ESDMESDM
Indonesian Journal on GeoscienceIndonesian Journal on GeosciencePemetaaan kerentanan longsor (LSM) menghasilkan peta zonasi tingkat kerentanan longsor, yang merepresentasikan probabilitas longsor di masa depan. Hal ini diperlukan untuk memberikan pedoman terkait perencanaan spasial. Metode pembelajaran mesin digunakan, yaitu algoritma random forest (RF) untuk memetakan kerentanan longsor menggunakan Python. Studi kasusnya adalah Kota Palu dan sekitarnya, yang terkena gempa bumi besar pada 28 September 2018. Beberapa studi LSM sebelumnya tidak membahas penyetelan hiperparameter, dan beberapa lainnya tidak menyebutkan akurasi pelatihan. Oleh karena itu, penelitian ini bertujuan untuk mengetahui apakah model cepat tanpa penyetelan hiperparameter yang sering mengalami overfitting dapat menghasilkan peta kerentanan longsor yang baik. Pertanyaan penelitian dijawab dengan membandingkan dua peta kerentanan longsor yang dibangun dengan dan tanpa penyetelan hiperparameter menggunakan analisis receiver operating characteristics (ROC) dan kepadatan longsor (LD). Penelitian ini menunjukkan bahwa area di bawah kurva (AUC) peta kerentanan longsor dari model RF cepat tanpa penyetelan hiperparameter setara dengan AUC dari peta model yang disetel. Hal yang sama terjadi pada kedua peta kepadatan longsor (LD), dan tidak terdapat anomali pada peta model cepat. Namun, terdapat penampilan yang tidak biasa pada peta model cepat. Oleh karena itu, penyetelan hiperparameter untuk memperoleh model optimal tanpa overfitting wajib dilakukan dalam memprediksi kerentanan longsor secara spasial.
Perhitungan AUC dan kepadatan longsor (LD) pada peta tanpa penyetelan hiperparameter tidak menunjukkan anomali, namun jelas bahwa penyetelan hiperparameter diperlukan untuk menghilangkan overfitting pada model.Model optimal berada pada rentang kompleksitas yang tepat sehingga menghindari baik overfitting maupun underfitting.Oleh karena itu, penyetelan hiperparameter harus dilakukan serta akurasi model dihitung pada data pelatihan dan pengujian untuk memastikan tidak terjadi overfitting.
Penelitian selanjutnya dapat mengeksplorasi perbandingan kinerja algoritma pembelajaran mesin lain, seperti gradient boosting atau jaringan saraf dalam, terhadap random forest yang telah disetel hiperparameternya dalam memetakan kerentanan longsor di wilayah rawan gempa. Selanjutnya, studi dapat menambahkan variabel lingkungan tambahan, misalnya intensitas curah hujan dan kelembaban tanah yang diperoleh dari citra satelit, untuk menilai apakah peningkatan variabel input dapat mengurangi risiko overfitting dan meningkatkan akurasi prediksi. Selain itu, diperlukan pengembangan kerangka kerja pemetaan kerentanan longsor secara dinamis dengan data GIS yang mengalir dan optimasi hiperparameter otomatis, sehingga model dapat menyesuaikan diri secara real‑time terhadap perubahan kondisi topografi dan iklim. Penelitian-penelitian ini akan memperluas pemahaman tentang cara meminimalkan overfitting, meningkatkan ketepatan peta, dan meningkatkan kegunaan praktis bagi perencanaan wilayah. Dengan menjawab pertanyaan-pertanyaan tersebut, diharapkan dapat menghasilkan model yang lebih robust dan adaptif untuk mitigasi bencana longsor. Selain itu, analisis sensitivitas terhadap pemilihan parameter model dapat memberikan insight mengenai faktor dominan yang paling berpengaruh pada prediksi kerentanan.
- Landslide Susceptibility Mapping Using Single Machine Learning Models: A Case Study from Pithoragarh... onlinelibrary.wiley.com/doi/10.1155/2021/9934732Landslide Susceptibility Mapping Using Single Machine Learning Models A Case Study from Pithoragarh onlinelibrary wiley doi 10 1155 2021 9934732
- SUSCEPTIBILITY ASSESSMENT OF EARTHQUAKE-INDUCED LANDSLIDES: THE 2018 PALU, SULAWESI MW 7.5 EARTHQUAKE,... doi.org/10.17794/rgn.2023.3.4SUSCEPTIBILITY ASSESSMENT OF EARTHQUAKE INDUCED LANDSLIDES THE 2018 PALU SULAWESI MW 7 5 EARTHQUAKE doi 10 17794 rgn 2023 3 4
| File size | 5.34 MB |
| Pages | 11 |
| DMCA | Report |
Related /
NINETYJOURNALNINETYJOURNAL Untuk penelitian masa depan, sangat disarankan untuk menerapkan teknik pemerataan data lanjutan, seperti Teknik Over-sampling Minoritas Sintetis (SMOTE),Untuk penelitian masa depan, sangat disarankan untuk menerapkan teknik pemerataan data lanjutan, seperti Teknik Over-sampling Minoritas Sintetis (SMOTE),
KRESNA MEDIAKRESNA MEDIA Penelitian menggunakan pendekatan Explanatory Sequential Mixed Methods yang mengintegrasikan analisis kuantitatif dan kualitatif. Model prediksi dibangunPenelitian menggunakan pendekatan Explanatory Sequential Mixed Methods yang mengintegrasikan analisis kuantitatif dan kualitatif. Model prediksi dibangun
KRESNA MEDIAKRESNA MEDIA Hasil ini menunjukkan bahwa jarak pencitraan berpengaruh signifikan terhadap stabilitas fitur tekstur dan akurasi klasifikasi. Untuk penelitian lanjutan,Hasil ini menunjukkan bahwa jarak pencitraan berpengaruh signifikan terhadap stabilitas fitur tekstur dan akurasi klasifikasi. Untuk penelitian lanjutan,
KRESNA MEDIAKRESNA MEDIA Temuan ini memvalidasi bahwa integrasi pelabelan Lexicon-Based dengan klasifikasi SVM merupakan solusi yang sangat akurat, tangguh, dan efisien untuk menanganiTemuan ini memvalidasi bahwa integrasi pelabelan Lexicon-Based dengan klasifikasi SVM merupakan solusi yang sangat akurat, tangguh, dan efisien untuk menangani
KRESNA MEDIAKRESNA MEDIA Semua model kemudian diuji pada dataset uji IndoNLU SmSA, dengan perbandingan kinerja dalam hal akurasi, presisi, recall, dan F1-score. Hasil menunjukkanSemua model kemudian diuji pada dataset uji IndoNLU SmSA, dengan perbandingan kinerja dalam hal akurasi, presisi, recall, dan F1-score. Hasil menunjukkan
UMSUMS Namun, pendensitasian tetap menjadi tugas yang menantang karena kurangnya keterjangkauan sensor, terutama di Global Selatan. Selain itu, persyaratan presisiNamun, pendensitasian tetap menjadi tugas yang menantang karena kurangnya keterjangkauan sensor, terutama di Global Selatan. Selain itu, persyaratan presisi
UMSUMS Studi ini juga mengungkapkan variasi spasial CC, dengan potensi stres di dekat area perkotaan dan tubuh air, dan vegetasi yang lebih sehat di inti daripadaStudi ini juga mengungkapkan variasi spasial CC, dengan potensi stres di dekat area perkotaan dan tubuh air, dan vegetasi yang lebih sehat di inti daripada
UMSUMS Di Uganda, di mana pertumbuhan perkotaan yang cepat jelas terlihat, data tentang jejak makanan yang dihasilkan sangat jarang. Untuk menutup kesenjanganDi Uganda, di mana pertumbuhan perkotaan yang cepat jelas terlihat, data tentang jejak makanan yang dihasilkan sangat jarang. Untuk menutup kesenjangan
Useful /
KRESNA MEDIAKRESNA MEDIA Temuan penelitian ini konsisten dengan beberapa karya sebelumnya dalam penelitian perilaku e-commerce di Indonesia, seperti pengaruh faktor emosional danTemuan penelitian ini konsisten dengan beberapa karya sebelumnya dalam penelitian perilaku e-commerce di Indonesia, seperti pengaruh faktor emosional dan
ITSITS Di antara berbagai jenis UAV, quadcopter menonjol sebagai pesawat multirotor yang mampu melakukan lepas landas dan pendaratan vertikal (VTOL). Faktor utamaDi antara berbagai jenis UAV, quadcopter menonjol sebagai pesawat multirotor yang mampu melakukan lepas landas dan pendaratan vertikal (VTOL). Faktor utama
KRESNA MEDIAKRESNA MEDIA Kemudian hasil yang diperoleh dari pengujian User Acceptence Test (UAT) yang dilakukan oleh sepuluh responden menunjukkan nilai rata-rata persentase tingkatKemudian hasil yang diperoleh dari pengujian User Acceptence Test (UAT) yang dilakukan oleh sepuluh responden menunjukkan nilai rata-rata persentase tingkat
UMSUMS 500) kategori air asin. Penting untuk diketahui bahwa nilai pH air tanah 6,5–8,5 berdasarkan pengukuran lapangan termasuk dalam kelas normal. Tingkat500) kategori air asin. Penting untuk diketahui bahwa nilai pH air tanah 6,5–8,5 berdasarkan pengukuran lapangan termasuk dalam kelas normal. Tingkat