Pemodelan Artificial Neural Network (ANN) Untuk Identifikasi Bangunan Daerah Rawan Longsor
Identifikasi, Longsor, ANN
Abstract
Identifikasi bangunan daerah rawan longsor adalah suatu hal yang penting dalam mitigasi bencana alam. Longsor dapat terjadi di mana saja dan kapan saja, dan dapat menyebabkan kerugian yang besar baik dari segi manusia maupun materiil (fadli dkk, 2023). Oleh karena itu, penting untuk mengidentifikasi bangunan yang berada di daerah rawan longsor agar dapat mengambil tindakan pencegahan yang tepat. Metode yang dapat digunakan untuk identifikasi bangunan di daerah rawan longsor adalah artificial neural network (ANN). ANN adalah suatu model komputasi yang terinspirasi dari sistem saraf biologis yang terdiri dari sejumlah unit pemrosesan sederhana yang disebut neuron. ANN dapat belajar dari data dan menyesuaikan bobot koneksi antar neuron untuk menghasilkan keluaran yang diinginkan. ANN memiliki kemampuan untuk mengenali pola, mengklasifikasikan data, dan memprediksi hasil. Berdasarkan analisis data klasifikasi dinding sederhana di Kecamatan Kalirejo, Kecamatan Kokap, Kabupaten Kulon Progo, Yogyakarta, menggunakan Artificial Neural Network (ANN), presentase prediksi setiap data dari pemodelan ANN menunjukkan bahwa indikator Bangunan Tidak Aman mencapai 100%, dengan 89% prediksi Bangunan Aman, dan 82,7% prediksi Bangunan Aman berdasarkan History Accuracy. Hasil tersebut diukur dengan merujuk pada kurva model validasi yang semakin meningkat dan stabil, mencapai nilai akurasi rata-rata di atas 80%, yakni sebesar 88%.
Downloads
References
Boen,T., dkk. (2010): Cara Memperbaiki Bangunan Sederhana yang Rusak Akibat Gempa Bumi, Word Seismic Safety Initiative, Jakarta
Coccia, S. et al. (2010) ‘Application of Refraction Microtremor (ReMi) technique for determination of 1-D shear wave velocity in a landslide area’, Journal of Applied Geophysics. Elsevier B.V., 71(2–3), pp. 71–89. doi: 10.1016/j.jappgeo.2010.05.001.
Fadli, D. I., Hadi, A. I., Allifya, Z., Anggriani, S., Ramdani, R., Idris, B. S., & Refrizon, R. (2023). Identifikasi Daerah Rawan Longsor secara Mikrozonasi di Jalan Alternatif Provinsi menggunakan Metode Simple Additive Weighting (SAW). INDONESIAN JOURNAL OF APPLIED PHYSICS, 13(1), 37-52.
Faggin, F. (1991). Tutorial Notes: VLSI implementation of neural networks. In Proceedings of the International Joint Conference on Neural Networks, Seattle, Washington, USA.
Haykin, S. (2009). Neural Networks and Learning Machines (3rd ed.). Upper Saddle River, New Jersey, USA: Prentice Hall.
Hodgkin, A. L., & Huxley, A. F. (1952). A quantitative description of membrane current and its application to conduction and excitation in nerve. Journal of Physiology, 117, 500–54
Jelita Regita Putri, F. (2022). Evaluasi Daya Dukung Lahan Permukiman di Kawasan Rawan Bencana Gempabumi Kalurahan Panjangrejo, Kapanewon Pundong, Kabupaten Bantul, Daerah Istimewa Yogyakarta (Doctoral dissertation, UPN" Veteran" Yogyakarta).
Karnawati, D, 2005, Bencana Alam Gerakan Massa Tanah di Indonesia dan Upaya Penanggulangannya, Jurusan Teknik Geologi, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 115–133.
Panjaitan, M., Mulia, A. P., & Nasution, Z. P. (2021). Pemetaan Banjir Rob Medan Utara Menggunakan Artificial Neural Network dan Gis untuk Langkah Mitigasi. Jurnal Syntax Admiration, 2(8), 1512-1526.
Piegari, E. et al. (2009) ‘Electrical resistivity tomography and statistical analysis in landslide modelling: A conceptual approach’, Journal of Applied Geophysics. Elsevier B.V., 68(2), pp. 151–158. doi: 10.1016/j.jappgeo.2008.10.014.
Prastowo, R., Trianda, O., & Novitasari, S. (2018). Identifikasi Kerentanan Gerakan Tanah Berdasarkan Data Geologi Daerah Kalirejo, Kecamatan Kokap, Kabupaten Kulonprogo, Yogyakarta. Kurvatek, 3(2), 31-40.
Pyanto, F. (2023). Pencitraan Banjir Rob Zona Medan Utara Menggunakan Regresi Logistik dan Artificial Neural Network Serta Global Information System. Jurnal Ilmiah Ecosystem, 23(1), 60-74.
Saedudin, R., Yanto, I. T. R., Budiono, A., Sari, S. N., Deris, M. M., & Senan, N. (2022). Data Clustering for Identification of Building Conditions Using Hybrid Multivariate Multinominal Distribution Soft Set (MMDS) Method. JOIV: International Journal on Informatics Visualization, 6(2), 284-289.
Satyarno, I,, 2009, Chapter: Some Practical Aspects in the Post Yogyakarta Earthquake Reconstruction of Brick Masonry Houses, The Yogyakarta Earthquake of May 27, 2006, Edited by Karnawati D., Pramumijoyo, S., Anderson, R., Husein, S., Star Publishing Company, INC, Belmont, CA
Sari, S. N., Prastowo, R., Yanto, I. T. R., Cengiz, K., Ozyurt, B., & Topac, T. (2022). Fast Building Identification Using Fuzzy Soft Set Based on Rapid Visual Building (RVS). International Journal of Hydrological and Environmental for Sustainability, 1(2), 70-78.
Uhlemann, S. et al. (2016) ‘Landslide characterization using P- and S-wave seismic refraction tomography — The importance of elastic moduli’, Journal of Applied Geophysics. Elsevier B.V., 134, pp. 64–76. doi: 10.1016/j.jappgeo.2016.08.014.
This work is licensed under a Creative Commons Attribution 4.0 International License.
