REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 132
PEMETAAN CEPAT GENANGAN BANJIR MENGGUNAKAN TEKNOLOGI REMOTE SENSING
Tedy Pranadiarso
1, Entin Hidayah
2,*, Gusfan Halik
21Mahasiswa, Program Studi S2, Jurusan Teknik Sipil Universitas Jember 2Dosen, Jurusan Teknik Sipil, Universitas Jember
ABSTRACT
The existence of a flood inundation rapid map is needed in flood mitigation. This research is intended to map flood inundation quickly by utilizing satellite image technology. Sentinel 2 Level 1C technology uses before and after the flood. The extraction process uses the methods of NDWI (Normalized Difference Water Index) and MNDWI (Modified Normalized Difference Water Index). The result is treated with a threshold value by dividing the pixel value into flooded and unflooded areas. The performance model shows that the MNDWI method is more accurate than the NDWI method in producing flood inundation maps. Thus, the results of the MNDWI method are practical and able to map flood inundation quickly
Keywords: Rapid mapping, Sentinel 2-L1C, NDWI, MNDWI, threshold
1. PENDAHULUAN
Banjir adalah bencana alam berupa genangan air yang menggenangi suatu tempat dalam jangka waktu tertentu yang menimbulkan dampak kerusakan harta benda serta kehilangan nyawa makhluk hidup [1];[2]. Bencana banjir rentan terjadi akibat hujan lebat yang kemudian memicu meningkatnya permukaan air sungai, drainase, danau sampai air tersebut meluap melebihi daya tampungnya [3]. Dalam penelitian ini, berfokus pada kejadian banjir yang terjadi pada 5 desa di kecamatan Tempurejo tanggal 05 februari 2021. Kejadian banjir ini merupakan salah satu banjir terbesar yang terjadi pada tahun 2021. Ketinggian genangan mencapai 2 meter dan durasi genangan banjir tersebut sekitar 4-6 hari.
Dampak banjir ini ada sekitar 12.000 rumah yang tergenang, 7 fasilitas ibadah rusak, dan 5 fasilitas pendidikan tidak bisa difungsikan [4].
Sehingga, adanya upaya mitigasi berupa pemetaan genangan banjir agar kejadian banjir ini dapat dikurangi dampaknya. Disisi lain, ada beberapa kendala yaitu keterbatasan data dalam memetakan genangan banjir. Dibutuhkan informasi data yang cepat agar titik prediksi genangan banjir segera terdeteksi sehingga mampu memberikan informasi terkini dan
mengambil langkah keputusan cepat oleh lembaga tanggap darurat [5]. Penelitian sebelumnya terkait upaya preventif dan mitigasi dampak banjir telah dilakukan oleh [6]. Namun metode tersebut masih terlalu tradisional dan membutuhkan waktu yang lama.
Akhir-akhir ini pengembangan teknologi integrasi antara data penginderaan jarak jauh dengan Sistem Informasi Geografis (SIG) telah banyak dikembangkan dalam ekstraksi dan pemetaan badan air serta genangan banjir [7];[5]. Teknologi penginderaan jarak jauh berupa penggunaan gambar citra satelit banyak dilakukan untuk memberikan informasi cepat yang diperlukan dalam menghasilkan peta genangan sebagai langkah upaya mitigasi banjir [8]. Beberapa penelitian telah dilakukan oleh Feyisa, dkk. [9] memanfaatkan gambar citra landsat TM5 membandingkan metode AWEI shadow, AWEI no shadow, Maximum likelihood (ML), NDWI, MNDWI. Dari beberapa metode tersebut menghasilkan dari 5 lokasi penelitian, ada 4 lokasi penelitian (dengan nilai ambang batas yang berbeda-beda setiap lokasi penelitian) menunjukkan akurasi klasifikasi AWEI shadow, AWEI no shadow secara akurasi lebih tinggi daripada NDWI, MNDWI dan ML (P-value < 0,01). Penelitian
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 133
lain juga mencoba mengombinasikan data citraSynthetic aperture radar (SAR) sentinel 1 dan sentinel 2 menggunakan metode Otsu thresholding and normalized difference water index (NDWI) mampu memprediksi area genangan banjir secara cepat dan murah, karena data yang dibutuhkan sangat sederhana dan mudah diperoleh [2]. Selain itu, penelitian juga dilakukan dengan menggunakan gambar citra Landsat TM, ETM+, dan OLI. Hasil penelitian tersebut metode WI2015, MNDWI2006, dan AWEIshadow mempunyai akuarsi terbaik, dengan indeks KAPPA dan nilai Overall Accuracy rata-rata mencapai 95–99% [10].
Selanjutnya penelitian yang dilakukan oleh Sivanpillai, dkk. [5] merekomendasikan metode MNDWI dalam menangkap prediksi daerah yang tergenang banjir.
Dari uraian diatas, penerapan integrasi antara data penginderaan jarak jauh dengan Sistem Informasi Geografis (SIG) dianggap vital bagi negara-negara dunia karena sulit bagi pemerintah untuk memperbarui database mereka karena kurangnya sumber daya dengan observasi darat metode tradisional yang mahal dan memakan waktu [11]. Kemampuan integrasi data penginderaan jarak jauh dengan GIS telah membuka peluang untuk analisis kuantitatif suatu peristiwa bencana, seperti pemetaan genangan banjir di semua geografis dan skala spasial. Namun, di Kecamatan tempurejo, prosedur ini masih akan digunakan.
Oleh karena itu, penelitian ini dilakukan untuk pemetaan cepat genangan banjir di Kecamatan tempurejo menggunakan penginderaan jauh yang terintegrasi dengan GIS. Kemudian, menurut Feyisa, dkk. [9] hasil ektraksi genangan banjir menggunakan data penginderaan jarak jauh mempunyai nilai ambang batas yang berbeda di setiap lokasi.
Sehingga hal tersebut memberi celah untuk pengembangan penelitian selanjutnya.
Pengembangan tersebut penentuan nilai ambang batas yang cocok diterapkan di Indonesia.
Pengembangan berupa penentuan nilai ambang batas untuk mengklasifikasi antara area tergenang dan tidak tergenang banjir menggunakan software QGIS. Selain itu, penelitian ini juga menerapakan metode NDWI dan MNDWI yang disebutkan pada penelitian sebelumnya mempunyai akurasi yang tinggi dalam pemetaan cepat genangan banjir.
Langkah selanjutnya yaitu dilakukan uji akurasi menggunakan Overall Accuracy dan Indeks
KAPPA. Dan output terakhir berupa peta genangan banjir pada 5 desa di Kecamatan Tempurejo, Jember, Indonesia. Sehingga, peta tersebut dapat digunakan oleh lembaga tanggap darurat dalam menentukan prioritas penanganan daerah yang terdampak banjir dengan tepat sasaran.
2. WILAYAH STUDI
Wilayah penelitian ini terletak di Kabupaten Jember bagian selatan yaitu Kecamatan Tempurejo yang membentang dikoordinat 80 16' 20" - 80 34' 10" lintang selatan sampai 1130 36' 11" – 1130 58' 26"
bujur timur dengan total luas 524,46 km2.
Dengan angka tersebut, Tempurejo merupakan kecamatan terluas diantara kecamatan lain yang ada di Kabupaten Jember [12]. Untuk bencana banjir di Kecamatan Tempurejo, ada 5 desa yang sering terdampak yaitu desa Curahnongko, Curahtakir, Sidodadi, Sanenrejo, dan Wonoasri.
Banjir tersebut terjadi hari Jumat, 05 Februari 2021 diakibatkan oleh hujan intensitas tinggi.
Kemudian, debit air sungai Sanenrejo dan Curahnongko meningkat drastis dan akhirnya air meluap memasuki pemukiman warga.
Ketinggian air mencapai 2 meter dan durasi genangan banjir tersebut sekitar 4-6 hari melanda 5 desa di kecamatan Tempurejo.
Dampak banjir ini ada sekitar 12.000 rumah yang tergenang, 7 fasilitas ibadah rusak, dan 5 fasilitas pendidikan tidak bisa difungsikan.
Peristiwa genangan banjir ini sering terjadi di awal tahun dan terjadi berulang setiap tahun [13].
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 134
Gambar 1. Wilayah Penelitian3. METODOLOGI
Penelitian ini dibagi dalam 3 tahap, meliputi pre-processing, processing, and post-processing dapat dilihat pada Gambar 2.
Gambar 2. Diagram alir penelitian
3.1. Data Collection
Data yang digunakan dalam penelitian ini meliputi data survey langsung dilapangan, gambar citra satelit, serta website atau akun resmi sosial media beberapa instansi terkait.
Untuk kasus penelitian ini kejadian banjir tanggal 05 Februari 2021, maka diambil data gambar citra satelit sentinel sebelum dan sesudah kejadian banjir yaitu masing-masing tanggal 21 Januari 2020 dan 09 Februari 2021.
Data tersebut dijabarkan pada Tabel 1.
Tabel 1. Pengumpulan Data
Nama Data Sumber Kegunaan
Inventari-sa si Kejadian Banjir
1. Survey Lapangan 2. BNPB Indonesia (www.gis.bnpb.g o.id)
3. BPBD Kab.
Jember (Instagram
@BPBD Kabupaten Jember)
Untuk validasi dan akurasi data penelitian
Data Citra Sentinel 2 -L1C
Sentinels Scientific Data Hub
(https://scihub.coperni cus.eu/)
Untuk ekstraksi genangan banjir
Data Batas Administras i
Badan Informasi Geospasial (BIG) Indonesia
(https://tanahair.indon esia.go.id)
(https://geoservices.
big.go.id)
Untuk menetukan ruang lingkup data penelitian
Digital Elevation Model (DEM)
Badan Informasi Geospasial (BIG) Indonesia (https://tanahair.
indonesia.go.id)
Untuk membuat batas Subdas dan sistem jaringan sungai
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 135
Tabel 2. Data Citra Sentinel 2 -L1C3.2 Metode Ekstaksi Genangan Banjir Metode ektraksi genangan banjir dalam penelitian ini menggunakan metode Normalized Difference Water Index (NDWI) [14] dan Modified Normalized Difference Water Index (MNDWI) [15]. Kedua metode tersebut diharapkan mampu memberikan hasil yang memuaskan dalam pemetaan cepat genangan banjir pada penelitian ini. Kemudian, dalam proses ekstraksi dan pemetaan genangan banjir penelitian ini dibantu dengan Software QGIS.
3.2.1 Normalized Difference Water Index (NDWI)
Penelitian yag dilakukan oleh [14] mulai mengembangkan anilisis identifikasi genangan dengan metode indeks kebasahan atau Normalized Difference Water Index (NDWI) yang menggunakan data satelit. Dua kanal Near Infrared (NIR) yang berpusat kira-kira pada 0.86 µm dan 1.24 µm untuk penginderaan jauh dari luar angkasa. Saluran 1,24-,um belum pernah digunakan sebelumnya dalam pembentukan indeks kebasahan. Penelitian awal pada indeks ini dilaporkan dalam konferensi ilmiah [14]. Kemudian, McFeeters [16]
mendukung penelitian sebelumnya bahwa Normalized Difference Water Index (NDWI) adalah metode baru yang telah dikembangkan untuk menginterpretasikan daerah air yang terbuka dan meningkatkan kehadirannya dalam citra satelit penginderaan jarak jauh. NDWI memanfaatkan pantulan radiasi near infrared dan green sambil menghilangkan keberadaan fitur vegetasi tanah dan terestrial. Disarankan bahwa NDWI juga dapat memberikan peneliti kekeruhan estimasi badan air menggunakan data digital penginderaan jauh. Persamaan (1) merupakan penjabaran formula NDWI [16].
(1) Hasil indeks NDWI dapat berkisar dari -1 hingga +1. Di mana Green adalah band yang mencakup cahaya hijau yang dipantulkan dan NIR mewakili memantulkan radiasi inframerah-dekat. Pemilihan panjang gelombang ini dilakukan untuk:
(1) Memaksimalkan reflektansi khas fitur air dengan menggunakan panjang gelombang cahaya hijau;
(2) Meminimalkan reflektansi rendah NIR oleh fitur air; dan
(3) Mengambil keuntungandari reflektansi tinggi NIR oleh vegetasi
terestrial dan fitur tanah
3.2.2. Modified Normalized Difference Water Index (MNDWI)
Dalam penelitian ini, ekstraksi genanangan banjir menerapkan metode MNDWI yang memanfaatkan pantulan radiasi Middle Infrared (MIR) yang jauh lebih besar dari Green. Oleh karena itu, jika kanal (band) MIR digunakan sebagai pengganti kanal (band) NIR di NDWI, lahan terbangun harus memiliki nilai negatif. Berdasarkan asumsi ini, MNDWI dimodifikasi mengganti band NIR dengan band MIR. Modified Normalized Difference Water Index (MNDWI) dapat dinyatakan pada persamaan (2).
(2)
Perhitungan MNDWI mendapatkan tiga hasil yaitu (1) Air memiliki nilai positif yang lebih besar daripada di NDWI karena menyerap lebih banyak cahaya MIR daripada NIR; (2) Lahan terbangun memiliki nilai negatif sebagaimana
Spectral
Panjang Gelom-
bang (nm)
Lebar Kanal (nm)
Resolusi Spasial
(m)
B1-Coastal
Aerosol 443 20 60
B2-Blue 490 65 10
B3-Green 560 35 10
B4-Red 665 30 10
B5-Vegetation
Red Edge 705 15 20
B6- Vegetation
Red Edge 740 15 20
B7- Vegetation
Red Edge 783 20 20
B8-NIR 842 115 10
B8A- Vegetation Red
Edge
865 20 20
B9-NIR 945 20 60
B10-MIR 945 30 60
B11-MIR 1610 90 20
B12- MIR 2190 180 20
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 136
tersebut di atas; dan (3) Tanah dan vegetasimemiliki nilai negatif karena tanah memantulkan cahaya MIR lebih banyak daripada NIR cahaya dan vegetasi memantulkan cahaya MIR lebih banyak daripada cahaya hijau [17]; [15]
3.3. Data Treatment using Threshold Value Hasil ekstraksi genangan NDWI dan MNDWI dilakukan penentuan nilai ambang batas (Threshold Value) melalui nilai pikselnya [9]. Menurut (McFeeters, 1996) nilai piksel nol atau positif memandakan fitur air (genangan) sedangkan ciri-ciri vegetasi tanah dan terestrial memiliki nilai ambang batas (Threshold Value) negatif, karena reflektansi Near Infrared (NIR) dan Middle Infrared (MIR) biasanya lebih tinggi daripada Green. Dengan demikian, software yang kita gunakan untuk proses ekstraksi air dapat dengan mudah mendeteksi area tergenang dan tidak tergenang banjir. Perlu diperhatikan dalam identifikasi nilai ambang batas genangan banjir perlu lebih detail lagi melihat nilai pikselnya. Karena nilai ambang batas ini sangat berpengaruh terhadap akurasi data hasil akhir pemetaan genangan banjir.
Treatment penentuan nilai ambang batas atau Threshold Value (TV) dijabarkan dalam Tabel 3.
Tabel 3. Treatment Threshold Value
No Nama Nilai Pixel Keterangan 1 TV1 < 0 Non-Inundation
≥ 0 Inundation 2 TV2 < 0.05 Non-Inundation
≥ 0.05 Inundation 3 TV3 < 0.1 Non-Inundation
≥ 0.1 Inundation 3.4. Penilaian Akurasi
Penilaian akurasi merupakan syarat penting kriteria utama bagi sistem klasifikasi dari citra satelit. Sehingga, hasil peta genangan banjir dari pengolahan citra satelit Sentinel 2 level 1C dengan menggunakan metode NDWI dan MNDWI perlu dilakukan uji akurasi menggunakan Overall Accuracy dan Indeks KAPPA [18].
Persamaan (3), (4), dan (5) merupakan formula untuk menghasilkan uji akurasi .
User’s Accuracy
=
100% (3)Producer‘s Accuracy = 100% (4)
Overall Accuracy = (5) dengan :
Xii = Nilai diagonal dari matrix kontingensi baris ke-i dan kolom ke-i
X+i = Jumlah piksel dalam kolom ke-i Xi+ = Jumlah piksel dalam baris ke-i N = Banyaknya piksel dalam contoh Sumber: [18]
Lembaga Penerbangan dan Antariksa Nasional (LAPAN) Indonesia pada tahun 2015 menetapkan pedoman pengolahan data satelit yaitu tingkat penilaian ketelitian klasifikasi yang digunakan harus diatas 75% [19].
Akurasi KAPPA di rumuskan pada persamaan (6). Dengan nilai klasifikasi indeks dicantumkan pada Tabel 4.
(6)
Dimana :
Xii = Nilai diagonal dari matrik kesalahan baris ke-i dan kolom ke-i
Xi+ = Jumlah piksel dalam kolom ke-i X+i = Jumlah piksel dalam baris ke-i N = Banyaknya piksel dalam contoh Sumber: [20]
Table 4. Klasifikasi Indeks KAPPA No Index KAPPA Keterangan
1 K < 0.00 Poor
2 0 ≤ K ≤ 0.20 Slight
3 0.21 ≤ K ≤ 0.40 Fair 4 0.41 ≤ K ≤ 0.60 Moderate 5 0.61 ≤ K ≤ 0.80 Substansial
6 K ≥ 0.80 Almost Perfect
Sumber: [21]; [5]
4. HASIL
4.1. Ekstraksi genangan
Ekstraksi genangan banjir yang dihasilkan dari metode NDWI dan MNDWI dapat dilihat pada gambar 4. Genangan tersebut merupakan hasil ekstraksi data satelit Sentinel 2 L1C pasca banjir tanggal 09 Februari 2021 yang telah terklasifikasi menjadi area
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 137
¯
¯
¯
¯
¯
¯
¯
tergenang dan tidak tergenang banjir. Bisa kita lihat pada Gambar 3 (sisi kiri) Desa Wonoasri, Desa Curahnongko, Desa Curahtakir, Desa Sanenrejo, Desa Sidodadi merupakan hasil pemetaan area genangan banjir menggunakan metode MNDWI. Ekstraksi genangan banjirnya telah berhasil diproses dengan baik. Hal itu terlihat pada beberapa lokasi permukiman warga atau daerah terbangun telah terdeteksi genangan banjirnya. Berbeda dengan metode NDWI yang belum mampu menghasilkan ekstraksi genangan banjir yang sangat kurang maksimal. Bisa kita lihat pada Gambar 3 (sisi kanan) hasil ekstraksi genangan tidak terlihat pada peta tersebut.
(a) Skala 1 : 60.000
(b) Skala 1 : 60.000
(c) Skala 1 : 60.000
(d) Skala 1 : 60.000
(e) Skala 1 : 60.000 Keterangan :
: Ekstraksi genangan banjir : Sistem jaringan sungai
Gambar 3. Ekstraksi Genangan Banjir metode MNDWI (kiri) dan NDWI (kanan). (a) Desa Wonoasri; (b) Desa Curahnongko; (c) Desa Curahtakir; (d) Desa Sanenrejo; (e) Desa Sidodadi
Penerapan treatment ambang batas (TV) sangat efektif dalam mempertegas area tergenang dan tidak tergenang banjir (Gambar 4). Hal ini terbukti dengan penerapan beberapa TV mampu mengurangi titik-titik kesalahan piksel akibat ekstraksi genangan banjir. Dengan demikian gambar yang dihasilkan akan lebih bersih dan memudahkan pengguna saat menentukan prioritas upaya evakuasi dan mitigasi saat terjadi banjir.
(TV1) Skala 1 : 50.000
(TV2) Skala 1 : 50.000
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 138
¯
(TV3) skala 1 : 50.000 Gambar 4. Treatment Threshold Value
4.2 Accuracy Assesment
Hasil penilaian akurasi yang dilakukan dengan metode overall accuracy dan Indeks KAPPA menunjukkan bahwa metode MNDWI relatif lebih akurat daripada metode NDWI dalam melakukan klasifikasi dan pemetaan area tergenang dan tidak tergenang banjir (Tabel 5).
Hasil Overall Accuracy pada 5 study area Metode MNDWI dengan menggunakan salah satu dari 3 treatment threshold value (TV) menunjukkaan hasil diatas 75%, dimana Desa Curahnongko mencapai nilai akurasi tertinggi pada TV1 yaitu 79.69%. Kemudian, metode NDWI pada 5 study area dengan menggunakan 3 treatment threshold value (TV) menunjukkaan hasil Overall Accuracy dibawah 40%, dengan treatment TV1 nilai akurasi tertinggi yaitu 37.25% pada Desa Sanenrejo.
Index KAPPA menunjukkan bahwa hasil metode MNDWI lebih akurat dibandingkan dengan metode NDWI. Hal itu ditunjukkan dengan nilai index KAPPA metode MNDWI dengan treatment TV1 yaitu desa Curahtakir dan Sanenrejo masuk kategori 0.41 ≤ K ≤ 0.60 yaitu Moderate. Index KAPPA tertinggi metode NDWI ini terletak pada Desa Curahtakir, Sanenrejo, Sidodadi dengan treatment TV1 sebesar 0 ≤ K ≤ 0.20 yaitu Slight.
Hasil akurasi rendah yang diperoleh metode NDWI disebabkan karena ekstraksi genangan banjir yang tidak maksimal dan pengaruh penggunaan Band 08 yang tidak mampu menginterpretasikan hasil rekaman pantulan bumi sehingga banyak melakukan kesalahan klasifikasi pada area tergenang dan tidak tergenang banjir. Sedangkan, metode MNDWI lebih realistis dalam mengekstraksi genangan banjir, sehingga area yang merupakan
titik evakuasi warga saat banjir tetap terdeteksi dengan baik dan tidak banyak melakukan kesalahan klasifikasi.
Tabel 5. Penilaian Overall Accuracy dan Index KAPPA peta genangan banjir metode NDWI dan MNDWI
Untuk akurasi peta genangan banjir yang akan dipakai lembaga tanggap darurat bencana alam, maka perlu acuan lebih detail lagi terkait titik genangan banjir melalui User’s Accuracy (UA) dan Producer’s Accuracy (PA). Pada Table 6 menunjukkan nilai UA metode MNDWI lebih tinggi daripada metode NDWI.
Begitu juga dengan Producer’s Accuracy (PA), hasil metode NDWI relatif lebih tinggi daripada metode MNDWI. Dari metode NDWI yang menghasilkan nilai UA dan PA yang mencapai hingga 100% menunjukkan bahwa masing-masing klasifikasi antara area tergenang banjir telah dipetakan secara akurat dan sangat andal dari sudut pandang pengguna.
Study Area
TV Overall Accuracy
(%)
Index KAPPA
ND WI
MN DWI
ND WI
MND WI Wono-
asri
TV1 18.
07
75.
90
0.01 0.03 TV2 16.
87
64.
44
0.01 0.01 TV3 16.
87
70.
00
0.01 0.01 Curah-
nongko
TV1 14
06
79.
69
0.01 0.17 TV2 14.
06
77.
78
0.01 0.10 TV3 14.
06
79.
37
0.01 0.12 Curah-
takir
TV1 32.
20
66.
10
0.02 0.12 TV2 32.
20
64.
41
0.02 0.26 TV3 32.
20
76.
27
0.02 0.46 Sanen-
rejo
TV1 37.
25
76.
47
0.02 0.43 TV2 37.
25
54.
90
0.02 0.05 TV3 35.
29
52.
83
0.00 013 Sido-
dadi
TV1 23.
61
79.
17
0.02 0.10 TV2 20.
83
62.
50
0.02 0.01 TV3 19.
44
58.
33
0.01 0.06
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 139
Tabel 6. Penilaian User’s dan Producer’sAccuracy area genangan banjir metode NDWI dan MNDWI
Peneliti membutuhkan waktu sekitar 20-45 menit dalam membuat peta genangan banjir (Gambar 5). Dimulai dari mendownload data citra Sentinel 2 L1C, mengekstraksi genangan metode MNDWI dan NDWI serta melakukan layoting peta genangan banjir pada software QGIS. Dengan keuntungan tools SCP pada software QGIS dan data citra sentinel 2 L1C yang telah dikoreksi geometrik dan radiometrik oleh pihak internal sentinel menjadi salah satu pertimbangan penting dalam mendukung pemetaan cepat genangan banjir.
Sehinggan dengan keuntungan tersebut mampu mempersingkat waktu dalam proses pembuatan peta genangan banjir.
Gambar 5. Waktu Pembuatan Peta Genangan Berdasarkan uraian hasil penelitian diatas, metode MNDWI lebih cocok diterapkan untuk pemetaan cepat genangan banjir pada kecamatan Tempurejo, Kabupaten Jember, Indonesia. Peta yang dihasilkan pada penelitian ini mengecualikan klasifikasi badan air berupa danau atau sungai. Dengan pengecualian tersebut diharapkan mampu memberikan informasi area tergenang banjir kepada lembaga tanggap darurat sehingga dapat melakukan pemetaan area prioritas evakuasi terdampak bencana banjir. Hal ini dapat dijadikan sebagai penghemat waktu dalam mengalokasikan sumber daya manusia ke tempat-tempat yang membutuhkan evakuasi terlebih dahulu serta memudahkan dalam pendistribusian bantuan logistik.
5. PEMBAHASAN
Pemetaan cepat genangan banjir berbasis data teknologi penginderaan jarak jauh sangat dibutuhkan dalam upaya penentuan prioritas evakuasi dan mitigasi pada saat terjadi banjir.
Namun, dibeberapa lokasi menurut Feyisa, dkk.
[9] setiap gambar citra hasil ekstraksi genangan memiliki nilai ambang batas bervariasi menurut lokasi dan waktu akuisisi gambar yang dapat mempengaruhi nilai akurasi yang dihasilkan.
Hal itu terbukti dengan penerapan metode MNDWI menggunakan kombinasi Band 03 dan 12 pada penelitian Sivanpillai, dkk. [5] yang memiliki akurasi tinggi justru pada penelitian ini akurasi metode tersebut mengalami penurunan. Maka dari itu, peneliti mencoba menerapkan kombinasi spektral atau Band pada Satelit sentinel 2 L1C yang sesuai digunakan di Indonesia.
Metode MNDWI diterapkan dengan analisis respon spektrum pada area study
Study area
TV User’s Accuracy
(%)
Producer’s Accuracy (%)
ND WI
MN DWI
NDW I
MN DWI Wono-
asri
TV1 2.
86 87.
14
100 84.72 TV2 1.
43 70.
13
100 85.71 TV3 1.
43 77.
92
100 85.71 Curah-
nongko
TV1 1.
79 87.
50
100 90.74 TV2 1.
79 83.
93
100 90.38 TV3 1.
79 85.
71
100 90.57 Curah-
takir
TV1 3.
03 82.
93
100 72.34 TV2 3.
03 63.
41
100 81.25 TV3 3.
03 80.
49
100 84.62 Sanen-
rejo
TV1 3.
03 93.
94
100 75.61 TV2 3.
03 60.
61
100 66.67 TV3 0.
00 39.
39
100 72.22 Sido-
dadi
TV1 8.
33
91.67 100 84.62 TV2 5.
00 68.
33
100 83.67 TV3 3.
33 60.
00
100 85.71
NDWI MNDWI
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 140
sehingga menghasilkan kombinasi Band 03 dan12 yang cocok untuk memaksimalkan ekstraksi genangan banjir. Hasil yang diperoleh metode MNDWI menunjukkan nilai akurasi yang bagus dalam pemetaan area yang tergenang dan tidak tergenang banjir. Hal ini menunjukkan bahwa faktor kombinasi band sangat berpengaruh dalam ekstraksi genangan banjir.
Penentuan beberapa ambang batas (TV) pada penelitian ini sesuai dengan pendapat McFeeters [16] yang menyatakan bahwa nilai piksel 0 atau positif menandakan fitur air (genangan) sedangkan ciri-ciri vegetasi tanah dan terestrial memiliki nilai ambang batas (Threshold Value) negatif. Penerapan ambang batas ini juga efektif dalam menghilangkan titik-titik kesalahan piksel dalam ektraksi genangan banjir. Oleh karena itu, dalam membuat peta genangan banjir dalam penelitian ini perlu penerapan metode MNDWI dan treatment ambang batas batas (TV) yang sesuai sehingga mampu menghasilkan peta genangan banjir dengan akurat.
6. KESIMPULAN
Peta genangan banjir yang dihasilkan oleh metode MNDWI lebih direkomendasikan dalam upaya pemetaan cepat area banjir pada kecamatan Tempurejo, Kabupaten Jember, Indonesia. Dengan waktu proses pembuatan peta genangan banjir maksimal 35 menit metode MNDWI ini sangat sesuai dengan kondisi area terdampak bencana banjir yang membutuhkan upaya evakuasi dan mitigasi secara cepat. Selain itu, penerapan ambang batas (TV) mampu menghilangkan titik-titik kesalahan piksel sehingga pengguna peta genangan banjir dapat menentukan area prioritas dalam hal evakuasi dan mitigasi saat terjadi banjir.
Ketersediaan data yang mudah dan gratis memungkinkan metode MNDWI ini dapat digunakan dimana saja dan dapat menghemat waktu serta sumber daya manusia untuk membuat peta genangan banjir dalam membantu upaya evakuasi lembaga tanggap darurat.
Untuk menguji konsistensi hasil peta genangan banjir, maka perlu dilakukan penerapan metode MNDWI pada beberapa lokasi lain di Indonesia. Kemudian, dibutuhkan juga pengembangan kombinasi Band yang ada pada Sentinel 2 L1C untuk meningkatkan nilai akurasi sehingga pemetaan cepat berbasis
penginderaan jarak jauh tersebut cocok diterapkan di Indonesia.
7. DAFTAR PUSTAKA
[1] S. Mahmood, A. Sajjad, and A. ur Rahman,
“Cause and damage analysis of 2010 flood disaster in district Muzaffar Garh, Pakistan,”
Nat. Hazards, vol. 107, no. 2, pp. 1681–1692, 2021, doi: 10.1007/s11069-021-04652-6.
[2] M. Huang and S. Jin, “Rapid flood mapping and evaluation with a supervised classifier and change detection in Shouguang using Sentinel-1 SAR and Sentinel-2 optical data,”
Remote Sens., vol. 12, no. 13, 2020, doi:
10.3390/rs12132073.
[3] M. Gašparovič and D. Klobučar, “Mapping floods in lowland forest using sentinel-1 and sentinel-2 data and an object-based approach,”
Forests, vol. 12, no. 5, 2021, doi:
10.3390/f12050553.
[4] BPBD Kab.Jember, “Infografis Bencana Banjir.” BPBD Kab. Jember, Jember, 2021,
[Online]. Available:
https://www.instagram.com/p/CLcEtgBA6Ew/.
[5] R. Sivanpillai, K. M. Jacobs, C. M. Mattilio, and E. V. Piskorski, “Rapid flood inundation mapping by differencing water indices from pre- and post-flood Landsat images,” Front.
Earth Sci., vol. 15, no. 1, pp. 1–11, 2021, doi:
10.1007/s11707-020-0818-0.
[6] M. Ferk, R. Ciglič, B. Komac, and D. Lóczy,
“Management of small retention ponds and their impact on flood hazard prevention in the Slovenske Gorice Hills,” Acta Geogr. Slov., vol.
61, no. 1, pp. 141–152, 2021, doi:
https://doi.org/10.3986/AGS.7675.
[7] G. Sarp and M. Ozcelik, “Water body extraction and change detection using time series: A case study of Lake Burdur, Turkey,” J.
Taibah Univ. Sci., vol. 11, no. 3, pp. 381–391, 2017, doi: 10.1016/j.jtusci.2016.04.005.
[8] W. Chen et al., “Novel hybrid artificial intelligence approach of bivariate statistical-methods-based kernel logistic regression classifier for landslide susceptibility modeling,” Bull. Eng. Geol. Environ., vol. 78, no. 6, pp. 4397–4419, 2019, doi:
10.1007/s10064-018-1401-8.
[9] G. L. Feyisa, H. Meilby, R. Fensholt, and S. R.
Proud, “Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery,” Remote Sens. Environ., vol.
140, pp. 23–35, 2014, doi:
10.1016/j.rse.2013.08.029.
[10] A. Fisher, N. Flood, and T. Danaher,
“Comparing Landsat water index methods for
REKAYASA SIPIL / Volume 16, No.2 – 2022 ISSN 1978 - 5658 141
automated water classification in eastern Australia,” Remote Sens. Environ., vol. 175, pp.
167–182, 2016, doi: 10.1016/j.rse.2015.12.055.
[11] Y. Dong, B. Forster, and C. Ticehurst, “Radar backscatter analysis for urban environments,”
Int. J. Remote Sens., vol. 18, no. 6, pp.
1351–1364, 1997, doi:
10.1080/014311697218467.
[12] Badan Pusat Statistik Kab. Jember, “Kabupaten Jember Dalam Angka,” Kabupaten Jember Dalam Angka, pp. 1–68, 2021.
[13] W. Chen et al., “Landslide susceptibility modelling using GIS-based machine learning techniques for Chongren County, Jiangxi Province, China,” Sci. Total Environ., vol. 626,
pp. 1121–1135, 2018, doi:
10.1016/j.scitotenv.2018.01.124.
[14] B. C. Gao, “NDWI - A normalized difference water index for remote sensing of vegetation liquid water from space,” Remote Sens.
Environ., vol. 58, no. 3, pp. 257–266, 1996, doi: 10.1016/S0034-4257(96)00067-3.
[15] H. Xu, “Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery,” Int. J.
Remote Sens., vol. 27, no. 14, pp. 3025–3033, 2006, doi: 10.1080/01431160600589179.
[16] S. K. McFeeters, “The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features,” Int. J.
Remote Sens., vol. 17, no. 7, pp. 1425–1432, 1996, doi: 10.1080/01431169608948714.
[17] M. Sathianarayanan, “Assessment of surface water dynamics using multiple water indices around Adama woreda, Ethiopia,” ISPRS Ann.
Photogramm. Remote Sens. Spat. Inf. Sci., vol.
4, no. 5, pp. 181–188, 2018, doi:
10.5194/isprs-annals-IV-5-181-2018.
[18] S. Wahyuni, “Identifikasi Karakteristik dan Pemetaan Tutupan Lahan Menggunakan Citra Landsat 8 (OLI) Di Kabupaten Ogan Komering Ilir Provinsi Sumatera Selatan,”
SKRIPSIDepartemen Manaj. Hutan Fak.
Kehutan. Inst. Pertan. Bogor, vol. 3, pp.
103–111, 2015.
[19] LAPAN, “Pedoman Pengolahan Data Satelit Multispektral Secara Digital Supervised Untuk Klasifikasi,” pp. 1–8, 2015, [Online].
Available:
http://pusfatja.lapan.go.id/files_uploads_ebook/
pedoman/000_Buku_Pedoman_Klasifikasi_fin al.pdf.
[20] B. Mentari, “Identifikasi karakteristik dan pemetaan klasifikasi tutupan lahan menggunakan citra landsat 8 (oli) di kabupaten bogor bunga mentari,” SKRIPSI, pp. 1–20, 2013.
[21] P. F. Watson and A. Petrie, “Method agreement analysis: A review of correct methodology,” Theriogenology, vol. 73, no. 9,
pp. 1167–1179, 2010, doi:
10.1016/j.theriogenology.2010.01.003.
