// <![CDATA[PEMETAAN KERENTANAN TANAH LONGSOR DI KABUPATEN BANDUNG BARAT MENGGUNAKAN ALGORITMA RANDOM FOREST DAN SUPPORT VECTOR MACHINE BERBASIS GOOGLE EARTH ENGINE]]> 0407096502 - Dr. Dewi Kania Sari, Ir., M.T. Dosen Pembimbing 1 GHIAST AZRU MAULIDAN SUTIA RAHAYU / 232021034 Penulis
Tanah longsor merupakan salah satu bencana geologi yang sering terjadi di Kabupaten Bandung Barat dan berdampak pada kerusakan lingkungan serta kerugian ekonomi. Penelitian ini bertujuan untuk memetakan kerentanan tanah longsor menggunakan algoritma Random Forest (RF) dan Support Vector Machine (SVM) berbasis Google Earth Engine (GEE). Parameter yang digunakan meliputi kemiringan lereng, curah hujan, NDVI, jenis tanah, jenis batuan, dan tutupan lahan. Data diolah di GEE dengan pembagian data pelatihan dan pengujian sebesar 80:20. Evaluasi model dilakukan menggunakan confusion matrix dan validasi spasial berdasarkan data longsor tahun 2024. Model RF mengklasifikasikan 28,40% wilayah sebagai kerentanan rendah dan 9,88% sebagai sangat tinggi, dengan akurasi 80%, sedangkan SVM memperoleh akurasi 76,24%. Analisis feature importance menunjukkan bahwa kemiringan lereng dan curah hujan merupakan faktor paling dominan. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa dan akurasi yang lebih baik dibandingkan SVM. Peta kerentanan yang dihasilkan dapat digunakan sebagai dasar dalam perencanaan tata ruang dan upaya mitigasi bencana tanah longsor. Landslides are one of the major geological disasters in West Bandung Regency, often resulting in environmental damage and economic losses. This study aims to map landslide vulnerability using the Random Forest (RF) and Support Vector Machine (SVM) algorithms through the Google Earth Engine (GEE) platform. Key parameters used include slope, rainfall, NDVI, soil type, lithology, and land use. These were processed in GEE to train RF and SVM models, using 80% of the data for training and 20% for testing. Model performance was evaluated using a confusion matrix and validated with landslide data from 2024. The RF model classified 28.40% of the area as low vulnerability and 9.88% as very high. It achieved 80% accuracy, while the SVM model reached 76.66%. Feature importance analysis revealed that slope and rainfall were the most influential factors. The results indicate that the Random Forest algorithm outperforms the Support Vector Machine in both accuracy and spatial prediction. The resulting vulnerability maps are expected to support local governments and communities in spatial planning and landslide risk mitigation efforts.