KLASIFIKASI BANJIR PADA CITRA SENTINEL-1 SAR MENGGUNAKAN U-NET DENGAN SEASONAL ADAPTIVE HSBA PSEUDO-LABELING

ARRAFI NURISTIAWAN, . (2026) KLASIFIKASI BANJIR PADA CITRA SENTINEL-1 SAR MENGGUNAKAN U-NET DENGAN SEASONAL ADAPTIVE HSBA PSEUDO-LABELING. Skripsi thesis, UPN "VETERAN" YOGYAKARTA.

	Text 123220141_Cover - Arrafi Nuristiawan.pdf Download (76kB)
	Text 123220141_Abstrak - Arrafi Nuristiawan.pdf Download (762kB)
	Text 123220141_Halaman Pengesahan - Arrafi Nuristiawan.pdf Download (676kB)
	Text 123220141_Daftar Isi - Arrafi Nuristiawan.pdf Download (660kB)
	Text 123220141_Daftar Pustaka - Arrafi Nuristiawan.pdf Download (114kB)
	Text 123220141_Full Text - Arrafi Nuristiawan.pdf Restricted to Repository staff only Download (9MB)

Abstract

Banjir merupakan bencana alam dengan frekuensi tertinggi di Indonesia yang menuntut ketersediaan informasi spasial secara cepat dan akurat. Kabupaten Bantul, Daerah Istimewa Yogyakarta, merupakan wilayah rentan banjir periodik akibat topografi dataran rendah di sepanjang Sungai Opak dan Sungai Progo. Pemetaan genangan menggunakan citra optik terkendala tutupan awan yang selalu menyertai kejadian banjir, sementara metode deteksi berbasis citra SAR dengan ambang batas global mengabaikan variasi spasial dan temporal backscatter akibat perbedaan tutupan lahan dan perubahan musim. Pelatihan model deep learning untuk segmentasi banjir juga terkendala ketersediaan data label yang sulit diperoleh melalui survei lapangan.
Penelitian ini mengembangkan metode Seasonal Adaptive HSBA Pseudo-Labeling yang mengintegrasikan penyesuaian parameter ambang batas berdasarkan tiga fase musim hujan ke dalam kerangka Hierarchical Split-Based Approach untuk menghasilkan label klasifikasi banjir tiga kelas secara otomatis, yaitu Non-Flood, Open Water Flood, dan Flooded Vegetation dari citra Sentinel-1 SAR. Pseudo-label tersebut digunakan untuk melatih model U-Net dengan masukan lima kanal mencakup backscatter VV, VH, selisih temporal kedua polarisasi, dan confidence score. Data pelatihan mencakup 37 kejadian banjir periode 2019–2024 dan data pengujian mencakup 11 kejadian periode 2025–2026 yang terpisah secara temporal. Pelatihan menggunakan fungsi Loss gabungan Focal Loss dan Weighted Dice Loss dengan skema 5-Fold Cross Validation, serta inferensi dengan Test-Time Augmentation empat rotasi.
Hasil evaluasi pada data pengujian temporal independen menunjukkan Overall Accuracy 98,84%, mean IoU 74,68%, dan mean F1-Score 83,99%. Kinerja Open Water Flood (IoU 72,31%) konsisten lebih tinggi dibanding Flooded Vegetation (IoU 52,91%), dan model tidak menghasilkan kesalahan klasifikasi silang antar kedua kelas banjir. Sistem berhasil memetakan total genangan 12.001,49 ha terdiri dari 5.738,05 ha Open Water Flood dan 6.263,44 ha Flooded Vegetation. Penelitian ini berkontribusi berupa pendekatan pseudo-labeling adaptif berbasis musiman untuk klasifikasi banjir multi-kelas tanpa anotasi manual pada citra SAR di wilayah tropis.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	klasifikasi banjir, Sentinel-1 SAR, U-Net, pseudo-labeling, HSBA
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	12 Oct 2026 02:57
Last Modified:	12 Oct 2026 02:57
URI:	http://eprints.upnyk.ac.id/id/eprint/49709

Actions (login required)

View Item