Menuju Prediksi Kejadian Longsor Akibat Hujan Menggunakan Pendekatan Kecerdasan Buatan di Banjarnegara

Abstract

Intisari

Data Badan Nasional Penanggulangan Bencana (BNPB) menyebutkan adanya tren peningkatan kejadian longsor di Banjarnegara dari 2014-2018. Faktor curah hujan menyebabkan 78 % kejadian longsor dari total 108 kejadian. Pola akumulasi curah hujan tinggi yang diamati terjadi pada bulan November hingga Maret (NDJFM) di Banjarnegara. Akumulasi curah hujan tersebut memiliki hubungan linier dengan kejadian longsor pada periode NDJFM. Penelitian ini dilakukan untuk memprediksi kejadian longsor akibat curah hujan di Banjarnegara dengan menggunakan Jaringan Syaraf Tiruan (JST) berbasis probabilistik, yaitu Probabilistic Neural Network (PNN). Data curah hujan diturunkan dari data Global Satellite Mapping of Precipitation (GSMaP) dan terdiri dari akumulasi, intensitas, serta durasi curah hujan dalam empat skala waktu yang berbeda, yang digunakan sebagai input untuk model JST. Dua skenario yang diterapkan untuk input data, dengan menerapkan transformasi data menggunakan transformasi log dan Principal Component Analysis (PCA). Sepuluh konfigurasi diuji coba dengan menggunakan model PNN. Pada skenario pertama, konfigurasi keempat menunjukkan performa terbaik di mana nilai akurasi mencapai 0,854, nilai Probability of Detection (POD) tertinggi 0,344, dan nilai False Alarm Ratio (FAR) yang relatif rendah dibandingkan yang lain, yaitu 0,46. Berdasarkan parameter akurasi dan statistik POD, kinerja PNN meningkat pesat ketika skenario kedua diterapkan. Analisis performa PNN menunjukkan bahwa konfigurasi ketujuh pada skenario ini dengan nilai σ 0,7 memiliki performa terbaik dalam memprediksi kejadian longsor. Nilai akurasi meningkat hingga 0,863 dan POD meningkat signifikan hingga 0,905.

Abstract

National Agency for Hazard Mitigation (BNPB) data stated an inclining trend of landslides in Banjarnegara from 2014 to 2018. The rainfall factor caused 78 % of landslides out of 108 cases. A large amount of rainfall accumulation was observed in November up to March (NDJFM) in Banjarnegara. Rainfall accumulation has a linear relationship with landslide events during that period. This research was conducted to better predict a rainfall-induced landslide in Banjarnegara using the Probabilistic-based Artificial Neural Network (ANN), which is Probabilistic Neural Network (PNN). Rainfall data derived from Global Satellite Mapping of Precipitation (GSMaP) data comprise rainfall accumulation, intensity, and duration in four different time scales, used as input for ANN models. Two scenarios were applied to the input data: log transformation and Principal Component Analysis (PCA). Ten configurations were performed using the PNN model. In the first scenario, the fourth configuration shows the best performances where the accuracy value reached up to 0.854, the highest Probability of Detection (POD) value of 0.344, and a relatively low False Alarm Ratio (FAR) value compared to the others, which is 0.46. Based on the accuracy and POD statistics parameter, the performance of PNN increased remarkably when the second scenario was applied. Analysis of the performance of PNN showed that the seventh configuration of this scenario, where its σ value is 0.7, has the best performance in predicting landslide events. The accuracy value increased to 0.863, and POD significantly increased to 0.905.