digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Syifa Nalurita Azahra
PUBLIC Open In Flipbook Rita Nurainni, S.I.Pus

Longsor adalah serangkaian fenomena pergerakan massa tanah ke bawah lereng akibat pengaruh gaya gravitasi yang dapat menimbulkan korban jiwa dan kerugian ekonomi yang signifikan dengan curah hujan yang sering kali disebut sebagai pemicu utama. Untuk itu, Penelitian ini bertujuan untuk menganalisis karakteristik curah hujan pemicu longsor serta memetakan tingkat kerawanan longsor di Kabupaten Bogor. Pada penelitian ini digunakan data curah hujan resolusi dengan 30 menit dari satelit GPM periode 2019–2021 digunakan untuk mengevaluasi intensitas, durasi, dan akumulasi hujan pada berbagai kondisi geofisik. Klasterisasi menggunakan Self Organizing Map (SOM) dilakukan untuk mengidentifikasi karakter hujan yang berkontribusi terhadap kejadian longsor. Sementara itu, pemetaan kerawanan dilakukan dengan metode Frequency Ratio (FR) yang melibatkan variabel curah hujan, kemiringan lereng, litologi, penggunaan lahan, dan jenis tanah. Validasi model dilakukan menggunakan analisis kurva Receiver Operating Characteristic (ROC). Hasilnya menunjukkan bahwa longsor di Kabupaten Bogor dipicu oleh hujan intensitas tinggi berdurasi pendek maupun hujan berkepanjangan berdurasi panjang. Interaksi antara hujan dan kondisi geofisik, seperti akumulasi hujan dan karakteristik morfologi lereng, terbukti memengaruhi kerentanan suatu wilayah terhadap longsor. Klasterisasi menggunakan SOM berhasil mengelompokkan pola curah hujan dan kemiringan lereng menjadi empat tipe, dengan tipe satu dan tipe dua paling banyak terjadi di wilayah selatan hingga barat daya Kabupaten Bogor. Sebaran ini selaras dengan hasil pemetaan kerawanan menggunakan metode Frequency Ratio yang menunjukkan bahwa sekitar 45% wilayah tergolong ke dalam kelas kerawanan tinggi hingga sangat tinggi. Curah hujan menjadi faktor dominan dalam pemodelan kerawanan dengan prediction rate tertinggi, dan hasil validasi menunjukkan bahwa model memiliki performa yang baik dengan AUC sebesar 0,78 pada data training dan 0,85 pada data testing.