dalam kawasan rawan angin puting beliung beserta data kependudukannya. Guna mempermudah penyebaran informasi serta analisis untuk penyajian data indeks bahaya bencana, data divisualisasi dengan MAPID.

Metode

1. Data  Data yang digunakan dibagi menjadi 2 kelompok antara lain data parameter untuk mengolah indeks bahaya cuaca ekstrim dan data analisis untuk analisis lanjutan dari hasil indeks bahaya cuaca ekstrim. a. Data Parameter (1) Keterbukaan Lahan Parameter keterbukaan lahan, menurut BNPB diolah berdasarkan peta penutupan lahan. Peta ini didapakan dari portal:

Selanjutnya, data vektor yang telah diunduh diberi skor pada perangkat lunak ArcGIS sesuai dengan ketentuan tercantum dari Perka BNPB No. 2 Tahun 2012. (2) Kemiringan Lereng Data kemiringan lereng diolah dari data DEM SRTM (https://developers.google.com/earth-engine/datasets/catalog/USGS_SRTMGL1_003?hl=en) dengan GEE.  SRTM (Shuttle Radar Topography Mission) merupakan satelit pengindraan jauh yang memperoleh data permukaan bumi menggunakan Synthetic Aperture Radar (Mahmudi et al, 2015). Dataset yang digunakan pada GEE adalah SRTM1 dengan resolusi spasial 30m. Pada GEE dataset diolah menjadi kemiringan lereng atau slope dalam satuan degree. Setelah kemiringan lereng dilakukan perhitungan skor pada GEE untuk selanjutnya diexport menjadi data raster untuk diolah lebih lanjut di perangkat lunak ArcGIS. (3) Curah Hujan  CHIRPS ( Climate Hazards Group Infra-Red Precipitation with Stations) memiliki resolusi spasial 0.05o(5,5 km) dengan panjang data pengamatan selama kurang lebih 40 tahun dari 1981 hingga 2022. Data ini merupakan kombinasi dari pengamatan curah hujan lapangan, estimasi curah hujan dengan satelit serta klimatologi global. CHIRPS menggabungkan data CHIRPS menggabungkan  data curah hujan bulanan dari CHP Clim, TRMM 3B42, quasi-global geostationary thermal infrared satellite observations, NOA CFS model atmosfer curah hujan dan berbagai data observasi berskala nasional maupun regional , salah satunya Badan Meteorologi dan Klimatologi (BMKG) milik Indonesia (Fadholi dan Adzani, 2018). Data CHIRPS pada GEE (https://developers.google.com/earth-engine/datasets/catalog/UCSB-CHG_CHIRPS_DAILY?hl=en) difilter selama 20 tahun yaitu 2001 - 2021 dan diolah menjadi curah hujan tahunan dan skoring lalu di export rasternya untuk diolah lebih lanjut diperangkat lunak ArcGIS. 

b. Data Analisis Data batas desa dan kependudukan tahun 2019 dari Dukcapil Jatim Tahun 2019. Data ini akan dioverlay dengan hasil indeks bahaya cuaca ekstrim sehingga menghasilkan informasi desa yang terancam bahaya cuaca ekstrim beserta data kependudukannya.  2. Pengolahan  Pengolahan indeks bahaya cuaca buruk mengacu pada Perka No. 2 BNPB Tahun 2012 dengan menggunakan metode skoring terhadap data parameter tersebut di atas. Berikut lampiran tabel nilai skor parameter dan alur proses yang di kutip dari Buku Resiko Bencana Indonesia Tahun 2021. 

Referensi

BNPB. (2018). Indeks Resiko Bencana Indonesia (p. 5).

BNPB. (2021). Resiko Bencana Indonesia (p. 45).

BPS. (2021). Kabupaten Banyuwangi Dalam Angka (p. 3).

Fadholi,A., & Adzani, R. (2018). ANALISIS FREKUENSI CURAH HUJAN EKSTREM KEPULAUAN BANGKA BELITUNG BERBASIS DATA CLIMATE HAZARDS GROUP INFRA-RED PRECIPITATION WITH STATIONS (CHIRPS). GEA Jurnal Pendidikan Geografi, 18(1).

Mahmudi, Subiyanto, S., & Yuwono, Bambang D. (2015). ANALISIS KETELITIAN DEM ASTER GDEM, SRTM, DAN LIDAR UNTUK IDENTIFIKASI AREA PERTANIAN TEBU BERDASARKAN PARAMETER KELERENGAN (Studi Kasus : Distrik Tubang, Kabupaten Merauke, Provinsi Papua). Jurnal Geodesi Undip, 4(1).

Pratama, Angga Yudha. (2020). Identifikasi kekeringan padi sawah dari citra Landsat 8. ITERA. Skripsi.