3 research outputs found
A Comparison Study of Landslide Susceptibility Spatial Modeling Using Machine Learning
No full textOne hundred seventeen landslides occurred in Malang Regency throughout 2021, triggering the need for practical hazard assessments to strengthen the disaster mitigation process. In terms of providing a solution for investigating the location of landslides more precisely, this research aims to compare machine learning algorithms to produce an accurate landslide susceptibility model. This research applies three machine learning algorithms composed of RF (random forest), NB (naïve Bayes), and KNN (k-nearest neighbor) and 12 conditioning factors. The conditioning factors consist of slope, elevation, aspect, NDVI, geological type, soil type, distance from the fault, distance from the river, river density, TWI, land cover, and annual rainfall. This research performs seven models over three ratios between the training and testing dataset encompassing 50:50, 60:40, and 70:30 for KNN and NB algorithms and 70:30 for the RF algorithm. This research measures the performance of each model using eight parameters (ROC, AUC, ACC, SN, SP, BA, GM, CK, and MCC). The results indicate that RF 70:30 generates the best performance, witnessed by the evaluation parameters ACC (0.884), SN (0.765), GM (0.863), BA (0.857), CK (0.749), MCC (0.876), and AUC (0.943). Overall, seven models have reasonably good accuracy, ranging between 0.806 and 0.884. Furthermore, based on the best model, the study area is dominated by high susceptibility with an area coverage of 51%, which occurs in the areas with high slopes. This research is expected to improve the quality of landslide susceptibility maps in the study area as a foundation for mitigation planning. Furthermore, it can provide recommendations for further research in splitting ratio scenarios between training and testing data
Identifikasi Fitur Dasar Laut Menggunakan Data Multibeam Echosounder (Studi Kasus: Perairan Utara Papua)
No full textIndonesia merupakan negara yang memiliki wilayah laut yang luas dengan topografi yang bervariasi. Proses identifikasi topografi membutuhkan teknologi dan pengetahuan terbaru. Untuk dapat mengidentifikasi fitur dasar laut diperlukan penelitian menggunakan teknologi akustik berupa multibeam echosounder sehingga dapat dibuat model kondisi bawah air. Pemetaan detail dasar laut ini memungkinkan untuk menghasilkan gambaran topografi bawah laut yang lebih jelas. Dalam penelitian ini dilakukan identifikasi mengenai keberadaan pegunungan bawah laut di lautan Utara Papua. Data yang digunakan dalam penelitian ini berasal dari survei batimetri menggunakan multibeam echosounder yang dihasilkan oleh Badan Informasi Geospasial (BIG) bekerja sama dengan Badan Pengkajian dan Penerapan Teknologi (BPPT) pada tahun 2019. Data yang diambil untuk mengoreksi data multibeam echosounder adalah SVP Data (Sound velocity profiler). Penelitian ini dilakukan di lautan bagian Utara Papua yang terbagi menjadi dua lokasi. Hasil identifikasi di lokasi pertama (Lokasi A) menunjukkan luas wilayah 57.666 km² dengan ketinggian 1.978 meter. Objek tersebut terletak kedalaman minimum 1.164 meter dan kedalaman maksimum 3.142 meter. Sedangkan pada lokasi kedua (Lokasi B), ditemukan objek yang memiliki luas sebesar 81,134 km², pada kedalaman minimum 1.997 meter, kedalaman maksimum 3.056 meter, dan memiliki ketinggian 1.059 meter. Hasil identifikasi kedua objek menunjukkan bahwa ketinggian kedua objek tersebut lebih dari 1.000 m, sehingga keduanya dapat dikategorikan sebagai gunung bawah laut atau seamount.
Indonesia is a country that has vast sea territory with varied topograph. The topographic identification process requires the latest technology and knowledge. To be able to identify the existence of seabed features, research is needed using acoustic technology in the form of a multibeam echosounder so that models of underwater conditions can be made. This detailed mapping of the seabed is possible to produce a clearer underwater topographic picture. In this study, identification was carried out regarding the existence of undersea mountains in Papua's northern ocean. The data used in this study came from a bathymetry survey using the multibeam echosounder produced by the Badan Informasi Geospapsial (BIG) in collaboration with the Badan Pengkaji dan Penerapan Teknologi (BPPT) in 2019. The data taken to correct the multibeam echosounder data are SVP (Sound velocity profiler) data. This research was conducted in the northern ocean of Papua which is divided into two locations. Based on the identification, the first location (A) has an area of 57,666 km² with 1,978 meters of height. This object is located at a minimum depth of 1,164 meters and a maximum depth of 3,142 meters. At the second location (B) were found an object with an area of 81,134 km², at a minimum depth of 1,997 meters, a maximum depth of 3,056 meters. The height of this object is 1,059 meters. Based on the results these two objects have more than 1,000 meters of height, thus the object can be categorized as an undersea mountain or seamount
Aplikasi Geotagging Pelaporan Bencana Menggunakan Google Maps API Berbasis Android
No full textKejadian bencana alam di Indonesia yang telah menimbulkan banyak kerugian dibutuhkan aksi tanggap darurat bencana. Dengan aplikasi yang mampu melaporkan pelaporan bencana secara akurat dan cepat akan mempermudah dalam pelaksanaan tanggap darurat bencana. Dalam penelitian ini dibuat aplikasi pelaporan bencana berbasis android dengan menggunakan Google Maps API. Dari hasil pembuatan aplikasi pelaporan bencana didapatkan fitur yaitu, fitur pelaporan bencana, fitur geolocation, fitur basemap, dan fitur register dan login. Dilakukan juga analisis analisis kegunaan aplikasi yang hasil analisis system usability scale aplikasi mendapatkan hasil nilai sebesar 74,89 jika dibandingkan dengan klasifikasi SUS, aplikasi mendapatkan nilai Acceptable pada kategori Acceptibility Range, mendapatkan nilai C pada kategori Grade Scale, dan mendapatkan nilai Good pada kategori Adjective Ratings. Aplikasi pelaporan bencana yang dibuat mampu melakukan penentuan lokasi secara otomatis, setelah dilakukan analisis uji ketelitian geometri akurasi horizontal dengan membandingkan data yang didapatkan oleh aplikasi dengan data yang dianggap benar yaitu JKHN SBY5 didapatkan hasil RMSE sebesar 29,53 dan nilai CE90 sebesar 44,81. Dari hasil nilai CE90 yang didapatkan jika dibandingkan dengan tabel ketentuan ketelitian geometri peta RBI berdasarkan kelasnya, pada kelas 1 skala yang memenuhi adalah 1:250.000, pada kelas 2 skala yang memenuhi adalah 1:100.000, dan pada kelas 3 skala yang memenuhi adalah 1:50.000
