0

SEMINAR SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

NAMA : Veybi Djoharam

NRP : P062190071

PROGRAM STUDI : Ilmu Pengelolaan Sumberdaya Alam dan

Lingkungan

JUDUL MAKALAH : Analisis Perubahan Tutupan Lahan dan Elemen

Kunci Pengelolaan Daerah Aliran Sungai Sangkub
Untuk Mitigasi Banjir
KOMISI PEMBIMBING : Prof. Dr. Ir. Widiatmaka, DAA. IPU.
Prof. Dr. Ir. Marimin, M.Sc.
Dr. Dyah Retno Panuju, S.P. M.Si.
Prof. Dr. Ir. Suria Darma Tarigan, M.Sc.

KELOMPOK ILMU : Keteknikan, Teknologi Informasi dan Perencanaan

HARI/TANGGAL : ................/....... Februari 2023

WAKTU : .......................... WIB

TEMPAT : Daring (zoom meeting)

 ANALISIS PERUBAHAN TUTUPAN LAHAN DAN ELEMEN KUNCI
PENGELOLAAN DAERAH ALIRAN SUNGAI SANGKUB UNTUK MITIGASI
BANJIR1
(Analysis of Land Cover Changes and Key Elements of Sangkub River Watershed
Management for Flood Mitigation)1
Veybi Djoharam2, Widiatmaka3, Marimin4, Dyah R. Panuju5, Suria D. Tarigan5

ABSTRACT
Flooding is an event where river water overflows beyond troughs. One of the causes of flooding
is the degradation or destruction of watersheds. The Sangkub watershed is a watershed in North
Sulawesi Province, with an area of 125,104.9 ha. In 2020, floods that occurred due to the overflow
of the Sangkub River caused damage and losses whose value was estimated at IDR
104,423,661,375.00. This study aims to analyze changes in land cover/use in 2000, 2010 and
2020, predict land cover/use in 2030 and find out the key elements of Sangkub watershed
management for flood mitigation. The Support Vector Machine (SVM) method is used to classify
land cover/land use, predict land cover/use using Artificial Neural Network (ANN) algorithms
and analyze key elements using Interpretive Structural Modeling (ISM) methods. The results of
the analysis show that changes in land cover/use of the Sangkub watershed change dynamically
in each year period. The natural forest vegetation in the Sangkub watershed area is predominantly
transformed into agricultural land and mixed gardens. The accuracy of land cover/use
classification with the SVM algorithm is >90% and the accuracy of prediction of land cover/land
use change in the Sangkub watershed in 2030 with an ANN algorithm of 58%. Based on the ISM
analysis, five elements and ten key sub-elements are the top priority in the Sangkub watershed
management for flood mitigation.
Keywords: algorithms, flood, LULC, satellite image, watershed management.

PENDAHULUAN
Banjir merupakan peristiwa meluapnya air sungai melebihi palung (PPRI 2011).
Data dan Informasi Bencana Indonesia (DIBI) dari Badan Nasional Penanggulangan
Bencana (BNPB) menunjukkan bahwa tahun 2013 – 2022 di Indonesia, selain puting
beliung (8719 kejadian) dan tanah longsor (7228 kejadian), banjir merupakan bencana
dengan urutan terbanyak ke dua yang sering terjadi yakni 8695 kejadian6.
Kejadian banjir yang rentan terjadi di setiap musim penghujan salah satu
penyebabnya adalah degradasi atau rusaknya Daerah Aliran Sungai (DAS). Permasalahan
DAS berupa penurunan kualitas juga dialami oleh DAS Sangkub. DAS Sangkub
merupakan DAS yang ada di Provinsi Sulawesi Utara, dengan luasan 125.104,9 ha
(BPDASHL Tondano 2020). Secara fisik DAS Sangkub mempunyai penampang sungai
yang tidak dapat menampung debit banjir (Talumepa et al. 2017). Selain permasalahan
fisik, DAS Sangkub secara non fisik telah mengalami penurunan kualitas. Hasil analisis
laboratorium yang diolah lebih lanjut menggunakan perhitungan Metode Storet;
mendapatkan tujuh titik pemantauan kualitas air di Sungai Sangkub semuanya berstatus
cemar sedang sampai dengan cemar berat (DLHK Bolmut 2017).

1
Bagian Disertasi, disampaikan pada Seminar Program Pascasarjana IPB University
2
Mahasiswa Program Pascasarjana Ilmu Pengelolaan Sumberdaya Alam dan Lingkungan, IPB University
3
Ketua Komisi Pembimbing, Dosen Departemen Ilmu Tanah dan Sumberdaya Lahan, IPB University
4
Anggota Komisi Pembimbing, Dosen Departemen Teknik Industri Pertanian, IPB University
5
Anggota Komisi Pembimbing, Dosen Departemen Ilmu Tanah dan Sumberdaya Lahan, IPB University
6
https://dibi.bnpb.go.id diakses tanggal 28 Desember 2022 pukul 11.44 WIB
2

Aliran air Sungai Sangkub pada umumnya dimanfaatkan untuk mengairi areal
persawahan seluas 3601 ha (Ineke et al. 2017). Adanya pertanian lahan kering berupa
budidaya padi ladang, jagung dan kacang pada lahan dengan lereng curam dan sangat
curam, sistem perladangan tebas bakar serta pengolahan tanah tanpa terasering
menambah permasalahan ketidakseimbangan ekosistem DAS Sangkub (BPDASHL
Tondano 2010). Konversi lahan dari hutan menjadi pertanian mengubah keseimbangan
air. Hasil analisis Lee et al. (2018) menemukan bahwa perluasan lahan pertanian sebagai
akibat dari konversi hutan meningkatkan debit tahunan rata-rata sekitar 28%.
Perubahan tutupan lahan merupakan pendorong utama yang menyebabkan
perubahan debit (Lee et al. 2018). Aliran maksimum dapat meningkat seiring dengan
meningkatnya luas tanaman pertanian dengan penurunan tutupan hutan, yang kemudian
akan menyebabkan peningkatan besaran banjir (Muma et al. 2011). Tahun 2020 banjir
yang terjadi akibat meluapnya Sungai Sangkub, menurut laporan BPBD Bolmut (2020)
mengakibatkan kerusakan dan kerugian yang nilainya ditaksir sebesar
Rp104.423.661.375,00. Dengan demikian, penelitian terkait pengelolaan DAS Sangkub
untuk mitigasi banjir penting untuk dilakukan.
Belakangan ini teknologi komputer berkembang pesat. Selain itu, tersedia berbagai
sensor satelit dengan resolusi spasial yang lebih baik. Hal ini dapat dimanfaatkan untuk
melakukan pemantauan perubahan lingkungan. Menyelesaikan permasalahan lingkungan
secara umum sulit dilakukan karena adanya kompleksitas masalah. Oleh karena itu
penelitian ini bertujuan, menganalisis perubahan tutupan/penggunaan lahan, serta
memprediksi tutupan/penggunaan lahan di masa depan dan menganalisis elemen kunci
pengelolaan DAS Sangkub di Provinsi Sulawesi Utara untuk mitigasi banjir. Metode
berbasis piksel dengan algoritma Super Vector Machine (SVM) digunakan untuk
membuat klasifikasi tutupan/penggunaan lahan tahun 2000, 2010 dan 2020, algoritma
Artificial Neural Network (ANN) digunakan untuk memprediksi tutupan/penggunaan
lahan tahun 2030 dan analisis elemen kunci dalam pengelolaan DAS Sangkub
menggunakan metode Interpretive Structural Modeling (ISM).
METODE PENELITIAN
Penelitian ini akan menggunakan pendekatan sistem lunak atau Soft System
Methodology (SSM). Terdapat tujuh tahapan dalam penggunaan SSM (Gambar 1).

(7) ISM,, ANP

(1) Rekomendasi perbaikan
Literature
review; Identifikasi
NDVI masalah
Validasi, Google Earth (6)
Merumuskan aksi
perbaikan untuk
Rich (2) (5) perubahan
Picture Pengungkapan Membandingkan model
masalah konseptual dengan “real world”
Real world

System thinking
(3)
Literature (4)
Mendefinisikan SVM, ANN, SWAT
review; Membuat model
akar dari sistem
CATWOE konseptual
yang relevan

Gambar 1 Sintesis metodologi penelitian diadopsi dari Checkland (2000)

 3

Tempat dan Waktu Penelitian

Lokasi penelitian di wilayah DAS Sangkub yang berada di Provinsi Sulawesi
Utara (Gambar 2) berada pada koordinat 0°52'30.92"N, 123°38'52.77"E. Periode analisis
tahun 2000, 2010 dan 2020.

Gambar 2 Lokasi penelitian DAS Sangkub

Tahapan Penelitian
Tahapan penelitian secara keseluruhan dibagi menjadi empat tujuan. Namun,
yang disampaikan pada seminar dibatasi pada tujuan 1, tujuan 2 dan sebagian tujuan 4.
Teknik Analisis Data
Analisis perubahan tutupan dan penggunaan lahan
Analisis perubahan tutupan/penggunaan lahan menggunakan data citra landsat 5, 7
dan Landsat 8 yang diperoleh dari situs earthexplorer.USGS.gov, dianalisis menggunakan
Sistem Informasi Geografis (SIG). Klasifikasi tutupan/penggunaan lahan terdiri dari tujuh
kelas yakni 1) permukiman; 2) hutan; 3) semak belukar; 4) lahan terbuka; 5) lahan basah;
6) kebun campuran dan 7) sawah, diproses menggunakan metode Support Vector
Machine (SVM) dengan software ENVI. Prosedur kerja yang dilakukan yakni tahap
preprocessing melakukan koreksi geometrik dan koreksi radiometrik, tahap processing
memilih komposit band, cropping, penajaman, smoothing, klasifikasi citra, reklasifikasi,
overlay, pembuatan peta. Selanjutnya uji akurasi untuk hasil klasifikasi tutupan lahan
menggunakan matriks kesalahan (confusion matrix), indeks kappa dihitung untuk menilai
akurasi klasifikasi dari matriks akurasi. Analisis perubahan tutupan/penggunaan lahan
berdasarkan jumlah penambahan ataupun pengurangan luas area dari tiap kelas perubahan
lahan.
Analisis prediksi perubahan tutupan lahan DAS Sangkub tahun 2030
Pemodelan prediksi perubahan tutupan lahan DAS Sangkub tahun 2030,
menggunakan data tutupan/penggunaan lahan tahun 2000, 2010 dan untuk validasi
menggunakan data tutupan/penggunaan lahan tahun 2020. Faktor pendorong perubahan
yang dianalisis terdiri dari enam faktor yang bersumber dari enam data yakni, data jenis
tanah diperoleh dari dari Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan
4

Pertanian (BBDSLP) Kementerian Pertanian, data jaringan jalan dari situs indonesia-
geospasial, data curah hujan periode 10 (sepuluh) tahun dari Badan Meteorologi,
Klimatologi, dan Geofisika (BMKG) Provinsi Sulawesi Utara, data penduduk dan data
kepadatan penduduk dari Badan Pusat Statistik (BPS). Semua data dibangun dengan
mengkombinasikan model dinamika perubahan tutupan/penggunaan lahan dengan Sistem
Informasi Geografi (SIG) dengan software QGis 2.0 menggunakan pendekatan Artificial
Neural Network (ANN) yang terdapat dalam tools MOLUSCE (Modules For Land Use
Change Simulations).
Analisis elemen kunci pengelolaan DAS Sangkub
Identifikasi elemen dan sub elemen dengan metode Interpretive Structural Modeling
(ISM) ditentukan oleh dua orang pakar. Satu orang dari Kementerian Lingkungan Hidup
dan Kehutanan dan satu orang akademisi dari Universitas Negeri Sam Ratulangi Manado,
yang dilakukan melalui wawancara. Selanjutnya elemen dan sub elemen yang telah
ditentukan dimintakan pendapat dari enam orang pakar melalui kuesioner ISM. Hasil
kuesioner diolah menggunakan software Exsimpro.
HASIL DAN PEMBAHASAN
Identifikasi dan Pengungkapan Masalah
Tercatat tanggal 15 Januari 2019, banjir akibat meluapnya Sungai Sangkub
berdampak pada 983 jiwa (BPBD Bolmut 2019). Dampak ini meningkat menjadi 27.512
jiwa pada kejadian banjir yang terjadi pada tanggal 04 Maret 2020 (BPBD Bolmut 2020).
Proses hidrologi yang sangat kompleks salah satunya dipengaruhi oleh dinamika vegetasi.
Hal ini terjadi karena vegetasi secara langsung dapat mempengaruhi hidrologi melalui
intersepsi tajuk, penyerapan akar, serta transpirasi stomata, dan dapat mempengaruhi
berbagai proses hidrologi secara tidak langsung melalui struktur kanopi vertikal dan
distribusi horizontal, yang mengarah pada redistribusi air dan energi (Zhang et al. 2017).
Berdasarkan hasil analisis tutupan vegetasi dengan menggunakan metode Normalized
Difference Vegetation Index (NDVI) wilayah DAS Sangkub tahun 2020, 99% masih
memiliki tutupan vegetasi yakni seluas 124.062 ha dan 1% wilayah tidak bervegetasi
seluas 1.040 ha (Gambar 3).

Gambar 3 Normalized Difference Vegetation Index DAS Sangkub tahun 2020, validasi
dengan Google Earth (GE)
 5

DAS Sangkub masuk dalam kategori DAS besar (≥1000 km2). Perubahan tutupan
hutan 1% di wilayah DAS berukuran besar dapat menyebabkan perubahan limpasan
tahunan 1,04% (Zhang et al. 2017). Selain faktor ukuran daerah aliran sungai, respon
hidrologi merupakan proses yang kompleks dan dikendalikan oleh beberapa faktor,
seperti curah hujan, topografi, penggunaan lahan dan tutupan lahan, serta sifat-sifat tanah
(Zhao et al. 2022). Kompleksitas ini tersaji dalam Rich Picture (Gambar 4).

Gambar 4 Rich Picture

Klasifikasi dengan Support Vector Machine (SVM)
Pada Gambar 5 terlihat bahwa data citra Landsat 5, 7 dan 8 masing-masing untuk
tahun 2000, 2010, dan 2020 dengan algoritma SVM, tutupan/penggunaan lahan di
wilayah DAS Sangkub Provinsi Sulawesi Utara dapat terklasifikasikan dengan baik.
Adapun tutupan/penggunaan lahan yang berhasil terklasifikasi sebanyak tujuh kelas.

2000
6

2010

2020

Gambar 5 Peta hasil klasifikasi tutupan/penggunaan lahan DAS Sangkub

Kelas permukiman dan kebun campuran di setiap periode tahun mengalami
peningkatan. Sementara itu, kelas semak belukar luasannya terus menurun terkonversi
menjadi kebun campuran. Kelas sawah mengalami penurunan luasan ditahun 2010 dan
kembali meningkat di tahun 2020. Perubahan luasan untuk keseluruhan kelas
tutupan/penggunaan lahan tersaji pada Tabel 2.
Tabel 2 Perubahan luasan tutupan/penggunaan lahan DAS Sangkub
Luas (ha)
Nama Kelas
2000 2010 2020
Permukiman 56 136 149
Hutan 117.628 117.667 115.111
Semak belukar 2.205 1.628 761
Lahan terbuka 248 168 36
Lahan basah 565 669 519
Kebun campuran 1.448 2.508 6.157
Sawah 2.955 2.327 2.373

Wilayah hulu DAS Sangkub masih ditutupi oleh kelas hutan. Sementara sawah
dan kebun campuran di wilayah DAS Sangkub umumnya berada di wilayah hilir berjarak
-+ 20 km dari garis pantai, dengan topografi datar sampai dengan landai dan dekat dengan
 7

aliran sungai. Pada umumnya bencana banjir disebabkan karena hutan di wilayah hulu
DAS sudah beralih fungsi, sehingga akan mempengaruhi seluruh bagian daerah aliran
sungai, menyebabkan pada musim hujan daerah hilir akan mengalami banjir (Ali et al.
2016). Akan tetapi, kasus yang terjadi di wilayah DAS Sangkub menunjukkan bahwa,
perubahan tutupan/penggunaan lahan di wilayah hilir juga akan menyebabkan penurunan
kualitas daerah tangkapan air, dan akan menyebabkan banjir di musim hujan. Apalagi
perubahan penggunaan tutupan/penggunaan lahan di wilayah hilir tersebut berada dekat
dengan aliran sungai.
Hasil penelitian oleh Assefa et al. (2015) kemiringan daerah tangkapan air yang
landai terutama dekat dengan daerah muka air tanah dekat dengan permukaan (daerah
jenuh), menjadi sumber wilayah dengan limpasan permukaan yang tinggi, sebab curah
hujan setelah tanah jenuh tidak dapat meresap lebih banyak air. Ketika limpasan
permukaan tinggi, risiko terjadinya banjir saat musim hujan menjadi tinggi. Oleh karena
itu, penting untuk mempertimbangkan daerah jenuh (dataran rendah) selama desain
strategi dan implementasi pengelolaan daerah aliran sungai untuk meminimalisir
limpasan permukaan dari daerah tangkapan secara efektif. Hal ini membuktikan bahwa
semua bagian daerah aliran sungai saling terhubung, sehingga penyelesaian persoalan
DAS yang hanya berfokus pada merehabilitasi hulu tidak sepenuhnya tepat (Pambudi
2019).
Prediksi Tutupan/Penggunaan Lahan DAS Sangkub
Tutupan/penggunaan lahan DAS Sangkub pada tahun 2030 berhasil diprediksi
dengan menggunakan pendekatan Artificial Neural Network (ANN) yang terdapat dalam
tools MOLUSCE (Modules For Land Use Change Simulations) dengan software QGis
2.0. Hasil prediksi seperti pada Gambar 6. Tahun 2030 luasan permukiman diprediksi
meningkat menjadi 158 ha dibanding tahun 2020 seluas 149 ha, yang diikuti oleh
meningkatnya luasan sawah menjadi 2693 ha. Terlihat juga bahwa kelas
tutupan/penggunaan lahan semak belukar semakin mengalami penurunan menjadi 622
ha. Berdasarkan enam faktor pendorong yang dianalisis yakni jalan, hujan, kepadatan
penduduk, kemiringan lereng, jumlah penduduk dan jenis tanah, faktor pendorong jalan
adalah yang paling berpengaruh positif dengan nilai korelasi 0,99. Hal ini sesuai dengan
pembahasan sebelumnya bahwa perubahan tutupan/penggunaan lahan di wilayah DAS
Sangkub umumnya terjadi di wilayah hilir serta dekat dengan akses jalan raya.

Gambar 6 Kecenderungan tutupan/perubahan lahan DAS Sangkub tahun 2030

8

Uji Akurasi
Hasil uji akurasi klasifikasi tutupan/penggunaan lahan DAS menggunakan
Support Vector Machine (SVM) tahun 2000 nilai akurasi 92,8%; tahun 2010 akurasi
90,6% dan tahun 2020 hasil uji akurasi 94,9%. Terlihat bahwa nilai akurasi tahun 2010
lebih rendah dari tahun 2000 dan 2020, hal ini disebabkan oleh kualitas data citra Landsat
7 yang tidak sebaik kualitas citra Landsat 5 dan Landsat 8. Akan tetapi secara keseluruhan
masuk dalam kategori nilai akurasi tinggi yakni >85%. Hasil ini sejalan dengan teori yang
mengatakan bahwa SVM merupakan kelompok algoritma supervised learning models
yang dapat menghasilkan akurasi yang sangat baik >90% (Trisasongko et al. 2017; Avci
et al. 2023).
Hasil akurasi prediksi perubahan tutupan/penggunaan lahan tahun 2030 dengan
pendekatan Artificial Neural Network (ANN) yang terdapat dalam tools MOLUSCE
hanya 58% atau masuk dalam kategori sedang (Congalton dan Green 2009). Hasil akurasi
ini tidak sebaik dengan hasil akurasi saat membuat klasifikasi tutupan/penggunaan lahan
yang mendapatkan nilai tinggi. Hal ini disebabkan wilayah kajian DAS Sangkub 90%
masih berupa hutan, dengan kegiatan yang mendominasi adalah pertanian dan
perkebunan. Pola perubahan tutupan/penggunaan lahan hutan menjadi kebun campuran,
atau semak belukar menjadi hutan, dan semak belukar menjadi kebun campuran di setiap
periode tahun, lokasi perubahannya sangat dinamis. Perubahan ini dipengaruhi oleh
perilaku masyarakat dalam menggarap lahan yang pada umumnya belum menerapkan
teknik konservasi lahan, serta masih kurangnya pembinaan dan pengawasan oleh pihak
berwenang. Berbeda halnya jika kajian dilakukan di wilayah perkotaan di mana akurasi
dalam prediksi perubahan lahan bisa mendapatkan akurasi yang tinggi seperti yang
dilakukan oleh Hakim et al. (2019) sebab pola jenis perubahan lahan di wilayah urban
sudah lebih stabil, kalaupun ada perubahan biasanya terletak pada luasannya yang
meningkat atau berkurang.
Elemen Kunci Pengelolaan DAS Sangkub
Berdasarkan wawancara pakar, ada 5 elemen utama dalam pengelolaan DAS
Sangkub untuk mitigasi banjir yakni: 1) elemen perubahan; 2) elemen sektor; 3) Elemen
tujuan; 4) elemen kebutuhan dan 5) elemen lembaga/aktor. Berdasarkan hasil analisis
ISM dengan nilai inkonsistensi <10% didapatkan sub elemen kunci pada masing-masing
elemen tersaji pada Tabel 3.
Tabel 3 Sub Elemen Kunci
Elemen Kode Sub elemen kunci
Perubahan P4 Kebijakan, rencana dan program
P3 Pola kegiatan manusia dan sektor
Sektor S2 Keselamatan dan mutu hidup masyarakat
Tujuan T1 Luas, tinggi, lama genangan serta frekuensi banjir berkurang
T5 Fungsi hidrologi DAS Sangkub berada pada kondisi stabil
Kebutuhan K3 Penguatan masyarakat untuk turut melestarikan DAS Sangkup
K4 Peningkatan fungsi pengawasan dan penegakan hukum
K5 Peningkatan pembinaan dan sosialisasi
Lembaga L1 Pemerintah
L4 Akademisi/Pakar
 9

Implikasi Manajerial
Hasil penelitian ini membantu dalam memahami secara mendalam penyebab
terjadinya kejadian banjir di wilayah DAS Sangkub. Pendekatan sistem informasi
geografis dan metode NDVI serta SVM dapat memetakan dengan baik lokasi berbagai
kegiatan yang menyebabkan perubahan tutupan/penggunaan lahan dan karakteristik DAS
Sangkub. Hasil ISM memberikan informasi elemen dan sub elemen kunci yang harus
diperhatikan terlebih dahulu untuk mengatasi permasalahan di wilayah DAS Sangkub.
Semua Informasi ini dapat membantu para pengambil keputusan dalam melakukan
pengelolaan DAS Sangkub untuk mitigasi banjir secara tepat.
KESIMPULAN DAN SARAN
Kesimpulan
Vegetasi hutan alami di wilayah DAS Sangkub berubah secara dominan menjadi
lahan pertanian dan perkebunan yang akan menjadi lahan terbuka ketika tidak dalam
musim tanam. Hal ini mengakibatkan berkurangnya kapasitas pengaturan lahan, yang
pada gilirannya memperburuk daerah yang peka terhadap limpasan permukaan yang akan
meningkatkan potensi terjadinya banjir di setiap musim penghujan. Algoritma SVM dan
ANN bekerja dengan baik dalam melakukan klasifikasi dan prediksi tutupan/penggunaan
lahan di wilayah DAS Sangkub. Akurasi klasifikasi yang dihasilkan dengan SVM masuk
dalam kategori tinggi dan akurasi prediksi dengan ANN berkategori sedang. Berdasarkan
hasil ISM terdapat 5 elemen dengan 10 sub elemen kunci yang penting untuk dikelola
terlebih dahulu dalam rangka mengatasi permasalahan banjir di wilayah DAS Sangkub.

Saran
Daerah elevasi rendah hingga menengah dengan risiko invasi yang lebih tinggi di
wilayah DAS Sangkub harus dipertimbangkan untuk perlindungan daerah aliran sungai
prioritas. Sementara daerah dengan ketinggian yang lebih tinggi mungkin kurang segera
terancam. Walau demikian, wilayah hulu daerah aliran sungai dengan kemiringan yang
terjal perlu juga diperhatikan, karena menjadi sumber utama erosi tanah karena
dipengaruhi oleh kemiringan.
DAFTAR PUSTAKA
Ali M, Hadi S, Sulistyantara B. 2016. Study on Land Cover Change of Ciliwung
Downstream Watershed with Spatial Dynamic Approach. Procedia-Social
Behavavioral Sciences. 227(2016):52–59. doi:10.1016/j.sbspro.2016.06.042.
Assefa TT, Jha MK, Tilahun SA, Yetbarek E, Adem AA, Wale A. 2015. Identification of
erosion hotspot area using GIS and MCE technique for koga watershed in the upper
blue Nile Basin, Ethiopia. American Journal of Environmental Sciences. 11(4):245–
255. doi:10.3844/ajessp.2015.245.255.
Avci C, Budak M, Yagmur N, Balcik FB. 2023. Comparison between random forest and
support vector machine algorithms for LULC classification. International Journal
of Engineering and Geosciences. 8(1):01–10. doi:10.26833/ijeg.987605.
[BPDASHL] Balai Pengelolaan Daerah Aliran Sungai dan Hutan Lindung. 2010.
Rencana Pengelolaan Daerah Aliran Sungai (DAS) Terpadu Satuan Wilayah
Pengelolaan (SWP) DAS Sangkub Langi. Tondano (ID): Balai Pengelolaan Daerah
Aliran Sungai dan Hutan Lindung Tondano.
[BPDASHL] Balai Pengelolaan Daerah Aliran Sungai dan Hutan Lindung. 2020. Analisis
Kejadian Banjir Bolmong-Bolmut 4 Maret 2020. Tondano (ID): Balai Pengelolaan
Daerah Aliran Sungai dan Hutan Lindung Tondano.
10

[BPBD] Badan Penanggulangan Bencana Daerah. 2019. Laporan Bencana Banjir

Kabupaten Bolaang Mongondow Utara 2019. Boroko (ID): Badan Penanggulangan
Bencana Daerah Kabupaten Bolaang Mongondow Utara.
[BPBD] Badan Penanggulangan Bencana Daerah. 2020. Laporan Bencana Banjir
Kabupaten Bolaang Mongondow Utara 2020. Boroko (ID): Badan Penanggulangan
Bencana Daerah Kabupaten Bolaang Mongondow Utara.
Checkland P. 2000. Soft System Methodology: A thirty year retrospective. Systems
Research and Behavioral Science. (17):S11–S58. doi:10.1002/1099-1743.
Congalton RG, Green K. 2009. Assessing the Accuracy of Remotely Sensed Data
Principles and Practices. Second Edi. CRC Press.
[DLHK] Dinas Lingkungan Hidup dan Kehutanan. 2017. Dokumen Informasi
Pengelolaan Lingkungan Hidup Daerah. Boroko (ID): Dinas Lingkungan Hidup dan
Kehutanan Kabupaten Bolaang Mongondow Utara.
Hakim AMY, Baja S, Rampisela DA, Arif S. 2019. Spatial dynamic prediction of landuse
/ landcover change (case study : Tamalanrea sub-district, Makassar City ). IOP
Conference Series. 280(2019):012023. doi:10.1088/1755-1315/280/1/012023.
Ineke AV, Tanudjaja L, Jeffry SF, Sumarauw. 2017. Analisis Neraca Air Sungai Sangkub
di Titik Bendung Sangkub Kabupaten Bolaang Mongondow Utara. Jurnal Sipil
Statik. 5(8):507–518.
Lee E, Angela L, Han S-C, Zhang K, Briscoe J, Kelman J, Moorcroft P. 2018. Land cover
change explains the increasing discharge of the Paraná River. Regional
Environmental Change. 18(6):1871–1881. doi:https://doi.org/10.1007/s10113-018-
1321-y.
Muma M, Assani AA, Landry R, Quessy J, Mesfioui M. 2011. Effects of the change from
forest to agriculture land use on the spatial variability of summer extreme daily flow
characteristics in southern Quebec (Canada). Journal of Hydrology. 407:153–163.
doi:10.1016/j.jhydrol.2011.07.020.
Pambudi AS. 2019. Pengelolaan DAS di Indonesia: Tinjauan Peraturan, Kelembagaan,
dan Kebijakan. The Indonesian Journal of Development Planning. 3(2):185–202.
doi:10.36574/jpp.v3i2.74.
[PRI] Pemerintah Republik Indonesia. 2011. Peraturan Pemerintah Nomor 38 Tahun
2011 Tentang Sungai. Jakarta (ID): Sekretariat Negara.
Talumepa MY, Tanudjaja L, Sumarauw JSF. 2017. Analisis Debit Banjir dan Tinggi
Muka Air Sungai Sangkub Kabupaten Bolaang Mongondow Utara. Jurnal Sipil
Statik. 5(10):699–710.
Trisasongko BH, Panuju DR, Paull DJ, Jia X, Griffin AL. 2017. Comparing six pixel-
wise classifiers for tropical rural land cover mapping using four forms of fully
polarimetric SAR data. International Journal of Remote Sensing. 38(11):3274–
3293. doi:10.1080/01431161.2017.1292072.
Zhang M, Liu N, Harper R, Li Q, Liu K, Wei X, Ning D, Hou Y, Liu S. 2017. A global
review on hydrological responses to forest change across multiple spatial scales:
Importance of scale, climate, forest type and hydrological regime. Journal of
Hydrology. 546(2017):44–59. doi:10.1016/j.jhydrol.2016.12.040.
Zhao Y, Nearing MA, Guertin DP. 2022. Modeling hydrologic responses using multi-site
and single-site rainfall generators in a semi-arid watershed. International Soil and
Water Conservation Research. 10(2022):177–187.
doi:10.1016/j.iswcr.2021.09.003.