Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Media Komunikasi Dunia Ilmu Sipil (MoDuluS)
Raden Harya Dananjaya
Universitas Sebelas Maret
Civil Engineering, Building, Construction & Architecture Transportation

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Aplikasi Machine Learning Method pada Pemetaan Kerawanan Tanah Longsor di Kabupaten Karanganyar Nada Hanifah Putri; Raden Harya Dananjaya; Niken Silmi Surjandari
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol. 6 No. 1 (2024)
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v6i1.4490

Abstract

Indonesia berada dalam zona iklim tropis yang rawan untuk mengalami bencana hidrometeorologi. Pemetaan kerawanan longsor merupakan salah satu upaya mitigasi yang dapat dilakukan untuk mengurangi dampak dari bencana tanah longsor. Penelitian ini bertujuan untuk membuat peta kerawanan longsor wilayah Kabupaten Karanganyar menggunakan machine learning yang diklasifikasikan menjadi lima kelas yaitu sangat rendah, rendah, sedang, tinggi, dan sangat tinggi. Metode yang digunakan untuk pembuatan model adalah Voting Classifier Ensemble Technique. Sembilan faktor pengondisi yang digunakan yaitu jarak terhadap jalan sekunder dan tersier, slope, TWI, elevasi, land use, litologi, NDVI, serta curah hujan. Algoritma machine learning didapatkan dari modul Scikit Learn. Kombinasi parameter yang digunakan yaitu pada metode Random Forest menggunakan parameter random_state = 0, n_estimators = 750, criterion = 'entropy', metode Support Vector Machine menggunakan parameter random_state = 0, Probability = True, gamma = 0.005, C = 1, metode K-Nearest Neighbors menggunakan parameter n_neighbors = 11, weights = 'distance', leaf_size = 20, dan metode Voting Classifier menggunakan parameter voting = 'soft', weights = [1,1,1] untuk parameter lain yang digunakan diatur sesuai dengan default modul. Model yang didapatkan memiliki AUC sebesar 0,9563 yang mendekati 1 sehingga dapat dikatakan bahwa model yang dimiliki performa yang baik untuk melakukan prediksi probabilitas longsor.
Penggunaan Metode Artificial Neural Network dalam Pembuatan Peta Kerentanan Longsor Wilayah Kabupaten Karanganyar Atilla Salwa; Raden Harya Dananjaya; Niken Silmi Surjandari
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol. 6 No. 1 (2024)
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v6i1.4493

Abstract

Tanah longsor menjadi bencana alam yang marak terjadi di Indonesia. Selama sepuluh tahun terakhir terdapat 2975 kejadian tanah longsor yang terjadi di Jawa Tengah, di mana 101 kejadian tanah longsor berada di Kabupaten Karanganyar. Penelitian ini bertujuan untuk membuat peta kerentanan longsor pada wilayah Kabupaten Karanganyar. Peta kerentanan akan dibagi menjadi lima kelas, yaitu sangat rendah, rendah, sedang, tinggi dan sangat tinggi dengan menggunakan metode natural breaks (jenk’s). Penelitian ini menggunakan 9 faktor pengondisi longsor yaitu jarak terhadap jalan sekunder, jarak terhadap jalan tersier, slope, topographic wetness index (TWI), elevasi, tata guna lahan (landuse), litologi, normalized difference vegetation index (NDVI), dan hujan. Pembuatan peta dilakukan dengan menggunakan Artificial Neural Network dengan bantuan modul scikit learn dan metode ten-folds cross validation digunakan sebagai metode validasi model yang dihasilkan. Nilai landslide density dihitung pada penelitian ini untuk evaluasi performa dari hasil klasifikasi kerentanan longsor. Parameter machine learning yang digunakan pada penelitian ini adalah hidden layer sizes, activation, maximum iteration dan random state. Performa model Artificial Neural Network yang dihasilkan menggunakan parameter tersebut menunjukkan hasil yang excellent.  Nilai AUC yang didapat pada penelitian ini sebesar 0,9140 dengan nilai ten-folds cross validation 0,7444.
Co-Authors Atilla Salwa Nada Hanifah Putri Niken Silmi Surjandari