PENGOLAHAN DATA RADAR UNTUK ESTIMASI GENANGAN BANJIR

MATA KULIAH PENGINDERAAN JAUH SISTEM RADAR

Dosen Pengampu:
Riki Ridwana, S.Pd., M.Sc
Silmi Afina Aliyan, S.T., M.T

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 DAFTAR ISI

DAFTAR ISI ................................................................................................................................ 2

A. TUJUAN PEMBELAJARAN ................................................................................................. 3
B. BAHAN KAJIAN MATERI .................................................................................................... 3
1. Change Detection ...................................................................................................................... 3
2. Otsu Thresholding ..................................................................................................................... 4
C. PRAKTIKUM ...................................................................................................................... 5
D. RANGKUMAN ................................................................................................................. 22
E. DAFTAR PUSTAKA ........................................................................................................... 22

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
A. TUJUAN PEMBELAJARAN
1. Mahasiswa mampu mengolah data RADAR untuk estimasi genangan banjir
2. Mahasiswa mampu menganalisis estimasi genangan banjir menggunakan Sentinel 1
B. BAHAN KAJIAN MATERI

Citra satelit dengan sensor radar seperti SAR mulai banyak dimanfaatkan untuk kajian
bencana alam seperti terjadinya banjir karena memiliki beberapa keunggulan, antara
lain: dapat meliput wilayah yang cukup luas, dapat menembus awan, perekaman pada
waktu siang dan malam hari dalam segala cuaca karena menggunakan gelombang radio
(microwave) untuk melakukan pengamatan permukaan bumi (Kushardono dan Arief,
2020). Teknologi ini mampu menutupi beberapa kelemahan yang dimiliki citra satelit
optis sehingga sangat bermanfaat dalam keperluan penanganan maupun pencegahan
bencana banjir yang terjadi di Indonesia.

Dalam perspektif pemrosesan data citra satelit, saat ini berkembang teknologi
pemrosesan citra satelit berbasis cloud computing yang menyediakan data penginderaan
jauh dalam jumlah yang besar untuk mencapai target yang sulit dicapai ketika melakukan
pemrosesan secara konvensional. Pada teknologi cloud computing ini dapat melakukan
analisis data citra dalam skala besar (big data analysis) dan mampu mengintegrasikan
sumber data yang berbeda-beda. Salah satu platform cloud computing yang sangat
populer untuk memproses data-data kebumian adalah Google Earth Engine.

Google Earth Engine (GEE) merupakan suatu cloud computing yang menyediakan data
sekaligus fasilitas pengolah data (Venkatappa dkk., 2019). Pengguna tidak harus
mengunduh data yang cukup besar sehingga dapat menghemat waktu pengunduhan dan
kapasitas penyimpanan. Pengolahan data juga dilakukan server sehingga pengguna tidak
harus memiliki perangkat dengan spesifikasi tinggi dan tidak perlu memasang perangkat
lunak pengolah data citra. GEE cukup diakses melalui browser dan perlu dipersiapkan
hanyalah koneksi internet stabil yang memadai untuk transportasi data (Kushardono,
2019).

1. Change Detection
Prinsip change detection untuk deteksi genangan banjir adalah mendeteksi
perubahan nilai backscattering dari 2 seri data citra Sentinel-1 (data pada saat kondisi
sebelum banjir dan saat/sesudah terjadi banjir). Hasil proses change detection
menunjukan rasio perubahan per piksel.
Teknik change detection yang digunakan untuk identifikasi genangan banjir dari 2
waktu tersebut adalah Ratio Image (RI). RI merupakan salah satu metode deteksi
perubahan dengan membandingkan piksel per piksel pada citra saat terjadi dan sebelum
banjir. Ratio Image dihasilkan dengan menghitung rasio nilai koefisien hamburan balik
(σ°) pada citra saat terjadi banjir dan sebelum banjir. Persamaan matematis yang
digunakan adalah (Vanama, dkk., 2021):

𝜎 ! 𝑣𝑣(𝑓𝑙𝑜𝑜𝑑)
𝑅𝐼 =
𝜎 ! 𝑣𝑣(𝑓𝑙𝑜𝑜𝑑)

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 Keterangan:
σ°𝑣𝑣(𝑓𝑙𝑜𝑜𝑑) = Koefisien hamburan balik citra saat terjadi banjir dari polarisasi VV
σ°𝑣𝑣(𝑝𝑟𝑒−𝑓𝑙𝑜𝑜𝑑) = Koefisien hamburan balik citra sebelum terjadi banjir dari polarisasi
VV

Jika koefisien hamburan balik yang dipantulkan pada kedua citra sama, maka nilai
RI = 1. Hal ini mengindikasikaan tidak ada perubahan antara 2 waktu tersebut. Pada
daerah yang mengalami perubahan, nilai rasio akan jauh lebih besar dari 1 atau kurang
dari 1, tergantung dari perubahan pada kedua citra. Nilai piksel yang tinggi, pada citra
ditandai dengan warna yang cerah untuk area yang perubahan tinggi. Sementara nilai
yang rendah, pada citra ditandai dengan warna yang gelap untuk area yang terindikasi
perubahan yang rendah.
Pemetaan banjir dengan analisis deteksi perubahan multi-temporal dari data
radar bergantung pada hamburan balik radar. Hasil hamburan balik karena nilai
reflektansinya dengan permukaan air. Sebagai akibat dari permukaan badan air yang
homogen dan halus, kembalinya pulsa radar akan menjadi lemah. Karena kembalinya
pulsa radar dari daerah kering akan lebih kuat, karakteristik dapat dengan mudah
ditentukan. Ekstraksi air dengan bantuan ambang batas yang ditentukan oleh nilai
hamburan balik 0 (dB) adalah metode yang umum digunakan. Untuk setiap piksel citra
SAR, ditentukan nilai hamburan balik yang terukur, sehingga dapat diprediksi probabilitas
piksel tersebut sebagai struktur air. Untuk tujuan ini, histogram nilai hamburan balik
dianalisis. Nilai hamburan balik yang rendah sesuai dengan daerah yang tergenang dan
nilai hamburan balik yang tinggi sesuai dengan daerah yang tidak tergenang.

2. Otsu Thresholding
Thresholding atau proses penentuan ambang/batas nilai pixel pada citra digital,
merupakan salah satu teknik utama dalam clustering atau klasifikasi citra digital,
khususnya untuk citra digital saluran tunggal. Otsu thresholding berfungsi untuk
memisahkan (clustering) data univariat (one dimensional) menjadi dua kelompok.
Algoritma Otsu thresholding memiliki asumsi dasar bahwa data terdistribusi Univariate
Gaussian Bimodal. Yaitu distribusi normal dengan dua puncak (“dua lonceng”). Kedua
“lonceng” ini mewakili distribusi nilai dari kedua cluster. Sehingga setelah dipisahkan
nantinya, kedua cluster data masing-masing akan memiliki distribusi normal Gaussian
Unimodal, sebagaimana data terdistribusi normal pada umumnya.

Gambar 1. Univariate Gaussian Bimodal

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 Algoritma Otsu thresholding telah diterapkan untuk memisahkan banjir daerah
dari tutupan lahan yang tersisa. Nilai ambang batas dari 14.9 dB diturunkan dan
diterapkan ke setiap adegan untuk menggambarkan daerah yang tergenang. Otsu
adalah salah satu metode thresholding paling praktis. Otsu telah terbukti menjadi
pendekatan yang efektif dalam penggambaran banjir di berbagai jenis citra satelit,
terutama citra SAR (Du et al., 2014; N. Li dkk., 2014; Pan et al., 2020; Zhang dkk., 2020).
Otsu thresholding adalah alternative metode yang menemukan ambang optimum
dengan memeriksa semua nilai yang mungkin. Ini memaksimalkan varians antara kelas
dari dua segmen dan meminimalkan varians dalam kelas.

C. PRAKTIKUM
A. Menentukan Probabilitas Lokasi Banjir Menggunakan Metode Backscatter
1. Buka tampilan google earth engine

2. Silahkan upload wilayah dengan format SHP yang sudah dalam bentuk zip file

3. Setelah diupload, import file tersebut kedalam code editor GEE

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 4. Gunakan tanda ‘//’ untuk memberi judul script yang akan digunakan dalam proses ini,
pada proses pertama, akan dilakukan pemanggilan terhadap citra sentinel 1

5. Untuk memanggil citra Sentinel-1 gunakan

var datasar = ee.ImageCollection("COPERNICUS/S1_GRD")

6. Untuk memilih mode perekaman, jenis polarisasi, jenis orbit gunakan perintah berikut

.filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))
.select('VH')
.filter(ee.Filter.eq('instrumentMode', 'IW'))
.filterBounds(roi)
;

7. Langkah selanjutnya adalah memilih waktu perekaman data. Data yang digunakan
sebaiknya adalah data sebelum dan sesudah kejadian banjir di suatu wilayah. Gunakan
script berikut

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 //Memilih data sebelum dan sesudah kejadian banjir
var before = datasar.filterDate('2016-08-01', '2016-08-30').min();
var after = datasar.filterDate('2020-07-14', '2020-07-16').mean();
Map.addLayer(before.clip(roi), {min: -30, max: 0}, 'before');
Map.addLayer(after.clip(roi), {min: -30, max: 0}, 'after');
Map.addLayer(after.subtract(before), {min:-10,max:10}, 'After - before', 0);
Map.centerObject(roi)

8. Jika sudah, klik run dan berikut adalah hasilnya

9. Langkah selanjutnya adalah menentukan threshold banjir berdasarkan perbedaan

nilai backscatter dua citra sentinel-1. Untuk menentukan hal ini, gunakan script
berikut:
//Menentukan threshold banjir
var SMOOTHING_RADIUS = 100;
var DIFF_UPPER_THRESHOLD = -3;
var diff_smoothed = after.focal_median(SMOOTHING_RADIUS, 'circle', 'meters')
.subtract(before.focal_median(SMOOTHING_RADIUS, 'circle', 'meters'));
var diff_thresholded = diff_smoothed.lt(DIFF_UPPER_THRESHOLD);
Map.addLayer(diff_smoothed.clip(roi), {min:-10,max:0}, 'diff smoothed', 0);

var flood = diff_smoothed.lt(-1)

.selfMask()
.rename('Fase9');

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 var floodclip= flood.clip(roi)
Map.addLayer(floodclip, {palette: '#23d6f5'}, 'Banjir Garut 2016-2020');

10. Jika sudah klik run dan berikut adalah hasilnya

B. Menentukan Wilayah Tergenang Banjir dengan Algoritma Otsu

1. Langkah Pertama adalah menentukan salah satu citra dengan menggunakan Google
Earth Engine
2. Untuk melakukan ini, import Sentinel-1 dan shp wilayah kajian ke code editor google
earth engine

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 3. Gunakan script pencarian data sentinel 1 dengan region of interest yang telah
ditentukan dan dalam rentang waktu terjadinya banjir di wilayah kajian anda

4. Pada jendela console terdapat citra radar yang sesuai dengan kriteria yang telah
diperintahkan

5. Copy id dari salah satu citra yang sesuai dengan tanggal perekaman kajian banjir di
wilayah anda

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 6. Panggil citra tersebut dengan menggunakan perintah berikut
//Memanggil salah satu citra Sentinel
var image =
ee.Image('COPERNICUS/S1_GRD/S1A_IW_GRDH_1SDV_20160817T222520_2016
0817T222550_012646_013D9C_DC35')
.clip(roi)
Map.addLayer(image.select('VV'),{min:-30,max:0},'SAR Garut 2016);
Map.centerObject(roi)

7. Langkah selanjutnya adalah masking data air permanen dengan menggunakan data
Hansen, gunakan script berikut
// Mask badan air permanen menggunakan data Hansen
var hansenImage =
ee.Image('UMD/hansen/global_forest_change_2018_v1_6').clip(roi);
var datamask = hansenImage.select('datamask');
var mask = datamask.eq(1);

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 var image = image.updateMask(mask);

8. Lakukan filtering dan update mask menggunakan script dibawah ini

// Filter Speckle noise
var image = image.focal_median(30, 'circle', 'meters')

// Mask dengan air permanen

var mask02 = image.select('VV').gt(-16);
var image = image.updateMask(mask02);

// Perhitungan histogram
var histogram = image.select('VV').reduceRegion({
reducer: ee.Reducer.histogram(255, 2)
.combine('mean', null, true)
.combine('variance', null, true),
geometry: roi,
scale: 30,
bestEffort: true
});

9. Plot chart pada console kemudian gunakan algoritma otsu

// Plot Chart
print(Chart.image.histogram(image.select('VV'), roi, 30));

// Otsu Algorithm
var otsu = function(histogram) {
var counts = ee.Array(ee.Dictionary(histogram).get('histogram'));
var means = ee.Array(ee.Dictionary(histogram).get('bucketMeans'));
var size = means.length().get([0]);
var total = counts.reduce(ee.Reducer.sum(), [0]).get([0]);
var sum = means.multiply(counts).reduce(ee.Reducer.sum(), [0]).get([0]);
var mean = sum.divide(total);

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 var indices = ee.List.sequence(1, size);

var bss = indices.map(function(i) {

var aCounts = counts.slice(0, 0, i);
var aCount = aCounts.reduce(ee.Reducer.sum(), [0]).get([0]);
var aMeans = means.slice(0, 0, i);
var aMean = aMeans.multiply(aCounts)
.reduce(ee.Reducer.sum(), [0]).get([0])
.divide(aCount);
var bCount = total.subtract(aCount);
var bMean = sum.subtract(aCount.multiply(aMean)).divide(bCount);
return aCount.multiply(aMean.subtract(mean).pow(2)).add(
bCount.multiply(bMean.subtract(mean).pow(2)));
});
print(ui.Chart.array.values(ee.Array(bss), 0, means));

return means.sort(bss).get([-1]);
};

var threshold = otsu(histogram.get('VV_histogram'));

print('threshold', threshold);

10. Lakukan klasifikasi citra dan export data, Berikut adalah hasilnya

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 11. Pada jendela console dapat dilihat grafik – grafik yang dihasilkan dan nilai threshold
dari banjir pada citra yang digunakan

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 C. Pemetaan Banjir Menggunakan Citra Sentinel 1 Dengan Aplikasi SNAP

(Preprocessing SAR)
1. Langkah pertama adalah membuat graph builder dan menambahkan perintah subset,
untuk memperkecil wilayah kajian

2. Setelah itu, tambahkan perintah apply orbit file

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 3. Tahapan selanjutnya adalah menambahkan perintah thermal noise removal

4. Tahapan selanjutnya adalah menambahkan perintah calibration

5. Tahapan selanjutnya, adalah menambahkan perintah speckle filtering

6. Tahapan selanjutnya adalah menambahkan perintah terrain correction

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 7. Terakhir, adalah menambahkan opsi write

8. Selanutnya adalah menghubungkan graph yang telah dibuat dengan klik connect
graph

9. Langkah selanjutnya adalah menyimpan file graph dengan nama SAR_Pre

10. Berikut adalah tampilan graph yang sudah selesai

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 11. Setelah grafik telah dibuat, masukan data Sentinel GRD kedalam aplikasi SNAP
12. Pada jendela tools, buka batch processing

13. Tambahkan citra Sentinel-1 GRD menggunakan ikon add berikut

14. Setelah itu, load graph yang telah dibuat sebelumnya

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 15. Pada jendela subset, pilih salah satu band kemudian pilih geographic coordinate dan
gambarkan wilayah yang hendak dikaji oleh anda

16. Pada jendela thermal noise removal dan calibration, pilih band VV

17. Pada jendela speckle filter, pilih tipe filter lee dengan filter size x 7 dan y 7

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 18. Pada jendela terrain correction, pilih tipe map projection sebagai UTM WGS 1984

19. Setelah itu, pilih lokasi penyimpanan kemudian klik run

20. Berikut adalah hasilnya

21. Langkah selanjutnya adalah merubah tampilan citra menjadi tampilan logaritmik pada
color manipulation tab

22. Geser slider pada color manipulation tab, sehingga perbedaan antara badan air dan
tanah dapat terlihat dengan jelas

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 23. Klik kanan pada produk di product explorer kemudian pilih band math

24. Klik edit expression kemudian ketikan rumus dibawah ini

25. Beri nama sebagai water mask kemudian klik ok

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 26. Untuk mengubah tampilan pada band hasil pengolahan, klik table pada color
manipulation, kemudian ganti warna table paling bawah dengan warna biru. Berikut
adalah hasil dari wilayah tergenang air berdasarkan Sentinel-1

27. Untuk memastikan hasilnya, file dapat di export kemudian di tampilkan di Google
Earth

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
D. RANGKUMAN
Banjir adalah salah satu bencana alam yang paling merusak yang menyebabkan kerugian
ekonomi dan manusia yang besar. Banjir terjadi sebagai luapan air sebagai akibat dari hujan
lebat, pencairan salju yang cepat, dan kegagalan bendungan. Meskipun citra optik berfungsi
sebagai alat yang efisien untuk memantau proses di Bumi, namun terdapat keterbatasan
untuk memantau banjir yang disebabkan oleh curah hujan. Panjang gelombang optik tidak
dapat menembus awan. Oleh karena itu citra satelit dengan sensor radar seperti SAR mulai
banyak dimanfaatkan untuk kajian bencana alam seperti terjadinya banjir karena memiliki
beberapa keunggulan, antara lain: dapat meliput wilayah yang cukup luas, dapat menembus
awan, perekaman pada waktu siang dan malam hari dalam segala cuaca karena menggunakan
gelombang radio (microwave) untuk melakukan pengamatan permukaan bumi.

E. DAFTAR PUSTAKA

Alawiyah, A. M., & Harintaka, H. Identifikasi Genangan Banjir di Wilayah DKI Jakarta
Menggunakan Citra Satelit Sentinel-1. JGISE: Journal of Geospatial Information Science
and Engineering, 4(2), 95-101.
Benzougagh, B., Frison, P. L., Meshram, S. G., Boudad, L., Dridri, A., Sadkaoui, D., ... & Khedher,
K. M. (2022). Flood Mapping Using Multi-temporal Sentinel-1 SAR Images: A Case
Study—Inaouene Watershed from Northeast of Morocco. Iranian Journal of Science
and Technology, Transactions of Civil Engineering, 46(2), 1481-1490.
Bioresita, F., Ngurawan, M. G. R., & Hayati, N. (2022). Identifikasi Sebaran Spasial Genangan
Banjir Memanfaatkan Citra Sentinel-1 dan Google Earth Engine (Studi Kasus: Banjir
Kalimantan Selatan). Geoid, 17(1), 108-118.
Cao, H., Zhang, H., Wang, C., & Zhang, B. (2019). Operational flood detection using Sentinel-1 SAR
data over large areas. Water, 11(4), 786.
Fajrin, F., yasma Adha, M., & Armi, I. (2019, October). Pemanfaatan Citra Sentinel-1 Sar Untuk
Deteksi Banjir Studi Kasus Pangkalan Koto Baru Sumatera Barat. In Seminar Nasional:
Strategi Pengembangan Infrastruktur (SPI) 2019.
Kushardono, D., & Arief, R. (2020). Pemanfaatan Data Satelit Radar untuk Wilayah Darat di
Indonesia: Peluang dan Tantangan(pp. 1–232). LIPI Press
Moharrami, M., Javanbakht, M., & Attarchi, S. (2021). Automatic flood detection using
sentinel-1 images on the google earth engine. Environmental monitoring and
assessment, 193(5), 1-17.
Pradana, I. H., Irawan, L. Y., Setiawan, D., Yuliano, F. S., & Mufid, H. A. (2020). Analisis Daerah
Tergenang Banjir di Desa Sitiarjo, Kabupaten Malang Menggunakan Data SAR

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia
 (Synthetic Aperture Radar) Sentinel-1. Jurnal Georafflesia: Artikel Ilmiah Pendidikan
Geografi, 5(1), 58-67.
Tanim, A. H., McRae, C. B., Tavakol-Davani, H., & Goharian, E. (2022). Flood Detection in Urban
Areas Using Satellite Imagery and Machine Learning. Water, 14(7), 1140.

Program Studi Sains Informasi Geografi

Fakultas Pendidikan Ilmu Pengetahuan Sosial
Universitas Pendidikan Indonesia