Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Lingkungan Jurnal Geografi, Edukasi dan Lingkungan
Aditya Mulya
Program Studi Meteorologi, Sekolah Tinggi Meteorologi Klimatologi dan Geofisika
Astronomy Earth & Planetary Sciences Education Environmental Science Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Impact-Based Forecasting (IBF) untuk Mendukung Manajemen Risiko Banjir di Kawasan Jabodetabek Muhammad Afif Shofiyudh Dhuha; Agung Hari Saputra; Aries Kristianto; Aditya Mulya
Jurnal Ilmu Lingkungan Vol 22, No 5 (2024): September 2024
Publisher : School of Postgraduate Studies, Diponegoro Univer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.14710/jil.22.5.1159-1173

Abstract

Bencana Banjir menimbulkan dampak dan kerugian yang cukup besar pada berbagai sektor di Jabodetabek. Pengembangan informasi cuaca diperlukan untuk mengurangi dampak dan kerugian tersebut. Impact-based Forecasting (IBF) menjadi salah satu sistem yang bertujuan untuk meningkatkan informasi cuaca yang terintegrasi dengan prakiraan potensi dampak yang dapat terjadi. Penelitian ini menerapkan teknik Analytical Hierarchy Process (AHP) untuk memetakan tingkat risiko banjir di Jabodetabek dengan mempertimbangkan parameter curah hujan, kepadatan penduduk, jarak kerapatan jalan, jarak ke sungai, tata guna lahan, geologi, janis tanah, rata-rata banjir tahunan, kemiringan, dan drainage density. Hasil penelitian menunjukkan bahwa seluruh parameer mempunyai pengaruh terhadap bencana banjir, dimana curah hujan menjadi parameter yang paling berpengaruh sebesar 25%. Jarak kerapatan jalan menjadi parameter dengan pengaruh paling kecil, yakni hanya sebesar 2%. Nilai Consistency Ratio (CR) yang dihasilkan sebesar 0,04 sehingga menunjukkan hasil pemetaan risiko banjir yang relevan. Data model curah hujan Global Ensemble Forecast System (GEFS) diimplementasikan ke dalam pemetaan risiko banjir untuk menghasilkan sistem Impact-based Forecasting (IBF), yang memberikan kemungkinan terjadinya curah hujan. Berdasarkan verifikasi yang dilakukan, prakiraan dampak yang diberikan memberikan hasil yang selaras dengan kejadian sebenarnya. Hasil ini menunjukkan bahwa informasi prakiraan potensi dan dampak banjir yang diberikan memberikan hasil yang baik dan representatif.
Evaluasi Komparatif Pendekatan Thresholding Dan Machine Learning Terhadap Pemetaan Banjir Berbasis Citra Satelit Sentinel-1 Daniar Ihza Carundyatama; Krisna Dwi Oktabrian; Rendy Syahril Amanu; Aditya Mulya; Farrel Fitria Nathania Kuncara; Rismon Erickson Wewra
Jurnal Geografi, Edukasi dan Lingkungan (JGEL) Vol. 10 No. 2 (2026): Edisi Bulan Juli
Publisher : Pendidikan Geografi Universitas Muhammadiyah Prof. Dr. Hamka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22236/jgel.v10i2.21675

Abstract

Flooding is one of the most frequent hydrometeorological disasters in Indonesia, causing significant damage, with its frequency continuing to increase due to climate change and land-use alterations. This condition necessitates a rapid and accurate flood monitoring system. At present, two commonly used methods for flood mapping are thresholding and machine learning. This study aims to compare the performance of flood mapping methods based on SAR imagery using classical thresholding approaches and modern machine learning techniques. The thresholding method used is the Otsu thresholding method, whilst the machine learning approach utilises the XGBoost and LightGBM algorithms. The analysis results show that thresholding methods achieve higher accuracy in identifying flooded areas compared to machine learning methods in this case study. The overall accuracy of the Otsu method is 0.995. Meanwhile, the overall accuracy values of the XGBoost and LightGBM machine learning methods are 0.975 and 0.970, respectively. These findings indicate that thresholding approaches remain relevant and effective for flood mapping in Indonesia. However, the development of machine learning methods can also be a good alternative approach to flood mapping.
Co-Authors Agung Hari Saputra Aries Kristianto Daniar Ihza Carundyatama Farrel Fitria Nathania Kuncara Krisna Dwi Oktabrian Muhammad Afif Shofiyudh Dhuha Rendy Syahril Amanu Rismon Erickson Wewra