Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Media Komunikasi Dunia Ilmu Sipil (MoDuluS)
Salwa, Atilla
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Transportation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penggunaan Metode Artificial Neural Network dalam Pembuatan Peta Kerentanan Longsor Wilayah Kabupaten Karanganyar Salwa, Atilla; Dananjaya, Raden Harya; Surjandari, Niken Silmi
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 Niken Silmi Surjandari Raden Harya Dananjaya, Raden Harya