KLASIFIKASI SPASIAL DAERAH RAWAN BANJIR MENGGUNAKAN PEMODELAN BERBASIS DATA LANDSAT-9 STUDI KASUS DI DAS CILIWUNG-CISADANE

Nesa Amelia Wati; Harry Ramza;

ABSTRAK

Klasifikasi Spasial Daerah Rawan Banjir Menggunakan Pemodelan Berbasis Data Landsat 9 Studi Kasus di DAS Ciliwung-Cisadane

Nesa Amelia Wati

Penelitian ini bertujuan untuk membangun model klasifikasi spasial tingkat kerawanan banjir di
wilayah Daerah Aliran Sungai (DAS) Ciliwung-Cisadane menggunakan data penginderaan jauh
berbasis satelit dan pemrosesan berbasis cloud melalui platform Google Earth Engine (GEE).
Metode ini mengintegrasikan enam parameter utama yang memengaruhi risiko banjir, yaitu elevasi
DEM (8%), kemiringan lereng (7%), jenis penggunaan lahan/penutup lahan LULC (26%),
akumulasi aliran air (15%), jarak dari sungai (15%), dan curah hujan tahunan (29%). Setiap
parameter direklasifikasi berbasis threshold dan diberi skor 1-5 serta bobot sesuai kontribusinya
terhadap potensi banjir. Seluruh parameter kemudian dinormalisasi dan digabungkan melalui
pendekatan weighted overlay untuk menghasilkan peta indeks kerentanan banjir. Hasil klasifikasi
dibagi ke dalam tiga tingkat risiko, yaitu rendah, sedang, dan tinggi. Wilayah dengan risiko tertinggi
umumnya merupakan dataran rendah yang berada dekat sungai, memiliki curah hujan tinggi, serta
didominasi oleh permukiman padat. Model yang dikembangkan dalam penelitian ini dapat
digunakan sebagai alat bantu dalam mendukung perencanaan mitigasi, sistem peringatan dini, serta
pengambilan kebijakan berbasis data spasial secara efisien dan objektif.

Kata kunci: big data spasial, mitigasi bencana, multi-kriteria, sistem awan, klasifikasi tematik

Spatial Classification for Flood-Prone Areas Using Landsat 9-Based Modeling: A Case Study in the Ciliwung–Cisadane Watershed

Nesa Amelia Wati

This study aims to develop a spatial classification model of flood vulnerability in the Ciliwung–
Cisadane Watershed using satellite-based remote sensing data and cloud-based processing via the
Google Earth Engine (GEE) platform. The method integrates six key parameters that influence flood
risk: elevation (DEM) at 8%, terrain slope at 7%, land use/land cover (LULC) at 26%, flow
accumulation at 15%, distance from rivers at 15%, and annual rainfall at 29%. Each parameter is
reclassified based on defined thresholds and assigned a score from 1 to 5, along with a weight
corresponding to its contribution to flood potential. All parameters are then normalized and
combined using a weighted overlay approach to produce a flood vulnerability index map. The
resulting classification is categorized into three levels of risk: low, moderate, and high. Areas
classified as high-risk are typically low-lying, located near rivers, receive high annual rainfall, and
are dominated by dense residential land use. The model developed in this study can serve as a
decision-support tool for flood mitigation planning, early warning systems, and spatial data-driven
policy making in an efficient and objective manner.

Keywords: spatial big data, disaster mitigation, multi-criteria analysis, cloud computing, thematic classification