Abstrak

Tanah longsor merupakan salah satu bencana hidrometeorologi yang sering terjadi pada wilayah dengan karakteristik topografi perbukitan dan pegunungan seperti Bandung Raya. Kompleksitas faktor penyebab longsor, seperti elevasi, kemiringan lereng, curah hujan, kondisi vegetasi, karakteristik tanah, dan tutupan lahan, memerlukan pendekatan berbasis data untuk menghasilkan informasi kerawanan yang lebih objektif. Penelitian ini bertujuan untuk mengembangkan model prediksi kerawanan longsor menggunakan algoritma Random Forest dengan memanfaatkan parameter lingkungan serta menyajikan hasil analisis dalam bentuk WebGIS interaktif. Data yang digunakan meliputi elevasi, kemiringan lereng (slope), curah hujan, indeks vegetasi (OSAVI), kandungan liat tanah (clay), tutupan lahan (land cover), serta data inventori kejadian longsor sebagai data referensi pemodelan. Tahapan penelitian meliputi pengumpulan data, preprocessing, ekstraksi nilai parameter, pemodelan Random Forest, evaluasi model menggunakan confusion matrix, akurasi, koefisien Kappa, serta ROC-AUC, dan pengembangan WebGIS. Hasil analisis menunjukkan bahwa model mampu menghasilkan nilai probabilitas kerawanan longsor dengan variasi spasial antar wilayah penelitian. Berdasarkan analisis feature importance, parameter yang memberikan kontribusi terbesar terhadap model adalah elevasi dengan nilai importance 236,007, diikuti oleh slope sebesar 211,827 dan curah hujan sebesar 209,964. Hasil statistik probabilitas menunjukkan nilai minimum sebesar 0,108, maksimum 0,893, rata-rata 0,450, dan P95 sebesar 0,795 yang menunjukkan adanya wilayah dengan kecenderungan kerawanan tinggi pada lokasi tertentu. Hasil pemodelan kemudian divisualisasikan melalui WebGIS untuk mendukung penyediaan informasi spasial dalam upaya mitigasi bencana longsor. Penelitian ini menunjukkan bahwa integrasi SIG dan machine learning dapat digunakan sebagai pendekatan efektif dalam pemetaan kerawanan longsor berbasis faktor lingkungan.

Kata kunci: Kerawanan longsor, Random Forest, machine learning, Sistem Informasi Geografis, WebGIS, Bandung Raya.

Pendahuluan

Tanah longsor merupakan salah satu bencana hidrometeorologi yang memiliki dampak besar terhadap keselamatan masyarakat, kerusakan infrastruktur, serta perubahan kondisi lingkungan (BNPB, 2025). Kejadian longsor umumnya dipengaruhi oleh kombinasi berbagai faktor lingkungan seperti kondisi topografi, kemiringan lereng, curah hujan, karakteristik tanah, vegetasi, dan penggunaan lahan yang berperan dalam mempengaruhi kestabilan lereng (Liu et al., 2023).

Salah satu kejadian longsor besar yang menunjukkan tingginya ancaman bencana di wilayah Bandung Raya terjadi pada Januari 2026 di Desa Pasirlangu, Kecamatan Cisarua, Kabupaten Bandung Barat. Kejadian tersebut dipicu oleh hujan dengan intensitas tinggi yang berlangsung sebelum terjadinya longsor, sehingga menyebabkan material longsoran dari kawasan lereng menimbun permukiman warga. Bencana tersebut mengakibatkan korban jiwa, kerusakan rumah, serta masyarakat harus dievakuasi dari lokasi terdampak. Tingginya ancaman longsor di wilayah Jawa Barat juga terlihat dari data BNPB yang mencatat sebanyak 78 kejadian tanah longsor sepanjang tahun 2024, dengan dampak mencapai 38 korban meninggal dan hilang, 20 korban luka/sakit, serta 29.244 jiwa terdampak dan mengungsi (BNPB, 2025). Kondisi tersebut menunjukkan bahwa wilayah dengan karakteristik topografi perbukitan dan pegunungan seperti Bandung Raya memiliki tingkat kerentanan longsor yang perlu dikaji lebih lanjut.

Oleh karena itu, diperlukan pendekatan yang mampu mengintegrasikan berbagai faktor fisik penyebab longsor untuk menghasilkan informasi kerawanan yang lebih objektif. Perkembangan teknologi Sistem Informasi Geografis (SIG), penginderaan jauh, dan machine learning memungkinkan pemodelan kerawanan longsor dilakukan berdasarkan karakteristik spasial wilayah. Pada penelitian ini, analisis kerawanan longsor dilakukan menggunakan pendekatan Random Forest dengan mempertimbangkan parameter fisik lingkungan, yaitu elevasi, kemiringan lereng (slope), curah hujan, indeks vegetasi (OSAVI), kandungan liat tanah (clay), dan tutupan lahan (land cover). Parameter tersebut digunakan sebagai input dalam model Random Forest untuk menghasilkan nilai probabilitas kerawanan longsor dengan rentang nilai 0–1. Nilai probabilitas menunjukkan tingkat kecenderungan suatu wilayah mengalami longsor berdasarkan kombinasi faktor lingkungan yang digunakan dalam model, dimana nilai yang mendekati 1 menunjukkan karakteristik wilayah yang semakin mendukung terjadinya longsor. Hasil probabilitas tersebut selanjutnya diklasifikasikan menjadi tingkat kerawanan rendah, sedang, dan tinggi.

Hasil pemodelan kemudian diintegrasikan dalam bentuk WebGIS Kerawanan Longsor Bandung Raya untuk menyajikan informasi spasial secara interaktif. Sistem ini diharapkan dapat mendukung kegiatan mitigasi bencana melalui penyediaan informasi mengenai distribusi wilayah dengan tingkat kerawanan rendah, sedang, hingga tinggi berdasarkan faktor fisik lingkungan.

Penelitian ini bertujuan untuk:

1. 1.
   Mengembangkan model prediksi kerawanan longsor menggunakan algoritma Random Forest berdasarkan parameter fisik lingkungan dengan data pengamatan tahun 2024 yang meliputi elevasi, kemiringan lereng (slope), curah hujan, indeks vegetasi (OSAVI), kandungan liat tanah (clay), dan tutupan lahan (land cover) di wilayah Bandung Raya.

1. 2.
   Menghasilkan peta indeks probabilitas dan tingkat kerawanan longsor berdasarkan hasil pemodelan Random Forest dengan klasifikasi tingkat kerawanan rendah, sedang, dan tinggi.

1. 3.
   Menganalisis pengaruh parameter fisik lingkungan terhadap tingkat kerawanan longsor melalui evaluasi kepentingan variabel (feature importance) pada model Random Forest.

1. 4.
   Mengembangkan WebGIS kerawanan longsor Bandung Raya sebagai media visualisasi informasi spasial yang dapat mendukung penyampaian informasi dan upaya mitigasi bencana.

Metode

Lokasi Penelitian

Penelitian ini dilakukan di wilayah Bandung Raya, Provinsi Jawa Barat, yang mencakup Kota Bandung, Kota Cimahi, Kabupaten Bandung, Kabupaten Bandung Barat, dan sebagian Kabupaten Sumedang. Analisis penelitian difokuskan pada pemetaan kerawanan longsor berdasarkan faktor fisik lingkungan menggunakan parameter elevasi, slope, curah hujan, OSAVI, clay, dan land cover.

Data Penelitian

Data yang digunakan terdiri dari data inventarisasi longsor dan enam parameter lingkungan sebagai variabel prediktor model, yaitu elevasi, kemiringan lereng (slope), OSAVI, curah hujan, kandungan liat tanah (clay), dan tutupan lahan (land cover). Sumber data dan karakteristik setiap variabel disajikan pada Tabel 1.

Tabel 1. Data Penelitian dan Sumber Data yang Digunakan dalam Pemodelan Kerawanan Longsor

Metode Penelitian

Penelitian ini dilakukan melalui beberapa tahapan, yaitu pengumpulan data, preprocessing, pemodelan Random Forest, evaluasi model, serta pengembangan WebGIS. Data yang digunakan terdiri atas parameter lingkungan berupa elevasi, kemiringan lereng (slope), curah hujan, vegetasi (OSAVI), kandungan liat tanah (clay), dan tutupan lahan (land cover), serta data inventori longsor sebagai data referensi dalam membangun model kerawanan longsor.

Tahap preprocessing dilakukan untuk menyiapkan data sebelum pemodelan melalui proses pemotongan wilayah kajian (clipping), penyamaan resolusi spasial, penyesuaian sistem koordinat, serta ekstraksi nilai parameter pada titik inventori longsor dan non-longsor. Data hasil ekstraksi kemudian digunakan sebagai variabel prediktor dalam algoritma Random Forest untuk menghasilkan nilai probabilitas kerawanan longsor serta mengetahui kontribusi masing-masing parameter melalui analisis feature importance (Merghadi et al., 2020).

Kinerja model dievaluasi menggunakan confusion matrix, akurasi, koefisien Kappa, serta kurva ROC dan nilai AUC. Evaluasi tersebut digunakan untuk mengetahui kemampuan model dalam membedakan lokasi longsor dan non-longsor serta menilai tingkat keandalan hasil prediksi. Hasil akhir model berupa peta probabilitas dan klasifikasi tingkat kerawanan longsor yang kemudian dikembangkan menjadi WebGIS interaktif untuk menyajikan informasi spasial dan mendukung kegiatan mitigasi bencana.

Hasil dan Pembahasan

Karakteristik Parameter Lingkungan

Parameter lingkungan yang digunakan dalam penelitian ini terdiri atas elevasi, kemiringan lereng, OSAVI, kandungan liat tanah, curah hujan, dan tutupan lahan. Parameter tersebut dipilih karena memiliki keterkaitan terhadap kondisi kestabilan lereng serta persebaran kejadian longsor. Distribusi spasial masing-masing parameter lingkungan yang digunakan dalam penelitian ini disajikan pada Gambar 3.

Parameter elevasi menunjukkan variasi kondisi topografi wilayah penelitian dengan rentang nilai 25–2605 m. Variasi tersebut menunjukkan adanya perbedaan karakteristik medan mulai dari wilayah dataran rendah hingga kawasan dengan elevasi lebih tinggi. Wilayah dengan elevasi tinggi umumnya memiliki kondisi relief yang lebih kompleks sehingga menunjukkan perbedaan karakteristik geomorfologi dibandingkan wilayah dengan elevasi rendah.

Kemiringan lereng memiliki rentang nilai 0–75% yang menunjukkan variasi tingkat kecuraman wilayah penelitian. Berdasarkan distribusi spasialnya, wilayah dengan nilai slope tinggi terkonsentrasi pada area perbukitan hingga pegunungan, sedangkan wilayah dengan kemiringan rendah lebih banyak ditemukan pada area dataran. Parameter ini digunakan dalam model karena memiliki hubungan dengan kondisi kestabilan lereng.

Parameter OSAVI digunakan untuk menggambarkan kondisi vegetasi pada wilayah penelitian. Berdasarkan hasil pemetaan pada Gambar 3, nilai OSAVI memiliki rentang -1,0 hingga 0,94 yang menunjukkan variasi tingkat kerapatan vegetasi di wilayah Bandung Raya. Nilai tinggi ditunjukkan oleh warna hijau yang menggambarkan area dengan vegetasi lebih rapat, sedangkan nilai rendah ditunjukkan oleh warna kuning hingga merah yang menunjukkan area dengan vegetasi lebih sedikit atau permukaan lahan terbuka. Distribusi spasial menunjukkan bahwa sebagian besar wilayah penelitian memiliki nilai OSAVI tinggi, sementara nilai rendah terkonsentrasi pada beberapa area permukiman, lahan terbuka, dan wilayah dengan perubahan penggunaan lahan yang lebih intensif. Parameter OSAVI selanjutnya digunakan sebagai salah satu variabel prediktor dalam model Random Forest bersama parameter lingkungan lainnya untuk menghasilkan nilai probabilitas kerawanan longsor.

Kandungan liat tanah memiliki nilai berkisar antara 11–46% dan digunakan untuk menggambarkan karakteristik fisik tanah. Kandungan liat mempengaruhi kemampuan tanah dalam menyimpan air, permeabilitas, serta perubahan tekanan pori ketika terjadi peningkatan kadar air. Kondisi tanah dengan kandungan liat tinggi dapat meningkatkan retensi air sehingga berpotensi menurunkan kekuatan geser tanah dan mempengaruhi kestabilan lereng.

Curah hujan tahunan kumulatif berdasarkan data CHIRPS tahun 2024 menunjukkan variasi nilai 2077–4112 mm/tahun. Parameter curah hujan ini menggambarkan total akumulasi curah hujan selama satu tahun pada wilayah penelitian. Curah hujan merupakan faktor pemicu longsor karena meningkatkan infiltrasi air ke dalam tanah, menambah tekanan pori, serta mengurangi kekuatan geser material penyusun lereng.

Tutupan lahan menunjukkan variasi penggunaan permukaan wilayah yang terdiri atas beberapa kelas, seperti hutan, semak, pertanian, permukiman, lahan terbuka, badan air, dan vegetasi basah. Tutupan lahan berpengaruh terhadap kondisi hidrologi permukaan, kemampuan infiltrasi, serta aktivitas manusia yang dapat mempengaruhi kestabilan lereng.

Berdasarkan karakteristik keenam parameter yang digunakan dalam penelitian, yaitu elevasi, kemiringan lereng (slope), curah hujan, indeks vegetasi (OSAVI), kandungan liat tanah (clay), dan tutupan lahan (land cover), setiap faktor memiliki pola spasial yang berbeda serta memberikan informasi mengenai kondisi lingkungan wilayah penelitian. Keenam parameter tersebut digunakan sebagai variabel prediktor, yaitu variabel input yang digunakan dalam model Random Forest untuk mengenali hubungan antara faktor lingkungan dan kejadian longsor. Seluruh variabel prediktor kemudian diproses dalam pemodelan untuk menghasilkan peta kerawanan longsor di wilayah penelitian.

Distribusi Titik Longsor

Berdasarkan hasil inventarisasi, terdapat 80 titik longsor yang tersebar di wilayah Bandung Raya. Data tersebut diperoleh dari beberapa sumber, yaitu interpretasi visual Google Earth Pro, informasi kejadian longsor dari berbagai pemberitaan, serta data kejadian longsor dari WebGIS BARATA BPBD Jawa Barat. Penggabungan berbagai sumber dilakukan untuk memperoleh data inventori longsor yang lebih lengkap berdasarkan lokasi kejadian. Persebaran titik longsor kemudian dianalisis dengan melakukan interpretasi spasial terhadap peta parameter lingkungan yang telah dihasilkan sebelumnya, meliputi elevasi, kemiringan lereng (slope), curah hujan, indeks vegetasi (OSAVI), kandungan liat tanah (clay), dan tutupan lahan (land cover).

Berdasarkan hasil analisis spasial, titik longsor banyak ditemukan pada wilayah dengan karakteristik medan berbukit hingga pegunungan, terutama pada area dengan kemiringan lereng yang lebih tinggi. Persebaran tersebut menunjukkan adanya keterkaitan antara lokasi kejadian longsor dengan kondisi lingkungan tertentu, seperti faktor topografi, curah hujan, karakteristik tanah, vegetasi, dan penggunaan lahan.

Hasil interpretasi menunjukkan bahwa titik longsor tidak tersebar secara acak, tetapi cenderung berada pada wilayah yang memiliki kombinasi faktor lingkungan pendukung terjadinya longsor. Data inventori titik longsor tersebut selanjutnya digunakan sebagai data referensi dalam membangun model kerawanan longsor berbasis Random Forest.

Performa Model Random Forest dan Faktor Pengaruh Parameter

Evaluasi Model Menggunakan Confusion Matrix

Evaluasi kinerja model Random Forest dilakukan menggunakan data uji sebanyak 48 data dengan ambang (threshold) sebesar 0,5 untuk klasifikasi biner, yaitu kelas 1 sebagai longsor dan kelas 0 sebagai non-longsor. Evaluasi dilakukan menggunakan confusion matrix untuk membandingkan hasil prediksi model terhadap kondisi aktual. Hasil klasifikasi tersebut kemudian digunakan untuk menghitung nilai overall accuracy, koefisien Kappa, producer accuracy, dan user accuracy.

Tabel 2. Confusion Matrix Model Random Forest

Nilai akurasi dihitung berdasarkan jumlah prediksi yang benar terhadap seluruh data pengujian, sedangkan koefisien Kappa digunakan untuk mengetahui tingkat kesesuaian hasil klasifikasi model dengan data aktual setelah mempertimbangkan kemungkinan kesesuaian secara acak.

Tabel 3. Ringkasan Metrik Evaluasi Model

Interpretasi nilai koefisien Kappa dan overall accuracy mengacu pada klasifikasi berikut.

Tabel 4. Klasifikasi Interpretasi Nilai Koefisien Kappa (McHugh, 2012).

Tabel 5. Interpretasi Umum Nilai Overall Accuracy (OA) (Congalton & Green, 2009).

Berdasarkan hasil evaluasi, model Random Forest menghasilkan nilai Overall Accuracy sebesar 70,83% yang termasuk kategori cukup baik, sedangkan nilai Kappa sebesar 0,417 berada pada kategori moderate (sedang). Hasil tersebut menunjukkan bahwa model mampu melakukan klasifikasi longsor dan non-longsor dengan tingkat kesesuaian yang cukup baik. Model berhasil mengklasifikasikan 34 dari 48 data pengujian secara benar, dengan kesalahan klasifikasi sebanyak 14 data terdiri dari 6 data false positive dan 8 data false negative. .

Evaluasi Model Menggunakan Kurva ROC dan Nilai AUC

Selain evaluasi berbasis confusion matrix, kemampuan model dalam membedakan kelas longsor dan non-longsor juga dievaluasi menggunakan kurva ROC dan nilai AUC. Kurva ROC menggambarkan hubungan antara True Positive Rate (TPR) dan False Positive Rate (FPR) pada berbagai nilai ambang (threshold), sedangkan nilai AUC digunakan sebagai ukuran keseluruhan kemampuan diskriminasi model.

Berdasarkan hasil evaluasi, model Random Forest menghasilkan nilai AUC sebesar 0,823. Nilai tersebut menunjukkan bahwa model memiliki kemampuan diskriminasi yang baik dalam membedakan lokasi longsor dan non-longsor. Kurva ROC menunjukkan peningkatan nilai TPR seiring bertambahnya FPR, dengan pola kurva yang berada di atas garis acuan diagonal. Hal ini menunjukkan bahwa model mampu mengenali pola hubungan antara parameter lingkungan dan kejadian longsor pada berbagai tingkat ambang probabilitas.

Nilai AUC yang diperoleh juga memperkuat hasil evaluasi confusion matrix, dimana model mampu menghasilkan klasifikasi dengan akurasi 70,83% dan Kappa 0,42. Dengan demikian, model Random Forest dapat digunakan untuk menghasilkan peta probabilitas kerawanan longsor berbasis parameter lingkungan di wilayah Bandung Raya.

Feature Importance

Analisis faktor dominan dilakukan untuk mengidentifikasi variabel prediktor yang paling berkontribusi dalam pembentukan model kerawanan longsor. Pada penelitian ini, kontribusi masing-masing parameter dianalisis menggunakan keluaran feature importance dari algoritma Random Forest. Nilai importance yang lebih besar menunjukkan bahwa variabel tersebut memiliki peran lebih signifikan dalam proses pembentukan pohon keputusan serta pemisahan kelas longsor dan non-longsor, sehingga memberikan pengaruh yang lebih kuat terhadap hasil prediksi model

Tabel 6. Tabel Rekapan Hasil Feature Importance

Berdasarkan hasil feature importance, setiap parameter memberikan kontribusi yang berbeda terhadap proses klasifikasi. Parameter dengan kontribusi terbesar adalah elevasi dengan nilai importance sebesar 236,007, diikuti oleh slope sebesar 211,827 dan curah hujan sebesar 209,964. Sementara itu, OSAVI memiliki nilai importance sebesar 185,046, clay sebesar 93,75, dan land cover sebesar 28,036. Hasil tersebut menunjukkan bahwa faktor topografi, kondisi hidrologi, dan karakteristik tanah memiliki peranan penting dalam membedakan area yang berpotensi mengalami longsor.

Parameter elevasi dan kemiringan lereng (slope) memberikan kontribusi yang signifikan karena berkaitan dengan kondisi topografi dan kestabilan massa tanah pada suatu lereng. Curah hujan juga berperan sebagai faktor pemicu karena dapat meningkatkan kandungan air dalam tanah dan memengaruhi tekanan pori. Sementara itu, parameter tutupan lahan memiliki nilai importance paling rendah, namun tetap memberikan informasi tambahan dalam proses pemodelan.

Secara keseluruhan, hasil feature importance menunjukkan bahwa kerawanan longsor di wilayah penelitian dipengaruhi oleh kombinasi berbagai faktor lingkungan, bukan hanya satu parameter tunggal. Model Random Forest mampu mengintegrasikan seluruh variabel tersebut untuk menghasilkan prediksi tingkat kerawanan longsor yang kemudian digunakan dalam pembuatan peta kerawanan.

Peta Kerawanan Longsor Hasil Random Forest

Berdasarkan hasil pemodelan Random Forest, diperoleh dua bentuk keluaran kerawanan longsor, yaitu peta probabilitas kerawanan longsor dan peta klasifikasi tingkat kerawanan longsor. Peta probabilitas menunjukkan nilai peluang kejadian longsor secara kontinu dari hasil prediksi model, sedangkan peta klasifikasi membagi nilai probabilitas tersebut menjadi tiga tingkat kerawanan menggunakan metode equal interval agar lebih mudah diinterpretasikan.

Peta Probabilitas Kerawanan Longsor Random Forest

Peta probabilitas kerawanan longsor hasil pemodelan Random Forest menggambarkan variasi potensi longsor di wilayah Bandung Raya berdasarkan kombinasi faktor lingkungan, seperti elevasi, kemiringan lereng, vegetasi, curah hujan, kandungan liat tanah, dan tutupan lahan. Nilai probabilitas yang dihasilkan model berada pada rentang 0,108–0,893, dimana nilai yang semakin mendekati 1 menunjukkan karakteristik wilayah yang semakin menyerupai lokasi kejadian longsor.

Berdasarkan pola spasial, wilayah dengan probabilitas tinggi ditunjukkan oleh warna merah hingga oranye yang banyak ditemukan pada area perbukitan dan wilayah dengan kondisi lereng lebih kompleks. Sementara itu, area dengan probabilitas rendah ditunjukkan oleh warna hijau yang umumnya memiliki kondisi lingkungan lebih stabil.

Hasil statistik menunjukkan nilai rata-rata probabilitas sebesar 0,450 dengan median 0,447, yang menunjukkan distribusi nilai kerawanan relatif seimbang. Nilai simpangan baku sebesar 0,212 menunjukkan adanya variasi tingkat kerawanan antarwilayah. Selain itu, nilai P95 sebesar 0,795 menunjukkan adanya sebagian wilayah dengan probabilitas tinggi yang menjadi area prioritas dalam analisis kerawanan longsor.

Perbedaan nilai probabilitas tersebut dipengaruhi oleh interaksi berbagai faktor lingkungan. Berdasarkan hasil feature importance, parameter yang memberikan kontribusi terbesar terhadap model adalah elevasi dengan nilai importance sebesar 236,007, diikuti oleh slope sebesar 211,827, curah hujan sebesar 209,964, dan OSAVI sebesar 185,046. Sementara itu, parameter clay dan land cover memiliki kontribusi lebih rendah dengan nilai masing-masing sebesar 93,75 dan 28,036. Hasil pemodelan ini memberikan gambaran spasial mengenai wilayah yang memiliki potensi longsor lebih tinggi dan dapat mendukung upaya mitigasi bencana di Bandung Raya.

Tabel 7. Statistik Output Probabilitas Kerawanan Longsor

Ringkasan statistik output probabilitas kerawanan longsor disajikan pada Tabel 4.1. Berdasarkan tabel tersebut, nilai probabilitas berada pada rentang 0,108–0,893 yang menunjukkan adanya variasi tingkat kecenderungan kerawanan longsor antarwilayah penelitian. Nilai rata-rata sebesar 0,450 dan median sebesar 0,447 menunjukkan bahwa distribusi nilai probabilitas relatif seimbang dengan sebagian besar wilayah berada pada tingkat kerawanan menengah. Nilai simpangan baku sebesar 0,212 menunjukkan adanya variasi nilai probabilitas antar lokasi yang cukup beragam. Nilai persentil bawah (P25) sebesar 0,260 dan persentil atas (P75) sebesar 0,631 menunjukkan bahwa sebagian besar wilayah memiliki nilai probabilitas pada rentang tersebut. Selain itu, nilai P95 sebesar 0,795 menunjukkan adanya sebagian kecil wilayah dengan nilai probabilitas tinggi yang berpotensi menjadi area prioritas dalam analisis kerawanan longsor.

Peta Klasifikasi Kerawanan Longsor Berdasarkan Equal Interval

Peta kerawanan longsor disajikan dalam bentuk probabilitas 0–1 yang menunjukkan tingkat kemungkinan relatif terjadinya longsor pada setiap piksel. Nilai probabilitas tersebut kemudian diklasifikasikan menjadi tiga kelas, yaitu rendah, sedang, dan tinggi berdasarkan ambang batas (threshold) yang disajikan pada Tabel 8.

Tabel 8. Klasifikasi Kerawanan Longsor Berdasarkan Nilai Probabilitas

Berdasarkan hasil klasifikasi, zona kerawanan tinggi (warna merah) banyak ditemukan pada wilayah dengan karakteristik topografi yang lebih kompleks, terutama pada area perbukitan dan bagian selatan Bandung Raya. Zona ini menunjukkan wilayah yang memiliki kombinasi faktor pendukung longsor, seperti kemiringan lereng tinggi, variasi elevasi, kondisi tanah, serta pengaruh curah hujan.

Zona kerawanan sedang (warna oranye) memiliki persebaran yang cukup luas dan menjadi zona transisi antara wilayah dengan kondisi stabil dan wilayah dengan potensi longsor lebih tinggi. Area ini menunjukkan adanya beberapa faktor pengontrol longsor, namun belum seluruhnya berada pada kondisi yang paling mendukung terjadinya longsor.

Sementara itu, zona kerawanan rendah (warna hijau) lebih banyak ditemukan pada wilayah yang memiliki kondisi relatif stabil. Wilayah ini umumnya memiliki kombinasi faktor lingkungan dengan tingkat pengaruh longsor yang lebih rendah dibandingkan zona lainnya.

Berdasarkan analisis luas zona kerawanan longsor pada setiap wilayah administrasi, Kabupaten Bandung memiliki luas zona kerawanan yang paling besar pada kelas sedang dan tinggi dibandingkan wilayah lainnya. Kabupaten Bandung memiliki luas kelas kerawanan rendah sebesar 38.209,872 ha, kelas sedang sebesar 93.034,712 ha, dan kelas tinggi sebesar 39.187,703 ha. Kabupaten Bandung Barat menunjukkan distribusi kerawanan dengan luas kelas rendah sebesar 34.552,037 ha, kelas sedang sebesar 53.817,849 ha, dan kelas tinggi sebesar 35.019,261 ha. Sementara itu, Kabupaten Sumedang memiliki luas kelas kerawanan rendah sebesar 86.346,775 ha, kelas sedang sebesar 49.135,522 ha, dan kelas tinggi sebesar 20.907,794 ha.

Pada wilayah perkotaan, Kota Bandung memiliki luas kelas kerawanan rendah sebesar 9.711,757 ha, kelas sedang sebesar 6.006,633 ha, dan kelas tinggi sebesar 839,967 ha, sedangkan Kota Cimahi memiliki luas kelas rendah sebesar 1.263,063 ha, kelas sedang sebesar 2.529,847 ha, dan kelas tinggi sebesar 450,116 ha. Perbedaan luas zona kerawanan antarwilayah menunjukkan bahwa distribusi kerawanan longsor dipengaruhi oleh karakteristik lingkungan masing-masing wilayah, terutama kondisi topografi, curah hujan, vegetasi, dan karakteristik tanah. Wilayah dengan luasan kelas sedang hingga tinggi yang lebih besar dapat menjadi perhatian dalam penentuan prioritas mitigasi bencana longsor.

Hasil klasifikasi ini memperlihatkan bahwa persebaran kerawanan longsor tidak hanya dipengaruhi oleh satu faktor, tetapi merupakan hasil interaksi berbagai parameter lingkungan. Peta klasifikasi ini dapat digunakan sebagai informasi pendukung dalam menentukan wilayah prioritas mitigasi longsor di Bandung Raya.

Pengembangan WebGIS Kerawanan Longsor Bandung Raya

Hasil pemodelan kerawanan longsor menggunakan algoritma Random Forest selanjutnya diimplementasikan dalam bentuk WebGIS interaktif untuk mempermudah penyajian dan akses informasi spasial. WebGIS Kerawanan Longsor Bandung Raya dikembangkan sebagai media visualisasi hasil prediksi model berupa nilai probabilitas kerawanan longsor dan klasifikasi tingkat kerawanan berdasarkan metode equal interval.

Tampilan utama WebGIS menyajikan peta interaktif wilayah Bandung Raya yang dilengkapi dengan beberapa komponen informasi, yaitu peta dasar (base map), layer probabilitas kerawanan longsor, layer klasifikasi tingkat kerawanan, legenda, serta informasi evaluasi model berupa nilai akurasi, koefisien Kappa, dan ROC-AUC. Pengguna dapat melakukan navigasi peta serta melihat informasi nilai probabilitas pada lokasi tertentu melalui fitur interaksi pada peta.

WebGIS Kerawanan Longsor Bandung Raya dapat diakses melalui tautan berikut:

https://webgis-kerawanan-longor-bandungraya.netlify.app/

Layer probabilitas menampilkan nilai kecenderungan kerawanan longsor dengan rentang 0–1, dimana nilai yang lebih tinggi menunjukkan karakteristik wilayah yang semakin mendukung terjadinya longsor. Selain itu, layer klasifikasi kerawanan menyajikan pembagian wilayah berdasarkan tingkat kerawanan rendah, sedang, dan tinggi sehingga informasi hasil pemodelan lebih mudah dipahami oleh pengguna.

Pengembangan WebGIS ini menunjukkan bahwa hasil analisis berbasis machine learning dapat dikombinasikan dengan teknologi SIG berbasis web untuk menghasilkan media penyampaian informasi kebencanaan yang lebih interaktif. Sistem ini dapat mendukung proses identifikasi wilayah prioritas serta penyebaran informasi spasial dalam upaya mitigasi bencana longsor di wilayah Bandung Raya.

Kesimpulan dan Rekomendasi

Kesimpulan

Berdasarkan hasil penelitian analisis kerawanan longsor berbasis Random Forest menggunakan parameter lingkungan di wilayah Bandung Raya, dapat disimpulkan bahwa:

1. 1.
   Model Random Forest berhasil dikembangkan untuk memprediksi tingkat kerawanan longsor berdasarkan kombinasi enam parameter lingkungan, yaitu elevasi, kemiringan lereng (slope), curah hujan, indeks vegetasi (OSAVI), kandungan liat tanah (clay), dan tutupan lahan (land cover). Integrasi berbagai parameter tersebut mampu menghasilkan informasi spasial mengenai variasi tingkat kerawanan longsor di wilayah penelitian.

1. 2.
   Hasil pemodelan menghasilkan nilai probabilitas kerawanan longsor dengan rentang 0,108–0,893, yang menunjukkan adanya variasi tingkat kecenderungan longsor antarwilayah. Nilai rata-rata probabilitas sebesar 0,450 dan nilai P95 sebesar 0,795 menunjukkan bahwa sebagian wilayah memiliki karakteristik lingkungan yang lebih mendukung terjadinya longsor sehingga menjadi area yang perlu mendapatkan perhatian dalam mitigasi bencana.

1. 3.
   Berdasarkan analisis feature importance, faktor yang memberikan kontribusi terbesar terhadap hasil klasifikasi model adalah elevasi dengan nilai 236,007, diikuti oleh slope sebesar 211,827, curah hujan sebesar 209,964, OSAVI sebesar 185,046, clay sebesar 93,75, dan land cover sebesar 28,036. Hal ini menunjukkan bahwa kerawanan longsor dipengaruhi oleh kombinasi faktor topografi, hidrologi, kondisi vegetasi, dan karakteristik tanah.

1. 4.
   Hasil pemodelan kerawanan longsor berhasil divisualisasikan melalui WebGIS interaktif yang menampilkan layer probabilitas, klasifikasi tingkat kerawanan, serta informasi pendukung hasil evaluasi model. Pengembangan WebGIS memberikan kemudahan dalam memahami distribusi spasial kerawanan longsor dan dapat menjadi media pendukung penyampaian informasi mitigasi bencana di wilayah Bandung Raya.

Rekomendasi

Berdasarkan hasil penelitian yang telah dilakukan, rekomendasi yang dapat diberikan yaitu:

1. 1.
   Penelitian selanjutnya disarankan menggunakan data inventori kejadian longsor dengan jumlah sampel yang lebih banyak dan periode waktu yang lebih panjang agar model Random Forest dapat mengenali pola kejadian longsor secara lebih optimal.

1. 2.
   Pengembangan model dapat dilakukan dengan menambahkan parameter lingkungan lain yang berpotensi memengaruhi kejadian longsor, seperti litologi, jarak terhadap sungai, jarak terhadap sesar, kelembapan tanah, dan penggunaan lahan historis.

1. 3.
   Evaluasi model dapat dikembangkan dengan melakukan perbandingan terhadap algoritma machine learning lainnya, seperti XGBoost, Support Vector Machine (SVM), atau Artificial Neural Network, untuk mengetahui performa metode yang berbeda dalam pemodelan kerawanan longsor.

1. 4.
   WebGIS yang telah dikembangkan dapat ditingkatkan dengan penambahan fitur pembaruan data secara berkala, integrasi data cuaca atau curah hujan secara real-time, serta fitur pendukung peringatan dini untuk meningkatkan pemanfaatannya dalam kegiatan mitigasi bencana.

Daftar Pustaka

Badan Nasional Penanggulangan Bencana. (2025). Buku Data Bencana Indonesia Tahun 2024. Pusat Data, Informasi dan Komunikasi Kebencanaan (Pusdatinkom BNPB).

Congalton, R. G., & Green, K. (2009). Assessing the accuracy of remotely sensed data: Principles and practices (2nd ed.). CRC Press.

Gu, Z., Zhang, Y., Chen, Y., Liu, Y., & Li, X. (2023). Study on landslide susceptibility mapping with different factor screening methods and random forest models. PLOS ONE, 18(10), e0292897. https://doi.org/10.1371/journal.pone.0292897

Li, M., Wang, H., Chen, J., & Zheng, K. (2024). Assessing landslide susceptibility based on the random forest model and multisource heterogeneous data. Ecological Indicators, 158, 111600. https://doi.org/10.1016/j.ecolind.2024.111600

Liu, W., Zhang, W., He, Y., & Zhang, Y. (2023). A comprehensive review of machine learning-based methods in landslide susceptibility mapping. Geological Journal. https://doi.org/10.1002/gj.4666

McHugh, M. L. (2012). Interrater reliability: The kappa statistic. Biochemia Medica, 22(3), 276–282.

Merghadi, A., Yunus, A. P., Dou, J., Whiteley, J., Pham, B. T., Bui, D. T., Avtar, R., & Abderrahmane, B. (2020). Machine learning methods for landslide susceptibility studies: A comparative overview of algorithm performance. Earth-Science Reviews, 207, 103225. https://doi.org/10.1016/j.earscirev.2020.103225

Putra, A. N., Prasetya, N. R., Sugiarto, M. T., Prayogo, C., Maritimo, F., & Admajaya, F. T. (2025). Utilizing remote sensing and random forests to identify optimal land use scenarios and address the increase in landslide susceptibility. Sustainability, 17, 4227. https://doi.org/10.3390/su17094227

Riestu, I. M., & Hidayat, H. H. (2023). Landslide susceptibility mapping using random forest algorithm and its correlation with land use in Batu City, Jawa Timur. IOP Conference Series: Earth and Environmental Science, 1127, 012017. https://doi.org/10.1088/1755-1315/1127/1/012017

Ummah, M. H., & Darminto, M. R. (2022). Landslide susceptibility spatial modelling using random forest algorithm: A case study of Malang Regency. IOP Conference Series: Earth and Environmental Science, 1127, 012026. https://doi.org/10.1088/1755-1315/1127/1/012026

Widyatmanti, W., Wicaksono, I., & Syam, P. D. R. (2016). Identification of topographic elements composition based on landform boundaries from radar interferometry segmentation (preliminary study on digital landform mapping). IOP Conference Series: Earth and Environmental Science, 37(1), 012008. https://doi.org/10.1088/1755-1315/37/1/012008

Yin, G., Luo, J., Niu, F., Lin, Z., & Liu, M. (2021). Machine learning-based thermokarst landslide susceptibility modeling across the permafrost region on the Qinghai–Tibet Plateau. Landslides, 18, 2639–2649. https://doi.org/10.1007/s10346-021-01669-7