<![CDATA[Penelitian ini bertujuan untuk mengembangkan model prediksi kerawanan tanah longsor di Kabupaten Malang, Jawa Timur, dengan memanfaatkan model machine learning berbasis data geospasial dan metodologi CRISP-ML(Q). Rumusan masalah yang diangkat mencakup: (1) bagaimana hasil perbandingan akurasi prediksi tanah longsor berdasarkan model Support Vector Machine (SVM), Random Forest (RF), dan Logistic Regression (LR); (2) bagaimana sebaran spasial hasil prediksi tanah longsor di Kabupaten Malang berdasarkan masing-masing model; dan (3) apa saja faktor yang memengaruhi kerawanan suatu desa terhadap tanah longsor. Hasil analisis menunjukkan bahwa model SVM memiliki akurasi tertinggi sebesar 0,99, diikuti oleh LR dengan akurasi 0,97, dan RF yang mencapai akurasi 0,86. Pemetaan kerawanan tanah longsor mengidentifikasi daerah di sekitar Gunung Bromo dan utara Gunung Kawi sebagai wilayah paling rentan, dengan model SVM mengklasifikasikan 36,22% desa sebagai daerah rawan. Analisis korelasi menunjukkan bahwa data historis longsor, tutupan pepohonan, kerapatan vegetasi, dan kemiringan lereng berkorelasi positif terhadap kerawanan, sedangkan jenis geologi dan rata-rata curah hujan berkorelasi negatif. Temuan ini diharapkan dapat menjadi pertimbangan bagi pemerintah daerah dalam merumuskan strategi mitigasi bencana yang lebih efektif dan meningkatkan kesiapsiagaan masyarakat terhadap risiko tanah longsor.]]>
Copyrights © 2025
