Perpustakaan Digital ITB

Tanah longsor merupakan salah satu bencana hidrometeorologi yang sering terjadi di Indonesia dan menimbulkan dampak berupa korban jiwa, kerusakan infrastruktur, serta kerugian ekonomi. Berdasarkan data Badan Penanggulangan Bencana Daerah (BPBD), Provinsi Jawa Barat merupakan salah satu wilayah dengan tingkat kejadian tanah longsor yang tinggi sehingga diperlukan upaya mitigasi yang didukung oleh model prediksi yang akurat. Seiring berkembangnya teknologi, pendekatan machine learning telah banyak digunakan dalam pemodelan kejadian tanah longsor karena mampu memodelkan hubungan nonlinier antarparameter penyebab longsor. Berbagai penelitian umumnya menggunakan parameter curah hujan harian atau antecedent rainfall sebagai parameter hidrologi, namun penelitian yang mengevaluasi penggunaan Antecedent Effective Rainfall Index (AERI) sebagai representasi hujan antecedent dalam pemodelan machine learning masih relatif terbatas. Penelitian ini bertujuan mengevaluasi pengaruh parameter AERI terhadap performa model machine learning dalam memprediksi kejadian tanah longsor di Provinsi Jawa Barat, menggunakan algoritma Artificial Neural Network (ANN) dan Random Forest dengan tiga kombinasi parameter: curah hujan harian, AERI, serta gabungan keduanya. Hasil penelitian menunjukkan Random Forest memberikan performa terbaik dengan akurasi 0.88 dan ROC – AUC 0.92, mengungguli ANN (akurasi 0.84). Parameter AERI secara tunggal maupun kombinasi tidak memberikan peningkatan performa signifikan dibandingkan curah hujan harian, mengindikasikan bahwa informasinya sebagian besar telah tercakup dalam data curah hujan harian. Hal ini menunjukkan bahwa curah hujan harian masih lebih efektif digunakan sebagai parameter hidrologi dalam pemodelan machine learning untuk prediksi tanah longsor di Jawa Barat.