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
DOI:
https://doi.org/10.30872/jtgeo.v0i1.30093Abstract
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.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.
Downloads
Published
Issue
Section
License
Copyright Notice
Authors who publish in Jurnal Teknik Geologi: Jurnal Ilmu Pengetahuan dan Teknologi agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under an Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
