GARANG-HYDRO ML | WebGIS & Analisis Machine Learning Erosi-Sedimentasi DAS Garang (S2 Teknik Sipil)

Luas & Morfometri DAS

204.0 km²

20.400 ha Orde: 5 D_d: 2.18

Laju Erosi RUSLE (2026)

-- ton/ha/thn

Naik dari 2021 akibat alih fungsi lahan hulu

Performa Machine Learning

R² = 0.985

Gradient Boosting • ROC-AUC: 0.992

Sedimen Waduk Jatibarang

-- m³/thn

Umur Dead Storage (6,8 Jt m³): -- Tahun

Sedimen Hilir KBB Semarang

-- m³/thn

Aggradasi Dasar Saluran: -- cm/thn

SRTM DEM + OSM

3D TERRAIN MAPS • DAS GARANG & GUNUNG UNGARAN

Tools GIS: Three.js WebGL • WhiteboxTools D8 • Rasterio/GDAL DEM • QGIS Vector • Scikit-Learn ML

UTM 49S (EPSG:32749) | Elev: 0–1.978 mdpl

Inspektor Spasial Grid & Prediksi ML

Pilih Titik di Peta

Lokasi & Sistem Koordinat

Sub-DAS: Sub-DAS Kreo

Elevasi / Lereng: 340 m / 24.5%

UTM 49S (EPSG:32749): 428480 mT, 9221850 mU

WGS84 (Lat, Lon): -7.0285, 110.3555

5 Parameter Penyusun RUSLE (A = R × K × LS × C × P)

Faktor R

2250

Faktor K

0.28

Faktor LS

3.45

Faktor C

0.48

Faktor P

0.65

Tanah: Latosol TWI: 5.4 Sempadan: 180 m

Deteksi Spektral Sentinel-2 (2021 → 2026)

Tutupan 2021: Kebun Campuran

Tutupan 2026: Tegalan / Lahan Kering

NDVI 2026 0.36

BSI (Tanah) 0.12

NDBI (Bangunan) 0.04

Model Fisik RUSLE vs Machine Learning III - Sedang

RUSLE Tahun 2021 -- ton/ha/thn

RUSLE Tahun 2026 -- ton/ha/thn

Gradient Boosting (GBR) -- ton/ha/thn

Random Forest (RF) -- ton/ha/thn

Zonasi K-Means: Zona III

Pintasan Peta Rubrik Tugas S2: Klik untuk Ganti Peta

Profil Memanjang Topografi DEM Riil (SRTM/Copernicus) & Laju Erosi Hulu–Hilir DAS Garang (Utara–Selatan)

Transek longitudinal dari Hulu Puncak G. Ungaran (+1.977 mdpl, UTM 9205626 mU) → Tengah Waduk Jatibarang (+158 mdpl) → Hilir Muara Kanal Banjir Barat (+2 mdpl, UTM 9231391 mU).

Sumber DEM: AWS Terrarium SRTM/Copernicus (80×64 Grid)

Hasil Delineasi & Parameter Morfometri DAS Garang (Sistem Proyeksi UTM Zona 49S - EPSG:32749)

Analisis ekstraksi jaringan aliran DEMNAS (resolusi 8,3 m) menggunakan algoritma Least-Cost Breaching & Strahler Stream Order.

Unit Sub-DAS	Luas (A) [km² / ha]	Keliling (P) [km]	Panjang Sungai (L_t) [km]	Kerapatan Drainase (D_d)	Circularity Ratio (R_c)	Orde Strahler	Lereng Rerata (%)	Erosi 2026 (ton/ha/thn)	SDR Ensemble

1. Erosivitas Hujan (R)

Rumus Bols (1978) / Lenvain:

EI30 = 6.119 × Rm^1.21 × N^-0.47 × Rmax^0.53

Rentang DAS Garang: 1.780 – 2.680 MJ·mm/(ha·jam·thn). Tertinggi di lereng atas G. Ungaran (CH > 3.100 mm/thn).

2. Erodibilitas Tanah (K)

Wischmeier & Smith (1978):

Andosol: 0.17 | Latosol: 0.24
Mediteran: 0.30 | Grumusol: 0.38

Sub-DAS Kripik (Sadeng/Kalialang) didominasi tanah Grumusol & Mediteran yang sangat peka erosi alur.

3. Faktor Topografi (LS)

Moore & Burch (1986):

LS = (FA·8.3 / 22.13)^0.4 × (sin β / 0.0896)^1.3

Turunan DEMNAS 8,3 m dengan batas *cutoff* panjang lereng 120 m untuk menghindari distorsi pada alur sungai utama.

4. Tutupan Lahan (C)

Klasifikasi Sentinel-2 & NDVI:

Hutan: 0.004 | Kebun: 0.085
Tegalan: 0.480 | Kupasan: 0.920

Parameter paling dinamis akibat konversi kebun campuran menjadi tegalan terbuka dan lahan kupasan perumahan.

5. Konservasi Lahan (P)

Praktik Mekanis / Terasering:

Teras Bangku Baik: 0.04
Teras Tradisional: 0.65 | Tanpa: 1.0

Rekayasa teras bangku berkonstruksi batu pada lereng 15–40% mampu memangkas laju erosi hingga >55%.

Observasi Stasiun Curah Hujan Riil 5 Tahun Terakhir (2021–2025) & Perhitungan Erosivitas Hujan (R)

Data deret waktu presipitasi harian riil (1.826 hari observasi per stasiun) dari arsip meteorologi satelit/stasiun ERA5-Land & CHIRPS yang diinterpolasi secara spasial dengan metode Inverse Distance Weighting (IDW, $p=2$).

Periode Rekaman: 01 Jan 2021 – 31 Des 2025

Kode & Nama Stasiun Hujan	Koordinat WGS84	Elevasi (mdpl)	CH Tahunan Rerata (mm/thn)	Hari Hujan (HH/thn)	Hujan Harian Maks (R_max)	Faktor R Bols (1978)	Faktor R Lenvain

Distribusi Luas Tingkat Bahaya Erosi (TBE) DAS Garang: 2021 vs 2026

Klasifikasi berdasarkan Permenhut No. P.32/Menhut-II/2009 (Satuan Hektar).

Komparasi Laju Erosi per Sub-DAS: RUSLE 2021, RUSLE 2026, & Machine Learning

Sub-DAS Kripik memiliki laju erosi spesifik tertinggi akibat kombinasi tanah Grumusol dan lereng curam.

Tabulasi Spasial Kelas Tingkat Bahaya Erosi (TBE) DAS Garang (2021 vs 2026)

Kelas Tingkat Bahaya Erosi (TBE)	Rentang Kehilangan Tanah (ton/ha/tahun)	Luas 2021 (ha)	Proporsi 2021 (%)	Luas 2026 (ha)	Proporsi 2026 (%)	Perubahan 5 Tahun (ha)

Pemetaan Kerawanan 4 Parameter Utama (Curah Hujan, Lereng, Tutupan Lahan, Buffer Sungai)

Integrasi Weighted Overlay 4 parameter inti sesuai spesifikasi tugas GIS S2 beserta luasan kategori kerawanan Tinggi, Sedang, dan Rendah di DAS Garang (20.400 ha).

Kategori Kerawanan (4 Parameter)	Kriteria Skor & Kondisi Spasial	Luas (ha)	Proporsi (%)

Analisis Parameter ke-4: Multi-Ring Buffer Sempadan Sungai (Kali Garang, Kreo, Kripik, KBB)

Distribusi luasan jarak sempadan sungai (Euclidean / Multi-Ring Buffer) yang menentukan kerentanan erosi tebing sungai dan genangan luapan banjir.

Zona Buffer Sempadan Sungai	Luas Area (ha)	Proporsi DAS (%)

Hasil Spatial Overlay Tingkat Kerawanan (Tinggi, Sedang, Rendah) terhadap Sebaran Permukiman di Kota & Kabupaten Semarang

Identifikasi luasan kawasan permukiman terdampak erosi lereng/longsor di hulu–tengah serta risiko sedimentasi & banjir luapan di hilir Kanal Banjir Barat (KBB).

Tools GIS: GeoPandas Spatial Intersect (Kerawanan ∩ Permukiman)

Wilayah Kecamatan (Kota / Kab. Semarang)	Total Permukiman (ha)	Rawan Rendah (ha)	Rawan Sedang (ha)	Rawan Tinggi (ha)	% Rawan Tinggi	Identifikasi Dampak Utama pada Permukiman

Perubahan Luas Tutupan Lahan DAS Garang (2021 vs 2026 & Proyeksi Markov 2031)

Ekstraksi multi-indeks Sentinel-2 L2A (NDVI, NDBI, MNDWI, Bare Soil Index / BSI).

Tabel Pergeseran Tutupan Lahan & Konversi Faktor C RUSLE (2021–2026)

Kelas Tutupan Lahan	Faktor C	2021 (ha)	2026 (ha)	Δ Luas (ha)	Proyeksi 2031 (ha)

Matriks Transisi Alih Fungsi Lahan (Cross-Tabulation 2021 → 2026 dalam Hektar)

Baris menunjukkan tutupan lahan awal tahun 2021, sedangkan kolom menunjukkan tutupan lahan tahun 2026. Sorotan utama adalah alih fungsi Kebun Campuran menjadi Tegalan Terbuka dan Lahan Kupasan Konstruksi di Gunungpati, Mijen, dan Banyumanik.

Explainable AI (XAI): Kontribusi Variabel Prediktor Terhadap Laju Erosi (%)

Kombinasi Permutation Importance (Gradient Boosting) & Gini Impurity (Random Forest). Menunjukkan dominasi interaksi Faktor Topografi (LS) dan Indeks Tanah Terbuka (BSI).

Validasi Silang (Test Set): Erosi Observasi vs Prediksi Machine Learning (ton/ha/thn)

Sebaran titik uji ($n_{\text{test}} = 25\%$ grid spasial DAS Garang) terhadap garis kesetimbangan 1:1.

Kurva ROC & Confusion Matrix Klasifikasi Zona Kritis (TBE ≥ 180 ton/ha/thn)

Unsupervised Machine Learning: Klasterisasi Spasial K-Means (4 Zona Prioritas Konservasi)

Pengelompokan otomatis berbasis vektor fitur [Slope, K, NDVI, BSI, A₂₀₂₆] untuk penentuan prioritas intervensi Teknik Sipil Hidroteknik.

Zona Klaster K-Means	Luas (ha / %)	Lereng Rerata	NDVI Rerata	Erosi Rerata

Simulator Prediksi Titik Machine Learning Real-Time (Demo Interaktif Dosen & Mahasiswa S2)

Ubah parameter geospasial di bawah ini untuk menguji respons non-linear model Random Forest, Gradient Boosting, dan Deep MLP Neural Network secara langsung di server Python.

Kemiringan Lereng (%):28%

Faktor Panjang-Lereng (LS):4.2

Curah Hujan Tahunan (mm):2850 mm

Erodibilitas Tanah (K):0.32

Indeks Vegetasi (NDVI):0.32

Bare Soil Index (BSI):0.16

Faktor C (Tutupan Lahan):0.48

Faktor P (Konservasi):0.65

Rumus Empiris RUSLE -- ton/ha/tahun

Gradient Boosting (GBR) -- ton/ha/tahun

Random Forest (RF) -- ton/ha/tahun

Deep Neural Net (MLP) -- ton/ha/tahun

Probabilitas Zona Kritis --% RF Classifier (TBE ≥ 180)

Simulator Rekayasa Konservasi & SDR

Sesuaikan parameter intervensi vegetatif dan sipil teknis (Sabo Dam / Teras Bangku) untuk mengevaluasi perpanjangan umur guna Waduk Jatibarang dan reduksi pendangkalan Kanal Banjir Barat (KBB).

1. Reboisasi & Agroforestri Hulu Ungaran: 0%

Menurunkan nilai Faktor C pada lahan tegalan terbuka & semak.

2. Teras Bangku Batu (Lereng >15%): 0%

Menurunkan nilai Faktor P dari 0,65 menuju 0,15 di Gunungpati & Kripik.

3. Pembangunan Check Dam / Sabo Dam: 0 Unit

Bangunan penahan sedimen di alur hulu S. Kreo & S. Kripik.

4. Anomali Curah Hujan (Perubahan Iklim): 0%

Sensitivitas perubahan Faktor Erosivitas Hujan (R Bols).

5. Metode Persamaan Empiris SDR:

Dampak Terhadap Waduk Jatibarang (Sub-DAS Kreo) Trap Efficiency: 94%

Sedimen Masuk (Eksisting 2026) -- m³/thn

Sedimen Masuk (Pasca-Mitigasi) -- m³/thn

Umur Dead Storage Eksisting -- Tahun

Umur Dead Storage Mitigasi -- Tahun

*Kapasitas Tampung Mati (Dead Storage) Desain = 6.800.000 m³ untuk umur rencana 50 Tahun (Kuota desain maks: 136.000 m³/tahun).

Dampak Hilir Bendung Simongan & Kanal Banjir Barat Suplai Kripik + Garang Hulu

Endapan di KBB (Eksisting) -- m³/thn

Endapan di KBB (Mitigasi) -- m³/thn

Laju Pendangkalan Dasar KBB -- cm/thn

Laju Pendangkalan Mitigasi -- cm/thn

*Sub-DAS Kripik & Garang Hulu tidak tertahan waduk sehingga mendominasi beban pengerukan (dredging) rutin di hilir KBB.

Proyeksi Penyusutan Kapasitas Tampung Mati (Dead Storage 6,8 Juta m³) Waduk Jatibarang (2014 – 2064)

Membandingkan Trajektori Desain Awal BBWS (50 Tahun), Kondisi Laju Erosi 2026 Tanpa Intervensi, dan Skenario Mitigasi Konservasi.

Evaluasi Infrastruktur Penampung Air & Pengendali Sedimen (Waduk Jatibarang, Embung, Bendung Simongan, & KBB)

Keterkaitan kapasitas tampung infrastruktur pengendali air/sedimen terhadap suplai erosi hulu Gunung Ungaran dan risiko pendangkalan hilir Semarang.

Sumber Teknis: BBWS Pemali Juana • Dinas PUSDATARU Jateng

Nama Infrastruktur Air / Sedimen	Tipe Bangunan	Lokasi Sub-DAS	Kapasitas Tampung / Debit	Fungsi Hidrologi & Evaluasi Kondisi Sedimentasi

Naskah Akademis Magister Teknik Sipil (S2)

Analisis Spasial Erosi-Sedimentasi Hulu–Hilir Berbasis Model RUSLE, Citra Sentinel-2 Multi-Temporal, dan Machine Learning pada DAS Garang serta Dampaknya terhadap Waduk Jatibarang dan Kanal Banjir Barat Semarang

BAB I: PENDAHULUAN

1.1 Latar Belakang: Pesatnya konversi lahan peri-urban di koridor hulu–tengah DAS Garang (Gunungpati, Mijen, Ungaran Barat) selama periode 2021–2026 telah meningkatkan koefisien aliran permukaan dan erosi lembar/alur. Mengingat DAS Garang merupakan urat nadi pengendalian banjir Kota Semarang melalui Waduk Jatibarang (Sub-DAS Kreo) dan Kanal Banjir Barat / KBB (pertemuan Sub-DAS Garang Hulu, Kreo, dan Kripik di Bendung Simongan), diperlukan kuantifikasi spasial presisi tinggi dalam proyeksi UTM Zona 49S (EPSG:32749) yang mengintegrasikan model fisik RUSLE dan algoritma Machine Learning.

BAB II & III: METODOLOGI HIDROLOGI GEOSPASIAL & MACHINE LEARNING

2.1 Delineasi & Conditioning DEMNAS: Ekstraksi batas 3 Sub-DAS (A_total = 204,0 km²) menggunakan algoritma Least-Cost Depression Breaching dan D8 Flow Accumulation.

2.2 Parameterisasi RUSLE (A = R × K × LS × C × P): Erosivitas hujan Bols (R), Erodibilitas tanah Wischmeier (K), Panjang-Kemiringan Lereng 2D Moore & Burch (LS), serta pemetaan multi-indeks Sentinel-2 (NDVI, BSI, NDBI, MNDWI) tahun 2021 dan 2026.

2.3 Pemodelan Machine Learning & XAI: Pelatihan komparatif Gradient Boosting Regressor (GBR), Random Forest (RF), dan Deep Multi-Layer Perceptron (MLP) dengan evaluasi 5-Fold Cross Validation, ROC-AUC, Permutation Feature Importance, dan klasterisasi spasial K-Means.

BAB IV: HASIL & PEMBAHASAN SPASIAL

Dinamika Tutupan Lahan 2021–2026: Penurunan luasan kebun campuran dan hutan tepi yang beralih menjadi tegalan hortikultura terbuka dan lahan kupasan konstruksi memicu kenaikan Faktor C rata-rata DAS.
Asimetri Beban Sedimen Hulu–Hilir: Sub-DAS Kreo (54,2 km²) menyuplai sedimen langsung ke Waduk Jatibarang dengan efisiensi tangkapan (Trap Efficiency Brune) sebesar 94%. Tanpa konservasi hulu, umur tampungan mati (dead storage 6,8 juta m³) terancam menyusut dari rencana 50 tahun.
Krisis Sedimen Sub-DAS Kripik ke KBB: Sub-DAS Kripik (61,4 km²) yang didominasi tanah Grumusol (K = 0,38) dan lereng curam memiliki laju erosi spesifik tertinggi, dan 100% sedimennya tidak melewati Waduk Jatibarang melainkan langsung bermuara ke Bendung Simongan dan mengendap di Kanal Banjir Barat (KBB).

BAB V & VI: REKOMENDASI REKAYASA KONSERVASI TANAH DAN AIR

Berdasarkan zonasi K-Means Clustering (Zona IV Prioritas Kritis), direkomendasikan kombinasi: (1) Pembangunan Check Dam / Sabo Dam berlapis di alur hulu Sungai Kripik dan Sungai Kreo, (2) Konstruksi teras bangku diperkuat batu pada lahan pertanian kemiringan 15–40%, serta (3) Rehabilitasi agroforestri dan sabuk rumput Vetiver pada tebing rawan longsor Gunungpati.

Skrip Kode Python Pipeline (WhiteboxTools, Rasterio, GEE, & Scikit-Learn)

# =====================================================================
# PIPELINE RUSLE + SDR + MACHINE LEARNING DAS GARANG (EPSG:32749)
# =====================================================================
import numpy as np
import geopandas as gpd
import rasterio
import whitebox
from sklearn.ensemble import GradientBoostingRegressor, RandomForestClassifier

# 1. Delineasi Otomatis DEMNAS (UTM Zona 49S - EPSG:32749)
wbt = whitebox.WhiteboxTools()
wbt.breach_depressions_least_cost("demnas_utm49s.tif", "dem_breached.tif", dist=100)
wbt.d8_pointer("dem_breached.tif", "d8_pntr.tif")
wbt.d8_flow_accumulation("dem_breached.tif", "flow_acc.tif", out_type="cells")
wbt.watershed("d8_pntr.tif", "outlets_garang_jatibarang.shp", "subdas_garang.tif")

# 2. Kalkulasi Raster Faktor LS (Moore & Burch, 1986) & Erosi RUSLE
with rasterio.open("flow_acc.tif") as fa_src, rasterio.open("slope_deg.tif") as slp_src:
    fa = np.clip(fa_src.read(1), 1.0, 15.0)  # Cutoff 120m (15 piksel @ 8.3m)
    beta = np.deg2rad(np.maximum(slp_src.read(1), 0.1))
    LS = ((fa * 8.3 / 22.13) ** 0.4) * ((np.sin(beta) / 0.0896) ** 1.3)

# A = R * K * LS * C * P (ton/ha/tahun)
A_2026 = R_grid * K_grid * LS * C_2026_sentinel2 * P_grid

# 3. Sediment Delivery Ratio (Boyce 1975 & Vanoni 1975) & Umur Waduk Jatibarang
area_kreo_km2 = 54.20
sdr_kreo = 0.5 * (0.375 * area_kreo_km2**-0.2382 + 0.4724 * area_kreo_km2**-0.125)
sy_kreo_ton = np.sum(A_2026_kreo * pixel_area_ha) * sdr_kreo
vol_endapan_m3 = (sy_kreo_ton * 1.20 * 0.94) / 1.20  # Bedload 20%, Trap Eff 94%
umur_dead_storage_thn = 6_800_000.0 / vol_endapan_m3

# 4. Machine Learning Non-Linear Erosion Susceptibility
features = ["slope_pct", "elev_m", "rain_mm", "K", "LS", "ndvi_2026", "bsi_2026", "ndbi_2026", "twi", "dist_river_m"]
gbr = GradientBoostingRegressor(n_estimators=180, learning_rate=0.06, max_depth=5, random_state=42)
gbr.fit(X_train, y_train)
pred_erosion = gbr.predict(X_test)

Seluruh kode backend dan dataset koordinat UTM Zona 49S (`EPSG:32749`) dapat diunduh langsung melalui tombol Dataset CSV dan Export GeoJSON di kanan atas halaman.