http://jtsl.ub.ac.id 461
KLASIFIKASI WILAYAH RISIKO BENCANA BANJIR DI KOTA SEMARANG DENGAN PERHITUNGAN INDEKS VEGETASI
Classification of Flood Disaster Risk Areas in Semarang City with Vegetation Index Calculation
Adenia Kusuma Dayanthi*, Sri Yulianto Joko Prasetyo, Charitas Fibriani Fakultas Teknologi Informasi, Magister Sistem Informasi, Universitas Kristen Satya Wacana,
Jl. Diponegoro 52-60, Salatiga 50711
*Penulis korespondensi: adeniakd@gmail.com
Abstrak
Penggunaan lahan di suatu daerah dipengaruhi oleh pertumbuhan dan aktivitas penduduk. Perubahan fungsi lahan secara terus menerus akan menimbulkan perubahan lingkungan yang tak jarang memicu meningkatnya bencana alam. Pada penelitian ini, dilakukan penilaian dengan menggunakan perhitungan indeks vegetasi Normalized Difference Vegetation Index (NDVI), Normalized Difference Wetness Index (NDWI) dan Soil Adjusted Vegetation Index (SAVI). Data yang digunakan bersumber dari data Citra Landsat OLI 8 tahun 2020 sampai denan 2023. Hasil dari penelitian ini menyimpulkan bahwa pada rentang tahun 2020 sampai dengan 2023 perubahan ketiga perhitungan indeks vegetasi tidak signifikan. Dari data yang didapat klasifikasi untuk perhitungan di musim hujan dan musim kemarau adalah sama, indeks vegetasi NDVI memperoleh vegetasi tinggi, indeks vegetasi SAVI memperoleh vegetasi berhutan, dan indeks vegetasi NDWI memperoleh kebasahan tinggi.
Secara menyeluruh penilaian indeks vegetasi mendapatkan hasil yang baik dan bisa di simpulkan bahwa tidak semua daerah di Kota Semarang berisiko banjir pada musim hujan sekalipun.
Keywords : banjir, indeks vegetasi, NDVI, NDWI, SAVI
Abstract
Land use in an area is influenced by population growth and activities. Changes in land use continuously will cause environmental changes that often trigger an increase in natural disasters. In this study, the assessment was carried out using the calculation of the Normalized Difference Vegetation Index (NDVI), Normalized Difference Wetness Index (NDWI) and Soil Adjusted Vegetation Index (SAVI). The data used came from Landsat OLI 8 imagery data from 2020 to 2023. The results of this study showed that in the range of 2020 to 2023 the changes in the three calculations of the vegetation index were not significant. From the data obtained, the classification for calculations in the rainy and dry seasons was the same, the NDVI vegetation index obtained high vegetation, the SAVI vegetation index obtained forested vegetation, and the NDWI vegetation index obtained high wetness. Overall the assessment of the vegetation index obtained good results, and it can be concluded that not all areas in Semarang City are at risk of flooding, even during the rainy season.
Keywords: flood, NDVI, NDWI, SAVI, vegetation index
Pendahuluan
Penggunaan lahan di suatu daerah dipengaruhi oleh pertumbuhan dan aktivitas penduduk yang berdampak secara langsung pada lingkungan disekitarnya sehingga terjadi perubahan fungsi lahan (Lestari et al., 2021). Perubahan fungsi lahan
secara terus menerus akan menimbulkan perubahan lingkungan alam, seperti contohnya perubahan vegetasi (Susilo dan Wicaksono, 2023). Hal tersebut tak jarang memicu meningkatnya bencana alam yang terjadi.
Indonesia ditempatkan sebagai negara yang berisiko ekstrim di peringkat 2 setelah Bangladesh,
http://jtsl.ub.ac.id 462 selain itu UN University dan UNDP membuat
indeks risiko yang mendukung hal tersebut. Kondisi geografi dan geologi Indonesia yang terletak pada pertemuan tiga lempeng raksasa Eurasia, Indoaustralia dan Pasifik, serta berada pada “Ring of Fire” membuat Indonesia menjadi negara rawan bencana (Novitasari et al., 2015). Data BNPB pada periode 2005-2015, terlihat lebih dari 1.800 kejadian bencana dan 78% merupakan bencana hidrometeorologi yang salah satunya adalah bencana banjir (Kumalawati dan Angriani, 2017;
BNPB, 2021).
Wilayah utara Pulau Jawa rawan terhadap bencana banjir karena kondisi topografinya yang landai. Sebagian besar banjir yang terjadi di Kota Semarang bukan berasal dari aliran air sungai, melainkan berasal dari air pasang air laut atau yang lebih dikenal dengan banjir rob (Ikhsyan et al., 2017). Pemerintah Kota Semarang menyebutkan bahwa banjir rob merupakan tekanan kronis karena bencana ini melemahkan struktur kota baik sehari- hari maupun secara berkala (Erlani dan Nugrahandika, 2019).
Penginderaan jauh dapat menyediakan informasi spasial yang menjangkau wilayah luas dan informasi multi temporal yang sering dimanfaatkan untuk mentasipasi bencana salah satunya banjir.
Pemantauan daerah rawan banjir yang diturunkan
dari data citrra satelit prinsipnya menggunakan informasi tingkat kehijauan vegetasi (Lestari et al., 2021). Indeks vegetasi adalah algoritma dengan menggunakan sumber dari citra satelit yang akan menghasilkan aspek kerapatan vegetasi ataupun aspek lain yang ada kaitannya dengan kerapatan (Basori dan Sukojo, 2012; Ruslana dan Sulistiyowati, 2020). Hasil penelitian Mahesti et al.
(2018) dan Lestari et al. (2021) tentang penggunaan metode NDVI atau indeks vegetasi tingkat kehijauan metode SAVI, menunjukkan bahwa kecamatan yang berada di aliran Sungai Tuntang tidak berpotensi banjir karena masih memiliki tutupan lahan berupa vegetasi, daya serap tanah, ruang terbuka hijau dan data curah hujan yang tergolong normal.
Tujuan penelitian ini adalah menentukan klasifikasi wilayah risiko bencana banjir di Kota Semarang dengan perhitungan indeks vegetasi.
Bahan dan Metode Lokasi penelitian
Wilayah penelitian adalah 16 kecamatan di Kota Semarang (Gambar 1) Secara geografis letak Kota Seamarang ada pada 110° BT dan 7°LS dengan luas daerah 373,8 km².
Gambar 1. Peta wilayah penelitian.
http://jtsl.ub.ac.id 463 Sumber data yang digunakan pada penelitian ini
adalah citra Landsat 8 OLI band 3, 4, 5, 6 periode 2020 sampai dengan 2022. Metode yang digunakan untuk analisis perhitungan adalah NDVI, NDWI, SAVI, SPI dan IDW (de Freitas et al., 2022).
Landsat
Data satelit yang digunakan adalah data citra satelit Landsat 8 OLI/TIRS yang memiliki sensor Onboard Operation Land Imager (OLI) dan Thermal Infrared Sensor (TIRS) dan jumlah kanal sebanyak 11 buah. Sejumlah 9 kanal (band 1-9) berada pada OLI dan 2 lainnya (band 10 dan 11) ada pada TRIS (Surmaini, 2016). Panjang
gelombang yang dapat ditangkap oleh satelit Landsat dan manfaaatnya disajikan pada Tabel 1.
Indeks vegetasi
Indeks vegatasi merupakan nilai kehijauan vegetasi yang diperoleh dari sinyal digital dari nilai kecerahan bersumber dari beberapa kanal data sensor satelit.
Algoritma yang digunakan untuk melihat vegetasi pada penelitian ini adalah Normalized Difference Vegetation Index (NDVI), yang merupakan indeks kehijauan vegetasi. NDVI mampu menunjukkan parameter biomass dedaunan hijau guna pembagian vegetsi (Yudistira et al., 2019). Klasifikasi NDVI disajikan pada Tabel 2.
Tabel 1. Pemanfaatan band Landsat 8 OLI/TRIS.
Band Spektral Panjang Gelombang Kegunaan Dalam Pemetaan Band 1 - Coastal Aerosol 0,43-0,45; 0,45-0,51 Penelitian Coastal dan Aerosol
Band 2 - Blue 0,53-0,59 Pemetaan batimetri, membedakan tanah dari vegetasi dan gugur dari vegetasi jenis konifera Band 3 - Green 0,64-0,67; 0,85-0,88 Menekankan puncak vegetasi, yang berguna
untuk menilai kekuatan tanaman
Band 4 - Red 1,57-1,65 Membedakan lereng vegetasi
Band 5 - Near infrared
(NIR) 2,11-2,29
Menekankan konten biomassa dan garis pantai Diskriminasi kadar air tanah dan tumbuh-
tumbuhan; menembus awan tipis Band 6 - Short- wave
Infrared (SWIR) 1 0,50-0,68; 1,36-1,38 Peningkatan kadar air tanah dan vegetasi dan penetrasi awan tipis
Band 7 - Short- wave
Infrared (SWIR) 2 10,60-11,19 Resolusi 15 meter, definisi gambar lebih tajam Band 8 - Panchromatic 11,5-12,51 Peningkatan kadar air tanah dan vegetasi dan
penetrasi awan tipis
Band 9 - Cirrus 0,43-0,45; 0,45-0,51 Resolusi 15 meter, definisi gambar lebih tajam Band 10 - TIRS 1 0,53-0,59
Peningkatan deteksi kontaminasi awan cirrus Resolusi 100 meter, pemetaan thermal dan
perkiraan kelembaban tanah
Band 11 - TIRS 2 0,64-0,67; 0,85-0,88 Resolusi 100 meter, pemetaan thermal yang lebih baik dan perkiraan kelembaban tanah Tabel 2. Klasifikasi NDVI.
Kelas Nilai NDVI Tingkat Kehijauan 1 -1 < NDVI <
-0,03
Lahan Tidak Bervegetasi 2 -0,03 < NDVI
< 0,15
Vegetasi Sangat Rendah 3 0,15 < NDVI
< 0,25 Vegetasi Rendah 4 0,26 < NDVI
< 0,35 Vegetasi Sedang 5 0,36 < NDVI
< 1 Vegetasi Tinggi
Rumus NDVI sebagai berikut : NDVI = NIR - RED
NIR + RED dimana:
NIR = Nilai reflektan kanal inframerah (Band 5)
RED = Nilai reflektan kanal merah (Band 4)
NDVI memiliki nilai antara -1 hingga 1. Untuk wilayah yang nilai vegetasinya di bawah 0,3, maka termasuk bukan vegetasi. Untuk wilayah yang
http://jtsl.ub.ac.id 464 nilainya di atas 0,3, wilayah tersebut dinilai sebagai
vegetasi yang rimbun.
Indeks hidrologi
Indeks hidrologi adalah gambaran kandungan kadar air di suatu wilayah. Normalized Difference Wetness Index (NDWI) merupakan algoritma yang digunakan pada penelitian ini untuk mengaalisis kadar air suatu wilayah. Klasifikasi NDWI disajikan pada Tabel 3. Rumus NDWI sebagai berikut : NDWI = GREEN – NIR
GREEN + NIR dimana :
NIR = Nilai reflektan kanal inframerah (Band 5)
GREEN = Nilai reflektan kanal hijau (Band 3)
Tabel 3. Klasifikasi NDWI.
Kelas Nilai NDWI Tingkat Kehijauan 1 -1 < NDWI < 0 Non Badan Air 2 0 < NDWI < 0,33 Kebasahan
Sedang 3 0,33 < NDWI < 1 Kebasahan
Tinggi Tabel 3 menjelaskan bahwa jila nilai NDWI lebih beasr dari nol sampai 0,33 maka wilayah penilaian termasuk sebagai permukaan badan air tingkat
kebasahan sedang, apabila nilai NDWI di antara 0,33 dan 1 maka wilayah tersebut termasuk dalam klasifikasi permukaan air tingkat kebasahan tinggi, jika nilai NDWI lebih kecil atau sama dengan nol, maka bukan termasuk permukaan air (Que et al., 2021). Soil Adjusted Vegetation Index (SAVI) adalah algoritma pengembangan dari NDVI dengan prinsip latar belakang tanah pada level kecerahan kanopi. Tabel 4 menjelaskan klasifikasi nilai SAVI berdasarkan jenis Ruang Terbuka Hijau (RTH).
Rumus SAVI sebagai berikut : SAVI = 1,5*(NIR-RED)
(NIR+RED)*0,5 dimana :
NIR = Nilai reflektan kanal inframerah (Band 5)
RED = Nilai reflektan kanal merah (Band 4)
Tahapan penelitian
Dalam penelitian ini digunakan metode analisis Normalized Difference Vegetation Index (NDVI), Normalized Difference Wetness Index (NDWI), Soil Adjusted Vegetation Index (SAVI), Standardized Precipitation Index (SPI) dan interpolasi Inverse Distance Weighted (IDW) untuk mengklasifikasikan daerah rawan banjir di Kota Semarang dengan bantuan software eksplorasi data Quantum GIS (QGIS) (Laurensz et al., 2019).
Tabel 4. Klasifikasi kerapatan dan jenis Ruang Terbuka Hijau RTH.
Kelas Kerapatan Jenis RTH
-0,3667 sd 0,0187 Non RTH Tubuh air seperti Sungai dll
0,0187 sd 0,1041 Sangat Rendah Pemukiman lahan terbuka yang dilapisi dengan aspal atau paving maupun jalan aspal
0,1041 sd 0,3667 Rendah Lahan vegetasi penutup tanah, seperti pada jalan tanah, lapangan kosong, tanpa dilapisi dengan aspal atau paving 0,3667 sd 0,5214 Sedang Lahan vegetasi penutup berupa perkebunan kelapa, kebun
campuran,vegetasi rerumptan, padang golf maupun ilalang
0,5214 sd 0,7895 Tinggi Vegetasi berhutan
Data citra dari Landsat 8 OLI yang digunakan adalah band 3, 4, 5 dan 6, periode tahun 2020 sampai dengan 2022 masing-masing pada puncak muism kemarau dan musim hujan. Lalu dilakukan data processing berupa koreksi atmospheric pada darta citra dan dipotong sesuai dengan wilayah penelitian.
Selanjutnya dilakukan eksplorasi data indeks vegetasi berupa NDVI, NDWI dan SAVI. Setelah diperoleh hasil indeks vegetasi, dilakukan perhitungan SPI dan IDW bersumber dari data curah hujan untuk mengkalasifikasikan daerah rawan banjir di Kota Semarang. Tahapan penelitian dapat dilihat pada Gambar 2.
http://jtsl.ub.ac.id 465 Gambar 2. Tahapan penelitian.
Hasil dan Pembahasan
Penelitian ini menggunakan citra Landsat 8 OLI pada puncak musim hujan dan kemarau rentang waktu tahun 2020, 2021 dan 2022 sebagai acuan data untuk menentukan kondisi indeks vegetasi.
Puncak musim hujan tahun 2020 jatuh diantara bulan Januari sampai dengan Februari 2021, tahun 2021 pada bulan Januari sampai Februari 2022 dan tahun 2022 ada pada antara bulan Desember 2022 sampai dengan Januari 2023. Untuk puncak musim kemarau jatuh pada bulan Agustus di masing- masing tahun.
Gambar 3, 4 dan 5 menyajikan NDVI, NDWI, dan SAVI puncak kemarau 2020-2022, sedangkan Gambar 6, 7 dan 8 menyajikan NDVI, NDWI, dan SAVI puncak musim hujan 2020-2022.
Gambar 9, 10 dan 11 menunjukkan perubahan nilai indeks vegetasi pada tahun 20, 21 dan 22. Nilai NDVI mengalain perubahan naik dan turun yang tidak siginifikan begitu pula dengan nilai SAVI dan NDWI. Gambar 12, 13 dan 14 menunjukkan
visualisasi perhitungan indeks vegetasi pada puncak musim kemarau. Pada perhitungan NDVI dan SAVI mengalami peningkatan tiap tahunnya dengan perubahan cukup konstan, sedangkan untuk NDWI berlaku sebaliknya, mengalami penurunan dari tahun 2020 ke tahun 2021, dan pada tahun 2021 dan 2022 bernilai sama.
Tabel 6 menjelaskan hasil analisis klasifikasi wilayah resiko banjir dengan perhitungan indeks vegetasi NDVI, SAVI, dan NDWI. Pada perhitungan pertama yaitu pada fase musim hujan di tahun 2020, 2021 dan 2022 mendapatkan hasil NDVI sebesar 0,508 dengan klasifikasi vegetasi tinggi, SAVI menghasilkan 0,587 dengan klasifikasi vegetasi berhutan, dan untuk perhitungan NDWI menghasilkan 0,315 dengan klasifikasi kebutuhan sedang. Kemudian untuk perhitungan yang kedua yaitu pada fase musim kemarau hasil NDVI sebesar 0,539 dengan klasifikasi vegetasi tinggi, perhitungan SAVI sebesar 0,581 dengan klasifikasi vegetasi berhutan dan untuk perhitungan NDWI sebesar 0,299 dengan klasifikasi kebasahan sedang.
2020 2021 2022
Gambar 3. NDVI puncak kemarau 2020-2022.
Lahan tidak bervegetasi Vegetasi sangat rendah Vegetasi rendah Vegetasi sedang Vegetasi tinggi
http://jtsl.ub.ac.id 466
2020 2021 2022
Gambar 4. NDWI puncak kemarau 2020-2022.
2020 2021 2022
Gambar 5. SAVI puncak kemarau 2020-2022.
2020 2021 2022
Gambar 6. NDVI puncak musim hujan 2020-2022.
2020 2021 2022
Gambar 7. NDWI puncak musim hujan 2020-2022.
2020 2021 2022
Gambar 8. SAVI puncak musim hujan 2020-2022.
Non badan air Kebasahan rendah Kebasahan Sedang Kebasahan Tinggi Kebasahan Sangat Tinggi
Non RTH Sangat rendah Rendah Sedang Tinggi
Lahan tidak bervegetasi Vegetasi sangat rendah Vegetasi rendah Vegetasi sedang Vegetasi tinggi
Non badan air Kebasahan rendah Kebasahan Sedang Kebasahan Tinggi Kebasahan Sangat Tinggi
Non RTH Sangat rendah Rendah Sedang Tinggi
http://jtsl.ub.ac.id 467 Gambar 9. Perhitungan NDVI pada puncak musim hujan.
Gambar 10. Perhitungan SAVI pada puncak musim hujan.
Gambar 11. Perhitungan NDWI pada puncak musim hujan.
0 0.1 0.2 0.3 0.4 0.5 0.6
ndvi 20 ndvi 21 ndvi 22
NDVI PUNCAK MUSIM HUJAN
0.54 0.55 0.56 0.57 0.58 0.59 0.6 0.61
savi 20 savi 21 savi 22
SAVI PUNCAK MUSIM HUJAN
0.28 0.29 0.3 0.31 0.32 0.33 0.34 0.35
ndwi 20 ndwi 21 ndwi 22
NDWI PUNCAK MUSIM HUJAN
http://jtsl.ub.ac.id 468 Gambar 12. Perhitungan NDVI pada puncak musim kemarau.
Gambar 13. Perhitungan SAVI pada puncak musim kemarau.
Gambar 14. Perhitungan NDWI pada puncak musim kemarau.
Tabel 1. Rata rata nilai indeks vegetasi pada puncak musim hujan.
Keterangan NDVI SAVI NDWI
Puncak musim hujan 0,503 0,587 0,315
Puncak musim kemarau 0,539 0,581 0,299
0.525 0.53 0.535 0.54 0.545
ndvi 20 ndvi 21 ndvi 22
NDVI PUNCAK MUSIM KEMARAU
0.565 0.57 0.575 0.58 0.585 0.59
savi 20 savi 21 savi 22
SAVI PUNCAK MUSIM KEMARAU
0.296 0.297 0.298 0.299 0.3 0.301 0.302 0.303
ndwi 20 ndwi 21 ndwi 22
NDWI PUNCAK MUSIM KEMARAU
http://jtsl.ub.ac.id 469 Hasil penelitian ini menunjukkan bahwa pada
puncak musim hujan nilai NDVI lebih rendah daripada puncak musim kemarau. Jika dilihat dari Gambar 3 dan Gambar 6 terlihat perbedaan klasifikasi kerapatan vegetasinya. Pada Gambar 6 warna merah tersebar lebih banyak dibandingkan pada Gambar 3. Hasil tersebut mendukung hasil penelitian Masitoh dan Rusydi (2019) bahwa suhu permukaan tanah berpengaruh pada kekereringan vegetasi lemah.
Hasil perhitunagn SAVI pada puncak musim hujan dan kemarau tidak terlampau signifikan.
Selisih perhitungan bernilai 0,06 dengan nilai pada puncak musim kemarau yang lebih tinggi. Hal ini menunjukkan bahwa latar belakang tanah pada tingkat kecerahan kanopi tidak terpengaruh dengan puncak musim hujan dan puncak musim kemarau.
Pada perhitungan NDWI menunjukkan nilai yang lebih tinggi untuk perhitungan pada puncak musim hujan. Hal ini wajar karena intensitas air yang masuk lebih tinggi pada musim hujan dibandingkan pada musim kemarau. Banyaknya selisih nilai NDWI pada puncak musim hujan dan musim kemarau terbukti benar berdasarkan penelitian yang telah dilakukan sebelumnya. Pada penelitian yang dilakukan oleh Sudarmanto dan Rofii (2021) menyatakan bahwa kekuatan pemulihan kerapatan vegetasi pada musim penghujan tidak sekuat pada musim kemarau, alias lebih lemah.
Kesimpulan
Hasil perhitungan NDVI menggambarkan bahwa vegetasi pada daerah terkait masih baik. Perubahan kehijauannya tidak naik dan turun secara signifikan selama musim hujan dannmusim kemarau. Hasil perhitungan SAVI menunjukkan bahwa daerah Kota Semarang masih memiliki nilai kerapatan ruang terbuka hijau yang tinggi dilihat dari hasil perhitungannya. Hasil perhitunagn NDWI menunjukkan bahwa pada musim kemarau dan hujan memiliki penilaian wilayah dengan rata-rata kebasahan sedang. Dengan demikian tidak seluruh wilayah Kota Semarang memiliki resiko banjir walaupun pada musim penghujan sekalipun ada beberapa daerah yang memiliki resiko banjir pada daerah terkait.
Ucapan Terima Kasih
Penulis mengucapkan terima kasih kepada Fakultas Teknik Informatika Universitas Kristen Satya Wacana yang telah mendampingi dalam pembuatan, penulisan, hingga publikasi hasil penelitian ini.
Daftar Pustaka
Basori, dan Sukojo, B.M. 2012. Analisis perubahan luas hutan di Jawa Timur Menggunakan Citra Satelit Terra Modis antara tahun 2007-2011 (Studi Kasus : Daerah Propinsi Jawa Timur Berdasarkan Indek Vegetasi NDVI dan EVI). GEOID 8(1):1-6.
BNPB. 2021. Indeks Risiko Bencana Indonesia tahun 2021. Pusat Data, Informasi dan Komunikasi Kebencanaan Badan Nasional Penanggulangan Bencana.
de Freitas, F.V., Gomes, M.V.M. and Winkler, I. 2022.
Benefits and challenges of virtual-reality-based industrial usability testing and design reviews: a patents landscape and literature review. Applied
Sciences (Switzerland) 12,
doi:10.3390/app12031755.
Erlani, R. dan Nugrahandika, W.H. 2019. Ketangguhan Kota Semarang dalam menghadapi bencana banjir pasang air laut (rob). Journal of Regional and Rural
Development Planning 3(1):47,
doi:10.29244/jp2wd.2019.3.1.47-63.
Ikhsyan, N., Muryani, C. dan Rintayati, P. 2017. Analisis sebaran, dampak dan adaptasi masyarakat terhadap banjir rob di Kecamatan Semarang Timur dan Kecamatan Gayamsari Kota Semarang. Jurnal GeoEco 3(2):145-156.
Kumalawati, R. dan Angriani, F. 2017. Pemetaan risiko bencana banjir di Kabupaten Hulu Sungai Tengah.
Prosiding Seminar Nasional Geografi UMS 2017 Pengelolaan Sumberdaya Wilayah Berkelanjutan ISBN: 978–602–361–072-3.
Laurensz, B., Lawalata, F. dan Prasetyo, S.Y.J. 2019.
Potensi resiko banjir dengan menggunakan citra satelit (Studi Kasus : Kota Manado, Provinsi Sulawesi Utara). Indonesian Journal of Modeling and Computing 1(2019):17-24.
Lestari, M., Mira, Prasetyo, S.Y.J. dan Fibriani, C.
2021.Analisis daerah rawan banjir pada daerah aliran sungai Tuntang menggunakan skoring dan Inverse Distance Weighted. Indonesian Journal of Modeling and Computing 4(1):1-9.
Mahesti, T., Umar, E., Ariadi, A., Prasetyo, S.Y.J. dan Fibriani, C. 2018. Identifikasi perubahan tutupan vegetasi dan curah hujan Kabupaten Semarang menggunakan citra saltelit Lansat 8. Indonesian Journal of Modeling and Computing 3(1):30-42.
Masitoh, F. and Rusydi, A.N. 2019. Vegetation Health Index (VHI) analysis during drought season in Brantas Watershed. IOP Conference Series: Earth and Environmental Science 389(1), doi:10.1088/1755-1315/389/1/012033.
Novitasari, N.W., Nugraha, A.L. dan Suprayogi, A. 2015.
Pemetaan Multi Hazards berbasis Sistem Informasi Geografis di Kabupaten Demak Jawa Tengah. Jurnal Geodesi Undip 4(4):181-190.
Que, V.K.S., Prasetyo, S.Y.J. dan Fibriani, C. 2019.
Analisis perbedaan indeks vegetasi Normalized Difference Vegetation Index (NDVI) dan Normalized Burn Ratio (NBR) Kabupaten Pelalawan
http://jtsl.ub.ac.id 470 menggunakan citra satelit Landsat 8. Indonesian
Journal of Modeling and Computing 1 (2019):1-7 Ruslana, Z.N. dan Sulistiyowati. 2020. Analisis indeks
kerapatan vegetasi untuk identifikasi kejadian dan potensi puting beliung di wilayah Kabupaten Klaten.
Megasains 11(2):1-12.
Sudarmanto, B. dan Rofii, I. 2021. Pendekatan eko-sosio sistem dalam pengelolaan potensi banjir Kota Semarang. Jurnal Riptek 15 (2):75-85.
Surmaini, E. 2016. Pemantauan dan peringatan dini kekeringan pertanian di Indonesia. Jurnal Sumberdaya Lahan 10(1):37-50.
Susilo, A. dan Wicaksono, K.S. 2023. Potensi pengembangan tanaman kopi arabika berdasarkan tingkat kesesuaian lahan di Desa Bulukerto, Kecamatan Bumiaji, Kota Batu. Jurnal Tanah dan
Sumberdaya Lahan 10(1):83-95,
doi:10.21776/ub.jtsl.2023.010.1.9.
Yudistira, R., Meha, A.I. dan Prasetyo, S.Y.J. 2019.
Perubahan konversi lahan menggunakan NDVI, EVI, SAVI dan PCA pada Citra Landsat 8 (Studi Kasus : Kota Salatiga). Indonesian Journal of Modeling and Computing 1 (2019):25-30.
