Optimalisasi Sistem Informasi Geografis Untuk Prediksi Tanah Longsor Menggunakan Simulasi Machine Learning Maximum Entropy (MaxEnt) Desa Batuah, Kecamatan Loa Janan, Kabupaten Kutai Kartanegara, Provinsi Kalimantan Timur

Budi Wiyono, Imanuel Kaunang, Jamaluddin Jamaluddin

Abstract


Analisis kerawanan longsor ini menerapkan integrasi Sistem Informasi Geografis dan pemodelan Machine Learning berbasis Maximum Entropy (MaxEnt) untuk memetakan zona risiko di Desa Batuah, Kecamatan Loa Janan, Kabupaten Kutai Kartanegara, Kalimantan Timur. Tujuan penelitian meliputi evaluasi korelasi antar parameter lingkungan, penilaian kinerja model menggunakan Area Under the Curve (AUC), dan identifikasi zona kerawanan longsor. Data yang digunakan meliputi lima parameter utama sesuai SNI 8291-2016: kemiringan lereng, litologi, jarak dari kelurusan struktur (liniasi), tata guna lahan, dan titik kejadian gerakan tanah. Tahap pra-pemrosesan mencakup reproyeksi, standarisasi resolusi raster ke ukuran sel tiga puluh meter, dan konversi format agar semua layer memiliki dimensi identik. Untuk menghindari multikolinearitas, dilakukan pengujian korelasi Pearson untuk variabel kuantitatif dan Cramer’s V untuk variabel kategorikal; hasil menunjukkan tidak ada korelasi tinggi antar parameter sehingga layak dijadikan input MaxEnt. Pemodelan dijalankan dengan metode cross-validation untuk membagi data presensi menjadi subset pelatihan dan pengujian bergilir. Kinerja model dievaluasi menggunakan kurva ROC dan AUC dengan nilai AUC uji sebesar 0,825, yang dikategorikan sebagai baik. Peta keluaran MaxEnt mengelompokkan wilayah menjadi tiga zona kerawanan: tinggi, sedang, dan rendah; zona berpotensi tinggi terutama terletak di lereng curam dengan litologi rentan dan perubahan tata guna lahan akibat aktivitas manusia. Dalam tahap pra-pemrosesan juga dilakukan pengisian nilai nodata (-9999) dan penyesuaian header raster serta penggunaan plugin Molusce untuk analisis korelasi dan validasi dimensi layer. Hasil peta kerawanan diarapkan menjadi dasar bagi perencanaan mitigasi, pengendalian lahan, dan penentuan prioritas intervensi pengurangan risiko di wilayah studi.

Full Text:

PDF

References


Ado, M., Amitab, K., Maji, A. K., Jasińska, E., Gono, R., Leonowicz, Z., & Jasiński, M. (2022). Landslide Susceptibility Mapping Using Machine Learning: A Literature Survey.Remote Sensing. https://doi.org/10.3390/rs14133029

Akoglu, H. (2018). User’s guide to correlation coefficients. Turkish Journal of Emergency Medicine, 18, 91–93.

Cramér, H. (1946). Mathematical Methods of Statistics. Princeton University Press.

Dormann, C. F. (2013). Collinearity: a review of methods to deal with it and a simulation study. Ecography.

Erkamim, M. (2023). SISTEM INFORMASI GEOGRAFIS (SIG) TEORI KOMPREHENSIF SIG (E. Rianty (ed.)). PT. GREEN PUSTAKA INDONESIA.

McHugh, M. L. (2013). The chi-square test of independence. Biochemia Medica.

Mohammed Bekkar, Hamid Kheddar, T. A. (2013). Evaluation Measures for Models Performance. International Journal of Computer Applications (IJCA), 70, 8.

Mukaka, M. M. (2012). A guide to appropriate use of correlation coefficient in medical research. Malawi Medical Journal.

Negi, P. S., Paul, S., & Lata, S. (2025). MaxEnt distribution modelling of Betula utilis D . Don under changing climatic conditions in North Western Himalaya , India. Discover Geoscience, 1–16.

Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. ELSEVIER, 190, 231–259. https://doi.org/10.1016/j.ecolmodel.2005.03.026

Shafapourtehrany, M., Panahi, M., Rezaie, F., Khosravi, K., Kalantari, Z., Bateni, S. M., & Lee, J. A. (2025). Beyond boundaries: AI-optimized global landslide susceptibility mapping. Natural Hazards and Risk.

Sheskin, D. J. (2003). Handbook of Parametric and Nonparametric Statistical Procedures. Chapman & Hall/CRC.




DOI: http://dx.doi.org/10.30872/jtgeo.v0i1.30093

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.