Pemanfaatan Model Deep Learning U-Net Untuk Prediksi Genangan Banjir di Kecamatan Negara dan Denpasar Barat, Provinsi Bali
Diny Wahida Sumarny, Annisa Farida Hayuningsih, S.T., M.Eng., Ph.D.
2026 | Tugas Akhir | D4 TEKNOLOGI SURVEI DAN PEMETAAN DASAR
Banjir merupakan bencana hidrometeorologi dengan frekuensi kejadian tertinggi di Indonesia. Provinsi Bali mengalami kejadian banjir pada 10 s.d. 17 September 2025 yang ditetapkan sebagai kondisi tanggap darurat melalui Surat Keputusan Nomor 810/04-G/HK/2025. Berdasarkan data BPBD Provinsi Bali, tercatat 205 titik kejadian banjir yang tersebar di delapan wilayah administratif Provinsi Bali. Kecamatan Denpasar Barat dan Kecamatan Negara dipilih sebagai lokasi kajian karena memiliki jumlah titik kejadian tertinggi serta didukung oleh ketersediaan data lapangan. Pemetaan genangan banjir secara cepat dan akurat masih menjadi tantangan, terutama dalam penerapan metode deep learning untuk wilayah Bali. Proyek akhir ini bertujuan untuk memetakan dan memvalidasi genangan banjir menggunakan model U-Net berbasis citra Sentinel-1 SAR multitemporal di Kecamatan Negara dan Denpasar Barat, Provinsi Bali.
Metode proyek akhir ini meliputi prapengolahan citra Sentinel-1 menggunakan perangkat lunak SNAP, pelabelan manual berdasarkan laporan BPBD Provinsi Bali serta interpretasi citra optik, dan penyempurnaan kualitas label. Dataset kemudian dibagi menjadi data latih, validasi, dan uji. Data citra yang telah terbagi selanjutnya dinormalisasi dan dipotong menjadi beberapa bagian kecil (patches) sebagai masukan model. Model U-Net dilatih menggunakan data latih dengan proses penalaan hiperparameter pada data validasi. Pemetaan genangan dilakukan menggunakan citra Sentinel-1 SAR multitemporal pada kondisi sebelum, saat, dan setelah kejadian banjir. Evaluasi model dilakukan menggunakan confusion matrix untuk memperoleh nilai Overall Accuracy dan Kappa pada data uji masing-masing wilayah kajian.
Hasil proyek akhir menunjukkan bahwa model U-Net di Kecamatan Negara memperoleh nilai Overall Accuracy sebesar 99,75?ngan Kappa sebesar 0,6417, sedangkan Kecamatan Denpasar Barat memperoleh Overall Accuracy sebesar 99,87?ngan Kappa sebesar 0,6451. Model berhasil mengidentifikasi luas area terdampak banjir sebesar 27,33 hektare di Kecamatan Negara dan 17,30 hektare di Kecamatan Denpasar Barat. Nilai Overall Accuracy yang tinggi perlu diinterpretasikan secara hati-hati karena lebih dari 99% piksel valid termasuk dalam kelas nonbanjir sehingga dapat menyebabkan nilai akurasi terlihat tinggi secara semu. Nilai Kappa menunjukkan tingkat kesesuaian yang lebih representatif dalam mengevaluasi kemampuan model membedakan kelas banjir dan nonbanjir. Data referensi validasi disusun berdasarkan laporan BPBD Provinsi Bali, interpretasi visual citra PlanetScope, dan data orthomosaic BNPB, sehingga hasil evaluasi model merepresentasikan kesesuaian terhadap data referensi tersebut. Proyek akhir ini menghasilkan peta genangan banjir berbasis deep learning yang telah divalidasi dan dapat menjadi referensi awal dalam pengembangan metode pemetaan banjir berbasis kecerdasan buatan di wilayah tropis Indonesia.
Floods are among the most frequent hydrometeorological disasters in Indonesia. Bali Province experienced a flood event from 10 to 17 September 2025, which was declared an emergency response situation through Decree Number 810/04-G/HK/2025. Based on data from the Bali Provincial Disaster Management Agency (BPBD), 205 flood occurrence points were recorded and distributed across eight administrative areas in Bali Province. West Denpasar and Negara Districts were selected as study areas because they recorded the highest number of flood occurrences and were supported by the availability of field-related data. Rapid and accurate flood inundation mapping remains challenging, particularly regarding the implementation of deep learning methods in Bali. This final project aims to map and validate flood inundation using a U-Net model based on multitemporal Sentinel-1 SAR imagery in Negara and West Denpasar Districts, Bali Province.
The methodology consisted of Sentinel-1 image preprocessing using SNAP software, manual labeling based on BPBD flood reports and optical imagery interpretation, and label quality refinement. The dataset was subsequently divided into training, validation, and testing datasets. The processed images were then normalized and divided into small patches as model inputs. The U-Net model was trained using the training dataset, with hyperparameter tuning performed on the validation dataset. Flood inundation mapping was conducted using multitemporal Sentinel-1 SAR imagery representing pre-event, during-event, and post-event conditions. Model performance was evaluated using a confusion matrix to obtain Overall Accuracy and Kappa values for the test datasets of each study area.
The results showed that the U-Net model in Negara District achieved an Overall Accuracy of 99.75% with a Kappa value of 0.6417, while the model in West Denpasar District achieved an Overall Accuracy of 99.87% with a Kappa value of 0.6451. The model successfully identified flood-affected areas of 27.33 hectares in Negara District and 17.30 hectares in West Denpasar District. The high Overall Accuracy values should be interpreted cautiously because more than 99% of valid pixels belonged to the non-flood class, which may result in artificially high accuracy values. The Kappa values provide a more representative measure for evaluating the model’s ability to distinguish between flood and non-flood classes. The validation reference data were compiled from BPBD Bali Province reports, visual interpretation of PlanetScope imagery, and BNPB orthomosaic data, indicating that the model evaluation represents agreement with the established reference data. This final project produced a validated deep learning-based flood inundation map that can serve as an initial reference for developing artificial intelligence-based flood mapping approaches in tropical regions of Indonesia.
Kata Kunci : banjir, Sentinel-1 SAR, U-Net, deep learning, Bali, confusion matrix, segmentasi semantik