Pemetaan Daerah Genangan Banjir Dan Keterkaitan Dengan Penggunaan Lahan, Jenis Tanah Dan Curah Hujan Di Kabupaten Konawe Utara
Pemetaan Daerah Genangan Banjir Dan Keterkaitan Dengan Penggunaan Lahan, Jenis Tanah Dan Curah Hujan Di Kabupaten Konawe Utara
Sentinel-1
Klasifikasi IDW
Pemotongan Pemotongan (3D Analysis)
Peta Jenis
Koreksi Radiometrik Tanah
Klasifikasi Pemotongan
Koreksi Geometrik
Peta Klasifikasi
Penggunaan
Lahan Creat Stack
Peta Curah
Hujan
Komposit RBG
(VH-pre, VH-post, VV-post)
Klasifikasi
Peta Genangan
Banjir
Overlay
Overlay Overlay
Analisis
Selesai
(c) (d)
Gambar 4. Hasil koreksi geometrik citra pada
daerah penelitian. (c) data saat
(a) (b) banjir (2 Juni 2019) dan (d) data
sebelum banjir (21 Mei 2019).
Gambar 2. Hasil cropping dan multilooking
citra pada daerah penelitian (a) Proses berikutnya adalah mengkonversikan
data citra saat banjir (2 Juni 2019) nilai digital number menjadi nilai desibel (dB)
dan (b) data citra sebelum banjir yang merupakan nilai hamburan balik
(21 Mei 2019). (backscatter). Citra sebelum banjir pada tanggal
21 Mei 2019 memiliki nilai backscatter minimal
Koreksi radiometric yang dilakukan pada -24,061 dB dan maksimal 19,278 dB. Pada citra
citra Sentinel 1B menghasilkan citra yang lebih saat banjir pada tanggal 2 Juni 2019 memiliki
tajam dan hilangnya bayangan keabu-abuan nilai backscatter minimal -24,689 dB dan
pada citra. Hasil tersebut dapat dilihat pada maksimal 19,771 dB. Perbedaan setiap nilai
Gambar 3. backscatter pada citra diartikan bahwa nilai
Jurnal ILMU DASAR, Vol. 23 No. 2, Juli 2022 : 93-100 97
reflektansi signal saat mengenai obyek yang informasi jumlah pixel yang klasifikasinya
memiliki permukaan halus dan tenang (seperti benar dan juga salah. Dari data tersebut dapat
air) sangat kecil atau sinyal hampir tidak dilakukan perhitungan akurasi dari setiap kelas
kembali pada sensor sehingga nilai backscatter menggunakan bantuan perhitungan confusion
rendah yang ditunjukkan oleh tanda panah matrix dan menghasilkan nilai Akurasi (A),
dengan warna gelap pada citra. Precision (P), Correlation (C), serta Error Rate
(ER) seperti diberikan pada Tabel 2.
Tabel 2. Akurasi klasifikasi banjir dan nonbanjir
Kelas A P C ER
Banjir 99,37% 99,19% 96,54% 0.0063
Non-
99,37% 99,39% 96,54% 0.0063
banjir
Akurasi untuk kelas banjir dan non banjir
didapat hasil yang sama yaitu 99,37%. Akurasi
setiap kelas tersebut mendekati 100% yang
berarti pengklasifikasiannya bagus dan akurat.
Hasil precision dari kelas banjir 99,19% dan
kelas nonbanjir 99,39%. Nilai corellation yang
dihasilkan adalah 96,54% untuk kelas banjir dan
nonbanjir. Error rate pada tiap kelas sebesar
0.0063 menunjukkan bahwa tingkat kesalahan
pada klasifikasi adalah kecil.
Gambar 5. Hasil konversi nilai backscatter dan Area banjir dari hasil klasifikasi tersebut
penampilan RGB citra kemudian di-reclassify untuk mengubah hasil
klasifikasi yang memiliki format raster menjadi
Setelah proses konversi nilai backscatter polygon. Selanjutnya dilakukan tumpang susun
selanjutnya dilakukan proses create stack atau dengan peta administrasi Kabupaten Konawe
penggabungan citra untuk penyatuan data dari Utara. Distribusi sebaran banjir menurut hasil
citra yang berbeda dan menghasilkan peta penelitian menggenangi 3 kecamatan yaitu
gabungan keduanya yang memiliki informasi Kecamatan Oheo, Kecamatan Asera dan
atribut dari kedua citra tersebut. Setelahnya Kecamatan Andowia. Pada Tabel 3 ditunjukkan
dilakukan komposit RGB menggunakan bahwa Kecamatan Asera memilki luasan banjir
C-band karena kombinasi warnanya paling besar.
menghasilkan tampilan citra true color. Band
red menggunakan data polarisasi Vertical- Tabel 3. Luas banjir tiap kecamatan di
Horizontal (VH) sebelum banjir 21 Mei 2019, Kabupaten Konawe Utara
band green menggunakan data polarisasi Kecamatan Luas Banjir (Km2)
Vertical-Horisontal (VH) saat banjir 2 Juni Asera 3,38
2019 dan band blue menggunakan data Andowia 1,60
polarisasi Vertical-Vertical (VV) saat banjir 2 Oheo 3,27
Juni 2019. Warna merah pada hasil komposit Total (Km2) 8,26
RGB menunjukkan area banjir, warna hitam
merupakan badan air yang sebelumnya memang Kejadian banjir dapat terjadi akibat faktor-
ada dan warna abu-abu merupakan area yang faktor alam seperti penggunaan lahan, curah
tidak banjir. hujan dan jenis tanah. Penggunaan lahan
Berdasarkan data true color composite yang menurut Gambar 5 memberikan informasi
dihasilkan, selanjutnya dilakukan klasifikasi bahwa daerah penelitian didominasi vegetasi
menggunakan metode supervised classification yang tersebar di hampir seluruh wilayah
dengan algoritma random forest yang membagi penelitian. Terlihat bahwa banjir yang
citra menjadi dua kelas yaitu banjir dan non- ditunjukkan oleh daerah dengan warna merah
banjir. Hasil klasifikasi akan memberikan menggenangi area sekitar sungai.
Tabel 5. Luas banjir pada jenis tanah lebih kecil di wilayah Kabupaten Konawe Utara
perkecamatan sehingga akan diperoleh data curah hujan yang
kemungkinan besarberbeda antara satu
Luas Banjir
Kecamatan Jenis Tanah kecamatan dengan kecamatan lainnya yang
(Km2)
berimbas pada berubahnya nilai korelasi antara
Andowi Alluvial 1,406 varibel banjir dan curah hujan.
Mediteran 0,199 KESIMPULAN
Asera Alluvial 2,512
Penelitian ini berhasil mengidentifikasi daerah
Mediteran 0,762 banjir yang terjadi di wilayah Kabupaten
Oheo Alluvial 3,103 Konawe Utara menggunakan data satelit
Podsol 0,009 Sentinel 1B dengan metode supervised
classification dan algoritma random forest
Mediteran 0,265 dengan akurasi 99,37%. Banjir terjadi di
wilayah 3 kecamatan yaitu Kecamatan Oheo,
Kecamatan Asera dan Kecamatan Andowia.
Analisis korelasi keterkaitan hubungan
penggunaan lahan terhadap distribusi genangan
sedang, korelasi hubungan curah hujan terhadap
distribusi genangan sangat lemah karena data
curah hujan seragam, sedangkan hubungan jenis
tanah terhadap distribusi genangan korelasinya
sangat kuat. Analisis akan lebih baik apabila
data curah hujan bisa diperoleh pada wilayah
yang lebih sempit sehingga datanya bervariasi
dan dikembangkan dengan menggunakan
beberapa parameter penyebab banjir lainnya
seperti kemiringan lereng dan ketinggian
wilayah.
Gambar 8. Peta jenis tanah Kabupaten Konawe UCAPAN TERIMA KASIH
Utara
Penulis menyampaikan terimakasih atas
Tabel 6. Nilai koefisien korelasi Pearson (r) bantuan dan bimbingan kepada staff dan peneliti
Penggunaan Curah Jenis Luas di LAPAN yang banyak membantu dalam
Lahan Hujan Tanah Banjir mengolah data sehingga penelitian ini dapat
Penggunaan terselesaikan dengan baik.
1
Lahan
0 1 DAFTAR PUSTAKA
Curah Hujan
Jenis Tanah 0,26 0 1 Arsyad S. 1989. Konservasi Tanah dan Air
-0,59 0 0,88 1
Bogor: IPB Press.
Luas Banjir Asdak C. 1995. Hidrologi dan Pengolahan
Nilai korelasi distribusi banjir dengan Daerah Aliran Sungai Yogyakarta: Gadjah
penggunaan lahan adalah -0,59 dinyatakan Mada University Press.
korelasinya sedang. Korelasi yang negatif atau Budianto L. 2019. Mencari Solusi Banjir
berlawanan arah diartikan bahwa ketika Bandang di Sulawesi Tenggara.
penggunaan lahan yang memiliki resapan tinggi https://kumparan.com/kendarinesia/mencari
maka luas banjirnya semakin tinggi. Nilai -solusi-banjir-bandang-di-sulawesi-
korelasi distribusi banjir dengan curah hujan tenggara-1rMZVBN6mb0/full. [25 Juni
adalah 0 dinyatakan korelasinya sangat lemah. 2020].
Hal tersebut dikarenakan daerah penelitian Cahyono BE, Cahyatri P, Purwandari E, Misto
memiliki nilai curah hujan yang sama namun & Febrianti, N. 2021. Mapping Flooded
banjir tidak menggenangi seluruh daerah Risk Area in East Java Indonesia Using
penelitian. Nilai korelasi ini mungkin akan Remote Sensing Data. Journal of Physics:
berbeda jika data curah hujan yang digunakan Conference Series (IoP). 1825(012081): 1-9.
adalah data hasil pengukuran pada lingkup yang
Dao PD, Liou Y-A & Chou C-W. 2015. Moharrami M, Javanbakht, M & Attarchi S.
Detection of Flood Inundation Regions with 2021. Automatic Flood Detection Using
Landsat/MODIS Synthetic Data, Sentinel-1 Images on the Google Earth
Proceedings of International Symposium on Engine. Environmental Monitoring and
Remote Sensing at Taiwan. Assessment. 193(5): 248.
Darmawan K, Hani’ah & Supriyogi A. 2017. Morissan. 2016. Statistika Sosial Jakarta:
Analisis Tingkat Kerawanan Banjir di Kencana.
Kabupaten Sampang Menggunakan Metode Polamuri S. 2017. How Random Forest
Overlay dengan Scoring Berbasis Sistem Algorithm Works In Machine Learning.
Informasi Geografis. Jurnal Geodesi https://dataaspirant.com/random-forest-
UNDIP. 6(1): 31-40. algorithm-machine-learing/. [21 Juni 2021].
Dhakal AS, Amada T, Aniya M. & Sharma R. Romero BR, Hirpa FA, Pozo JT, Salamon P,
R. 2002. Detection of Areas Associated with Brakenridge R, Pappenberger F & Groeve,
Flood and Erosion Caused by a Heavy TD. 2015. On the Use of Global Flood
Rainfall Using Multitemporal Landsat Forecasts and Satellite-Derived Inundation
TMDat. Photogrammetric Engineering and Maps for Flood Monitoring in Data-Sparse
Remote Sensing. 68(3): 233-239. Regions. Remote Sensing. 7(11).
Eberhardt ID, Schultz B, Rizzi R, Sanches ID, Schumann GJP. 2015. Preface: Remote Sensing
Formaggio AR, Atzberger C, Mello MP, in Flood Monitoring and Management.
Immitzer M, Trabaquini K, Foschiera W & Remote Sensing. 7(12).
José Barreto Luiz A. 2016. Cloud Cover Shahabi H, Shirzadi A, Ghaderi K, Omidvar E,
Assessment for Operational Crop Al-Ansari N, Clague JJ, Geertsema M,
Monitoring Systems in Tropical Areas. Khosravi K, Amini A, Bahrami S, Rahmati
Remote Sensing. 8(3). O, Habibi K, Mohammadi A, Nguyen H,
Feng Q, Liu J & Gong J. 2015. Urban Flood Melesse AM, Ahmad BB & Ahmad A. 2020.
Mapping Based on Unmanned Aerial Flood Detection and Susceptibility Mapping
Vehicle Remote Sensing and Random Forest Using Sentinel-1 Remote Sensing Data and
Classifier-A Case of Yuyao, China. Water. a Machine Learning Approach: Hybrid
7(4). Intelligence of Bagging Ensemble Based on
Harto S. 1993. Analisis Hidrologi Jakarta: K-Nearest Neighbor Classifier. Remote
Gramedia Pustaka Utama. Sensing. 12(2): 1-30.
Ibeje AO, Osuagwu JC & Onosakponome OR. Tahsin S, Medeiros SC, Hooshyar M & Singh
2018. Impacts of Land Use on Infiltration. A. 2017. Optical Cloud Pixel Recovery via
World Journal of Engineering Research and Machine Learning. Remote Sensing. 9(6): 1-
Technology. 4(6): 95-102. 19.
Kirkham MB. 2014. Principles of Soil and Plant Zhang M, Chen F, Liang D, Tian, B. & Yang,
Water Relations. 2nd Ed. Manhattan, USA: A. 2020. Use of Sentinel-1 GRD SAR
Academic Press. Images to Delineate Flood Extent in
Kwak Y, Arifuzzanman B & Iwami Y. 2015. Pakistan. Sustainability. 12(5784): 1-19.
Prompt Proxy Mapping of Flood Damaged Zufrizal. 2021. 1.205 Bencana Alam Terjadi
Rice Fields Using MODIS-Derived Indices. Selama 1 Januari-30 April 2021.
Remote Sensing. 7(12): 15969-15988. https://kabar24.bisnis.com/read/20210501/1
Mason DC, Dance SL & Cloke HL. 2021. 5/1389038/bnpb-1205-bencana-alam-
Floodwater Detection in Urban Areas Using terjadi-selama-1-januari-30-april-2021. [21
Sentinel-1 and World DEM Data. Journal of Juni 2021].
Applied Remote Sensing. 15(3): 032003.