Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Alih fungsi lahan memiliki kaitan yang erat dengan pertumbuhan penduduk dan ekonomi. Perubahan ini memiliki dampak positif dan tidak sedikit dampak negatifnya. Salah satu hal yang disebabkan oleh adanya alih fungsi lahan adalah meningkatnya lahan kedap air dan berkurangnya baseflow. Perubahan fungsi lahan ini berujung kepada meningkatnya aliran permukaan dan bencana banjir. Melihat hal ini, dibutuhkan studi lebih lanjut mengenai hubungan perubahan fungsi lahan dan banjir yang terjadi pada suatu kawasan. Penelitian ini berfokus pada DAS Martapura yang merupakan bagian DAS Barito, salah satu DAS terbesar di Indonesia. Penelitian ini menggunakan pendekatan spasial terhadap hasil tangkapan Citra Landsat pada tahun 1990, 2000, 2010, dan 2020. Menggunakan fitur maximum likelihood classification, penelitian ini mendeteksi tutupan lahan pada setiap data Citra Landsat yang digunakan. Penelitian ini juga menggunakan bantuan HEC-HMS dalam menghasilkan hidrograf banjir untuk setiap sub-DAS, reach, dan junction. Data ini yang bervariasi menurut tutupan lahan setiap tahunnya dan menjadi input ke dalam HEC-RAS. Penelitian ini menggunakan fitur analisis hidrolika HEC-RAS 2D untuk menghasilkan peta genangan. Berdasarkan simulasi yang telah dilakukan, perubahan tutupan lahan menjadi kedap air semakin meningkat. Hal ini juga meningkatkan limpasan permukaan dan puncak debit banjir yang terlihat pada hasil hidrograf. Menurut analisis genangan banjir yang terjadi, didapatkan peningkatan luas genangan banjir seiring bertambahnya tahun Sebagai upaya pengendalian banjir di lokasi ini, diperlukan perencanaan tata ruang dan penataan kawasan dengan lebih baik. Hal ini perlu dilakukan untuk mengendalikan laju perubahan tutupan lahan dan mengendalikan dampak bencana banjir. ......Land conversion has a very close relation with population and economic growth. This change has had both positive and negative impacts. One of the things caused by land use change is the increase in impermeable land and reduced baseflow. This land use change leads to an increase in surface runoff and flooding. In regards to this problem, further studies are needed to determine the relation between land use change and flooding that occur in an area. This study focuses on the Martapura Watershed which is a part of the Barito Watershed, one of the largest watershed in Indonesia. This study uses a spatial approach to Landsat Image capture in 1990, 2000, 2010 and 2020. Using the maximum likelihood classification feature, this study detects land cover in each Landsat Image data used. This study also uses HEC-HMS assistance in generating flood hydrographs for each sub-watershed, reach, and junction. This data, which varies by land cover each year, is the input to the HEC-RAS. This study uses the HEC-RAS 2D hydraulics analysis feature to generate inundation maps. Based on the simulations that have been carried out, land cover changes to a more impermeable cover are increasing. This also increase surface runoff and peak flood discharge as seen in the hydrograph results. According to the analysis of the flood inundation that occurred, it was found that there was an increase in the area of ​​​​the flood inundation in every year modelled. As an effort to control flooding in this location, better spatial planning and regional arrangement are needed. This needs to be done in order to control the rate of land cover change and the impact of floods.

Abstrak :
Kejadian banjir ekstrem diperkirakan semakin sering terjadi seiring dengan perubahan iklim yang belum menunjukkan tanda-tanda perbaikan. Hal ini berpotensi menyebabkan curah hujan yang lebih tinggi dari rata-rata dan laju kenaikan genangan banjir yang lebih cepat dari biasanya. Ketidaktahuan bahwa suatu daerah tergenang banjir juga bisa mengakibatkan kendaraan terjebak di daerah banjir, kemacetan lalu lintas, serta terlambatnya evakuasi warga terutama yang tinggal di daerah rawan banjir. Penelitian ini bertujuan memberikan alternatif sumber informasi mengenai ketinggian genangan banjir dengan memanfaatkan data teks dari tweet pada media sosial Twitter. Salah satu tantangannya yaitu bahwa ketinggian genangan tidak selalu disebutkan dalam standar satuan internasional seperti centimeter atau meter sehingga machine learning digunakan untuk mengatasinya. Penyebutan ketinggian genangan didapati bisa menggunakan referensi bagian tubuh seperti lutut dan pinggang, serta juga bagian kendaraan atau kondisi jalan. Model yang diusulkan memberikan dua keluaran, yaitu kategori relevansi tweet terhadap informasi ketinggian banjir (Relevan atau Tidak Relevan) dan kategori ketinggian banjir (Tinggi, Sedang, Rendah, dan Tidak Diketahui). Algoritma klasifikasi yang digunakan yaitu SVM (Linear SVC dan RBF), Logistic Regression, Random Forest, Decision Tree, dan Naïve Bayes. Hasil uji coba menunjukkan bahwa nilai akurasi tertinggi untuk klasifikasi relevansi tweet adalah 91% dan F1-score tertinggi sebesar 82% diperoleh dengan menggunakan algoritma SVM Linear SVC. Sedangkan hasil klasifikasi ketinggian genangan terbaik diperoleh saat menggunakan SVM Linear SVC dengan akurasi 83% dan rata-rata F1-score 70%. ......Extreme flood events are expected to occur more frequently as climate change has yet to show signs of improvement. This has the potential to lead to higher rainfall and floods that come more quickly. This has the potential for vehicle trapping, traffic jams, or delay in evacuation for people who live in areas which are prone to flooding. Hence, this study aims to provide an alternative source of information in flood conditions by using data in social media Twitter. One of the challenges was information about inundation level is not always in international standard unit like centimeter or meter so that machine learning was used to cope with this problem. Mention of inundation level was found to be done by also referring to certain body parts like knee and waist, and also parts of vehicles or road condition. The proposed model is expected to provide two outputs, which are relevance category of tweet (Relevant or Irrelevant) and inundation level category (High, Medium, Low, Unknown). Some classifier algorithms were used, like SVM (Linear SVC and RBF), Logistic Regression, Random Forest, Decision Tree, and Naïve Bayes. The test results showed that the best relevance classification resulted in 91% accuracy (SVM Linear SVC) and 82% average F1-score by using SVM Linear SVC. On the other side, the best result of classification of inundation level was obtained when using SVM Linear SVC which resulted in 83% accuracy and 70% average F1- score.