Perpustakaan Digital ITB

Penelitian ini bertujuan untuk mengoptimalkan akurasi pemetaan kerentanan longsor di Kabupaten Lebak, Provinsi Banten. Latar belakangnya adalah posisi wilayah ini sebagai daerah prioritas risiko tinggi akibat kombinasi topografi terjal dan curah hujan ekstrem, namun model prediksi terdahulu (Random Forest standar) masih memiliki keterbatasan akurasi akibat penggunaan parameter konfigurasi default dan bias pada pemilihan sampel non-longsor. Rumusan masalahnya adalah bagaimana cara meminimalkan bias data input akibat ketidakpastian dalam penentuan lokasi non-longsor pada dataset terbatas dan membandingkan hasil akurasi model optimasi hyperparameter otomatis terhadap metode standar. Kerangka teori yang digunakan mengintegrasikan algoritma Random Forest (RF) yang tangguh, metode Bayesian Optimization (BO) untuk pencarian parameter yang efisien, serta teori Modified Information Value (MIV) untuk seleksi sampel statistik yang baik. Metode penelitian yang digunakan adalah pendekatan kuantitatif berbasis Machine Learning dengan memanfaatkan faktor pengontrol tanah longsor, termasuk integrasi parameter hidrologi dan karakteristik batuan. Data akan dianalisis menggunakan model Bayesian Optimization Random Forest (BO-RF) dengan strategi sampling berbasis MIV untuk membersihkan noise data. Hasil penelitian menunjukkan bahwa terdapat peningkatan kualitas akurasi dan presisi oleh optimasi hyperparameter sebesar 5% namun metode sampel MIV menyebabkan penurusan kualitas dari model sebesar 8-12%. Penelitian ini diharapkan dapat menghasilkan Peta Kerentanan Tanah Longsor (LSM) berpresisi tinggi dibandingkan dengan model RF standar yang dapat dimanfaatkan sebagai instrumen vital dalam mitigasi bencana dan perencanaan tata ruang wilayah di kabupaten Lebak.