skip to main content

Pemetaan Kerawanan Banjir DAS Barito Tahun 2020 Berdasarkan Analisis Regresi Logistik Biner

*Faradilla Anastasya  -  Department of Computational Statistics, Politeknik Statistika STIS, Jakarta, Indonesia 13330, Indonesia
Nori Wilantika  -  Program Studi Komputasi Statistik, Politeknik Statistika STIS, Jakarta, Indonesia, Indonesia
Open Access Copyright (c) 2023 Jurnal Wilayah dan Lingkungan
Creative Commons License This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Citation Format:
Abstract

Kalimantan dijuluki sebagai pulau seribu sungai yang menggambarkan banyaknya sungai yang mengalir di pulai ini. Ditambah lagi dengan tipologi sungainya yang berkelok-kelok sehingga aliran air permukaan dapat terdrainase dengan baik. Namun fakta berkata lain, menurut DIBI (Database Pengelolaan Data dan Informasi Bencana Indonesia) salah satu provinsi di pulai ini yaitu Provinsi Kalimantan Selatan justru menjadi daerah langganan banjir. Bencana banjir tersebut telah melumpuhkan kegiatan perekonomian, menghancurkan harta benda, bahkan menghilangkan nyawa. Sehingga dalam upaya mitigasi bencana banjir, penelitian ini bertujuan untuk mengidentifikasian parameter-parameter yang signifikan mempengaruhi kejadian banjir di DAS Barito menggunakan analisis regresi logistik biner. Periode pengamatan kejadian banjir di DAS Barito dilakukan sepanjang tahun 2020. Tujuan penelitian selanjutnya adalah memetakan tingkat kerawanan banjir di DAS Barito. Peneliti menerapkan metode scoring dengan cara memberikan bobot pada parameter yang berpengaruh secara signifikan terhadap banjir dan memberikan nilai setiap kelas dari masing-masing parameter tersebut. Kemudian dilakukan overlay terhadap parameter-parameter yang signifikan mempengaruhi banjir. Berdasarkan hasil analisis regresi logistik biner pada penelitian ini, diperoleh hanya parameter tutupan lahan, kerapatan sungai, dan ketinggian lahan yang berpengaruh secara signifikan terhadap kejadian banjir di DAS Barito sepanjang tahun 2020. Selanjutnya, hasil pemetaan tingkat kerawanan banjir DAS Barito diperoleh kesimpulan bahwa tingkat kerawanan tinggi menyebar di bagian hilir DAS Barito atau secara administratif termasuk dalam wilayah Provinsi Kalimantan Selatan. Sedangkan kerawanan rendah berada di bagian hulu DAS Barito atau di wilayah Provinsi Kalimantan Tengah.

Note: This article has supplementary file(s).

Fulltext |  Copyright Transfer Agreement
Perjanjian Pengalihan Hak Cipta
Subject
Type Copyright Transfer Agreement
  Download (278KB)    Indexing metadata
 Cover Letter
cover letter
Subject
Type Cover Letter
  Download (47KB)    Indexing metadata
Keywords: banjir; DAS Barito; overlay; regresi logistik biner; scoring

Article Metrics:

  1. Cahyani, R., Leksono, B. E., & Krama, A. V. (2020). Identifikasi daerah rawan banjir di Kabupaten Pringsewu. 2, 1–13
  2. Darmawan, K., Hani’ah, & Suprayogi, A. (2017). Analisis tingkat kerawanan banjir di Kabupaten Sampang menggunakan metode overlay dengan scoring berbasis sistem informasi geografis. Jurnal Geodesi Undip, 6(1), 31–40
  3. Farino Pyanto, Mulia, A. P., & Surbakti, M. S. (2021). Pemetaan banjir rob wilayah Medan Utara menggunakan regresi logistik dan GIS. Syntax Literate: Jurnal Ilmiah Indonesia, 6(9), 4436–4454. http://www.ejurnal.its.ac.id/index.php/sains_seni/article/view/10544%0Ahttps://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=tawuran+antar+pelajar&btnG=%0Ahttps://doi.org/10.1016/j.jfca.2019.103237
  4. Ferdiansyah, Sugiarti, C., & Atthahara, H. (2020). Analisis penanggulangan bencana banjir oleh Badan Penanggulangan Bencana Daerah Kota Bekasi. Administratio: Jurnal Ilmiah Administrasi Publik Dan Pembangunan, 11(2), 67–78. https://doi.org/10.23960/administratio.v11i2.160
  5. Findayani, A. (2015). Kesiapsiagaan masyarakat dalam penanggulangan banjir di Kota Semarang. Jurnal Geografi : Media Informasi Pengembangan Dan Profesi Kegeografian, 12(1), 103–114. https://doi.org/10.15294/jg.v12i1.8019
  6. Haryani, N. S., Zubaidah, A., Dirgahayu, D., Fajar Yulianto, H., & Pasaribu, J. (2012). Model bahaya banjir menggunakan data pengindraan jauh di Kabupaten Sampang (Flood Hazard Model Using Remote Sensing Data In Sampang District). Jurnal Penginderaan Jauh, 9(1), 52–66
  7. Kementerian Lingkungan Hidup dan Kehutanan. (2016). Keadaan umum wilayah kerja BPDASHL Barito. Bpdasbarito.or.Id. https://bpdasbarito.or.id/keadaan-umum-wilayah-kerja-bpdashl-barito/
  8. Kementerian Lingkungan Hidup dan Kehutanan. (2020). KLHK utamakan penanganan bencana berbasis DAS. Http://Ppid.Menlhk.Go.Id/.
  9. Kodoatie, R., & Sugiyanto. (2002). Banjir, beberapa penyebab dan metode pengendaliannya dalam perspektif lingkungan. Pustaka Belajar
  10. Latuamury, B., Gunawan, T., & Suprayogi, S. (2012). Pengaruh kerapatan vegetasi penutup lahan terhadap karakteristik resesi hidrograf pada beberapa subdas di Propinsi Jawa Tengah dan Propinsi DIY. Majalah Geografi Indonesia, 26(2), 98–118. https://doi.org/10.22146/mgi.13418
  11. Malik, A. (2016). Pengolahan citra digital dengan ER Mapper ver 7.0. Universitas Negeri Makassar
  12. Matondang, J., Kahar, S., & Sasmito, B. (2013). Analisis zonasi daerah rentan banjir dengan pemanfaatan sistem informasi geografis (Studi kasus : Kota Kendal dan sekitarnya). Jurnal Geodesi Undip, 2(2), 103–113
  13. Niklah, W. M., Madrini, I. A. G. B., & Wijaya, I. M. A. S. (2019). Keragaman unsur hara nitrogen pada lahan sawah di Desa Maduran, Kecamatan Maduran, Kabupaten Lamongan Jawa Timur. Jurnal Ilmiah Teknologi Pertanian AGROTECHNO, 4(1), 16–23. https://ojs.unud.ac.id/index.php/agrotechno/article/download/58579/34385
  14. Nisarto, F. (2016). Pemetaan kerawanan banjir daerah aliran sungai tangka. In Skiripsi. Univeristas Hasanuddin
  15. Prasetyo, A., & Afilani, N. E. (2007). Penggunaan check dam dalam usaha menanggulangi erosi alur. F. TEKNIK UNDIP
  16. Pratiwi, D. W., Sujono, J., & Rahardjo, A. P. (2017). Evaluasi data hujan satelit untuk prediksi data hujan pengamatan menggunakan cross correlation. Seminar Nasional Sains Dan Teknologi, 1–11
  17. Ruswanti, D. (2020). Pengukuran performa support vector machine dan neural netwok dalam meramalkan tingkat curah hujan. Jurnal Gaung Informatika, 13(1), 66–75
  18. Suprapto. (2011). Statistik pemodelan bencana banjir Indonesia (kejadian 2002-2010). Jurnal Dialog Penanggulangan Bencana, 2(2), 84–97. https://bnpb.go.id/uploads/migration/pubs/380.pdf
  19. Syahbana, M. I. (2013). Identifikasi perubahan tutupan lahan dengan metode object based image analysis. Teknik Geodesi dan Geomatika. Institut Teknologi Bandung: Bandunguh
  20. Utama, A. G., Wijaya, A. P., & Sukmono, A. (2016). Kajian kerapatan sungai dan indeks penutupan lahan sungai menggunakan penginderaan jauh (Studi kasus : Das Juana). Jurnal Geodesi Undip, 5(1), 285–293
  21. Wisnawa, G. Y., Jayantara, I. G. N. Y., & Putra, D. G. D. (2021). Pemetaan lokasi rawan banjir berbasis sistem informasi geografis di Kecamatan Denpasar Barat. Jurnal ENMAP (Environment & Mapping), 2(2), 18–28

Last update:

No citation recorded.

Last update:

No citation recorded.