IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK PREDIKSI TANAH LONGSOR YANG DIPICU OLEH CURAH HUJAN DI WILAYAH PROVINSI DAERAH ISTIMEWA YOGYAKARTA

Siregar, Octavina Yenni (2021) IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK PREDIKSI TANAH LONGSOR YANG DIPICU OLEH CURAH HUJAN DI WILAYAH PROVINSI DAERAH ISTIMEWA YOGYAKARTA. Other thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.

Preview	Text ABSTRAK_123150004_Octavina Yenni Siregar.pdf Download (33kB) | Preview
Preview	Text COVER_123150004_Octavina Yenni Siregar.pdf Download (101kB) | Preview
Preview	Text DAFTAR ISI_123150004_Octavina Yenni Siregar.pdf Download (83kB) | Preview
Preview	Text DAFTAR PUSTAKA_123150004_Octavina Yenni Siregar.pdf Download (204kB) | Preview
Preview	Text PENGESAHAN PEMBIMBING_123150004_Octavina Yenni Siregar.pdf Download (468kB) | Preview
	Text SKRIPSI-FULL-123150004-Octavina-Yenni-Siregar.pdf Restricted to Repository staff only Download (4MB)

Abstract

vi
ABSTRAK
Tanah longsor merupakan salah satu bencana alam yang paling merusak karena dapat
mengakibatkan perubahan drastis dalam morfologi lingkungan dan kerusakan pada struktur alami
dan buatan di bumi. Di wilayah Provinsi Daerah Istimewa Yogyakarta (DIY), bencana tanah
longsor telah menghasilkan kerugian ekonomi dan korban jiwa yang besar dalam kurun waktu
tahun 2015-2019. Dengan melihat dampak tersebut, maka diperlukan usaha untuk meminimalkan
dampak dengan mendeteksi secara dini tanda-tanda dan kemungkinan terjadinya longsor. Random
Forest (RF) adalah sebuah algoritma machine learning yang dapat digunakan untuk memprediksi
kejadian tanah longsor. Pada penelitian ini, algoritma RF diterapkan ke dalam dua bentuk model,
yaitu model dengan parameter default dan model dengan parameter tuning. Algoritma Decision
Tree digunakan sebagai metode pembanding dalam penilaian kinerja sistem.
Penelitian ini menggunakan data kejadian bencana yang terdiri dari 3.848 record data dan
21 atribut. Data tersebut diolah dan dianalisis untuk mengetahui korelasi antara faktor
pengondisian tanah longsor dengan kejadian bencana. Dataset kejadian tanah longsor yang
terbentuk dibagi menjadi 70% data pelatihan untuk melatih model pengklasifikasi machine
learning, serta 30% data pengujian dan data validasi untuk pengujian model tersebut. Parameter
prediksi yang digunakan antara lain, curah hujan harian (CHH), curah hujan kumulatif tiga hari
(CHK_3H), curah hujan kumulatif satu bulan (CHK_1B), jenis tanah, kemiringan lereng,
ketinggian wilayah, dan penggunaan lahan.
Hasil pengujian kinerja menunjukkan bahwa algoritma RF dapat diterapkan untuk
memprediksi tanah longsor yang dipicu oleh curah hujan di wilayah Provinsi Daerah Istimewa
Yogyakarta. Hal tersebut terlihat pada model Random Forest dengan parameter tuning yang
memperoleh hasil kinerja terbaik dengan akurasi sebesar 87,65%, presisi sebesar 89, 66%, dan
recall sebesar 60,47% dalam pengujian sistem menggunakan data uji. Model tersebut juga
menghasilkan akurasi dan presisi tertinggi dengan nilai masing-masing 84,62% dan 45.95% pada
pengujian sistem menggunakan data validasi. Sementara itu, nilai recall tertinggi sebesar 46.34%
diperoleh oleh model Random Forest dengan parameter default.
Kata Kunci: machine learning, prediksi, tanah longsor, random forest (RF), decision tree (DT).
vii
ABSTRACT
Landslides are one of the most destructive natural disasters because they can cause drastic
changes in environmental morphology and damage to natural and artificial structures on earth.
In the Special Region of Yogyakarta (DIY), landslides have resulted in large economic losses and
casualties in the 2015-2019 period. By looking at these impacts, efforts are needed to minimize
the impact by detecting early signs and possibility of landslides. Random Forest (RF) is a machine
learning algorithm that can be used to predict landslides. In this study, the RF algorithm is applied
to two models, which are a model with default parameters and a model with tuning parameters.
Decision Tree Algorithm is used as a comparison method in assessing system performance.
This study uses disaster event data consisting of 3,848 data records and 21 attributes. The
data is processed and analyzed to determine the correlation between the conditioning factor of
landslides and the occurrence of disasters. The landslide event dataset that is formed is divided
into 70% training data for training the machine learning classifier models, and 30% testing data
and validation data for testing the model. Prediction parameters used are daily rainfall (CHH),
three-day cumulative rainfall (CHK_3H), one-month cumulative rainfall (CHK_1B), soil type,
slope, area elevation, and land use.
The results of the performance test show that the RF algorithm can be applied to predict
landslides triggered by rainfall in the Special Region of Yogyakarta Province. This can be seen in
the Random Forest model with tuning parameters that get the best performance results with
87.65% accuracy, 89.66% precision, and 60.47% recall in system testing using test data. The
model also produces the highest accuracy and precision with values of 84.62% and 45.95%
respectively in system testing using validation data. Meanwhile, the highest recall value of 46.34%
is obtained by the Random Forest model with default parameters.
Keyword: machine learning, prediction, landslide, random forest (RF), decision tree (DT).

Item Type:	Thesis (Other)
Uncontrolled Keywords:	machine learning, prediction, landslide, random forest (RF), decision tree (DT).
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	24 Mar 2021 06:50
Last Modified:	19 Dec 2022 07:03
URI:	http://eprints.upnyk.ac.id/id/eprint/24986

Actions (login required)

View Item