skip to main content

Aplikasi Citra Sentinel-1 SAR untuk Deteksi Banjir di Kecamatan Sandai, Kabupaten Ketapang, Kalimantan Barat

1Program Studi Geofisika, FMIPA, Universitas Tanjungpura, Indonesia

2Program Studi Geofisika, Fakultas MIPA, Universitas Tanjungpura, Indonesia

Received: 15 Jul 2023; Revised: 5 Dec 2023; Accepted: 6 Jan 2024; Available online: 9 Mar 2024; Published: 28 Mar 2024.
Editor(s): Budi Warsito

Citation Format:
Abstract

Kecamatan Sandai di Kabupaten Ketapang, Provinsi Kalimantan Barat, merupakan wilayah pedalaman yang sering terkena bencana banjir. Namun, keterbatasan data terkait kejadian banjir di kecamatan tersebut menjadi hambatan dalam memahami dan menganalisis dampak kejadian tersebut. Penelitian ini mencoba memanfaatkan citra Sentinel-1 Synthetic Aperture Radar (SAR) untuk memetakan sebaran banjir dan menganalisis dampaknya terhadap populasi penduduk dan infrastruktur (bangunan dan jalan) di wilayah studi. Citra diolah menggunakan metode Change Detection and Thresholding (CDAT) untuk menghasilkan peta sebaran banjir. Hasil penelitian menunjukkan bahwa peta sebaran banjir yang diperoleh memiliki tingkat akurasi yang cukup baik (0,67). Studi kasus pada kejadian banjir Oktober 2022 menunjukkan banjir berdampak signifikan terhadap jumlah penduduk (11.300 jiwa terdampak), bangunan (5.400 terendam), dan jaringan jalan (98 km tergenang). Hasil studi ini dapat digunakan oleh pemerintah setempat dalam merencanakan langkah-langkah mitigasi bencana banjir masa depan di lokasi studi.

Fulltext View|Download
Keywords: Banjir; Sandai; Sentinel-1 SAR; Change Detection and Thresholding

Article Metrics:

  1. Akrimullah. A., Sima. B. S., Akhadi. Y. (2017). Open Street Map Infrastructure Mapping and Its Usage on Flood Impact Assessment Using InaSAFE in Surabaya, The 3rd International Seminar on Science and Technology, 9-19
  2. Alawiyah, A. M. dan Harintaka. (2021), Identifikasi Genangan Banjir di Wilayah DKI Jakarta Menggunakan Citra Satelit Sentinel-1, Journal of Geospatial Information Science and Engineering (JGISE), Vol. 4, No.1, Hal. 95-101
  3. Ariyantoni, J., dan Rokhmana, C. A. (2020). Evaluasi Polarisasi Citra SAR (Syhthetic Aperture Radar) untuk Klasifikasi Objek Tutupan Lahan. ELIPSOIDA, Vol. 3, No. 1, Hal. 22–29
  4. Bioresita, F., Ngurawan, M. G. R. dan Hayati, N. (2021). Identifikasi Sebaran Spasial Genangan Banjir Memanfaatkan Citra Sentinel-1 dan Google Earth Engine (Studi Kasus: Banjir Kalimantan Selatan). Geoid, Vol.17, No. 1, Hal: 108–118
  5. BPBD PROV KALBAR. Update Data Bencana Banjir di Kabupaten Ketapang 15 Oktober 2022. https://data.kalbarprov.go.id/dataset/update-data-bencana-banjir-di-kabupaten-ketapang-15-oktober-2022 diakses pada tanggal 13-07-2023
  6. CIESIN - Columbia University. 2018. Gridded Population of the World, Version 4 (GPWv4): Population Density, Revision 11. Palisades, NY: NASA Socioeconomic Data and Applications Center (SEDAC). https://doi.org/10.7927/H49C6VHW. Diakses pada tanggal 13-07-2023
  7. Farr, T.G., Rosen, P.A., Caro, E., Crippen, R., Duren, R., Hensley, S., Kobrick, M., Paller, M., Rodriguez, E., Roth, L., Seal, D., Shaffer, S., Shimada, J., Umland, J., Werner, M., Oskin, M., Burbank, D., and Alsdorf, D.E. (2007). The shuttle radar topography mission. Reviews of geophysics, 45(2)
  8. Filianoti, P., Gurnari, L., Zema, D. A., Bombino, G., Sinagra, M., & Tucciarelli, T. (2020). An evaluation matrix to compare computer hydrological models for flood predictions. Hydrology, 7(3), 42
  9. Filipponi, F. (2019). Sentinel-1 GRD preprocessing workflow. In International Electronic Conference on Remote Sensing (p. 11). MDPI.Putuhena, W. M. dan Ginting, S. 2013, Pengembangan Model Banjir Jakarta. Jurnal Teknik Hidraulik, Vol. 4, No. 1, Hal. 63–78
  10. Gorunescu, F. (2011) Data Mining: Concepts, Models and Techniques. Dataining -Concepts, Models, and Technique. https://doi.org/10.1007/978-3-642-19721-5
  11. InaSAFE (2023). Available from: www.inasafe.org (diakses terakhir tanggal 05 Desember 2023)
  12. Jonkman, S. N., Vrijling, J. K., & Vrouwenvelder, A. C. W. M. (2008). Methods for the estimation of loss of life due to floods: a literature review and a proposal for a new method. Natural Hazards, 46, 353-389
  13. Juliandri. F., Andreas. H., Pradipta. D. (2022). Perbandingan Hasil Pemodelan Bahaya Banjir Rob di Jakarta Menggunakan DEMNAS, DEM Global, dan DEM LIDAR, Bulletin of Geology, Vol.6, Hal: 934-948
  14. Kasanah, N., Bashit, N. dan Hadi, F. (2021). Analisis Lahan Sawah Tergenang Banjir Menggunakan Metode Change Detection Dan PPPM (Phenology And Pixel Based Paddy Rice Mapping) (Studi Kasus: Kabupaten Demak), Jurnal Geodesi Undip, Vol.10, Hal: 259–268
  15. Mollah, T. H., & Ferdaush, J. (2015). Riverbank erosion, population migration and rural vulnerability in Bangladesh (a case study on Kazipur Upazila at Sirajgonj District). Environment and Ecology Research, 3(5), 125-131
  16. Nasution, A. Maulana, dan Nurtyawan, R. (2020). Identifikasi Sebaran Banjir Berdasarkan Studi Citra Sentinel-1 SAR (Studi Kasus: Kecamatan Cikampek dan Kecamatan Purwasari, Kabupaten Karawang), Prosiding FTSP Series 1: Seminar Nasional dan Diseminasi Tugas Akhir, Penerbit Itenas, Bandung
  17. Nurlaela, D. (2020). Penerapan Adaboost untuk Meningkatkan Akurasi Naive Bayes pada Prediksi Pendapatan Penjualan Film, Jurnal Inti Nusa Mandiri, Vol.14, No.2, Hal: 181-188
  18. Pekel, J. F., Cottam, A., Gorelick, N., & Belward, A. S. (2016). High-resolution mapping of global surface water and its long-term changes. Nature, 540(7633), 418-422
  19. Open Street Map (2023), https://planet.osm.org, terakhir diakses pada tanggal 2023/07/08
  20. Pradana, I. H. et al. (2020). Analisis Daerah Tergenang Banjir di Desa Sitiarjo, Kabupaten Malang Menggunakan Data SAR (Synthetic Aperture Radar) Sentinel-1. Jurnal Georafflesia, Vol. 5, No. 1, Hal. 58–67
  21. Pranantyo, I. R., Fadmastuti, M., & Chandra, F. (2015). InaSAFE applications in disaster preparedness. In AIP Conference Proceedings (Vol. 1658, No. 1). AIP
  22. Rahman. M. F., Darmawidjadja. M. I., Alamsah. D. 2017. Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (RBNN). Jurnal Informatika, Vol. 11, No. 1, Hal. 36-45
  23. Tsyganskaya, V. et al. 2018. SAR-based detection of flooded vegetation – a review of characteristics and approaches. International Journal of Remote Sensing, Vol. 39, No. 8, Hal. 2255–2293, Doi: 10.1080/01431161.2017.1420938
  24. Ukrainski. P. 2016. Classification Accuracy Assessment Confusion Matrix Method. http://www.50northspatial.org/classification-accuracy-assessment-confusion-matrix-method/
  25. UN_SPIDER, https://www.un-spider.org/advisory-support/recommended-practices/recommended-practice-google-earth-engine-flood-mapping, diakses pada tanggal 13-07-2023

Last update:

No citation recorded.

Last update: 2024-07-04 04:00:43

No citation recorded.