Pemetaan Daerah Rawan Longsor di Kabupaten Bandung Barat menggunakan Metode Machine Learning dengan Teknik SVM

Sari

Abstrak

Kabupaten Bandung Barat memiliki kerawanan tinggi terhadap bencana tanah longsor karena karakteristik topografinya yang berupa perbukitan dan pegunungan. Kerawanan ini semakin meningkat akibat perubahan fungsi lahan dari kawasan vegetasi menjadi area permukiman. Penelitian ini bertujuan untuk memberikan informasi wilayah yang memiliki kerawanan tanah longsor di Kabupaten Bandung Barat. Informasi ini disajikan dalam bentuk peta yang diperoleh melalui proses klasifikasi data yang berkontribusi terhadap terjadinya tanah longsor dengan menggunakan metode Support Vector Machine (SVM). Metode SVM dipilih karena keunggulannya dalam mengolah data yang kompleks dan menghasilkan prediksi yang akurat. Penelitian ini menggunakan enam parameter: curah hujan, jenis batuan, jenis tanah, kemiringan lereng, kerapatan vegetasi, dan penggunaan lahan, serta data kejadian longsor dari tahun 2015 hingga 2023. Dataset terdiri atas 550 titik, dengan 326 titik longsor dan 214 titik nonlongsor, yang dibagi menjadi 70% untuk pelatihan dan 30% untuk pengujian. Model divalidasi menggunakan 128 titik kejadian longsor dari tahun 2022 hingga 2023. Hasil prediksi menunjukkan klasifikasi wilayah dengan potensi longsor rendah sebesar 42% (nilai 0), potensi menengah sebesar 28% (nilai 0,50), dan potensi tinggi sebesar 30% (nilai 1). Wilayah dengan potensi longsor rendah meliputi Kecamatan Cipeundeuy dan Batujajar. Kecamatan Rongga sebagian besar memiliki potensi menengah, sedangkan Kecamatan Cililin dan Cisarua sebagian besar memiliki potensi tinggi. Berdasarkan perhitungan metode feature importance, ditemukan bahwa kemiringan lereng adalah variabel yang paling berpengaruh dengan nilai kepentingan sebesar 0,35. Model ini menunjukkan performa yang cukup baik dan tidak mengalami overfitting karena memiliki akurasi pelatihan sebesar 79% yang hampir sepadan dengan akurasi validasi sebesar 76%.

Kata kunci: Longsor, Machine Learning, Pemetaan, dan Support Vector Machine.

Abstract

West Bandung Regency is highly susceptible to landslides due to its topographic characteristics, which consist of hills and mountains. This susceptibility is further increased by land use changes from vegetated areas to residential areas. This study aims to provide information on areas prone to landslides in West Bandung Regency. This information is presented as a map obtained through the classification process of data contributing to landslides using the Support Vector Machine (SVM) method. The SVM method was chosen for its advantages in handling complex data and providing accurate predictions. This study used six parameters: rainfall, rock type, soil type, slope gradient, vegetation density, and land use, as well as landslide occurrence data from 2015 to 2023. The dataset consists of 550 points, with 326 landslide points and 214 non-landslide points, divided into 70% for training and 30% for testing. The model was validated using 128 landslide occurrence points from 2022 to 2023. The prediction results showed the classification of areas with low landslide potential at 42% (value 0), medium potential at 28% (value 0.50), and high potential at 30% (value 1). Areas with low landslide potential include Cipeundeuy and Batujajar Districts. Rongga District is mainly characterised by medium potential, while Cililin and Cisarua Districts are primarily characterised by high potential. Based on the feature importance calculation, it was found that the slope gradient is the most influential variable, with an importance value of 0.35. The model performed well and did not overfit, as it had a training accuracy of 79%, nearly equal to the validation accuracy of 76%.

Keywords: Landslide, Machine Learning, Mapping, and Support Vector Machine.