JOURNAL REVIEW

Disampaikan untuk memenuhi salah satu tugas

Mata Kuliah Analisis Spasial

PENGINDERAAN JAUH UNTUK MITIGAS BENCANA

ANDI MULYA AS
P022201034

MANAJEMEN PERENCANAAN
PROGRAM STUDI PERENCANAAN DAN PENGEMBANGAN WILAYAH
SEKOLAH PASCA SARJANA
UNIVERSITAS HASANUDDIN
2020
 Daftar Isi

Halaman Judul
Daftar Isii
Daftar Gambar......................................................................................................ii
Daftar Tabel.......................................................................................................... ii
I. PENDAHULUAN...........................................................................................1
1.1. Latar belakang...............................................................................................1
1.2. Bahan Diskusi...............................................................................................2
II. PEMBAHASAN..............................................................................................3
2.1. Penginderaan Jauh.....................................................................................3
2.2. Metode atau pendekatan penginderaan jauh untuk penentuan daerah
bencana banjir............................................................................................3
2.3. Akurasi dan Validasi Metode atau pendekatan penginderaan jauh untuk
mitigasi bencana.........................................................................................7
2.4. Tabel Jurnal..............................................................................................10
III. PENUTUP...................................................................................................28
3.1. Kesimpulan...............................................................................................28
3.2. Saran........................................................................................................28
Daftar Pustaka....................................................................................................29

Penginderaan Jauh Untuk Mitigasi Bencana | i

 Daftar Gambar

Gambar 1: Penerapan Model Hirdodinamik 2D, di Kalilangan, Filipina.................4

Gambar 2: Perbandingan GFDS dan Peta Banjir MODIS.....................................5
Gambar 3: Perbandingan GIoFAS dan GFDS......................................................5
Gambar 4: Peta Analisis Orthophotos di Perg dan Kremesmunster......................6
Gambar 5: Perbandingan kedalaman banjir model Crowdsource, USGS, RIFT di
New Bern, NC.....................................................................................6
Gambar 6: Perbandingan Kedalaan Banjir di Boiling Spring Lakes, SC................7
Gambar 7: Kurva tingkat keberhasilan dan tingkat prediksi..................................7
Gambar 8: Validasi Lapangan di Sungai Damansara, Malaysia...........................8

Daftar Tabel

Tabel 1: Keakuratan regional pengambilan air dengan proporsi badan air, indeks
pola lanskap, dan gambar resolusi spasial yang berbeda......................9
Tabel 2: Tabel Jurnal Penelitian..........................................................................10
 I. PENDAHULUAN

1.1. Latar belakang

Bencana di seluruh dunia hampir tidak dapat dihindari dan tentunya
menimbulkan dampak kerugian baik material maupun non material bahkan
menimbulkan korban jiwa. Bencana dapat didefinisikan, sebagai kehancuran
ekologis yang luas baik secara fisik maupun hubungan fungsional antara
manusia dengan lingkungannya, yang disebabkan oleh alam atau manusia,
berbentuk kejadian yang serius atau tidak nampak (atau lambat, seperti pada
kekeringan), dalam skala yang tidak dapat ditangani oleh sumberdaya yang ada,
dan komunitas yang terdampak membutuhkan upaya yang luar biasa untuk
menangani kerusakan yang terjadi, bahkan membutuhkan bantuan dari
masyarakat internasional.(Gunn, 2013)
Selain itu bencana adalah peristiwa atau rangkaian peristiwa yang
mengancam dan mengganggu kehidupan dan penghidupan masyarakat yang
disebabkan, baik oleh faktor alam dan/atau faktor nonalam maupun faktor
manusia sehingga mengakibatkan timbulnya korban jiwa manusia, kerusakan
lingkungan, kerugian harta benda, dan dampak psikologis (“Undang-Undang
Nomor 24 Tahun 2007 Tentang Penanggulangan Bencana,” 2007).
Kejadian bencana di Indonesia mengalami tren kenaikan tiap tahunnya,
pada umumnya bencana yang terjadi di Indonesia meliputi banjir, puting beliung,
tanah longsor, kekeringan, kebakaran hutan dan lahan, gelombang pasang,
letusan gunung merapi, gempa bumi, serta tsunami. Kejadian bencana yang
terjadi menimbulkan beban dan dampak yang serius sehingga membutuhkan
bantuan dari semua pihak. Pada tahun 2020, berdasarkan Update BNPB per 3
September 2020, sebanyak 1.944 kejadian bencana dengan korban jiwa 272
meninggal dunia, 422 luka-luka, 3.871.567 terdampak dan mengungsi, kejadian
tersebut juga menimbulkan kerusakan rumah dengan laporan 6.440 rusak berat,
4.505 rusak sedang, dan 19.019 rusak ringan di samping itu terjadi juga
kerusakan fasilitas umum dengan rincian kerusakan fasilitas kesehatan 125,
fasilitas peribadatan 637 dan 555 kerusakan fasilitas pendidikan. Dan bencana
banjir menjadi bencana yang intensitas kejadiannya sangat tinggi di Indonesia
pada tahun 2020, yaitu sebanyak 730 kejadian (http://bnpb.go.id/infografis).
Beberapa tahun terakhir ini bukan hanya di Indonesia bencana banjir
menjadi perhatian tetapi di seluruh dunia. Setiap daerah berpenduduk yang
biasanya berada di daerah tropis rawan banjir yang dianggap sebagai salah satu
bencana alam yang berbahaya. Hujan deras meningkatkan akumulasi air di
daerah aliran air yang meluap melebihi batas normalnya disebut sebagai banjir.
Adanya konsensus bahwa perubahan iklim akan berdampak pada curah hujan
yang lebih ekstrim, serta ekspansi perkotaan yang cepat secara signifikan
mengurangi daerah resapan air sehingga dapat menyebabkan banjir. Selain itu,
sistem jaringan drainase yang ada di sebagian besar kota sudah ketinggalan
zaman dan urbanisasi yang cepat secara signifikan telah melampaui
pembangunan infrastruktur perkotaan, sehingga membuat kota lebih rentan
terhadap banjir. Faktor gabungan ini menghasilkan peningkatan frekuensi dan
tingkat keparahan banjir bandang perkotaan. (Yang et al., 2020)
Salah satu upaya untuk mengurangi risiko bencana banjir adalah dengan
melakukan mitigasi. Perencanaan dan pengelolaan mitigasi banjir membutuhkan
pengetahuan tentang penggunaan lahan serta identifikasi dan pemetaan yang
akurat di daerah rawan banjir. Estimasi kritis dan tepat waktu untuk memantau
area yang tergenang selama banjir dapat memainkan peran penting dalam
respons yang efektif dan cepat untuk penilaian risiko. Ini juga memberikan

Penginderaan Jauh Untuk Mitigasi Bencana | 1

informasi berharga bagi pembuat kebijakan sekaligus pembuat keputusan untuk
pengelolaan berkelanjutan dan kesiapan di masa depan. Pembuatan peta rawan
banjir yang akurat diperlukan untuk melihat daerah yang rawan terkena bencana.
(Tiwari et al., 2020)
Berdasarkan hal tersebut maka penting untuk diketahui bagaimana sistem
penginderaan jauh dapat membantu dalam mitigasi bencana banjir dari beberapa
penelitian denga melalakukan analisis melalui review jurnal. Jurnal yang
digunakan dalam review didapatkan melalui database penyedia jurnal
International Proquest dengan membuka website www.search.proquest.com.
Untuk mendapat jurnal sesuai yang diinginkan ditulis kata kunci “remote sensing
for disaster mitigation flood”, dan dipilih full tekx, kemudian dipersempit dengan
batasan scolarly journals, serta untuk mendapatkan jurnal yang up to date maka
jurnal dipersempit dalam kurun waktu 5 tahun terakhir dan diurutkan dari yang
terbaru.

1.2. Bahan Pemabahasan

Review jurnal ini akan dibagi dalam tiga bagian, yakni membahas:
a. penginderaan jauh
b. teknik-teknik penginderaan jauh dalam mitigasi bencana banjir
c. akurasi penginderaan jauh untuk mitigasi bencana banjir
 II. PEMBAHASAN

2.1. Penginderaan Jauh

Menurut Lillesand dan Kiefer(1979), Penginderaan jauh adalah ilmu dan seni
untuk memperoleh infomasi tentang obyek, daerah, atau gejala dengan jalan
menganalisa data yang diperoleh dengan menggunakan alat tanpa kontak
langsung terhadap obyek, daerah, atau gejala yang dikaji.(Ningsih & Setyadi,
2003).
Data penginderaan jauh dapat meningkatkan kumpulan data yang tersedia
dan membantu mengkompensasi kekurangan sumber data lain yang tersedia,
misalnya kurang informasi referensi waktu dalam peta kadaster digital. Teknik
penginderaan jauh terdiri dari berbagai sensor dengan resolusi spasial dan
temporal yang berbeda serta properti spektrum. Meskipun metode untuk deteksi
bangunan berdasarkan citra udara saja sudah ada, deteksi bangunan seringkali
didasarkan pada kombinasi kumpulan data penginderaan jauh yang berbeda,
seperti kombinasi citra optik resolusi tinggi dan laser, memindai data (Brenner et
al., 2016)
Namun, Citra satelit penginderaan jauh di permukaan bumi dibatasi oleh
waktu kunjungan kembali satelit dengan konfigurasi radar monostatis (satelit
tunggal), serta ketidakmampuan optic penginderaan jauh untuk tutupan awan
yang biasanya muncul saat badai menghantam daratan(Rahman et al., 2019;
Rajabi et al., 2020). Sehingga memerlukan input observasi dengan resolusi yang
cukup tinggi untuk membuat perkiraan (Hultquist & Cervone, 2020).

2.2. Metode atau pendekatan penginderaan jauh untuk penentuan daerah

bencana banjir
Bencana banjir merupakan salah satu bencana yang dapat menyebabkan
kerugian material dan bahkan menyebabkan korban jiwa, serta gangguan social
yang dapat menghambat kemajuan ekonomi. Selain itu banjir juga dapat
memberi efek pada kualitas hidup yang dapat mempengaruhi tatanan sosial
masyarakat. Sehingga upaya untuk melakukan tindakan penanggulangan
bencana banjir perlu ditingkatkan bukan hanya melalui tindakan responsif saat
bencana terjadi melainkan juga melalui kesiapsiagaan dan pencegahan. Salah
satu tindakan yang dapat membantu penanggulangan bencana banjir adalah
dengan melakukan pemetaan daerah rawan banjir.
Dalam penentuan daerah rawan bencana banjir dapat melalui system
informasi geografis(GIS) dan teknologi penginderaan jauh. Menurut Tennakoon
(2004), GIS meningkatkan kemungkinan visualisasi dan presentasi karena
kemampuannya mengekspor file keluaran model ke dalam raster dan perlu
digunakan secara kolektif dengan teknik hidrolik untuk memperkirakan profil
banjir dengan interval pengulangan tertentu. Di sisi lain, menurut Schumann
(2015) penginderaan jauh menyediakan data topografi dataran banjir untuk
menambah jumlah dan jenis informasi yang tersedia untuk pengelolaan banjir
yang efektif. Model elevasi digital (DEM), data penginderaan jauh merupakan
salah satu input data terpenting dalam pemodelan banjir karena menentukan
informasi topografi suatu wilayah sungai dan / atau DAS. Penentuan zona rawan
banjir menggunakan pendekatan penginderaan jauh seperti yang dilakukan
dalam meneliti wilayah banjir di Kalilangan, Bukidnon, Filipina. (Alivio et al., 2019)
melalui penerapan model hidrodinamik 2D dapat dilihat sebagai berikut:
 Gambar 1: Penerapan Model Hirdodinamik 2D, di Kalilangan, Filipina

Selain itu metode penginderaan jauh lain juga dapat dilihat pada Jurnal
On the Use of Global Flood Forecasts and Satellite-Derived Inundation Maps for
Flood Monitoring in Data-Sparse Regions (Revilla-Romero et al., 2015), dimana
kasus untuk melihat luasan banjir maksimum menggunakan perbandingan GFDS
dan Peta Banjir MODIS dengan kasus banjir yang ditampilkan adalah Nigeria
(2012), China (2012), Pakitasn (2013) dan Bolivia (2014), Adapun peta
perbandingannya sebagai berikut:
 Gambar 2: Perbandingan GFDS dan Peta Banjir MODIS

Sedangkan untuk perbandingan GFDS dan GioFAS juga diperlihatkan

pada jurnal tersebut dengan melihat durasi banjir, Seri waktu indicator banjir,
awal dan evolusi peristiwa banjir. Adapun peta perbandingan GIoFAS dan GFDS
adalah sebagai berikut:

Gambar 3: Perbandingan GIoFAS dan GFDS

Pendekatan Penginderaan jauh lainnya untuk mitigasi banjir juga

diperlihatkan pada Jurnal Towards periodic and time-referenced flood risk
assessment using airborne remote sensing (Brenner et al., 2016), melalui
analisis orthophotos yang diambil pada tahun 2001, 2006, dan 2010 di Perg dan
Kremsmunster. Adapun peta yang dihasilkan sebagai berikut:
Kremsmunster Perg

Gambar 4: Peta Analisis Orthophotos di Perg dan Kremesmunster

Produk penginderaan jauh juga dapat digunakan sebagai pembanding

melihat kedalaman banjir, seperti pada Jurnal Integration of Crowdsourced
Images, USGS Networks, Remote Sensing, and a Model to Assess Flood Depth
during Hurricane Florence (Hultquist & Cervone, 2020), dimana pada jurnal ini
dilakukan perbandingan sumber data crowdsourced, pengamatan pemerintah
berbasis darat, model hidrodinamik, dan produk penginderaan jauh. Dan
diperoleh lah gambar peta sebagai berikut:

Gambar 5: Perbandingan kedalaman banjir model Crowdsource, USGS, RIFT di New Bern, NC
 Gambar 6: Perbandingan Kedalaan Banjir di Boiling Spring Lakes, SC.

2.3. Akurasi dan Validasi Metode atau pendekatan penginderaan jauh untuk
mitigasi bencana
Penilaian akurasi metode pengideraan jauh dapat dilihat pada jurnal Flood
inundation mapping-Kerala 2018, Harnessing the power of SAR, automatic
threshold detection method and Google Earth Engine (Tiwari et al., 2020) pada
jurnal ini diperlihatkan akurasi keseluruhan untuk peta genangan banjir Sentinel-
1 SAR pada tanggal 9 dan 21 Agustus 2018 diamati sebesar 94,3% dan 94,1%
masing-masing. Wilayah terendam (wilayah di bawah air) mengklasifikasikan
banjir yang signifikan dibandingkan dengan non-banjir (Januari 2018) dan musim
yang sama tahun sebelumnya (Agustus 2015-2017) mengklasifikasikan output.
Validasi metode Penginderaan jauh bisa juga dilihat jurnal Ensemble
machine-learning-based geospatial approach for flood risk assessment using
multi-sensor remote-sensing data and GIS (Mojaddadi et al., 2017), dengan
lokasi penelitian Sungai Damansara, Malaysia. Kurva tingkat keberhasilan dan
tingkat prediksi dievaluasi. Kurva tingkat keberhasilan dan tingkat prediksi dibuat
menggunakan kumpulan data pelatihan banjir (70%) dan validation data set
(30%). Hasilnya adalah 89,7% dan 78,9% untuk tingkat keberhasilan dan
prediksi masing-masing. Adapun gambar kurvanya sebagai berikut:

Gambar 7: Kurva tingkat keberhasilan dan tingkat prediksi

 Selanjutnya, kunjungan lapangan dilakukan untuk memverifikasi hasil yang
diperoleh dengan gambar sebagai berikut:

Gambar 8: Validasi Lapangan di Sungai Damansara,

Malaysia

Namun, kesulitan untuk mengevaluasi akurasi pemantauan penginderaan

jauh untuk bencana banjir dapat dirasakan, hal ini disebabkan karena resolusi
temporal dan spasial dari pengamatan berubah, informasi bencana banjir yang
diperoleh juga berubah pada skala temporal dan spasial. Keakuratan informasi
bencana banjir mengalami ketidaksesuaian skala yang parah antara sumber
data, metode yang digunakan, dan luasnya pemantauan. Dalam pada jurnal
Accuracy evaluation of flood monitoring based on multiscale remote sensing for
different landscapes (C. Yuan et al., 2019), akurasi ekstraksi air dan resolusi
spasial yang dipilih dari data penginderaan jauh untuk pemantauan banjir
regional multiscale di Cina. Dan diperoleh kesimpulan bahwa:
a. Akurasi regional dari pengambilan air banjir menurun dengan resolusi
spasial ketika luasan spasial tidak berubah. Kesalahan area pengambilan
air meningkat, dan beberapa area kecil air terabaikan. Sebaliknya,
akurasi wilayah rata-rata badan air banjir secara bertahap meningkat
seiring dengan luasan spasial ketika resolusi spasial ditetapkan.
b. PW berdampak signifikan pada akurasi pengambilan air regional. Akurasi
wilayah rata-rata umumnya meningkat dengan PW untuk rentang dan
resolusi spasial yang berbeda.
c. Pola lanskap badan air berdampak signifikan terhadap akurasi ekstraksi
air banjir regional. Ada korelasi positif yang kuat antara kesalahan
ekstraksi air dan kompleksitas bentuk patch (yaitu PARA, NLSI) dan
korelasi negatif yang kuat dengan agregasi patch (yaitu PLADJ,
CLUMPY), konektivitas patch (yaitu COHESION), dan PW.
d. Untuk memantau badan air banjir di delapan wilayah studi, data citra
dengan resolusi spasial yang berbeda harus dipilih sesuai dengan
perbedaan pola lanskap air (misalnya PW dan kompleksitas bentuk
patch) untuk akurasi ekstraksi badan air tertentu. Misalnya, jika akurasi
ekstraksi badan air regional tidak kurang dari 80%, resolusi citra spasial
minimal 56m untuk wilayah studi A dan C, 200m untuk wilayah studi B
dan G, 248m untuk wilayah studi D dan F, 120m untuk area studi E, dan
40m untuk area studi H.
Tabel 1: Keakuratan regional pengambilan air dengan proporsi badan air, indeks
pola lanskap, dan gambar resolusi spasial yang berbeda.
2.4. Tabel Jurnal
Ada beberapa jurnal yang terkait dengan penginderaan jauh untuk bencana banjir, seperti yang tertera pada table berikut:
Tabel 2: Tabel Jurnal Penelitian

No Penulis Judul Tujuan Metode Hasil

1 Varun Tiwari, Flood inundation Peta genangan banjir dapat Sentinel-1 Data Synthetic Hasilnya dinilai dengan (i) menghitung
Vinay Kumar, Mir mapping- Kerala memberikan informasi Aperture RADAR (SAR) kebingungan matriks; (ii)
Abdul Matin, 2018; Harnessing berharga terhadap dan metode Otsu membandingkan wilayah air terendam
Amrit Thapa, the power of kesiapsiagaan risiko banjir, digunakan untuk banjir (Agustus 2018), tidak tergenang
Walter Lee SAR, automatic manajemen, komunikasi, memetakan genangan (Jan 2018) dan musim banjir tahun
Ellenburg, threshold tanggap, dan mitigasi pada banjir daerah. Google Earth sebelumnya (Agustus 2016, Agustus
Nishikant Gupta, detection method saat bencana, dan dapat Engine (GEE) digunakan 2017), dan (iii) analisis historis pola
Sunil Thapa. and Google Earth dikembangkan dengan untk mengimplementasikan curah hujan untuk memahami peristiwa
(2020) Engine (Tiwari et memanfaatkan kekuatan algoritma dan pemrosesan banjir. Akurasi keseluruhan untuk
al., 2020) citra satelit. Otsu Sentinel — 1 data Sentinel-1 Peta genangan banjir SAR
SAR. tanggal 9 dan 21 Agustus 2018 teramati
sebesar 94,3% dan 94,1% masing-
masing. Wilayah terendam (wilayah di
bawah air) tergolong banjir yang
signifikan dibandingkan dengan musim
non-banjir (Januari 2018) dan tahun
sebelumnya yang sama (Agustus
2015–2017) keluaran rahasia.
Kesimpulannya, observasi dari data
SAR Sentinel-1 menggunakan
Algoritma Otsu di GEE dapat bertindak
sebagai alat yang ampuh untuk
memetakan daerah genangan banjir di
waktu bencana, dan meningkatkan
upaya yang ada untuk menyelamatkan
nyawa dan mata pencaharian
masyarakat, dan menjaga infrastruktur
dan bisnis.

Penginderaan Jauh Untuk Mitigasi Bencana | 10

No Penulis Judul Tujuan Metode Hasil
2 Beatriz Revilla- On the Use of Tujuan utama adalah untuk Dalam penelitian ini kami Hasil penelitian menunjukkan bahwa:
Romero, Feyera Global Flood menyelidiki keterampilan melakukan perbandingan (1) kesepakatan umum ditemukan
A. Hirpa, Jutta Forecasts and sistem deteksi dan evaluasi dari beberapa antara GFDS dan sistem deteksi banjir
Thielen-del Pozo, Satellite-Derived prakiraan dalam peramalan banjir global MODIS, (2) perbedaan besar ada di
Peter Salamon, Inundation Maps mengkarakterisasi kejadian operasional dan sistem karakteristik spatio-temporal dari
Robert for Flood banjir dengan benar deteksi banjir, deteksi GFDS dan prakiraan GloFAS,
Brakenridge, Monitoring in (dalam hal luasnya, lokasi, menggunakan 10 kejadian dan (3) validasi kuantitatif bencana
Florian Data-Sparse dan durasinya). Secara banjir besar yang tercatat banjir global di wilayah dengan data
Pappenberger Regions (Revilla- khusus, bertujuan untuk selama 2012-2014. Secara terbatas sangat menantang. Secara
and Tom De Romero et al., mengevaluasi kegunaan khusus, mengevaluasi keseluruhan, penginderaan jauh satelit
Groeve (2015) 2015) sistem deteksi dan spasial luas dan memberikan informasi banjir hampir
prakiraan skala global karakteristik temporal dari seketika yang berguna berguna untuk
untuk pemantauan banjir deteksi banjir dari Global manajemen resiko. Kami menyoroti
operasional, dan Flood Detection Sistem keterbatasan yang diketahui dari
menjelaskan batasan dari (GFDS) dan Sistem deteksi banjir global dan sistem
setiap sistem Kesadaran Banjir Global peramalan, dan mengusulkan cara ke
(GloFAS). Selanjutnya depan untuk meningkatkan keandalan
membandingkan peta banjir dalam skala besar alat pemantauan
GFDS dengan yang dari banjir.
dua Pencitraan Resolusi
Sedang NASA Sensor
Spectroradiometer
(MODIS).
3 Bos Debusscher, A Visualization untuk menghasilkan peta Pemodelan kontur aktif Peta variasi global yang dihasilkan
Lisa Landuyt and Tool for Flood banjir terpadu, tidak (ACM); dan penerapan tiled mengevaluasi banjir, tidak hanya dalam
Frieke Van Coillie Dynamics terbatas hanya pada thresholding menggunakan hal luas dan durasi, tetapi juga dalam
(2020) Monitoring tingkat banjir, tetapi juga algoritma Otsu hal variasi spasi-temporal. Oleh karena
Using a Graph- memasukkan wawasan itu, wawasan tentang dinamika banjir ini
Based Approach. tentang dinamika. dapat berfungsi dalam kerangka kerja
(Debusscher et operasional beberapa aplikasi.
al., 2020) Misalnya, metode ini dapat
menunjukkan lokasi keluar yang
No Penulis Judul Tujuan Metode Hasil
dipantau untuk memperbaiki model
hidrolik (dalam konteks asimilasi data)
atau lokasi yang membutuhkan
pemulihan kerusakan (dalam konteks
penanggulangan bencana). Selain itu,
kerangka kerjanya cepat, efektif, dan
sederhana. Dengan menggunakan 2
contoh kasus banjir, peningkatan lebih
lanjut diharapkan berjalan lancar.
Waktu komputasi meningkat dengan
jumlah entitas, bukan dengan
peningkatan luas. Karena metode ini
dapat diterapkan secara umum, metode
ini dapat diterapkan pada berbagai jenis
fenomena (alam) (misalnya, salju,
vegetasi). Penelitian di masa depan
akan mencakup peningkatan lebih
lanjut ke skala negara / benua, analisis
rentang waktu yang lebih lama, dan
penyertaan berbagai sensor dan
platform (misalnya, Sentinel-2).
4 Claire Brenner, Towards periodic untuk menilai pengdiuji di dilakukan pada Hasil studi kasus yang disajikan dalam
Claude Meisch, and time- mengintegrasikan data dua kotamadya di Austria makalah ini menunjukkan bahwa
Benjamin Apperl, referenced flood penginderaan jauh ke Hulu yang potensi orthophotos paling berguna di mana
Karsten Schulz risk assessment dalam analisis risiko banjir kerusakannya dinilai sumber data lain, seperti peta kadaster
(2016) using airborne dan penilaian potensi berdasarkan informasi yang digital, tidak lengkap. Dalam situasi
remote sensing. kerusakan. diperoleh dari analisis seperti itu, orthophotos menyebabkan
(Brenner et al., orthophotos peningkatan signifikan dalam perkiraan
2016) potensi kerusakan. Analisis ortofoto
memungkinkan potensi kerusakan
untuk dinilai kembali secara berkala,
keuntungan besar lainnya dibandingkan
No Penulis Judul Tujuan Metode Hasil
peta kadaster digital. Analisis ortofoto
mendukung evaluasi opsi manajemen
risiko banjir.
5 Eduardo R. Multi-Index Image untuk mengekstrak menyajikan metode Multi Hasil dari aplikasi MINDED pada studi
Oliveira, Di erencing permukaan air yang terkait INDEx Differencing kasus menggunakan citra Landsat
Leonardo Method dengan peristiwa ekstrem (MINDED) paling umum dibandingkan dengan metode deteksi
Disperati , Luca (MINDED) seperti banjir. frekuensi perubahan alternatif menggunakan data
Cenci , Luísa for Flood Extent indeks terkait air. Sentinel-1A, dan menunjukkan
Gomes Pereira Estimations konsistensi dengan catatan banjir fluvial
and Fátima L. (Oliveira et al., lokal.
Alves (2019) 2019)
6 Fei Yuan , Limin Applications of Tropical Rainfall Measuring mengevaluasi enam SPP Penilaian statistik pada skala grid dan
Zhang, Khin Min TRMM- and Mission (TRMM) dan era GPM terbaru: basin menunjukkan bahwa 3B42RT
Wun Soe, Liliang GPM-Era penggantinya, Global Pengambilan Multi-satelit secara umum menyajikan kualitas yang
Ren, Chongxu Multiple- Precipitation Pengukuran Terintegrasi untuk GPM lebih tinggi, diikuti oleh IMERG-F dan
Zhao, Yonghua Satellite (GPM), telah menyediakan (IMERG) "Early", "Late", 3B42V7. IMERG-E, IMERG-L, GSMaP-
Zhu, Shanhu Precipitation ahli hidrologi dengan dan "Final" run SPPs NRT, GSMaP-MVK, dan GSMaP-
Jiang and Yi Liu Products for sumber data curah hujan (IMERG-E, IMERG-L, dan GAUGE sebagian besar meremehkan
(2018) Flood Simulations yang penting untuk aplikasi IMERG-F, masing-masing ), curah hujan total, dan tiga GSMaP SPP
at Sub-Daily hidrologi di cekungan dan Global Satellite memiliki akurasi terendah. Mengingat
Scales in a dengan ukuran jarang atau Mapping of Precipitation bahwa 3B42RT menunjukkan kualitas
Sparsely Gauged tidak berugasi. Studi ini (GSMaP) near-real-time terbaik di antara yang dievaluasi empat
Watershed in mengusulkan kerangka (GSMaP-NRT), versi SPP yang hampir real-time, 3B42RT
Myanmar (F. kerja untuk penilaian standar (GSMaP-MVK), dan memperoleh kinerja hidrologi yang
Yuan et al., 2019) statistik dan hidrologi versi standar dengan SPP memuaskan dalam banjir 3 jam
berbasis satelit era TRMM penyesuaian pengukur simulasi, dengan koefisien efisiensi
dan GPM produk (GSMaP-GAUGE), dan dua model Nash – Sutcliffe (NSE) 0,868,
presipitasi (SPP) dalam TRMM Multi-satelit Analisis dan sebanding dengan data curah
versi waktu dekat dan Curah Hujan SPPs hujan berbasis alat pengukur hujan
pasca-waktu nyata pada (3B42RT dan 3B42V7). (NSE = 0.895). Dalam hal SPP pasca-
waktu sub-harian sisik di waktu-nyata, IMERG-F dan 3B42V7
daerah aliran sungai yang menunjukkan utilitas hidrologi yang
No Penulis Judul Tujuan Metode Hasil
diukur dengan buruk di dapat diterima, dan IMERG-F (NSE =
Myanmar. 0,840) sedikit mengungguli 3B42V7
(NSE = 0.828). Studi ini menemukan
bahwa IMERG-F menunjukkan
perbandingan atau bahkan sedikit
akurasi yang lebih baik dalam evaluasi
statistik dan hidrologi dibandingkan
dengan pendahulunya, 3B42V7,
menunjukkan bahwa IMERG-F era
GPM adalah pengganti yang andal
untuk era TRMM 3B42V7 di wilayah
studi. Komunitas ilmiah GPM masih
perlu lebih menyempurnakan algoritme
pengambilan curah hujan dan
meningkatkan akurasi SPP, terutama
SPP IMERG-E, IMERG-L, dan GSMaP,
karena cekungan yang tidak tertahan
sangat membutuhkan data curah hujan
yang akurat dan tepat waktu untuk
pengendalian banjir dan mitigasi
bencana.
7 H.T. Abdel Environmental untuk menilai risiko banjir teknik penginderaan jauh Berdasarkan DEM (SRTM), kemiringan,
Hamid, W. sensitivity of flash bandang di Khartoum, dan GIS tlah diintegrasikan kekasaran permukaan, akumulasi
Wenlong, dan L. flood hazard Sudan dengan menggunakan aliran, indeks kekuatan aliran, indeks
Qiaomin (2020) using geospatial metode indeks spasial yang kebasahan topografi dan kelengkungan
techniques(Abdel disebut metode AHP topografi; lima kelas bahaya banjir
Hamid et al., dengan memeringkat faktor- diterapkan. Hasil penelitian
2020) faktor tersebut sesuai menunjukkan bahwa 75.56176 Km2 (
dengan kepentingannya 12.26%) daerah tergenang tergolong
untuk mengevaluasi risiko tidak rawan banjir, 156.1465 Km2 (
yang berlebihan & 25,33%) tergolong rawan banjir rendah,
kerentanan kritis 169,8991 Km2 (27.56%) tergolong
No Penulis Judul Tujuan Metode Hasil
banjir, 141.4005 Km2 ( 22.94%)
tergolong sangat rawan banjir dan
73.50499 Km2 (cukup rentan terhadap
11,92%) tergolong sangat rentan
terhadap banjir. Mayoritas kerentanan
tinggi terhadap banjir terkonsentrasi di
bagian utara wilayah studi di mana
padang rumput menempati area ini.
Banjir Bandang dapat berdampak
negatif pada lingkungan yang
menyebabkan lebih banyak kerusakan
pada tutupan vegetasi dan lahan
konstruksi yang kehilangan hasil panen
tahunan di wilayah ini. Terakhir,
kerusakan akibat banjir bandang di
Sudan dapat mencapai kesehatan
manusia yang menyebabkan beberapa
penyakit seperti malaria dan lainnya.
Penginderaan jauh dan GIS adalah
teknik yang akurat dan berbiaya rendah
untuk estimasi bahaya banjir yang
akurat. Oleh karena itu, penelitian ini
menunjukkan model sensitivitas banjir
yang dapat digunakan sebagai alat
penting bagi para insinyur, instansi
pemerintah dan peneliti
8 M.B.T. Alivio; Flood hazard Untuk melihat Simulasi banjir dilakukan Hasil penelitian ini menunjukkan
G.R. Puno; zones using 2d kesiapsiagaan menghadapi dalam model hidrodinamika pemetaan daerah rawan banjir kedalam
B.A.M. Talisay hydrodynamic bencana melalui dua dimensi dengan 3 zona yaitu zona dengan kerawanan
(2018) modeling and peningkatan pemahaman menggunakan sistem rendah, sedang, dan tinggi. Dimana
remote sensing dan kesadaran masyarakat analisis sungai pusat teknik sebagaian besar wilayah Kalilingan
approaches(Alivio tentang karakteristik banjir hidrologi untuk mengetahui berada dalam zona bangunan
No Penulis Judul Tujuan Metode Hasil
et al., 2019) dengan mengintegrasikan daerah genangan banjir dan terbangun. Daerah zona bahaya banjir
penggunaan pemodelan kedalaman banjir. yang paling banyak tergenang sebesar
hidrodinamik dua dimensi 79,51%. Sehingga dengan Identifikasi
dan penginderaan jauh. zona rawan banjir memberi kesadaran
masyarakat dan satuan kerja perangkat
daerah Kalilingan, Bukidnon dalam
memahami karakteristik banjir serta
kesiasiagaan bencana. Zonasi rawan
banjir memainkan peran penting dalam
memutakhirkan rencana penggunaan
lahan yang komprehensif di kotamadya
Kalilangan, Bukidnon, sebagai
pedoman untuk setiap pengembangan
dan pembangunan prasarana di
kawasan dalam zona bahaya yang
harus dilihat dengan perhatian khusus
dan maksimal. pentingnya. Oleh karena
itu, kombinasi strategi pencegahan
banjir non-struktural dan struktural
harus diadopsi di barangay yang
teridentifikasi di mana tingkat bahaya
yang tinggi menonjol, dengan
kepadatan penduduk dan
pembangunan yang tinggi. Ini bisa
menjadi kemajuan yang mendasari
tindakan dan perencanaan strategis
untuk kesiapsiagaan bencana,
pengurangan dan pencegahan melalui
penggabungan zona overlay banjir
pada rencana penggunaan lahan,
menetapkan prosedur yang diperlukan
untuk komunikasi operasional dan
tanggap bencana serta informasi dan
No Penulis Judul Tujuan Metode Hasil
peringatan public. Dengan demikian,
pemanfaatan pendekatan potensial ini
dapat mengatur jalur evakuasi dan
lokasi yang aman selama kondisi banjir
untuk pengendalian banjir,
pengurangan dan pencegahan bencana
mengingat sudah ada tindakan yang
tepat untuk mewujudkannya.
9 Hossein Ensemble Untuk mengetahui tingkat Tingkat risiko Hasil penelitian ini adalah peta tingkat
Mojaddadia, machine- risiko banjir di suatu direpresentasikan melalui risiko banjir diproduksi berdasarkan
Biswajeet learning-based wilayah studi (Malaysia) bahaya, kerentanan, dan indeks bahaya dan kerentanan.
Pradhan a,b, geospatial yang dipengaruh oleh Kapasitas. Peta bahaya Akibatnya, metode ensembel FR dan
Haleh Nampaka, approach for banjir tahunan, menggunakan metode SVM bisa efektif dan efisien digunakan
Noordin Ahmada flood risk spasial dengan GIS dalam studi bahaya banjir karena
dan Abdul Halim assessment menggunakan kombinasi strukturnya yang sederhana dan kinerja
bin Ghazalia using multi- peta probabilitas dari model yang kuat. Selain itu, model FR adalah
(2017) sensor remote- ensemble (FR dan SVM) pendekatan yang sangat baik untuk
sensing data and dan curah hujan. menentukan peringkat kelas parameter
GIS (Mojaddadi pengkondisian yang berbeda. Oleh
et al., 2017) karena itu, setiap peta indeks yang
diperoleh dari studi ini dapat
bermanfaat bagi para perencana dan
pengambil keputusan pengelolaan dan
perencanaan yang baik di wilayah studi.
10 Carolynne Integration of untuk membandingkan dan Motode yang digunakan Hasil penelitian ini adalah perbandingan
Hultquist dan Crowdsourced mengintegrasikan empat dalam mengintegrasikan data kontribusi dengan jaringan sensor
Guido Cervone Images, USGS sumber data untuk kedalaman banjir berasal tradisional, model, dan produk
(2020) Networks, memberikan penilaian dari gambar crowdsourced penginderaan jauh untuk mempelajari
Remote Sensing, kedalaman banjir dengan jaringan observasi banjir di Carolina yang disebabkan oleh
and a Model to berbasis darat US Badai Florence. Meskipun modelnya
Assess Flood Geological Survey (USGS), luas, mereka bergantung pada
Depth during produk penginderaan jauh, pengamatan yang akurat untuk
No Penulis Judul Tujuan Metode Hasil
Hurricane dan model selama Badai memprediksi di mana kemungkinan
Florence Florence banjir. Sayangnya, jaringan sensor
(Hultquist & tradisional dapat terganggu selama
Cervone, 2020) bencana atau tidak menyediakan data
waktu nyata. Deteksi banjir
menggunakan citra satelit sangat sulit
dilakukan di daerah perkotaan dan
vegetasi. Oleh karena itu, data
crowdsourced dapat memberikan
pengamatan yang berharga tentang
kedalaman, terutama di daerah
perkotaan, untuk meningkatkan metode
tradisional pendeteksian banjir dan
karakterisasi. crowdsourcing
ditempatkan secara unik untuk
mendidik masyarakat tentang
kerusakan lingkungan, dan jaringan ini
dapat meningkatkan ketahanan
masyarakat. Ketika penduduk lebih aktif
selama bencana, mereka menghasilkan
data yang dapat ditindaklanjuti.
Kerumunan menjadi aset penting untuk
membantu masyarakat pulih lebih cepat
dari kerusakan lingkungan
11 Ke Zhang, iCRESTRIGRS: untuk mengembangkan Dalam studi ini, Studi ini menyajikan sistem model baru
Xianwu Xue, A Coupled sistem model prakiraan mengembangkan sistem yang digabungkan, yang
Yang Hong, modeling system banjir-longsor gabungan pemodelan terintegrasi di mengintegrasikan model hidrologi
Jonathan for cascading yang dapat dipaksakan mana model hidrologi terdistribusi CREST dengan model
J.Gourley, Ning flood–landslide oleh sistem estimasi curah terdistribusi CREST longsor TRIGRS untuk peramalan banjir
Lu, Zhanming disaster hujan kuantitatif (QPE) digabungkan dengan model dan longsor. Didorong oleh keadaan
Wan, Zhen forecasting berbasis satelit atau radar prakiraan longsor TRIGRS; hidrologi dan fluks yang dimodelkan
Hong,dan Rick (Zhang et al., atau dapat dengan mudah oleh karena itu, sistem ini oleh CREST, iCRESTRIGRS meningkat
No Penulis Judul Tujuan Metode Hasil
Wooten (2016) 2016) dipaksakan dengan model disebut “integrated CREST- melebihi TRIGRS dengan menyediakan
prediksi cuaca numerik TRIGRS” atau kondisi awal yang lebih akurat seperti
atau model cuaca lainnya, iCRESTRIGRS. derajat kejenuhan tanah dan
kedalaman permukaan air. Lebih lanjut,
CREST mengkhususkan diri dalam
simulasi proses hidrologi dan fluks dan
dengan demikian dapat memberikan
fluks hidrologi yang lebih realistis
seperti infiltrasi untuk TRIGRS, yang
mengarah ke akurasi yang lebih baik
untuk prakiraan tanah longsor. Studi
kasus menunjukkan bahwa model
terintegrasi menunjukkan hasil yang
lebih baik daripada model TRIGRS
yang berdiri sendiri untuk peramalan
longsor.
12 Kittiphong Operational Flood Untuk menyajikan kerangka kerja untuk menghasilkan peta risiko banjir
Phongsapan, Risk Index pendekatan inovatif untuk memetakan bahaya banjir nasional, diringkas dalam skala kota
Farrukh Chishtie, Mapping for pemetaan risiko banjir secara spasial, untuk Myanmar, yang dapat membantu
Ate Poortinga, Disaster Risk dalam kerangka kerja keterpaparan dan dalam pemahaman yang lebih obyektif
Biplov Bhandari, Reduction Using pengurangan risiko kerentanan, dan untuk dan lengkap tentang pola banjir
Chinaporn Earth bencana, dengan menggabungkan data bersejarah, yang dapat
Meechaiya, Observation and memanfaatkan data tersebut ke dalam satu menginformasikan keputusan anggaran
Thannarot Cloud Computing terbuka dan teknologi indeks risiko banjir (FRI) tahunan tentang pra-alokasi persediaan
Kunlamai, Khun Technologies: A komputasi awan yang bantuan banjir sebelum setiap musim
San Aung, David Case Study on canggih di Myanmar. hujan. Lebih lanjut, karakterisasi baru
Saah, Eric Myanmar dari keseluruhan risiko banjir oleh kota
Anderson, Kel (Phongsapan et menunjukkan area kritis untuk
Markert, Amanda al., 2019) tambahan investasi pengurangan risiko
Markert dan bencana.
Peeranan
Towashiraporn
No Penulis Judul Tujuan Metode Hasil
(2019)
13 Md. Shahinoor Rapid Flood untuk pemantauan cepat Pemetaan Banjir dari Studi ini memetakan kemajuan banjir di
Rahman, Liping Progress kemajuan banjir melalui Kelembaban Tanah lahan pertanian dengan memasukkan
Di, Eugene Yu, Li Monitoring in informasi kejenuhan tanah Permukaan SMAP (Soil kelembapan tanah permukaan SMAP,
Lin, Chen Zhang Cropland with dan dataran banjir. Moisture Active Passive); sifat fisik tanah, dan informasi dataran
dan Junmei Tang NASA SMAP Kegunaan pemantauan dan Penyusunan Peta banjir nasional. Kelembaban tanah di
(2019) (Rahman et al., kemajuan banjir cepat akan Referensi Banjir dari Data atas porositas tanah efektif merupakan
2019) dievaluasi melalui Sentinel-1 indikasi langsung kejenuhan tanah.
beberapa studi kasus Kelembaban tanah juga meningkat
tentang banjir baru-baru ini pesat selama peristiwa banjir. Oleh
di AS. Temuan studi ini karena itu, pendekatan ini
akan membantu memperhitungkan tiga kondisi untuk
pemantauan kemajuan memetakan piksel yang terendam
banjir hampir secara real- banjir: minimal 0,05 m 3 m 3
time di lahan pertanian peningkatan kelembaban tanah dari
untuk mendukung estimasi kondisi sebelum banjir sampai pasca
kehilangan tanaman, banjir, kelembaban tanah diatas
pemantauan kondisi, dan porositas efektif tanah, dan
pembuatan kebijakan dipertahankannya kondisi saturasi
segera selama 72 jam berturut-turut. Hasil
menunjukkan bahwa peta yang
diturunkan dari SMAP berhasil
memetakan sebagian besar wilayah
yang tergenang air dalam peta referensi
di sebagian besar kasus, meskipun
dengan beberapa tingkat perkiraan
yang terlalu tinggi (karena resolusi
spasial yang kasar dari SMAP).
Akhirnya, lahan pertanian yang
tergenang diekstraksi dari daerah jenuh
oleh daerah Zona Bahaya Spasial
(SHFA) dari Badan Manajemen Darurat
No Penulis Judul Tujuan Metode Hasil
Federal (FEMA) dan lapisan data lahan
pertanian (CDL). Peta banjir yang
diambil dari data SMAP divalidasi
dengan negara-negara yang terkena
dampak yang dinyatakan FEMA serta
dengan peta banjir dari sumber lain.
14 Mahmoud Rajabi, Evaluation of untuk mendeteksi dan Pengamatan Penginderaan Evaluasi dilakukan dengan
Hossein CYGNSS memetakkan banjir di jauh dari Global Navigation menggunakan pengukuran GNSS-R
Nahavandchi dan Observations for bagian selatan Iran Satellite System- yang ditularkan melalui ruang angkasa
Mostafa Hoseini Flood Detection Reectometry (GNSS-R) di provinsi Sistan dan Baluchestan
(2020) and Mapping selama hujan deras pada Januari 2020.
during Sistan and Daerah ini memiliki risiko banjir yang
Baluchestan tinggi dalam beberapa tahun terakhir
Torrential Rain in dan perlu terus dipantau melalui
2020 (Rajabi et pengamatan tepat waktu. Dataset
al., 2020) utama diperoleh dari produk data level-
1 dari misi antariksa Cyclone Global
Navigation Satellite System (CYGNSS).
Misi tersebut terdiri dari konstelasi
delapan mikrosatelit dengan sensor
GNSS-R onboard untuk menerima
sinyal GNSS yang tersebar ke depan
dari laut dan darat. Penelitian pertama-
tama berfokus pada persiapan data dan
menghilangkan pencilan. Reflektifitas
permukaan kemudian dihitung
menggunakan rumus persamaan radar
bistatic. Daerah yang tergenang
kemudian dideteksi berdasarkan
analisis reflektifitas yang diperoleh.
Gambar dari Spektroradiometer
Pencitraan Resolusi Sedang (MODIS)
No Penulis Judul Tujuan Metode Hasil
digunakan untuk evaluasi hasil. Analisis
memperkirakan area genangan sekitar
19.644 km 2 ( termasuk depresi Jaz-
Murian) menjadi a ff dipengaruhi oleh
banjir di bagian selatan dan tengah
provinsi Sistan dan Baluchestan.
Meskipun misi utama CYGNSS adalah
mengukur kecepatan angin laut saat
badai dan siklon tropis, kami
menunjukkan kemampuan mendeteksi
banjir di wilayah studi. Sensitivitas
pengamatan GNSS-R yang ditularkan
ke luar angkasa, bersama dengan
waktu kunjungan kembali yang relatif
singkat, menyoroti potensi teknik ini
untuk digunakan dalam deteksi banjir.
Misi GNSS-R masa depan yang mampu
mengumpulkan sinyal pantulan dari
semua konstelasi multi-GNSS yang
akan tersedia bahkan informasi yang
lebih rinci dari banjir daerah yang
terkena dampak.
15 Nur Atirah Image Untuk menyajikani Segmentasi secara visual hasil percobaan, teknik hybrid
Muhadi, Ahmad Segmentation perbandingan teknik dan statistic (koefisien rata- memperoleh nilai tertinggi diantara
Fikri Abdullah, Siti Methods for segmentasi citra yang rata dadu & indeks jaccard) ketiga metode tersebut, menghasilkan
Khairunniza Bejo, Flood Monitoring digunakan dalam rata-rata skor dadu 97,70% dan indeks
Muhammad Razif System (Muhadi mengekstraksi informasi air Jaccard 95,51%. Oleh karena itu, kami
Mahadi dan Ana et al., 2020) dari citra digital. menyimpulkan bahwa teknik hibrida
Mijic (2020) merupakan metode segmentasi yang
lebih menjanjikan dibandingkan dengan
metode lain dalam mengekstraksi fitur
air dari citra digital.
No Penulis Judul Tujuan Metode Hasil
16 Perry C. Oddo The Value of untuk mendapatkan Mengukur nilai informasi Hasil menunjukkan potensi keuntungan
dan John D. Near real-Time pemahaman yang lebih (VOI) dan meninjau ekonomi yang signifikan (yaitu, jutaan
Bolten (2019) Earth baik tentang nilai observasi penerapannya pada data dolar) dari penerapan pengamatan
Observations for NRT berbasis satelit atau geospasial melalui Citra Bumi hampir secara real-time untuk
Improved Flood serupa dan mengukur MODIS dari NASA meningkatkan respons dan pengelolaan
Disaster sejauh mana observasi Land, Atmosphere Near bencana banjir. Waktu tanggap darurat
Response (Oddo tersebut berpotensi untuk real-time Capability for EOS dari kendaraan yang diarahkan
& Bolten, 2019) meningkatkan dan (LANCE) system. kemudian menggunakan data kerusakan banjir
mendukung manajemen mendeskripsikan desain dibandingkan dengan rute dasar tanpa
risiko bencana dan model menggunakan Banjir manfaat informasi sebelumnya tentang
keputusan respons. Asia Tenggara 2011 kondisi jalan. Hasil kami enggambarkan
sebagai contoh ilustratif. bagaimana penerapan pengamatan
Bumi hampir waktu nyata dapat
meningkatkan waktu respons dan
mengurangi potensi pertemuan dengan
bahaya banjir jika dibandingkan
dengan strategi perutean dasar. Hasil
menunjukkan potensi keuntungan
ekonomi yang signifikan (yaitu, jutaan
dolar) dari penerapan pengamatan
Bumi hampir secara real-time untuk
meningkatkan respons dan pengelolaan
bencana banjir. Waktu tanggap darurat
dari kendaraan yang diarahkan
menggunakan data kerusakan banjir
dibandingkan dengan rute dasar tanpa
manfaat informasi sebelumnya tentang
kondisi jalan. Hasil kami
menggambarkan bagaimana penerapan
pengamatan Bumi hampir waktu nyata
dapat meningkatkan waktu respons dan
mengurangi potensi pertemuan dengan
bahaya banjir
No Penulis Judul Tujuan Metode Hasil
17 Punit Kumar Framework for Untuk mengembangkan Model hidrodinamik dengan Hasilnya menunjukkan hubungan yang
Bhola, Jorge Offline Flood kerangka kerja yang efisien menggunakan peta memuaskan antara peta genangan
Leandro dan Inundation untuk prakiraan genangan genangan banjir yang diambil dari database yang
Markus Disse Forecasts for banjir yang memilih peta sudah direkam sebelumnya dan peta
Two-Dimensional genangan secara real-time online, yang diringkas menggunakan
Hydrodynamic dari database untuk peristiwa sejarah. Selain itu, hal ini
Models (Bhola et prakiraan banjir banjir memungkinkan sistem peringatan dini
al., 2018) yang efisien, berkat waktu yang cepat
dari pemilihan peta genangan yang
diusulkan. Kerangka ini divalidasi di
kota Kulmbach di Jerman.
18 Xi Zhai, Peng A Sensor Web untuk mendukung Desain dan Hasilnya menegaskan keefektifan dan
Yue, dan Mingda and Web Service- pemantauan bencana implementasi layanan Web kepraktisan pendekatan yang diusulkan
Zhang (2016) Based Approach hidrologi aktif dengan hidrologi untuk melakukan dalam kasus bencana hidrologi. Desain
for Active pendekatan berbasis Web berbagai tugas analisis dan implementasi layanan Web
Hydrological Sensor dan Layanan Web hidrologi di Web hidrologi untuk melakukan berbagai
Disaster menggunakan data tugas analisis hidrologi di Web
Monitoring (Zhai observasi sensor yang menggunakan data observasi sensor
et al., 2016) diperbarui secara dinamis yang diperbarui secara dinamis
disajikan disajikan. Contoh aplikasi diberikan
untuk mendemonstrasikan keuntungan
dari pendekatan yang diusulkan
dibandingkan dengan pendekatan
tradisional. Hasilnya menegaskan
keefektifan dan kepraktisan pendekatan
yang diusulkan dalam kasus bencana
hidrologi. Desain dan implementasi
layanan Web hidrologi untuk melakukan
berbagai tugas analisis hidrologi di Web
menggunakan data observasi sensor
yang diperbarui secara dinamis
disajikan. Sebuah contoh
No Penulis Judul Tujuan Metode Hasil
aplikasi diberikan untuk
mendemonstrasikan keuntungan dari
pendekatan yang diusulkan
dibandingkan dengan pendekatan
tradisional. Hasilnya menegaskan
keefektifan dan kepraktisan pendekatan
yang diusulkan dalam kasus bencana
hidrologi.
19 Yi Wang, A Hybrid GIS untuk mengevaluasi Teknik Gis, Metode IRN- Dalam penelitian ini, sebelas faktor
Haoyuan Hong, Multi-Criteria bahaya banjir, yang DEMENTAL-ANP, serta pengkondisian yang terkait dengan
Wei Chen, Decision-Making dibangun oleh kumpulan metode agregasi banjir dipertimbangkan dan lokasi banjir
Shaojun Li, Method for Flood laboratorium uji dan (kombinasi linier berbobot) historis secara acak dibagi menjadi set
Dragan Pamucar, Susceptibility evaluasi pengambilan pelatihan (70% dari total) dan validasi
Ljubomir Gigovic, Mapping at keputusan (DEMATEL), (30%). Peta kerentanan banjir
Siniša Drobnjak , Shangyou, China Proses jaringan analitik memvalidasi konsistensi yang
Dieu Tien Bui dan (Wang et al., (ANP) dan teknik bilangan memuaskan antara daerah yang rentan
Hexiang Duan 2019) kasar interval (IRN), serta terhadap banjir dan distribusi spasial
untuk menentukan koneksi dari kejadian banjir sebelumnya.
dalam struktur jaringan Keakuratan peta dievaluasi dengan
berdasarkan kriteria dan menggunakan ukuran objektif kurva
menerima ketidaktepatan karakteristik operasi penerima (ROC)
selama pengambilan dan area di bawah kurva (AUC). Nilai
keputusan kolektif dengan AUC metode yang diusulkan
penerapan IRN digabungkan dengan teknik fuzzy WLC
untuk agregasi dan indeks suseptibilitas
banjir masing-masing adalah 0,988 dan
0,964, yang membuktikan bahwa
metode fuzzy WLC lebih efektif untuk
FSM di wilayah studi. Usulan Metode ini
dapat membantu dalam memprediksi
lokasi kejadian banjir yang akurat
dengan lingkungan geografis yang
No Penulis Judul Tujuan Metode Hasil
serupa dan dapat digunakan secara
efektif untuk pengelolaan dan
pencegahan banjir.
20 Chao Yuana , Accuracy Untuk mengeksplorasi metode penskalaan dan Kesimpulan berikut diperoleh:
Futao Wanga, evaluation of bagaimana sumber data metode ekstraksi air - Akurasi regional dari ekstraksi air
Shixin Wanga flood monitoring penginderaan jauh yang banjir menurun dengan resolusi
dan Yi Zhoua based on sesuai dapat dipilih untuk spasial ketika luas spasial tidak
(2019) multiscale remote pemantauan banjir sesuai berubah. Kesalahan area
sensing for dengan batasan pola pengambilan air meningkat, dan
different lanskap yang berbeda dan beberapa area kecil air terabaikan.
landscapes(C. persyaratan akurasi Sebaliknya, akurasi wilayah rata-rata
Yuan et al., 2019) badan air banjir secara bertahap
meningkat seiring dengan luasan
spasial ketika resolusi spasial
ditetapkan.
- PW memiliki dampak yang signifikan
terhadap keakuratan pengambilan
air regional. Akurasi wilayah rata-
rata umumnya meningkat dengan
PW untuk rentang dan resolusi
spasial yang berbeda.
- Pola lanskap badan air memiliki
pengaruh yang signifikan terhadap
akurasi ekstraksi air banjir regional.
Ada korelasi positif yang kuat antara
kesalahan ekstraksi air dan
kompleksitas bentuk patch (yaitu
PARA, NLSI) dan korelasi negatif
yang kuat dengan agregasi patch
(yaitu PLADJ, CLUMPY),
konektivitas patch (yaitu
COHESION), dan PW.
No Penulis Judul Tujuan Metode Hasil
- Untuk memantau badan air banjir di
delapan wilayah studi, data citra
dengan resolusi spasial yang
berbeda harus dipilih sesuai dengan
perbedaan pola lanskap air (mis.
PW dan kompleksitas bentuk patch)
untuk akurasi ekstraksi badan air
tertentu. Misalnya, jika akurasi
ekstraksi badan air regional tidak
kurang dari 80%, resolusi citra
spasial minimal 56m untuk area
studi A dan C, 200m untuk area
studi B dan G, 248m untuk area
studi D dan F, 120m untuk area
studi E, dan 40m untuk area studi H.
 III. PENUTUP

3.1. Kesimpulan
Dari pemaparan beberapa penelitian yang direview, didapatkan bahwa
bencana banjir yang merupakan salah satu bencana yang dapat menyebabkan
kerugian material dan bahkan menyebabkan korban jiwa, serta gangguan sosial
yang dapat menghambat kemajuan ekonomi, serta memberi efek pada kualitas
hidup yang dapat mempengaruhi tatanan sosial masyarakat. Sehingga upaya
penanggulangan bencana bukan hanya melalui tindakan responsif saat bencana
terjadi melainkan juga melalui kesiapsiagaan dan pencegahan. Salah satu
tindakan yang dapat membantu penanggulangan bencana banjir adalah dengan
melakukan mitigasi bencana melalui pemetaan daerah rawan banjir.
Dalam penentuan daerah rawan bencana banjir dapat melalui system
informasi geografis(GIS) dan teknologi penginderaan jauh. Berbagai pemodelan
dilakukan untuk agar pemetaan daerah rawan banjir bisa lebih akurat, baik itu
melalui penerapan model hidrodinamik 2D; perbandingan GFDS dan Peta Banjir
MODIS; Perbandingan GFDS dan GioFAS; analisis orthophotos; Teknik Gis,
Metode IRN-DEMENTAL-ANP; serta beberapa pemodelan lainnya.

3.2. Saran
Dari hasil review jurnal, memberi gambaran bahwa dengan kemakuan
teknologi ini diharapkan membantu pengambil kebijakan dalam menentukan
Langkah-langkah prioritas dalam penanggulangan bencana khususnya bencana
banjir yang tiap tahunnya mengalami peningkatan.Dalam upaya penanggulangan
bencana tersebut disarankan perlu adanya upaya mitigasi melalui pemetaan
daerah risiko bencana banjir. Dan untuk memudahkan pemetaan tersebut
digunakan dengan system informasi geografis dan teknologi penginderaan jauh.
Upaya pemetaan ini perlu ditingkatkan dengan menggunakan pemodelan-
pemodelan yang lebih beragam , agar memeroleh hasil peta yang lebih akurat.

Penginderaan Jauh Untuk Mitigasi Bencana | 28

 Daftar Pustaka
Abdel Hamid, H. T., Wenlong, W., & Qiaomin, L. (2020). Environmental sensitivity
of flash flood hazard using geospatial techniques. Global Journal of
Environmental Science and Management, 31–46.
https://doi.org/10.22034/gjesm.2020.01.03
Alivio, M. B. T., Puno, G. R., & Talisay, B. A. M. (2019). Flood hazard zones
using 2d hydrodynamic modeling and remote sensing approaches. Global
Journal of Environmental Science and Management, 1–16.
https://doi.org/10.22034/gjesm.2019.01.01
Bhola, P. K., Leandro, J., & Disse, M. (2018). Framework for offline flood
inundation forecasts for two-dimensional hydrodynamic models.
Geosciences (Switzerland). https://doi.org/10.3390/geosciences8090346
Brenner, C., Meisch, C., Apperl, B., & Schulz, K. (2016). Towards periodic and
time-referenced flood risk assessment using airborne remote sensing.
Journal of Hydrology and Hydromechanics, 438–447.
https://doi.org/10.1515/johh-2016-0034
Debusscher, B., Landuyt, L., & Coillie, F. Van. (2020). A visualization tool for
flood dynamics monitoring using a graph-based approach. Remote Sensing.
https://doi.org/10.3390/rs12132118
Gunn, S. W. A. (2013). Dictionary of Disaster Medicine and Humanitarian Relief.
In Dictionary of Disaster Medicine and Humanitarian Relief.
https://doi.org/10.1007/978-1-4614-4445-9
Hultquist, C., & Cervone, G. (2020). Integration of crowdsourced images, USGS
networks, remote sensing, and a model to assess flood depth during
Hurricane Florence. Remote Sensing. https://doi.org/10.3390/rs12050834
Mojaddadi, H., Pradhan, B., Nampak, H., Ahmad, N., & Ghazali, A. H. bin.
(2017). Ensemble machine-learning-based geospatial approach for flood risk
assessment using multi-sensor remote-sensing data and GIS. Geomatics,
Natural Hazards and Risk, 8, 1080–1102.
https://doi.org/10.1080/19475705.2017.1294113
Muhadi, N. A., Abdullah, A. F., Bejo, S. K., Mahadi, M. R., & Mijic, A. (2020).
Image segmentation methods for flood monitoring system. Water
(Switzerland). https://doi.org/10.3390/w12061825
Ningsih, D. H. U., & Setyadi, A. (2003). Remote Sensing (Penginderaan Jauh).
Ilmiah Teknologi Informasi.
Oddo, P. C., & Bolten, J. D. (2019). The Value of Near Real-Time Earth
Observations for Improved Flood Disaster Response. Frontiers in
Environmental Science. https://doi.org/10.3389/fenvs.2019.00127
Oliveira, E. R., Disperati, L., Cenci, L., Pereira, L. G., & Alves, F. L. (2019). Multi-
Index Image Differencing Method (MINDED) for flood extent estimations.
Remote Sensing. https://doi.org/10.3390/rs11111305
Phongsapan, K., Chishtie, F., Poortinga, A., Bhandari, B., Meechaiya, C.,
Kunlamai, T., Aung, K. S., Saah, D., Anderson, E., Markert, K., Markert, A.,
& Towashiraporn, P. (2019). Operational Flood Risk Index Mapping for
Disaster Risk Reduction Using Earth Observations and Cloud Computing
Technologies: A Case Study on Myanmar. Frontiers in Environmental
Science. https://doi.org/10.3389/fenvs.2019.00191
Rahman, M. S., Di, L., Yu, E., Lin, L., Zhang, C., & Tang, J. (2019). Rapid flood
progress monitoring in cropland with NASA SMAP. Remote Sensing.
https://doi.org/10.3390/rs11020191
Rajabi, M., Nahavandchi, H., & Hoseini, M. (2020). Evaluation of CYGNSS
 observations for flood detection and mapping during Sistan and Baluchestan
Torrential Rain in 2020. Water (Switzerland).
https://doi.org/10.3390/w12072047
Revilla-Romero, B., Hirpa, F. A., Pozo, J. T. del, Salamon, P., Brakenridge, R.,
Pappenberger, F., & de Groeve, T. (2015). On the use of global flood
forecasts and satellite-derived inundation maps for flood monitoring in data-
sparse regions. Remote Sensing, 15702–15728.
https://doi.org/10.3390/rs71115702
Tiwari, V., Kumar, V., Matin, M. A., Thapa, A., Ellenburg, W. L., Gupta, N., &
Thapa, S. (2020). Flood inundation mapping-Kerala 2018; Harnessing the
power of SAR, automatic threshold detection method and Google Earth
Engine. PLoS ONE. https://doi.org/10.1371/journal.pone.0237324
Undang-Undang Nomor 24 Tahun 2007 tentang Penanggulangan Bencana.
(2007). In Pemerintah Republik Indonesia.
Wang, Y., Hong, H., Chen, W., Li, S., Pamučar, D., Gigović, L., Drobnjak, S., Bui,
D. T., & Duan, H. (2019). A hybrid GIS multi-criteria decision-making method
for flood susceptibility mapping at Shangyou, China. Remote Sensing.
https://doi.org/10.3390/rs11010062
Yang, Y., Sun, L., Li, R., Yin, J., & Yu, D. (2020). Linking a Storm Water
Management Model to a Novel Two-Dimensional Model for Urban Pluvial
Flood Modeling. International Journal of Disaster Risk Science.
https://doi.org/10.1007/s13753-020-00278-7
Yuan, C., Wang, F., Wang, S., & Zhou, Y. (2019). Accuracy evaluation of flood
monitoring based on multiscale remote sensing for different landscapes.
Geomatics, Natural Hazards and Risk, 10, 1389–1411.
https://doi.org/10.1080/19475705.2019.1580224
Yuan, F., Zhang, L., Soe, K. M. W., Ren, L., Zhao, C., Zhu, Y., Jiang, S., & Liu, Y.
(2019). Applications of TRMM- and GPM-era multiple- satellite precipitation
products for flood simulations at sub-daily scales in a sparsely gauged
watershed in Myanmar. Remote Sensing.
https://doi.org/10.3390/rs11020140
Zhai, X., Yue, P., & Zhang, M. (2016). A sensor web and web service-based
approach for active hydrological disaster monitoring. ISPRS International
Journal of Geo-Information. https://doi.org/10.3390/ijgi5100171
Zhang, K., Xue, X., Hong, Y., Gourley, J. J., Lu, N., Wan, Z., Hong, Z., & Wooten,
R. (2016). ICRESTRIGRS: A coupled modeling system for cascading flood-
landslide disaster forecasting. Hydrology and Earth System Sciences, 5035–
5048. https://doi.org/10.5194/hess-20-5035-2016