Longsor sering terjadi setelah hujan lebat, tetapi hujan bukan satu-satunya penyebab. Kemiringan lereng, kondisi tanah dan batuan, bentuk permukaan, aliran air, tutupan lahan, hingga aktivitas manusia turut menentukan kestabilan suatu lereng. Karena setiap wilayah mempunyai kombinasi kondisi yang berbeda, lokasi yang berpotensi mengalami longsor perlu dikenali melalui pemetaan kerawanan.
Perkembangan data geospasial dan machine learning membuat proses tersebut dapat dilakukan secara lebih sistematis. Teknologi ini mampu mempelajari pola dari kejadian longsor sebelumnya, kemudian memperkirakan tingkat kerawanan pada lokasi lain dengan kondisi serupa. Hasilnya bukan ramalan mengenai waktu pasti terjadinya longsor, melainkan peta yang menunjukkan wilayah dengan kecenderungan longsor lebih tinggi.
Apa Itu Peta Kerawanan Longsor?
Peta kerawanan longsor menggambarkan kecenderungan suatu wilayah mengalami longsor berdasarkan kondisi lingkungan yang dimilikinya. Hasil pemodelan biasanya disajikan dalam kelas sangat rendah, rendah, sedang, tinggi, dan sangat tinggi.
Peta kerawanan berbeda dari peta risiko. Kerawanan berfokus pada kondisi fisik wilayah, sedangkan risiko juga mempertimbangkan manusia, bangunan, infrastruktur, kegiatan ekonomi, dan berbagai unsur lain yang dapat terdampak. Oleh karena itu, peta kerawanan merupakan landasan penting untuk kajian bencana, tetapi tidak dapat digunakan sebagai satu-satunya dasar keputusan teknis.
Data Apa yang Dibutuhkan?
Pemetaan dengan machine learning membutuhkan inventaris longsor sebagai data utama. Inventaris tersebut memuat lokasi kejadian longsor yang diperoleh dari survei lapangan, interpretasi citra, foto udara, laporan kebencanaan, atau data instansi. Ketepatan lokasi dan keterwakilan data sangat menentukan kemampuan model dalam mengenali pola longsor.
Lokasi kejadian kemudian dihubungkan dengan berbagai faktor pengontrol longsor, seperti:
- Kemiringan dan arah hadap lereng
- Elevasi dan bentuk permukaan
- Jenis tanah dan batuan
- Curah hujan
- Tutupan atau penggunaan lahan
- Indeks kebasahan topografi
- Jarak dari sungai, jalan, dan sesar
Pemilihan variabel harus disesuaikan dengan kondisi wilayah dan mekanisme longsor yang dikaji. Menggunakan banyak data belum tentu menghasilkan model yang lebih baik apabila datanya tidak relevan, memiliki resolusi berbeda, atau kualitasnya kurang memadai.
Bagaimana Machine Learning Bekerja?
Model machine learning mempelajari hubungan antara lokasi longsor dan faktor-faktor lingkungan. Sebagian data digunakan untuk melatih model, sedangkan bagian lainnya digunakan untuk menguji kemampuannya pada data yang belum pernah dipelajari.
Algoritma yang sering digunakan antara lain Random Forest, XGBoost, Support Vector Machine, dan Logistic Regression. Setiap algoritma memiliki karakteristik berbeda. Tidak ada satu algoritma yang selalu paling akurat untuk seluruh wilayah, sehingga pemilihan model perlu didasarkan pada hasil pengujian, bukan sekadar popularitas metode.
Secara umum, proses pemetaan meliputi beberapa tahapan berikut:
- Mengumpulkan dan memeriksa inventaris kejadian longsor.
- Menyiapkan seluruh variabel dalam sistem koordinat, resolusi, dan cakupan yang sama.
- Menentukan sampel lokasi longsor dan nonlongsor.
- Membagi data untuk pelatihan dan pengujian model.
- Melatih, mengoptimalkan, dan membandingkan beberapa algoritma.
- Mengevaluasi model dan menerapkannya pada seluruh wilayah kajian.
- Mengelompokkan hasil probabilitas menjadi kelas kerawanan.
Model biasanya menghasilkan nilai probabilitas antara 0 dan 1 untuk setiap piksel. Nilai tersebut selanjutnya dikelompokkan menjadi kelas kerawanan agar lebih mudah dipahami. Batas antarkelas harus ditentukan dan dijelaskan secara transparan karena metode klasifikasi yang berbeda dapat mengubah luas wilayah pada setiap kelas. Jika memungkinkan, peta juga disertai informasi ketidakpastian.
Akurasi Tinggi Belum Tentu Menjamin Peta yang Baik
Performa model dapat dinilai menggunakan ROC-AUC, precision, recall, F1-score, dan confusion matrix. Namun, angka evaluasi yang tinggi tidak selalu menjamin bahwa pola pada peta telah sesuai dengan kondisi lapangan.
Salah satu masalah yang sering terjadi adalah overfitting, yaitu ketika model sangat baik membaca data pelatihan tetapi gagal bekerja pada data baru. Pembagian sampel secara acak juga dapat menghasilkan nilai akurasi yang terlalu optimistis karena lokasi yang berdekatan umumnya mempunyai karakteristik serupa. Oleh sebab itu, validasi berbasis blok spasial lebih dianjurkan untuk menguji kemampuan model pada wilayah yang benar-benar berbeda.
Hasil pemodelan juga perlu diperiksa secara visual dan dibandingkan dengan pengetahuan geomorfologi, kondisi lapangan, serta catatan kejadian. Machine learning seharusnya membantu analisis, bukan menggantikan pemahaman terhadap proses longsor.
Apa Manfaatnya?
Peta kerawanan longsor dapat digunakan untuk menentukan prioritas survei, mengenali permukiman dan infrastruktur di wilayah rawan, mendukung perencanaan tata ruang, memilih lokasi pemantauan lereng, serta menyusun langkah mitigasi.
Pada skala tapak, misalnya untuk pembangunan jalan atau bangunan, hasil pemetaan regional tetap perlu dilengkapi dengan survei geologi teknik, pengujian tanah, pemeriksaan bawah permukaan, dan analisis kestabilan lereng.
Machine learning membuka peluang untuk menghasilkan pemetaan kerawanan longsor yang lebih konsisten dan dapat diperbarui ketika data baru tersedia. Namun, kualitas hasilnya tetap bergantung pada inventaris longsor, kesesuaian variabel, metode validasi, dan interpretasi ahli.
Sitibecik menyediakan layanan analisis geospasial dan pemetaan kebencanaan untuk mendukung mitigasi serta perencanaan wilayah berbasis data. Hubungi tim Sitibecik untuk mendiskusikan kebutuhan pemetaan kerawanan longsor di wilayah Anda.
Leave a Reply