Utomo, Kresno Sastro Bangun (2020) Integrasi model certainty factor dan ann untuk pemetaan kerawanan tanah longsor (studi kasus: DAS Bendo, Kabupaten Banyuwangi) / Kresno Sastro Bangun Utomo. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
Kondisi kebencanaan khususnya aspek longsoran di Daerah Aliran Sungai (DAS) Bendo Kabupaten Banyuwangi terjadi pada setiap tahunnya. Sebaran informasi kerawanan tanah longsor di DAS Bendo masih belum dilakukan pemetaan dalam skala 1 50.000. Penelitian ini bertujuan untuk memetakan prediksi kerawanan tanah longsor menggunakan model Artificial Neural Network (ANN) yang berdiri sendiri dan integrasi model Certainty Factor dan Artificial Neural Network (C-ANN). Pemodelan kerawanan tanah longsor menggunakan data inventarisasi kejadian longsor terdahulu yang dibagi menjadi 2 yakni untuk training model dan testing model. Setiap faktor pengontrol tanah longsor dihitung nilai kepastian (certainty factor) untuk menentukan yang berkorelasi positif terhadap data kejadian longsor khususnya training model data. Terdapat 17 faktor pengontrol tanah longsor yang merupakan kriteria kerawanan tanah longsor berupa karakteristik topografi hidrologi geologi tanah dan lingkungan. Beberapa tahapan yang dilakukan dalam penelitian ini meliputi (1) kegiatan pra-lapangan (2) observasi lapangan (3) uji laboratorium (4) perhitungan nilai kepastian (5) persiapan data input berupa faktor pengontrol tanah longsor (6) klasifikasi ANN (7) ekstraksi nilai bobot jaringan (8) prediksi kerawanan tanah longsor dan (9) validasi dan visualisasi kerawanan tanah longsor. Kondisi kerawanan tanah longsor di DAS Bendo menunjukkan tingkat kerawanan tinggi khususnya pada bagian tubuh Gunung Ijen Merapi dan Rante. Faktor pengontrol tanah longsor yang berkorelasi positif terhadap kejadian longsoran yakni elevation profile curvature soil depth slope stream density stream power index dan total curvature. Arsitektur jaringan model ANN yang paling baik adalah dengan jumlah hidden neuron 11. Sedangkan model C-ANN sebanyak 4 buah hidden neuron. Uji validasi model menggunakan kurva ROC (Receiver Operating Curve) dan AUC (Area Under Curve) yang menunjukkan bahwa model ANN (17 sub-kriteria) memiliki nilai AUC sebesar 0.778 dan model C-ANN (7 sub-kriteria) sebesar 0.916. Model C-ANN memiliki keampuan prediksi lebih baik daripada model ANN dengan 17 sub-kriteria sebagai data input.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | ?? ?? |
| Divisions: | Fakultas Ilmu Sosial (FIS) > Departemen Geografi (GEO) > S1 Geografi |
| Depositing User: | Users 2 not found. |
| Date Deposited: | 05 Oct 2020 04:29 |
| Last Modified: | 09 Sep 2020 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/153411 |
Actions (login required)
 |
View Item |