Pemanfaatan Algoritma AI Geospasial untuk Mitigasi Risiko Banjir Pesisir

MEMBERDAYAKAN ALGORITMA AI BERBASIS GEOGRAFIS UNTUK MEMBANTU ANALISIS RISIKO BANJIR PESISIR: TINJAUAN DAN PENGEMBANGAN KERANGKA KERJA

T. Atmaja^1* dan K. Fukushi ^1,2

1 Departemen Teknik Perkotaan, Universitas Tokyo, 7-3-1 Hongo, Tokyo, Jepang - atmaja@env.t.u-tokyo.ac.jp

2 Institute of Future Initiative (IFI), The University of Tokyo, 7-3-1 Hongo, Tokyo, Jepang - fukushi@ifi.u-tokyo.ac.jp ICWG III/IVa - Penilaian, Pemantauan dan Manajemen Bencana KATA KUNCI:

Literatur, Pembelajaran Mesin, Kerentanan, Solusi Ekologis.

ABSTRAK:

Perubahan iklim dan kerentanan yang ada saat ini memperparah kerugian dan kerusakan akibat banjir pesisir yang mengakibatkan hilangnya mata pencaharian dan kerusakan harta benda. Daerah perkotaan di Negara-negara berpenghasilan rendah hingga menengah ke bawah diperkirakan akan terkena dampak bencana secara tidak proporsional, mengingat jumlah penduduk yang tinggal di Zona Pesisir Dataran Rendah lebih banyak, sumber daya keuangan yang terbatas, dan perlindungan bencana yang tidak dibangun dengan baik. Dokumentasi historis banjir pesisir, populasi, dan properti yang terkena dampak, dapat memajukan penilaian dengan mempertimbangkan parameter-parameter tersebut dalam analisis risiko. Selain itu, memasukkan fitur geografis seperti bakau sebagai solusi ekologis untuk perlindungan banjir pesisir alternatif dalam prediksi juga penting. Mangrove dianggap cocok untuk LLMIC terutama yang terletak di zona tropis. Prediksi dengan menggunakan Machine Learning (ML) spasial dapat membantu analisis risiko bencana terkait iklim dan berkontribusi pada pengurangan risiko serta saran kebijakan untuk meningkatkan ketahanan terhadap bencana. Penelitian ini bertujuan untuk mengarsipkan penelitian terbaru tentang penerapan ilmu geospasial yang memberdayakan Kecerdasan Buatan, khususnya ML dalam penilaian risiko banjir pesisir, yang disebut sebagai AI berbasis GIS. Tujuan lainnya adalah untuk mendokumentasikan populasi, properti, dan distribusi bakau di seluruh LLMIC. Jaringan Syaraf Tiruan (JST) sebagian besar digunakan untuk penilaian risiko bencana dalam penelitian sebelumnya. Jumlah 58 kejadian banjir pesisir historis dan 908 titik banjir pesisir yang diperkirakan terjadi pada tahun 2006 hingga 2021 telah didokumentasikan. Lebih dari 1,2 juta Km² termasuk dalam wilayah yang rentan terhadap banjir pesisir di LLMIC dengan tipe pemukiman yang berbeda di mana Kota Besar (perkotaan) mendominasi. Distribusi mangrove terutama tersebar di wilayah tropis yang sebagian besar tersebar di sepanjang pantai Asia Tenggara.

1. PENDAHULUAN 1.1 Latar Belakang

Kota-kota pesisir telah mengalami dan terpapar berbagai bahaya pesisir, terutama akibat Kenaikan Muka Air Laut (Sea Level Rise/SLR) yang ekstrem dengan empat dampak signifikannya: banjir pesisir; erosi pesisir; penurunan permukaan tanah yang semakin parah; dan intrusi air laut (Azevedo de Almeida dan Mostafavi, 2016). Menurut Laporan Khusus mengenai dampak pemanasan global 1,5°C oleh IPCC, banjir pesisir memiliki risiko dampak yang paling parah terkait dengan perubahan iklim. Setiap kenaikan suhu sebesar satu derajat akan meningkatkan risiko banjir pesisir (IPCC, 2018). Risiko ini diproyeksikan akan meningkat, terkait dengan peningkatan suhu dan dipicu oleh kerentanan yang ada saat ini, yang mengakibatkan paparan populasi, kerusakan properti, dan gangguan kegiatan ekonomi di wilayah pesisir.

Dokumentasi sebelumnya mengungkapkan bahwa hampir 10% populasi dunia (618 juta) dan 2,3% (2.599 ribu km² ) dari luas daratan negara- negara pesisir di dunia tinggal dan berada di Zona Pesisir Berketinggian Rendah (Low Elevation Coastal Zone/LECZ) pada tahun 2000, yang didefinisikan sebagai wilayah yang bersebelahan di sepanjang pesisir dengan ketinggian kurang dari 10 meter di atas permukaan laut (McGranahan dkk., 2007; Neumann dkk., 2015). Dengan melihat batas wilayah perkotaan, wilayah ini menyumbang 13% dari total populasi perkotaan (352 juta) yang tinggal di dalam LECZ, yang mencakup 8%

dari seluruh wilayah daratan perkotaan di dunia (275 ribu km² ).

Dokumentasi lain menunjukkan bahwa pada tahun 2015, wilayah perkotaan yang termasuk dalam LECZ diperkirakan memiliki 10%

populasi dunia dan 13% populasi perkotaan dunia,

setara dengan 815 juta (MacManus et al., 2021). Pada tahun 2060, total populasi LECZ diproyeksikan mencapai 1,4 miliar jiwa (534 orang/km² ) atau setara dengan 12% populasi dunia

11,3 miliar di bawah skenario prakiraan tertinggi (Neumann et al., 2015). Di sisi lain, situasi semakin memburuk, diperparah dengan meningkatnya bencana semacam itu di masa depan yang diikuti dengan kerusakan yang ditimbulkannya. Menurut data historis global oleh EM- DAT, kejadian tersebut cenderung meningkat di tahun-tahun mendatang, yang dikaitkan dengan meningkatnya kerugian dan kerusakan (Kirezci et al., 2020). Kerugian banjir global rata-rata pada tahun 2005 diperkirakan sekitar US$ 6 miliar per tahun, meningkat menjadi US$ 52 miliar pada tahun 2050 dengan proyeksi perubahan sosio-ekonomi saja (Hallegatte et al., 2013). Singkatnya, banjir pesisir diperkirakan akan memiliki risiko tertinggi untuk menimbulkan dampak kerugian dan kerusakan yang parah terhadap mata pencaharian dan kerusakan properti (Chan dkk., 2018; Hallegatte dkk., 2013; Kirezci dkk., 2020; Neumann dkk., 2015; Nicholls dkk., 2008). Oleh karena itu, sangat penting untuk melakukan analisis risiko banjir pesisir untuk memahami bencana di seluruh wilayah pesisir dengan lebih baik.

Di antara negara-negara di dunia, daerah perkotaan di Negara Berpendapatan Menengah ke Bawah (LLMIC) diperkirakan menjadi yang paling rentan terhadap banjir pesisir, mengingat jumlah penduduk yang tinggal di LECZ lebih tinggi dan sumber daya keuangan yang terbatas untuk manajemen bencana. Mayoritas (83%) dari populasi LECZ global tinggal di negara-negara kurang berkembang (Neumann et al., 2015). Sebanyak 28% wilayah perkotaan dari populasi LLMIC tinggal di LECZ (McGranahan et al., 2007), yang membuatnya rentan.

Dasgupta dkk. (2009) menilai bahwa sekitar 0,3% (194.000 km² ) wilayah di 84 negara berkembang akan terdampak oleh SLR 1 m. Ini akan

setara dengan 56 juta orang (1,28% dari populasi) yang terpapar.

LLMIC juga cenderung memiliki perlindungan pesisir yang tidak direkayasa atau dibangun dengan buruk karena keterbatasan sumber daya keuangan (Takagi, 2019).

Terlepas dari keterbatasan anggaran mereka, banyak negara berkembang memiliki keuntungan untuk mempertimbangkan solusi ekologis karena mereka sering berada di daerah tropis dan subtropis.

Solusi ekologis, yaitu ekosistem mangrove untuk Eco-DRR, saat ini dikenal sebagai salah satu strategi alternatif untuk perlindungan banjir pesisir. Selain itu, hal ini juga memberikan manfaat tambahan untuk penyerapan karbon di dalam tanah dan tanaman. Strategi ini juga memungkinkan pengelolaan yang mendukung mata pencaharian masyarakat sekitar. Oleh karena itu, memahami sejauh mana solusi ekologis dapat diterapkan dan bermanfaat bagi LLMIC akan bermanfaat bagi pengelolaan banjir pesisir.

Kemajuan dalam simulasi risiko banjir pesisir dapat berkontribusi pada pengurangan risiko, saran kebijakan, meminimalkan hilangnya mata pencaharian, dan kerusakan properti yang terkait dengan banjir pesisir.

Saat ini, Kecerdasan Buatan (Artificial Intelligence/AI), khususnya pendekatan Pembelajaran Mesin (Machine Learning/ML) untuk simulasi risiko banjir, telah muncul dalam beberapa tahun terakhir (Chang dkk., 2019; Mosavi dkk., 2018). Makalah ini mencoba mendokumentasikan pemanfaatan AI, khususnya ML untuk membantu analisis risiko banjir pesisir. Pemanfaatan ML didorong untuk membantu analisis bencana terkait iklim dan memajukan prediksi risiko bencana untuk menangani data spasial yang besar dan data spasial- temporal yang tinggi (Huntingford et al., 2019). Selain itu, melihat LLMIC yang dianggap sebagai wilayah yang rentan, penting untuk mendokumentasikan populasi, properti, dan strategi pesisir, terutama mangrove sebagai Eco-DRR di sepanjang wilayah pesisirnya.

Dokumentasi ini dapat memperkaya kemajuan dalam prediksi risiko banjir pesisir dengan memasukkan parameter-parameter tersebut ke dalam simulasi. Selain itu, diharapkan juga dapat menunjukkan pentingnya solusi ekologis dalam mencegah kerugian dan kerusakan akibat banjir pesisir.

1.2 Tujuan

Penelitian ini bertujuan untuk mengarsipkan penelitian-penelitian ilmu geospasial terkini yang memberdayakan Kecerdasan Buatan, khususnya ML, dalam membantu analisis risiko bencana, yang disebut sebagai AI berbasis GIS. Tujuan lainnya adalah untuk mendokumentasikan populasi dan properti di LLMIC, yang rentan terhadap banjir pesisir dan distribusi hutan bakau di sepanjang wilayah pesisirnya.

2. METODOLOGI 2.1 Batasan Penelitian

Studi Kasus: Studi ini memilih kasus-kasus di Negara-negara Berpendapatan Menengah ke Bawah (Low to Lower Middle-Income Countries, atau LLMIC) karena kerentanan mereka terhadap banjir pesisir, yaitu tingginya jumlah penduduk yang tinggal di daerah perkotaan, terbatasnya sumber daya keuangan untuk pengelolaan banjir pesisir, dan buruknya perlindungan pesisir yang dibangun. Daerah perkotaan di sepanjang zona pesisir dipilih sebagai lokasi penting untuk mata pencaharian dan kegiatan ekonomi di LLMIC.

LLMIC: negara-negara yang termasuk dalam kategori di mana GNI per kapita mereka lebih rendah dari $4.095 (Bank Dunia 2021). Empat puluh lima negara termasuk dalam kategori ini di seluruh dunia.

Terminologi Risiko Banjir Pesisir: Studi ini mendefinisikan risiko sebagai potensi terjadinya dan dampak banjir pesisir dalam hal kerugian dan kerusakan, termasuk paparan penduduk, kerusakan properti, dan kerugian ekonomi. Banjir pesisir adalah air yang masuk ke daratan, terutama di daerah dataran rendah.

Zona Lepas Pantai (LECZ), area yang lebih rendah dari 10 m di atas permukaan laut dan secara hidrologis terhubung dengan pantai.

2.2 Pemetaan Kejadian Banjir Pesisir, Populasi, Properti, dan Sebaran Mangrove di LLMIC

Studi ini menggunakan ArcGIS Pro untuk mendokumentasikan kejadian banjir pesisir historis dan proyeksi, populasi, properti, dan distribusi mangrove di LLMIC. Data historis banjir pesisir direkam dari Arsip Aktif Global Kejadian Banjir Besar, Dartmouth Flood Observatory.

Data spasial dikumpulkan berdasarkan informasi sumber data dari kumpulan data spasial global untuk studi banjir, yang dijelaskan dengan baik oleh penelitian sebelumnya (Kirezci et al., 2020; Lindersson et al., 2020).

2.3 Dokumentasi Studi Terdahulu tentang Pemberdayaan AI berbasis Geografis dalam Analisis Risiko Bencana

Studi ini berkaitan dengan penerapan Kecerdasan Buatan (AI), baik Machine Learning (ML) maupun Deep Learning (DL), untuk analisis risiko bencana, khususnya risiko banjir. Studi ini berfokus pada penelitian terbaru untuk periode 2016-2022 di semua tingkat dan cakupan. Kajian ini menekankan pada jenis analisis yang digunakan dalam hal machine learning temporal atau spasial, algoritma ML yang digunakan, dan variabel fitur yang dimasukkan dalam simulasi.

3. HASIL DAN PEMBAHASAN

3.1 Pendekatan Geo-AI yang Canggih dalam Membantu Analisis Risiko Bencana

Kecerdasan Buatan, khususnya pendekatan Machine Learning (ML), telah muncul dalam beberapa dekade terakhir (Mosavi et al., 2018), seperti yang ditunjukkan pada Gambar 1. Pendekatan ini memungkinkan untuk berbagai tujuan, terutama untuk ketahanan dan kesiapsiagaan terhadap banjir (Saravi et al., 2019). Menurut dokumentasi, penelitian tersebut mengungkapkan bahwa para peneliti terutama menggunakan ANN (Jaringan Syaraf Tiruan) diikuti oleh SVM (Support Vector Machine), yang secara bertahap meningkat penggunaannya. Aiyelokun dkk. (2021) memprediksi risiko banjir dan kekeringan melalui pendekatan Naïve Bayes (NB) untuk ML tradisional dengan menggunakan set data angin, curah hujan, suhu, dan Kelembaban Relatif (RH) (Aiyelokun dkk., 2021). Park dan Lee (2020) menilai risiko banjir pesisir akibat dampak perubahan iklim di Korea Selatan dengan menggunakan beberapa algoritme pembelajaran mesin (KNN-k-Nearest Neighbor; RF-Random Forest; SVM) secara spasial (Park dan Lee, 2020). Mereka memasukkan fitur geografis seperti pasang surut air laut, DEM, dan karakteristik perkotaan untuk analisis meskipun kurang mempertimbangkan populasi dan perlindungan pesisir dalam simulasi. Pada saat yang sama, peneliti lain menilai risiko banjir dengan menggunakan pembelajaran mesin tradisional melalui dataset banjir saja (area, lokasi, durasi, dll.) untuk klasifikasi banjir atau prediksi genangan (Chang dkk., 2019; Saravi dkk., 2019; Tayfur dkk., 2018).

Singkatnya, berdasarkan dokumentasi, algoritma ML yang paling umum digunakan untuk prediksi banjir adalah Adaptive Neuro-Fuzzy Inference System (ANFIS), Multilayer Perceptron (MLP), Wavelet Neural Network (WNN), Ensemble Prediction Systems (EPS), Decision Tree (DT), Random Forest (RF), classification and regression trees (CART), Support Vector Machine (SVM), Naïve Bayes (NB), dan Jaringan Syaraf Tiruan (JST) (Aiyelokun et al, 2021; Ganguly dkk., 2019; Manandhar dkk., 2020; Park dan Lee, 2020; Ruckelshaus dkk., 2020; Saravi dkk., 2019). Metode ini banyak digunakan dalam pemodelan banjir dan menyediakan algoritma ML yang kuat dan efisien untuk prediksi banjir.

Gambar 1. Metode ML utama yang digunakan untuk prediksi banjir dalam literatur. Tahun referensi: 2008 (sumber: Scopus diadaptasi dari

Mosavi et al., 2018).

Meskipun sebagian besar peneliti telah mengakui ketangguhan MEKAR dalam prediksi banjir, mereka masih menganalisis dengan MEKAR tradisional dan mengabaikan fitur geografis yang penting dan dapat mempengaruhi penilaian. Selain itu, para peneliti juga masih terbatas pada perkiraan risiko dalam hal kerugian dan kerusakan seperti area yang terendam banjir, properti yang terdampak, dan masyarakat yang terpapar, termasuk analisis proyeksi dengan mempertimbangkan skenario perubahan iklim dan populasi. Penelitian sebelumnya membatasi penilaian risiko mereka pada penilaian risiko yang bersifat rekayasa dan tidak berfokus pada solusi ekologis, yaitu Eco-DRR terutama melalui ekosistem bakau yang dihipotesiskan sesuai untuk LLMIC terutama yang terletak di wilayah tropis atau subtropis. Tabel 1 menunjukkan perbandingan yang direkomendasikan untuk penelitian di masa depan, orisinalitas, dan kebaruan.

Referensi Tingkat - Cakupan Fokus Analisis Pendekatan Variabel Fitur

(Aiyelokun et al., 2021) Perkotaan - provinsi Banjir, kekeringan TML NB Angin, Curah Hujan, Suhu, RH (Park dan Lee, 2020) Semua - negara Banjir pesisir SML KNN, RF, SVM Pasang surut, DEM, Karakteristik

geografis perkotaan

(Saravi et al., 2019) Semua - global Klasifikasi Banjir TML RF, ANN, NB, LR Data banjir (area, lokasi, durasi) (Chang et al., 2019) Perkotaan - kota Genangan Banjir TML ANN Data banjir (area, lokasi, durasi)

(Tayfur et al., 2018) Semua - negara Banjir TML ANN Data banjir (area, lokasi, durasi.)

Penelitian di Masa Depan Perkotaan - global

(LLMIC) Banjir Pesisir SML Model Ansambel SLR, Pasang, Surut, Gelombang, Kecepatan Angin, DEM, PRB, Populasi, PDB, Data Banjir

Tabel 1. Tinjauan tentang simulasi risiko banjir pesisir melalui ML 3.2 Distribusi Permukiman Perkotaan di seluruh LLMIC Cattaneo dkk. (2021) telah mengidentifikasi dan membagi daerah tangkapan air di pusat-pusat kota dengan ukuran berbeda yang disebut Urban-Rural Catchment Area (URCA), yang divariasikan berdasarkan jumlah penduduk dan waktu tempuh ke kota. URCA adalah kumpulan data raster dari 30 daerah tangkapan air perkotaan-perdesaan yang menunjukkan berbagai ukuran daerah tangkapan air di sekitar kota besar dan kecil. Seperti yang dijelaskan oleh penulis, setiap piksel pedesaan ditugaskan ke kategori tertentu. Dalam penelitian ini, data tersebut diadaptasi dan dimodifikasi menjadi sepuluh kategori tipe pemukiman perkotaan untuk membuatnya lebih sederhana sebagai berikut:

1. Kota besar (> 5 juta) 2. Kota besar (1 - 5 juta)

3. Kota menengah (500.000 - 1 juta) 4. Kota menengah (250.000 - 500.000) 5. Kota kecil (100.000 - 250.000) 6. Kota kecil (50.000 - 100.000) 7. Kota (20.000 - 50.000) 8. Pedesaan (di luar jenis lainnya)

9. Kota-kota yang tersebar (>3 jam ke kota mana pun) 10. Pedalaman (>3 jam ke kota mana pun)

Studi ini membahas wilayah perkotaan di Zona Pesisir Ketinggian Rendah (Low Elevation Coastal Zone, LECZ) di Negara-negara Berpendapatan Rendah hingga Menengah ke Bawah (Low to Lower- Middle-Middle Income Countries, LLMIC) yang terletak di wilayah tropis dan subtropis. Pemilihan wilayah ini terutama dimotivasi oleh kerentanan yang lebih tinggi di antara wilayah lainnya terhadap banjir pesisir. Kerentanan ini berarti bahwa lokasi tersebut memiliki risiko yang lebih tinggi terhadap kejadian banjir pesisir, diikuti dengan potensi dampak terhadap paparan penduduk dan kerusakan properti (MacManus et al., 2021; McGranahan et al., 2007; Neumann et al., 2015). Selain itu, mereka juga memiliki sumber daya keuangan yang terbatas untuk penanggulangan bencana dan bidang perlindungan pantai yang tidak dibangun dengan baik (Takagi, 2019). Batas tropis dan subtropis dipilih dengan mempertimbangkan kesesuaian ekosistem mangrove dengan

kota besar. Secara keseluruhan, lebih dari 1,2 juta Km² termasuk dalam wilayah yang rentan terhadap banjir pesisir di LLMIC dengan tipe permukiman yang berbeda di mana Kota Besar (daerah perkotaan) mendominasi wilayah tersebut.

3.3 Sebaran Kejadian Banjir Pesisir Historis dan Hotspot Banjir Pesisir

Data historis kejadian banjir pesisir disusun berdasarkan Dartmouth Flood Observatory (DFA) khusus untuk kejadian banjir pesisir dari tahun 2006 hingga 2021. DFA menyediakan informasi banjir dari tahun 1985, namun karena kurangnya informasi yang terkoordinasi, maka informasi ini hanya dimulai dari tahun 2006. Terdapat 109 kasus banjir pesisir di seluruh dunia yang disebabkan oleh gelombang tinggi, gelombang badai, siklon, dan topan, namun hanya 58 kejadian di seluruh wilayah LLMIC, seperti yang ditunjukkan pada Gambar 3.

Beberapa kejadian ini akan divalidasi oleh berita jika tersedia. Setiap titik terdiri dari informasi seperti negara, lokasi rinci termasuk koordinat, durasi banjir, orang yang terpapar dan kerusakan, penyebab utama, dan area yang tergenang.

Gambar 3. Distribusi global banjir pesisir historis (2006 - 2021 Juni) di seluruh LLMIC

Selain kejadian banjir pesisir historis, studi ini merekomendasikan untuk mempertimbangkan titik panas banjir pesisir episodik global akibat RENTANG, seperti yang ditunjukkan pada Gambar 4. Wilayah

"hotspot" banjir pesisir dari perubahan banjir pesisir episodik pada tahun 2100 untuk RCP8.5 diperkirakan berdasarkan proyeksi banjir episodik pada tahun 2100 dikurangi dengan banjir episodik saat ini (Kirezci dkk., 2020). Terdapat 908 kasus kenaikan permukaan laut ekstrem yang diproyeksikan di masa depan (2100), sebagian besar di bawah 1,5 m. Selain itu, terdapat sebaran titik panas pesisir yang sangat luas, terutama di Asia Tenggara, yaitu Indonesia. Rata-rata, titik panas di pesisir berkisar antara 0,7 - 1,5 meter.

0,8 m dpl. Berdasarkan informasi historis dan distribusi titik panas pesisir, terdapat kecocokan kasus di kota yang saat ini terpapar gelombang badai dan, di masa depan, diperkirakan akan mengalami kenaikan permukaan laut ekstrem setinggi 1,5-2,5 meter.

Gambar 4. Distribusi global historis (2006-2021), proyeksi Muka Air Laut Ekstrem (ESL) untuk RCP8.5 pada tahun 2100, dan 'Titik

Panas' Pesisir di seluruh LLMIC

3.4 Distribusi Mangrove di seluruh LLMIC

Studi ini berkaitan dengan solusi ekologis untuk penanggulangan banjir pesisir di wilayah LLMIC. Distribusi tipe ekosistem untuk manfaat perlindungan pesisir telah didokumentasikan dalam proyek SNAPP (Science for Nature and People Partnership). Proyek ini menunjukkan berbagai perlindungan pesisir dan manfaatnya, seperti yang ditunjukkan pada Gambar 5 (Li et al., 2017). Selain itu, mangrove sebagai perlindungan pesisir masif yang diterapkan di zona tropis juga didokumentasikan. Gambar 6 menunjukkan sebagian besar distribusi mangrove secara global. Indonesia memiliki hampir seperempat dari luas mangrove dunia, atau setara dengan 3.244 ribu hektar (Giri et al., 2011; Kusmana, 2014).

Gambar 5. Berbagai perlindungan pantai untuk bahaya tertentu (n = 52). (Li et al., 2017)

Gambar 6. Sebaran Hutan Mangrove Global pada tahun 2000 (Giri et al., 2011; Kusmana, 2014)

3.5 Dokumentasi Kependudukan dan Properti di seluruh LLMIC Dokumentasi populasi dan properti di seluruh LLMIC ditujukan untuk mempertimbangkan kembali bahwa area-area tersebut merupakan zona yang diprioritaskan untuk penilaian. Dokumentasi penduduk dengan resolusi tinggi didokumentasikan oleh CIESIN (Facebook Hub) yang disebut dengan High-Resolution Settlement Layer (HRSL). HRSL merupakan estimasi distribusi populasi manusia dengan resolusi 1 arc- detik (sekitar 30m) untuk tahun 2015. Estimasi populasi ini didasarkan pada data sensus terbaru dan citra satelit beresolusi tinggi (0,5 m) dari DigitalGlobe. Connectivity Lab di Facebook mengembangkan data cakupan pemukiman dengan menggunakan teknik visi komputer untuk mengklasifikasikan blok data satelit optik sebagai pemukiman (berisi bangunan) atau tidak. CIESIN menggunakan alokasi proporsional untuk mendistribusikan data sensus subnasional ke dalam cakupan pemukiman. Program Studi Pengukuran Standar Hidup Bank Dunia (LSMS) digunakan untuk memvalidasi set data akhir terhadap survei rumah tangga "ground-truth" yang dianonimkan. Sedangkan World Settlement Footprint (WSF) 2015 adalah topeng biner beresolusi 10m (0,32 arcsec) yang menguraikan cakupan pemukiman global 2015 yang diperoleh dengan memanfaatkan citra satelit multitemporal radar Sentinel-1 dan citra satelit optik Landsat-8 secara bersama-sama.

Pemukiman diasosiasikan dengan nilai 255; semua piksel lainnya diasosiasikan dengan nilai 0. Gambar 7 menunjukkan dokumentasi populasi dan properti dengan resolusi spasial tinggi yang berpotensi digunakan untuk simulasi risiko banjir pesisir.

Gambar 7. Lapisan Pemukiman Resolusi Tinggi (HRSL) 2020 (Facebook - CIESIN 2016) dan Jejak Pemukiman Dunia 2015

(Marconcini et al., 2020)

3.6 Pengembangan Kerangka Kerja untuk Penilaian Risiko Banjir Pesisir dengan Menggunakan AI Berbasis Geografis Pendekatan simulasi banjir pesisir dikembangkan, seperti yang ditunjukkan pada Gambar 8. Studi ini menyajikan penggunaan baru dari Algoritma Pembelajaran Mesin Spasial Ensemble (SMLA) untuk simulasi banjir pesisir, dengan memanfaatkan data spasial yang besar dengan resolusi temporal dan horizontal yang tinggi secara global.

Setelah dokumentasi parameter kunci selesai, semua data akan ditransformasikan dan diselaraskan menjadi data berbasis grid dan dikompilasi ke dalam (A) Tabel Data Parameter Kunci sebagai fitur variabel untuk pemodelan banjir. Parameter-parameter tersebut meliputi Kenaikan Muka Air Laut (Muka Air Laut); Pasang; Gelombang;

Pengaturan Gelombang; Angin/topan/topan; MERIT-DEM;

Kemiringan; Populasi; Penerapan PRB; (*) Kejadian dan Durasi Banjir Pesisir; (*) Daerah yang Tergenang (Km² ); (*) Kerugian Harta Benda ($); (*) Cedera atau Kematian Langsung/Tidak Langsung (jumlah).

Tabel Data Parameter Kunci akan dibagi menjadi dataset pelatihan (70%) dan dataset pengujian (30%) yang berisi fitur data sebagai prediktor dan target fitur (ditunjukkan dengan tanda bintang (*) di atas). Selanjutnya, data-data tersebut akan dimodelkan (B) melalui Machine Learning (ML) berbasis GIS dengan menggunakan ArcGIS API untuk Python. Pendekatan-pendekatan ML yang ada akan dibandingkan untuk mengetahui akurasi terbaik, seperti Random Forest (RF), Support Vector Machine (SVM), Jaringan Syaraf Tiruan (JST), Naïve Bayes (NB), dan Regresi Logistik (LR). Evaluasi hasil seperti confusion matrix, ROC, dan skor F1 (>75%) akan digunakan.

Penelitian sebelumnya telah membandingkan pendekatan-pendekatan ini untuk simulasi banjir, tetapi terbatas pada banjir pesisir terutama dengan mempertimbangkan PRB dalam simulasi tersebut (Faizollahzadeh Ardabili et al., 2019; Park dan Lee, 2020).

Gambar 8. Model ML untuk penilaian risiko banjir pesisir Banjir pesisir disebabkan oleh kejadian air tinggi yang bersifat stokastik, seperti gelombang badai dan ombak yang disebabkan oleh siklon tropis/badai pesisir/pasang surut. Dengan kata lain, banjir pesisir adalah air laut yang masuk ke daratan (Lorie et al., 2020). Beberapa parameter banjir pesisir digunakan dalam analisis, seperti yang ditunjukkan pada Gambar 9 dan tercantum di bawah ini.

Gambar 9. Jalur banjir pesisir dan parameter-parameter kunci Kenaikan permukaan laut didefinisikan sebagai ketinggian air di atas permukaan laut rata-rata dalam waktu dan wilayah tertentu. Dalam analisis ini, kumpulan data anomali permukaan laut dihitung berdasarkan periode referensi rata-rata dua puluh tahun (1993-2012) dengan menggunakan standar altimeter terkini. Pasang dan surut dengan mudah didefinisikan sebagai perbedaan antara anomali air laut dan kenaikan permukaan laut rata-rata (pasang), atau kontras kenaikan permukaan air di atas permukaan air laut rata-rata, dan tidak termasuk ombak.

Untuk simulasi lebih lanjut, diperlukan variabel target (Y), seperti area yang terendam banjir, properti yang terdampak, dan populasi yang terpapar. Berikut ini adalah dokumentasi dampak dalam studi kasus (pantai utara Pekalongan, Jawa Tengah, Indonesia).

Studi ini mengembangkan daerah yang tergenang akibat banjir pesisir (Gambar 10). Peta ini dibuat dengan menggunakan Landsat 8. Terdapat beberapa keterbatasan di mana Landsat tidak mencakup beberapa area selama banjir pesisir. Oleh karena itu, penelitian ini mengasumsikan durasi banjir yang paling lama. Masalah Landsat 8 pada tutupan awan juga menjadi tantangan tersendiri. Di sini, Modified Normalized Different Water Index digunakan untuk memperkirakan area yang terkena banjir meskipun terlalu tinggi dibandingkan dengan berita.

Daerah banjir didefinisikan sebagai indeks air sementara oleh MNDWI (> 0,5). Modified Normalized Difference Water Index (MNDWI) menggunakan band hijau dan SWIR untuk meningkatkan fitur perairan terbuka. Indeks ini juga mengurangi fitur area terbangun dari indeks lain yang sering kali berkorelasi dengan lahan perairan terbuka (Muis et al., 2020).

MNDWI = (Hijau - SWIR) / (Hijau + SWIR)

Gambar 10. Daerah yang terendam banjir di Pantai Utara Pekalongan

Selain itu, studi ini juga mengembangkan analisis kerusakan dengan mempertimbangkan properti yang terkena dampak dan populasi yang terpapar (Gambar 11). Kerusakan properti didefinisikan sebagai kerugian PDB dalam batas wilayah yang terkena banjir. Sedangkan populasi yang terpapar didefinisikan sebagai jumlah penduduk yang tinggal di wilayah yang terkena banjir. Analisis kerusakan menggunakan Open Street Map (OSM) dan PDB Grid. Rencana akan mempertimbangkan kedalaman, durasi, dan PDB. Sedangkan populasi yang terpapar dihitung menggunakan WorldPop. Kami menemukan bahwa masalah utamanya adalah resolusi spasial.

Penelitian selanjutnya akan menganalisis risiko banjir pesisir dengan parameter-parameter kunci di atas. Dampak di atas akan bertindak sebagai variabel target (Y), dan variabel fitur akan menjadi parameter kunci yang dikembangkan. Hal ini dapat dimasukkan dalam makalah akhir.

Gambar 11. Daerah yang terendam banjir di Pantai Utara Pekalongan

4. KESIMPULAN

Sebuah studi tentang pemanfaatan Machine Learning (ML) untuk membantu analisis risiko bencana telah muncul baru-baru ini. Hal ini sangat membantu dalam memajukan prediksi bencana baik secara spasial maupun temporal. Meskipun ada studi terbatas tentang penilaian risiko bencana spasial menggunakan ML, ada tren dalam hal ini, dan diharapkan untuk menggunakannya secara luas dalam waktu dekat.

Penerapan pendekatan ini dalam studi kasus menunjukkan bahwa ML memiliki hasil yang menjanjikan untuk memajukan prediksi risiko kerugian dan kerusakan.

Mempertimbangkan LLMIC, terutama zona perkotaan, untuk fokus studi sangat penting mengingat mereka diperkirakan akan mengalami dampak yang parah dari banjir pesisir. Dokumentasi populasi dan properti telah mengungkapkan bahwa sangat penting untuk mempertimbangkan wilayah ini untuk penilaian. Studi ini merekomendasikan agar informasi tersebut dan parameter fitur geografis seperti solusi ekologi yang diterapkan pada skenario perubahan iklim dan populasi memperkaya prakiraan risiko dalam berbagai kondisi.

UCAPAN TERIMA KASIH

Pekerjaan ini didukung oleh JST SPRING, Nomor Hibah JPMJSP2108.

REFERENSI

Aiyelokun, O., Ogunsanwo, G., Ojelabi, A., Agbede, O., 2021.

Algoritma Klasifikasi Gaussian Naïve Bayes untuk Pengurangan Risiko Kekeringan dan Banjir. pp. 49-62. https://doi.org/10.1007/978- 981-15- 5772-9_3

Azevedo de Almeida, B., Mostafavi, A., 2016. Ketahanan Sistem Infrastruktur terhadap Kenaikan Muka Air Laut di Wilayah Pesisir:

Dampak, Langkah Adaptasi, dan Tantangan Implementasi. Sustain. . https://doi.org/10.3390/su8111115

Cattaneo, A., Nelson, A., McMenomy, T., 2021. Pemetaan global daerah tangkapan air perkotaan-perdesaan menunjukkan akses yang tidak setara terhadap layanan. Proc. Natl. Acad. Sci. 118, e2011990118.

https://doi.org/10.1073/pnas.2011990118

Chan, F.K.S., Chuah, C.J., Ziegler, A.D., Dąbrowski, M., Varis, O., 2018. Menuju manajemen risiko banjir yang tangguh untuk kota-kota pesisir Asia: Pelajaran yang dapat dipetik dari Hong Kong dan Singapura.

J. Bersih. Prod. 187, 576-589.

https://doi.org/https://doi.org/10.1016/j.jclepro.2018.03.217 Chang, F.-J., Hsu, K., Chang, L.-C., Yu, Y., Zhang, H., Singh,

V., Zhou, J., Ehteram, M., Othman, F., Yaseen, Z., Afan, H., Allawi, M., Tayfur, G., Farzin, S., Karami, H., Farahani, N., Kisi, O., Jabbari, A., Bae, D.-H., Mosavi, A., 2019. Peramalan Banjir Menggunakan

Machine Learning Methods.

https://doi.org/10.3390/books978-3-03897-549-6

Dasgupta, S., Laplante, B., Meisner, C., Wheeler, D., Yan, J., 2009.

Dampak kenaikan permukaan laut terhadap negara-negara berkembang:

sebuah analisis komparatif. Clim. Change 93, 379-388.

https://doi.org/10.1007/s10584-008-9499-5

Laboratorium Konektivitas Facebook dan Pusat Jaringan Informasi Ilmu Pengetahuan Bumi Internasional - CIESIN - Universitas Columbia.

2016. Lapisan Pemukiman Resolusi Tinggi (High-Resolution Settlement Layer, HRSL). Sumber citra untuk HRSL © 2016 DigitalGlobe. Diakses pada 23 Februari 2022.

Faizollahzadeh Ardabili, S., Mosavi, A., Dehghani, M., R. Várkonyi- Kóczy, A., 2019. Pembelajaran Mendalam dan Mesin

Pembelajaran dalam Proses Hidrologi, Perubahan Iklim dan Sistem Bumi: Sebuah Tinjauan Sistematis. MDPI AG.

https://doi.org/10.20944/preprints201908.0166.v1

Ganguly, K.K., Nahar, N., Hossain, B.M.M., 2019. Prediksi dan analisis berbasis pembelajaran mesin terhadap rumah tangga yang terkena dampak banjir: Studi kasus banjir di Bangladesh. Int. J. Risiko Bencana

Mengurangi. 34, 283–294.

https://doi.org/https://doi.org/10.1016/j.ijdrr.2018.12.002

Giri, C., Ochieng, E., Tieszen, L.L., Zhu, Z., Singh, A., Loveland, T., Masek, J., Duke, N., 2011. Status dan sebaran hutan mangrove di dunia menggunakan data satelit observasi bumi. Glob. Ecol. Biogeogr. 20, 154-159. https://doi.org/10.1111/j.1466-8238.2010.00584.x

Hallegatte, S., Green, C., Nicholls, R., Corfee-Morlot, J., 2013.

Kerugian akibat banjir di masa depan di kota-kota pesisir. Nat. Clim.

Chang. 3, 802-806. https://doi.org/10.1038/nclimate1979

IPCC, 2018. Ringkasan untuk Para Pembuat Kebijakan. Dalam Pemanasan Global

1.5°C. Laporan Khusus IPCC mengenai dampak pemanasan global 1,5°C di atas tingkat pra-industri dan jalur emisi gas rumah kaca global terkait, dalam rangka memperkuat respons global, dalam: Masson-Delmotte, V., P. Zhai, H.-O. Pörtner, D. Roberts, J. Skea, P.R. Shukla, A. Pirani, W. Moufouma-Okia, C. Péan, R. Pidcock, S. Connors, J.B.R. Matthews, Y. Chen, X. Zhou, M.I. Gomis, E. Lonnoy, T. Maycock, M. Tignor, dan T.W. (Ed.), IPCC AR-5. Organisasi Meteorologi Dunia, Jenewa, Swiss, hlm. 32.

Kirezci, E., Young, I.R., Ranasinghe, R., Muis, S., Nicholls, R.J., Lincke, D., Hinkel, J., 2020. Proyeksi permukaan laut ekstrem skala global dan banjir pesisir episodik yang diakibatkannya selama abad ke- 21. Sci. Rep. 10, 11629. https://doi.org/10.1038/s41598-

020-67736-6

Kusmana, C., 2014. Sebaran dan Status Terkini Hutan Mangrove di Indonesia. hal. 37-60. https://doi.org/10.1007/978-1- 4614-8582-7_3 Li, G., Messina, J., Peter, B., Snapp, S., 2017. PEMETAAN

KESESUAIAN LAHAN UNTUK PERTANIAN

DI MALAWI:

Pemetaan Kesesuaian Lahan Pertanian. L. Degrad. Dev.

https://doi.org/10.1002/ldr.2723

Lindersson, S., Brandimarte, L., Mård, J., Di Baldassarre, G., 2020.

Tinjauan set data global yang dapat diakses secara bebas untuk mempelajari banjir, kekeringan, dan interaksinya dengan masyarakat

manusia. KABEL Air 7, e1424.

https://doi.org/https://doi.org/10.1002/wat2.1424

Lorie, M., Neumann, J.E., Sarofim, M.C., Jones, R., Horton, R.M., Kopp, R.E., Fant, C., Wobus, C., Martinich, J., O'Grady, M., Gentile, L.E., 2020. Memodelkan risiko banjir pesisir dan respons adaptasi di bawah kondisi iklim di masa depan. Clim. Risk Manag. 29,

100233.

https://doi.org/https://doi.org/10.1016/j.crm.2020.100233

MacManus, K., Balk, D., Engin, H., McGranahan, G., Inman, R., 2021.

Memperkirakan Populasi dan Wilayah Perkotaan yang Berisiko Terkena Bahaya Pesisir, 1990-2015: Bagaimana pilihan data menjadi penting.

Earth Syst. Sci. Data Discuss. 2021, 1-65. https://doi.org/10.5194/essd- 2021-

165

Manandhar, A., Fischer, A., Bradley, D.J., Salehin, M., Islam, M.S., Hope, R., Clifton, D.A., 2020. Pembelajaran Mesin untuk

Evaluasi Dampak Perlindungan Banjir di Bangladesh, 1983-2014. Air . https://doi.org/10.3390/w12020483

Marconcini, M., Metz-Marconcini, A., Üreyen, S., Palacios-Lopez, D., Hanke, W., Bachofer, F., Zeidler, J., Esch, T., Gorelick, N., Kakarla, A., Paganini, M., Strano, E., 2020. Menguraikan tempat tinggal manusia, Jejak Pemukiman Dunia 2015. Sci. Data 7.

https://doi.org/10.1038/s41597-020-00580-5

McGranahan, G., Balk, D., Anderson, B., 2007. Air pasang naik:

menilai risiko perubahan iklim dan permukiman manusia di wilayah pesisir dataran rendah. Lingkungan. Urban. 19, 17-37.

https://doi.org/10.1177/0956247807076960

Mosavi, A., Ozturk, P., Chau, K., 2018. Prediksi Banjir Menggunakan Model Pembelajaran Mesin: Tinjauan Literatur. Water . https://doi.org/10.3390/w10111536

Muis, S., Apecechea, M.I., Dullaart, J., De Lima Rego, J., Madsen, K.S., Su, J., Yan, K., Verlaan, M., 2020. Dataset Global Resolusi Tinggi untuk Permukaan Laut Ekstrem, Pasang Surut, dan Gelombang Badai, Termasuk Proyeksi Masa Depan. Depan. Mar. Sci. 7.

https://doi.org/10.3389/fmars.2020.00263

Neumann, B., Vafeidis, A.T., Zimmermann, J., Nicholls, R.J., 2015.

Pertumbuhan Populasi Pesisir di Masa Depan dan Paparan Kenaikan Permukaan Laut dan Banjir Pesisir - Penilaian Global. PLoS One10,

e0118571.

https://doi.org/10.1371/journal.pone.0118571

Nicholls, R., Hanson, S., Herweijer, C., Patmore, N., Hallegatte, S., Corfee-Morlot, J., Chateau, J., Muir-Wood, R., 2008. Pemeringkatan Kota-kota Pelabuhan dengan Paparan dan Kerentanan Tinggi terhadap Iklim Ekstrem: Estimasi Keterpaparan. OECD, Environ. Dir.

Lingkungan Hidup OECD. Work. Pap.

https://doi.org/10.1787/011766488208

Park, S.-J., Lee, D.-K., 2020. Prediksi risiko banjir pesisir akibat dampak perubahan iklim di Korea Selatan menggunakan algoritma pembelajaran mesin. Environ. Res. Lett. 15, 94052.

https://doi.org/10.1088/1748-9326/aba5b3

Ruckelshaus, M., Reguero, B.G., Arkema, K., Compeán, R.G., Weekes, K., Bailey, A., Silver, J., 2020. Memanfaatkan teknologi data baru untuk solusi berbasis alam dalam menilai dan mengelola risiko di wilayah pesisir. Int. J. Pengurangan Risiko Bencana. 51, 101795.

https://doi.org/10.1016/j.ijdrr.2020.101795

Saravi, S., Kalawsky, R., Joannou, D., Rivas Casado, M., Fu, G., Meng, F., 2019. Penggunaan Kecerdasan Buatan untuk Meningkatkan Ketahanan dan Kesiapsiagaan Terhadap Kejadian Banjir yang Merugikan. Water 11, 973. https://doi.org/10.3390/w11050973 Takagi, H., 2019. "Mangrove yang diadaptasi pada platform hibrida" - Penggabungan prinsip-prinsip ekologi dan teknik untuk menghadapi

bahaya pesisir. Hasil Eng. 4, 100067.

https://doi.org/https://doi.org/10.1016/j.rineng.2019.100067

Tayfur, G., Singh, V., Moramarco, T., Barbetta, S., 2018. Prediksi Hidrograf Banjir Menggunakan Metode Pembelajaran Mesin. Water 10, 968. https://doi.org/10.3390/w10080968