Para peneliti dari Universitas Dian Nuswantoro (UDINUS) telah mengembangkan pendekatan inovatif pemetaan banjir berbasis satelit yang mengintegrasikan teknologi penginderaan jauh dan pembelajaran mesin (*machine learning*). Penelitian ini bertujuan untuk meningkatkan deteksi genangan banjir di lingkungan lahan basah yang kompleks, guna mendukung manajemen risiko bencana serta pencapaian Tujuan Pembangunan Berkelanjutan (*Sustainable Development Goals*/SDGs) Perserikatan Bangsa-Bangsa.
Studi yang berjudul "Hybrid SAR-Optical Remote Sensing for Flood Inundation Mapping: Feature Contribution Analysis in a Wetland Environment" ini diterbitkan dalam jurnal *Statistics, Optimization & Information Computing*, Volume 16, Nomor 1 (2026), halaman 619–640, oleh International Academic Press.
Penelitian ini dilakukan oleh Desy Ika Puspitasari, Edi Noersasongko, Purwanto, Moch Arief Soeleman, dan Catur Supriyanto, yang berafiliasi dengan Fakultas Ilmu Komputer, Universitas Dian Nuswantoro.
Banjir tetap menjadi tantangan lingkungan yang signifikan di Indonesia, khususnya di wilayah dataran rendah yang memiliki karakteristik berupa lahan basah yang luas, curah hujan tinggi, dan sedimentasi sungai.
Para peneliti memfokuskan studi pada Kabupaten Banjar, Kalimantan Selatan, sebuah wilayah yang sering terdampak banjir musiman. Pemetaan genangan banjir yang akurat sangat penting untuk mengidentifikasi area yang terdampak, mendukung respons bencana, serta memperkuat kesiapsiagaan bencana di tingkat daerah.
Untuk mengatasi keterbatasan pencitraan satelit konvensional, penelitian ini memperkenalkan pendekatan hibrida yang menggabungkan *Synthetic Aperture Radar* (SAR) dengan penginderaan jauh optik, yakni dengan mengombinasikan citra radar Sentinel-1 dan data satelit Sentinel-2.
Metode yang diusulkan mengintegrasikan indeks deteksi air tingkat lanjut, termasuk *Automated Water Extraction Index* (AWEI), dengan algoritma pembelajaran mesin untuk meningkatkan klasifikasi air serta keandalan pemetaan banjir.
Empat model pembelajaran mesin dievaluasi dalam studi ini, yaitu *Random Forest*, *Support Vector Machine* (SVM), Regresi Logistik, dan XGBoost.
Hasil penelitian menunjukkan bahwa model SVM mencapai kinerja klasifikasi air yang sangat baik, dengan akurasi keseluruhan sebesar 98%, koefisien Kappa 0,97, dan skor F1 (*F1-score*) sebesar 0,98.
Studi ini juga menunjukkan bahwa integrasi data radar dan optik dapat meningkatkan stabilitas klasifikasi di lingkungan lahan basah yang kompleks—kondisi di mana tutupan awan dan vegetasi sering kali membatasi efektivitas observasi satelit konvensional. Temuan ini memberikan landasan metodologis yang berharga untuk analisis genangan banjir yang lebih andal serta pemantauan spasial terkait kebencanaan.
Publikasi ini menyoroti kontribusi UDINUS dalam mengembangkan teknologi inovatif untuk pemantauan lingkungan dan pengurangan risiko bencana. Dengan menggabungkan penginderaan jauh satelit dan pembelajaran mesin (machine learning), para peneliti menunjukkan bagaimana metode komputasi canggih dapat meningkatkan keandalan pemetaan banjir di lingkungan geografis yang menantang.
Hasil penelitian ini membuka peluang bagi riset lebih lanjut serta pengembangan perangkat berbasis data yang mendukung kesiapsiagaan bencana, pengelolaan lingkungan, dan pembangunan wilayah yang berkelanjutan.
Melalui kontribusi ilmiah ini, Universitas Dian Nuswantoro terus memajukan inovasi teknologi dan penelitian yang mendukung ketangguhan terhadap bencana serta Tujuan Pembangunan Berkelanjutan (Sustainable Development Goals) Perserikatan Bangsa-Bangsa.