// <![CDATA[IDENTIFIKASI AREA BANJIR ROB KECAMATAN SAYUNG KABUPATEN DEMAK 2022-2024 MENGGUNAKAN GOOGLE EARTH ENGINE (GEE)]]> 0420016601 - Hary Nugroho, Ir., M,T. Dosen Pembimbing 1 Lucky Dwi Pamungkas / 232021020 Penulis
Banjir rob menjadi masalah serius di Kecamatan Sayung, Kabupaten Demak. Sebagai wilayah pesisir yang rentan, dampak yang ditimbulkan meliputi kerusakan infrastruktur dan kerugian pada sektor pertanian dan perikanan. Penelitian ini bertujuan untuk menganalisis sebaran banjir rob dan menyusun rekomendasi mitigasi menggunakan data citra satelit dan teknologi penginderaan jauh. Metode yang digunakan adalah pendekatan kuantitatif dengan citra satelit Sentinel-2 dari platform Google Earth Engine (GEE). Prosesnya mencakup pemotongan citra sesuai batas administrasi dan pemilihan citra dengan tutupan awan rendah. Penelitian ini juga menggabungkan band-band spektral dengan indeks NDWI untuk identifikasi area perairan. Klasifikasi tutupan lahan menggunakan algoritma Random Forest, yang dilatih dengan data latih (70%) dan divalidasi dengan data uji (30%), menghasilkan model dengan akurasi lebih dari 80%. Hasil penelitian berupa peta identifikasi rob yang akurat, menunjukkan genangan air terkonsentrasi di wilayah pesisir dan meluas ke daratan. Identifikasi spasial ini mengungkapkan bahwa banjir rob secara langsung memengaruhi area vegetasi dan infrastruktur bangunan. Kesimpulannya, kombinasi data satelit dan algoritma klasifikasi terbukti efektif untuk memetakan dampak bencana. Tidal flooding has become a serious problem in Sayung Sub-district, Demak Regency. As a vulnerable coastal area, the impacts include damage to infrastructure and losses in the agricultural and fisheries sectors. This research aims to analyze the spread of tidal flooding and formulate mitigation recommendations using satellite imagery and remote sensing technology. The method used is a quantitative approach with Sentinel-2 satellite imagery from the Google Earth Engine (GEE) platform. The process includes clipping the imagery to administrative boundaries and selecting images with low cloud cover. This study also combines spectral bands with the NDWI index to identify water areas. Land cover classification uses the Random Forest algorithm, which is trained with training data (70%) and validated with test data (30%), resulting in a model with over 80% accuracy. The research findings are accurate maps of tidal flood identification, showing water inundation concentrated in coastal areas and extending inland. This spatial identification reveals that tidal flooding directly affects vegetated areas and building infrastructure. In conclusion, the combination of satellite data and classification algorithms proves effective for mapping disaster impacts.