Analisis Kerentanan Banjir Menggunakan Data Citra Satelit dan Machine Learning di Kota Surabaya

Abstract

Flood is a natural disaster typically happen after rain. Floods have an impact on damage, so an efficient flood susceptibility assessment is needed. Satellite imagery can be used to help detect flooding on a broad scale. One of the challenges in processing image data is image interpretation. By utilizing Machine Learning capabilities that are integrated with Geographic Information Systems, image interpretation can be carried out quickly. However, the challenge of using satellite imagery is the lack of large-scale flood datasets. In this paper, we present three Machine Learning approaches, namely Bayes, Rain Forest (RF), and Support Vector Machine (SVM) which are then analyzed using the Frequency Ratio method to obtain a flood susceptibility index. By utilizing the available Sentinel-1 imagery, the analysis in this study shows that 61.23 percent of the total area is classified as safe from flood susceptibility and the rest is classified as low, medium, and high flood susceptibility. Kata kunci: peta rawan banjir; machine learning; SIG; sentinel-1 Abstrak Banjir merupakan bencana alam yang biasanya terjadi saat hujan. Banjir berdampak pada kerusakan sehingga diperlukannya penilaian kerentanan banjir yang efisien. Citra satelit dapat digunakan untuk membantu mendeteksi banjir dalam skala yang luas. Salah satu tantangan dalam mengolah data citra adalah interpretasi citra. Dengan memanfaatkan kemampuan Machine Learning yang diintegrasikan dengan Sistem Informasi Geografis, interpretasi citra dapat dilakukan dengan cepat. Namun, tantangan dari penggunaan citra satelit adalah kurangnya dataset kejadian banjir dalam skala besar. Pada paper ini, kami menyajikan tiga pendekatan Machine Learning, yaitu Bayes, Rain Forest (RF), dan Support Vector Machine (SVM) yang kemudian dianalisis menggunakan metode Frequency Ratio sehingga didapatkan indeks kerentanan banjir. Dengan memanfaatkan citra Sentinel-1 yang tersedia, analisis dalam penelitian ini menunjukkan bahwa sebesar 61,23 persen dari total luas wilayah tergolong aman dari kerentanan banjir sedangkan sisanya termasuk dalam kerentanan banjir rendah, sedang, dan tinggi.