KAJIAN APLIKASI PENGINDERAAN JAUH DAN SISTEM INFORMASI GEOGRAFIS UNTUK ESTIMASI WILAYAH RAWAN PENYAKIT MALARIA DI KABUPATEN PURWOREJO PROVINSI JAWA TENGAH

MUHAMMAD RIDWAN, Prof. Dr. Totok Gunawan, M.S.,

2012 | Tesis | S2 Penginderaan Jauh

Kasus malaria di Kabupaten Purworejo menunjukkan peningkatan yang terus menerus dari tahun 2002 – 2009. Tujuan penelitian adalah mengkaji karakteristik lingkungan yang dapat disadap dari citra penginderaan jauh untuk estimasi wilayah rawan penyakit malaria , mengetahui sebaran wilayah rawan penyakit malaria dan mengetahui tingkat ketelitian citra penginderaan jauh dalam penentuan wilayah rawan penyakit malaria serta mengkaji seberapa besar hubungan tiap-tiap variabel penentu kerawanan penyakit malaria dengan peta kerawanan penyakit malaria dari analisis citra penginderaan jauh dan sistem informasi geografis di Kabupaten Purworejo. Metode yang digunakan pada penelitian ini adalah mengkaji variabel-variabel yang terkait pada citra Landsat 7 ETM + berupa penggunaan lahan, kontinyuitas aliran dan kerapatan vegetasi (NDVI). Data sekunder yang digunakan adalah tekstur tanah, permeabilitas tanah, curah hujan, ketinggian, lereng dan temperatur. Semua variabel di harkat berjenjang berdasarkan besar kecilnya pengaruh terhadap kerawanan malaria lalu ditumpangsusun dengan menggunakan sistem informasi geografis untuk untuk mendapatkan satuan lahan sehingga diperoleh 3 klas tingkat kerawanan penyakit malaria : (1) Wilayah kerawanan penyakit malaria tinggi, (2) Wilayah kerawanan penyakit malaria sedang dan (3) Wilayah kerawanan penyakit malaria rendah. Lokasi sampel lapangan ditentukan dengan stratified random sampling. Hasil penelitian menunjukkan bahwa tingkat kerawanan penyakit malaria tinggi (HCI) adalah Kecamatan Bruno (7.176,09 Ha), Bener (6.921,71 Ha) dan Kaligesing (5.543,03 Ha). Sebaran wilayah dengan kondisi kerawanan penyakit malaria sedang (MCI) terluas berturut-turut adalah Kecamatan Bruno (4.066,75 Ha), Bener (3.082,39 Ha) dan Purwodadi (2.747,18 Ha). Wilayah dengan kerawanan penyakit malaria rendah terluas berturut-turut adalah Kecamatan Grabag (6.599,17 Ha), Ngombol (5.317,96 Ha) dan Butuh (4.814,75 Ha). Ketelitian hasil interpretasi keseluruhan yaitu sebesar 91%. Ketelitian hasil Klasifikasi kerawanan penyakit malaria seluruhnya adalah 88,52%. Hasil analisis statistik berdasarkan koefisien dari korelasi bivariat variabel-variabel yang sangat mempengaruhi tingkat kerawanan penyakit malaria secara keseluruhan adalah (1) Permeabilitas tanah, (2) Tekstur, (3) Kerapatan Vegetasi, (4) Kontinyuitas aliran, (5) lereng, (6) Curah hujan, (7) Ketinggian tempat, (8) Temperatur dan (9) Penggunaan lahan. .Variabel-variabel yang sangat mempengaruhi tingkat kerawanan penyakit malaria tinggi (HCI = High Case Incidence) berdasarkan Koefisien Korelasinya adalah (1) Ketinggian tempat, (2) Lereng, (3) Kerapatan Vegetasi, (4) Kontinyuitas aliran, (5) Penggunaan lahan, (6) Curah hujan, (7) Temperatur, (8) Tekstur tanah dan (9) Permeabilitas tanah. Variabel-variabel yang sangat mempengaruhi tingkat kerawanan penyakit malaria sedang (MCI =Medium Case Incidence) berdasarkan Koefisien korelasinya adalah (1) Kontinyuitas aliran; (2)Kerapatan vegetasi; (3) Lereng; (4) Tekstur tanah; (5) Permeabilitas tanah; (6) Curah hujan; (7)Penggunaan lahan ; (8) Temperatur (9) Ketinggian tempat.

The number of malaria case in Purworejo has increased from 2002 to 2009. The objectives of this research are, first, to assess the enviromental characteristics that shown from the imagery of remote sensing to estimate malaria’s susceptibility region, second, to find out the dissemination and the accuracy level of remote sensing imagery in the determination of malaria’s susceptibility region, third, to assess the relation between each of malaria’s susceptibility determination variable and map of malaria’s susceptibility from the analysis of remote sensing imagery and geographical information system in Purworejo. The method used in this research was examnined the variables related to Landsat 7 ETM + imagery such as the use of land, flow continuity and vegetation density (NDVI). The secondary data used are soil texture, soil permeabillity, rain intensity, altitude, slopes and temperature. All variable’s level based on the effect of malaria’s susceptibility and compiled with geographical information system for land units in order to obtain the grades of malaria’s susceptibility, which are High, medium, and low level of malaria’s susceptibility areas. Sample location determined with stratified random sampling. The results showed that high levels of susceptibility areas to malaria (HCI) are the District Bruno (7,176.09 ha), Bener (6,921.71 ha) and Kaligesing (5,543.03 ha). the largest medium level conditions of susceptibility areas to malaria (MCI) are the district Bruno (4,066.75 ha), Bener (3,082,39 ha), and Purwodadi (2,747.18 Ha ). The lowest level of susceptibility areas are the District Grabag (6,599.17 ha), Ngombol (5,317.96 ha) and Butuh (4,814.75 ha). Accuracy of whole interpretation results is 91%. Accuracy of whole classification level of malaria’s result is 88.52%. The whole results of the statistical analysis based on the Bivariat correlation coefficients for the variables that affect the of susceptibility to malaria are : (1) Soil permeability, (2) Soil texture, (3) Vegetation dencity, (4) the continuity of the flow, (5) Slope (6) Rain intensity, (7) Altitude, (8) Temperature, and (9) Landuse. The results of the statistical analysis based on the Bivariat correlation for the variables that affect the high lavel of susceptibility to malaria (HCl) are: (1) Altitude, (2) Slope, (3) Vegetation dencity, (4) The continuity of the flow, (5) Landuse (6) Rain intensity (7) Temperature; (8) Soil texture and (9) Soil permeability. While the variables for medium level are (1) The continuity of the flow, (2) Vegetation density, (3) Slope, (4) Soil texture, (5) Soil permeability, (6) Rain intencity, (7) Landuse, (8) Temperature, and (9) Altitude.

Kata Kunci : Rawan malaria, Karakteristik lingkungan , Landsat ETM+, Kontinyuitas aliran, Normalized Difference Vegetation Index (NDVI) dan Stratified random sampling