Pembangunan Social Vulnerability Index Terhadap Bencana Alam Melalui Pendekatan Potential Exposure dan Social Resilience Menggunakan Machine Learning dan Remote Sensing

Putri, Deanis Camelia Anugrah
Nurmawati, Erna

Jurnal Teknologi Informasi dan Ilmu Komputer
Vol. 13 No. 5: Oktober 2026

Pulau Sumatera menghadapi ancaman besar bencana karena letaknya di kawasan pegunungan zona patahan Semangko. Penelitian ini bertujuan untuk membangun model prediksi kerentanan sosial di Pulau Sumatera menggunakan algoritma machine learning, dengan fokus pada Social Vulnerability Index (SoVI). Data yang digunakan mencakup variabel dari dimensi ekonomi, demografi, pendidikan, ketenagakerjaan, kondisi hidup, kondisi medis, serta citra satelit NDVI, NDBI, BUI, NDWI, dan NTL. SoVI disusun melalui PEI dan SRI. Penggunaan machine learning dibangun untuk membangun nilai PEI, sedangkan PCA digunakan untuk membangun SRI. Model terbaik untuk menyusun PEI adalah SVR dengan nilai R2 sebesar 88,6%. PCA menghasilkan 7 faktor utama yang menjelaskan variansi data sebesar 73,35% dalam membangun SRI. Sebanyak 40,91% kabupaten/kota termasuk dalam kategori kerentanan sangat tinggi dan tinggi. Sedangkan 22,73% kabupaten/kota tergolong sedang. Sisanya, 36,36% kabupaten/kota termasuk dalam kategori kerentanan rendah dan sangat rendah.   Abstract Sumatra Island faces a major threat of disasters because of its location in the mountainous area of ​​the Semangko fault zone. This study aims to build a social vulnerability prediction model on Sumatra Island using a machine learning algorithm, focusing on the Social Vulnerability Index (SoVI). The data used include variables from the dimensions of economy, demographics, education, employment, living conditions, medical conditions, and satellite imagery NDVI, NDBI, BUI, NDWI, and NTL. SoVI is compiled through PEI and SRI. The use of machine learning is built to build PEI values, while PCA is used to build SRI. The best model for compiling PEI is SVR with an R2 value of 88.6%. PCA produces 7 main factors that explain 73.35% of data variance in building SRI. As many as 40.91% of districts/cities are included in the very high and high vulnerability categories. While 22.73% of districts/cities are classified as moderate. The remaining 36.36% of districts/cities are included in the low and very low vulnerability categories.