Penggunaan Microsoft Building Footprint untuk Mendeteksi Keterpaparan Manusia Terhadap Tsunami

Andes Saragi, Dr. Djati Mardiatno, M.Sc; Dr. Dyah Rahmawati Hizbaron, M.T., M.Sc

2023 | Tesis | MAGISTER ILMU LINGKUNGAN

Pesisir Kabupaten Bantul merupakan daerah yang rawan tsunami karena berada di Selatan Pulau Jawa yang berdekatan dengan zona subduksi. Kejadian tsunami di malam hari lebih rentan menimbulkan korban jiwa karena manusia sedang beristirahat pada bangunan permukiman (rumah). Pada penelitian ini ekstraksi bangunan permukiman dilakukan menggunakan Microsoft Building Footprint (MBF). MBF merupakan hasil penerapan teknologi Artificial Intelligence (AI) dibidang pemetaan yang dilakukan oleh microsoft dan bing maps. Penelitian ini bertujuan untuk menganalisis jumlah jiwa terpapar tsunami di malam hari menggunakan MBF. Pemodelan tsunami dilakukan dengan metode Berryman. Kekasaran permukaan yang dikonversi dari peta penggunaan lahan merupakan elemen yang sangat berpengaruh terhadap jangkauan inundasi tsunami. Penggunaan lahan diperoleh dari analisis Citra Sentinel 2-A yang diekstraksi dari Google Earth Engine. Hasil pengolahan terhadap pemodelan inundasi menunjukkan total area tergenang seluas 717 Ha atau 17,34 % dari total area penelitian. Hasil analisis akurasi MBF terhadap keseluruhan data yaitu: Precision 99,02 %, Recall 98,40 % dan F1 score 98,71 %, tingginya nilai tersebut menunjukkan MBF sangat sesuai digunakan pada daerah dengan kepadatan bangunan rendah hingga sedang. Hasil analisis kesalahan MBF yaitu False Positif 0,97 %, False Negatif 1,60 % dan Intersection of Union (IoU) 0,12 %. Hasil analisis terhadap bangunan yang terpapar yaitu sebanyak 1.317 bangunan. Bangunan yang terpapar tersebut kemudian dilakukan pengecekan lapangan dan wawancara untuk mengetahui peruntukan bangunan dan jumlah penghuni di malam hari. Hasil pengolahan data menunjukkan sebanyak 716 atau 54,37 % berupa bangunan permukiman (rumah) dengan total 2.749 jiwa atau 6,32 % total keseluruhan penduduk di lima kelurahan berpotensi terpapar tsunami.

The coast of Bantul Regency is a tsunami-prone area because it is located in the south of Java Island, which is close to a subduction zone. Tsunami events at night are more prone to causing casualties because people are resting in residential buildings (houses). This study extracted residential buildings using the Microsoft Building Footprint (MBF). MBF results from using Artificial Intelligence (AI) technology in the mapping field by Microsoft and Bing Maps. This study aims to analyze the number of people exposed to tsunamis at night using the MBF. Tsunami modeling was carried out using the Berryman method. The converted surface roughness of the land use map is a very influential element in the range of tsunami inundation. Land use is obtained from the analysis of Sentinel 2-A imagery extracted from the Google Earth Engine. The processing results of the inundation modeling show a total inundated area of 717 Ha or 17.34% of the entire research area. The results of the analysis of MBF accuracy for all data are a Precision of 99.02%, Recall of 98.40%, and F1 score of 98.71%. The high value indicates that MBF is suitable for use in areas with low to medium-density buildings. The results of the MBF error analysis are False Positive 0.97%, False Negative 1.60%, and Intersection of Union (IoU) 0.12%. The results of the study of exposed buildings are 1,317 buildings. The exposed buildings were then subjected to field checks and interviews to find out the designation of the building and the number of occupants at night. The data processing results show that 716, or 54.37% are residential buildings (houses), with 2,749 people, or 6.32% of the total population in five sub-districts, potentially exposed to a tsunami.

Kata Kunci : Microsoft Building Footprint, Model Tsunami, Manusia Terpapar, Google Earth Engine