Prediction Landslide Location Area Using ANN (Case study in Bangli Regency, Bali Indonesia)
| Main Authors: | Antara, I Made Oka Guna, Márquez, Ricardo Salvador Ríos, Osawa, Takahiro |
|---|---|
| Format: | Article info application/pdf eJournal |
| Bahasa: | eng |
| Terbitan: |
Environmental Research Center (PPLH) of Udayana University
, 2021
|
| Online Access: |
https://ojs.unud.ac.id/index.php/blje/article/view/74189 https://ojs.unud.ac.id/index.php/blje/article/view/74189/39841 |
Daftar Isi:
- Landslides are significant geo-hazards heavily impacting many regions of the world regarding human lives and economic losses. The large magnitude of natural forces involved in landslides makes actions of mitigation or prevention unfeasible, with exceptions for minor occurrences or under special conditions. Many old methods have been applied in landslide management and/or prediction, such as overlays or weighting methods. The newest/advanced methods are still being developed and one of the newest methods is Artificial Neural Network (ANN). ANN are biologically inspired computer programs designed to simulate how the human brain processes information. Many types of ANN exist; the most famous one is Multilayer Perceptron (MLP) Neural Network Algorithm with FeedForward model. MLP consists of three parts: the input layers as neurons representing the value of data; the hidden layer, which demonstrates the network training process; and the output layer, which provides the prediction of the landslide areas. In this research, the input layer consists of landslide location characteristics, such as the rainfall intensity, land cover, slope, geological types, and rate displacement of landslides. As a case study, Bangli Regency was selected. In 2017 there was a landslide disaster in the Kintamani District, Bangli Regency, which resulted in dozens of people missing or dead, and several houses destroyed. In this study different numbers of neurons were used in the hidden layer (15, 50, 100, and 150 neurons). The best performance is obtained at 150 neurons, with 0.9677 (96,77%) for the test set.
- Tanah longsor adalah geo-bencana utama yang sangat berdampak pada banyak wilayah di dunia, berdampak terhadap nyawa manusia dan kerugian ekonomi. Kekuatan alam yang sangat besar terlibat dalam tanah longsor membuat tindakan mitigasi atau pencegahan menjadi tidak dapat dilakukan, dengan pengecualian untuk kejadian kecil atau dalam kondisi tertentu. Banyak metode lama telah diterapkan pada management dan/atau prediksi longsor, seperti metode overlay atau pembobotan. Sedangkan metode terbaru/terdepan masih dikembangkan, salah satu metode terbaru adalah Jaringan Syarat Tiruan (JST). JST adalah program komputer yang terinspirasi dari cara otak manusia memproses informasi. Banyak jenis ANN yang ada, yang terkenal salah satunya adalah Algoritma Neural Network Multilayer Perceptron (MLP) dengan model FeedForward. MLP terdiri dari tiga bagian: lapisan masukan sebagai neuron yang merepresentasikan nilai data, lapisan tersembunyi yang mendemonstrasikan proses pelatihan jaringan, dan lapisan keluaran yang memberikan prediksi area longsor. Dalam penelitian ini, input layer terdiri dari karakteristik lokasi longsor, yang meliputi intensitas curah hujan, tutupan lahan, kemiringan lereng, tipe geologi, dan laju perpindahan longsor. Sebagai studi kasus, Kabupaten Bangli dipilih, pada tahun 2017 terjadi bencana longsor di Kecamatan Kintamani, Kabupaten Bangli yang mengakibatkan puluhan orang hilang atau meninggal dunia dan beberapa rumah hancur. Dalam penelitian ini jumlah neuron yang berbeda di lapisan tersembunyi digunakan (15, 50, 100, dan 150 neuron). Nilai akurasi terbesar diperoleh pada 150 neuron, dengan 0,9677 (96,77%) untuk set tes.