Pemetaan kerawanan tanah longsor di Kota Malang dengan kombinasi model information gain ratio dan artificial neural network / Lailatul Mukaromah

Mukaromah, Lailatul (2022) Pemetaan kerawanan tanah longsor di Kota Malang dengan kombinasi model information gain ratio dan artificial neural network / Lailatul Mukaromah. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

Kota Malang secara geografis merupakan wilayah yang rawan bencana jika secara frekuensi dan intensitas longsor menjadi yang bencana tertinggi di Kota Malang. Penelitian ini bertujuan untuk memetakan prediksi kerawanan tanah longsor menggunakan model Artificial Neural Network (ANN) dan kombinasi model Information Gain dan Artificial Neural Network (ANN). Permodelan kerawanan longsor didapat dari data inventasrisasi kejadian longsor terdahulu dan kaitannya dengan faktor pengontrol longsor. Data inventarisasi dibagi atas training data dan validasi data. Faktor pengontrol longsor berupa karakteristik topografi hidrologis geologi tanah dan lingkungan. Tahapan yang dilakukan dalam penelitian ini yaitu (1) kegiatan pra-lapangan (2) observasi lapangan (3)uji laboratorium (4) perhitungan nilai gain (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 Kerawanan longsor di Kota Malang berkaitan erat dengan jarak terhadap sungai dan lereng yang curam dimana wilayah tersebut memiliki kerawanan longsor yang tinggi. Faktor pengontrol longsor yang memiliki kontribusi dalam kejadian longsor di Kota Malang yaitu jarak dari sungai NDVI kemiringan lereng penggunaan lahan elevasi SPI curah hujan profile curvature litologi plan curvature dan STI. Uji validasi model menggunakan kurva ROC (Receiver Operating Curve) yang menunjukkan bahwa model ANN (16 sub-kriteria) dengan 20 hidden layer memiliki nilai AUC sebesar 0 798 sedangkan model Information Gain-ANN (11 sub-kriteria) dengan 16 hidden layer sebesar 0 841159. Model Information Gain-ANN memiliki keampuan prediksi lebih baik daripada model ANN dengan 11 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:	24 Mar 2022 04:29
Last Modified:	09 Sep 2022 03:00
URI:	http://repository.um.ac.id/id/eprint/265136

Actions (login required)

View Item