ITENASITENAS

Rekayasa Hijau : Jurnal Teknologi Ramah LingkunganRekayasa Hijau : Jurnal Teknologi Ramah Lingkungan

Banjir genangan sering terjadi di wilayah perkotaan, termasuk Kota Denpasar, akibat topografi, karakteristik daerah aliran sungai (DAS), dan perubahan penggunaan lahan. Penelitian ini bertujuan mengidentifikasi potensi genangan banjir menggunakan algoritma Topographic Wetness Index (TWI) berbasis Digital Elevation Model (DEM) multiresolusi serta mengevaluasi pengaruh resolusi spasial terhadap akurasi hasil pada skala perkotaan. Kebaruan penelitian terletak pada perbandingan kinerja DEM SRTM (30 m) dan ALOS PALSAR (12,5 m) untuk TWI pada DAS kecil perkotaan yang masih terbatas dikaji. Kedua DEM diseragamkan pada datum vertikal EGM 2008 dan dianalisis pada sembilan DAS sekitar Kota Denpasar. Hasil TWI diklasifikasikan menjadi lima kelas potensi genangan dan divalidasi menggunakan 33 titik kejadian banjir periode September–Desember 2025 menggunakan analisis sensitivitas berbasis confusion matrix kejadian. Hasil menunjukkan ALOS PALSAR memiliki tingkat sensitivitas kesesuaian lebih tinggi (30,30%) dibanding SRTM (24,24%). Resolusi DEM lebih tinggi terbukti meningkatkan sensitivitas TWI dalam mendeteksi potensi genangan perkotaan dan mendukung perencanaan mitigasi banjir.

Penelitian ini memetakan sebaran potensi genangan banjir di Kota Denpasar menggunakan algoritma TWI berbasis DEM, dan menunjukkan bahwa area dengan potensi tinggi terletak pada wilayah datar dan hilir DAS dengan luas 1.Analisis sensitivitas mengindikasikan bahwa DEM ALOS PALSAR (12,5 m) memberikan kesesuaian lebih baik (30,30 %) dibandingkan DEM SRTM (24,24 %), sehingga lebih representatif untuk pemodelan genangan perkotaan.Peta potensi tersebut dapat dijadikan dasar perencanaan zona prioritas, sistem drainase, dan evaluasi kawasan rawan banjir, namun diperlukan peningkatan akurasi melalui penggunaan DEM beresolusi lebih tinggi dan integrasi variabel hidrologi tambahan.

Penelitian selanjutnya dapat menguji apakah penggunaan DEM beresolusi sangat tinggi, seperti Sentinel‑1 atau DEM Nasional (DEMNAS), meningkatkan akurasi pemetaan potensi genangan banjir dibandingkan DEM SRTM dan ALOS PALSAR yang telah dipakai; pertanyaan penelitian: Bagaimana peningkatan resolusi DEM memengaruhi sensitivitas dan presisi model TWI dalam konteks perkotaan? Selanjutnya, integrasi variabel hidrologi tambahan—misalnya data curah hujan, kelembaban tanah, dan penggunaan lahan—dengan indeks TWI dapat dieksplorasi untuk meningkatkan kemampuan deteksi area rawan banjir, sehingga muncul pertanyaan: Apakah kombinasi TWI dan variabel hidrologi dapat memperbaiki recall model dalam mengidentifikasi titik genangan aktual? Terakhir, pendekatan pembelajaran mesin yang memanfaatkan data multi‑sumber (DEM multiresolusi, citra satelit, dan data in‑situ) dapat dikembangkan untuk memprediksi risiko banjir secara real‑time, dengan fokus pertanyaan: Bagaimana model machine learning berbasis data multi‑sumber dapat meningkatkan prediksi banjir kota dibandingkan metode TWI tradisional?.

  1. PENENTUAN PRIORITAS PENANGANAN BANJIR GENANGAN BERDASARKAN TINGKAT KERAWANAN MENGGUNAKAN TOPOGRAPHIC... ejournal.undip.ac.id/index.php/ilmulingkungan/article/view/19911PENENTUAN PRIORITAS PENANGANAN BANJIR GENANGAN BERDASARKAN TINGKAT KERAWANAN MENGGUNAKAN TOPOGRAPHIC ejournal undip ac index php ilmulingkungan article view 19911
  2. HESS - On the similarity of hillslope hydrologic function: a clustering approach based on groundwater... doi.org/10.5194/hess-26-3805-2022HESS On the similarity of hillslope hydrologic function a clustering approach based on groundwater doi 10 5194 hess 26 3805 2022
  3. Deteksi Kerawanan Banjir Genangan Menggunakan Topographic Wetness Index (TWI) di Sub Das Way Katibung... jurnal.fp.unila.ac.id/index.php/ABE/article/view/9435Deteksi Kerawanan Banjir Genangan Menggunakan Topographic Wetness Index TWI di Sub Das Way Katibung jurnal fp unila ac index php ABE article view 9435
  4.  . 0 mdpi.com/2225-1154/10/8/118A 0 mdpi 2225 1154 10 8 118
  5. HESS - CABra: a novel large-sample dataset for Brazilian catchments. hess cabra novel large sample dataset... hess.copernicus.org/articles/25/3105/2021HESS CABra a novel large sample dataset for Brazilian catchments hess cabra novel large sample dataset hess copernicus articles 25 3105 2021
Read online
File size945.65 KB
Pages14
DMCAReport

Related /

ads-block-test