Studi Longsor Berbasis Kecerdasan Buatan: Sebuah Tinjauan
Kata Kunci:
Landslide, AI-Based Landslide Study, Artificial Inteligence, Machine Learning, Systematic Review LandslideAbstrak
Tanah longsor masih menjadi topik hangat dalam diskusi bencana geologi, termasuk Indonesia. Berbagai metode,
termasuk Artificial Intelligence (AI), digunakan untuk melakukan pengembangan penelitian tentang topik tanah longsor. Oleh karena itu, makalah ini bertujuan untuk menyajikan tinjauan komprehensif studi longsor berbasis AI yang berfokus pada area aplikasi tertentu, metode rekayasa fitur (FEM), dan sumber Digital Elevation Model (DEM) yang digunakan dalam penelitian. Penelitian ini menggunakan metode kualitatif dengan pendekatan tinjauan sistematis terhadap studi longsor terkini (2012-2022) yang diteliti secara sistematis dalam suatu sintesis. Eksplorasi menghasilkan 26 makalah dari jurnal atau prosiding terindeks nasional dan internasional, yang disaring menjadi 12 artikel yang membahas atau
menyebutkan area aplikasi tertentu, FEM, dan sumber DEM. Analisis menunjukkan bahwa aplikasi AI dalam studi longsor didominasi untuk pemetaan kerentanan longsor dan masih sedikit untuk aplikasi lain. Hal ini juga menunjukkan bahwa hampir semua studi longsor berbasis AI memilih SRTM sebagai sumber DEM. Mengenai FEM, hanya lima artikel yang membahas pemilihan faktor longsor yang penting. Ada empat FEM yang digunakan dalam studi tersebut, yaitu deduksi variabel, model faktor kepastian, algoritma C.45, dan peringkat kepentingan variabel. Dari analisis mendalam terhadap 13 artikel tersebut, dapat disimpulkan bahwa studi longsor berbasis AI di Indonesia masih perlu dikembangkan alih-alih
berfokus pada pemetaan kerentanan longsor saja. Studi untuk menemukan faktor longsor yang efektif dan sumber daya DEM yang kompatibel menggunakan AI juga dapat menjadi peluang baru bagi para ahli longsor.
Referensi
Aditian, A., Kubota, T., & Shinohara, Y. (2018). Comparison of GIS-Based Landslide Susceptibility Models Using Frequency Ratio, Logistic Regression, and Artificial neural Network in a Tertiary Region of Ambon, Indonesia. Geomorphology, 318, 101–111. https://doi.org/10.1016/J.GEOMORPH.2018.06.006
Aldi, M., Siregar, I. R., & Bilqis, A. (2021). Pemetaan Daerah Rawan Longsor Menggunakan Machine Learning di Kecamatan Muara Tami, Kota Jayapura, Papua. Jurnal Geofisika, 19(1), 24–30. https://doi.org/10.36435/JGF.V19I1.504
Antosik-Wójcińska, A. Z., Dominiak, M., Chojnacka, M., Kaczmarek-Majer, K., Opara, K. R., Radziszewska, W., Olwert, A., & Święcicki, Ł. (2020). Smartphone as a Monitoring Tool for Bipolar Disorder: a Systematic Review Including Data Analysis, Machine Learning Algorithms and Predictive Modelling. International Journal of Medical Informatics, 138, 104131. https://doi.org/10.1016/J.IJMEDINF.2020.104131
Azam, F., & Fardani, I. (2022). Prediksi Daerah Potensi Longsor Menggunakan Metode Machine Learning. Bandung Conference Series: Urban & Regional Planning, 2(1), 52–60. https://doi.org/10.29313/BCSURP.V2I1.1694
Bachri, S., Utomo, K. S. B., Sumarmi, S., Fathoni, M. N., & Aldianto, Y. E. (2021). Optimalisasi Model Artificial Neural Network Menggunakan Certainty Factor (C-ANN) Untuk Pemetaan Kerawanan Tanah Longsor Skala Semi-Detil di DAS Bendo, Kabupaten Banyuwangi. Majalah Geografi Indonesia, 35(1), 1–8. https://doi.org/10.22146/MGI.57869
Bini, S. A. (2018). Artificial Intelligence, Machine Learning, Deep Learning, and Cognitive Computing: What Do These Terms Mean and How Will They Impact Health Care? The Journal of Arthroplasty, 33(8), 2358–2361. https://doi.org/10.1016/J.ARTH.2018.02.067
Chikalamo, E. E., Mavrouli, O. C., Ettema, J., van Westen, C. J., Muntohar, A. S., & Mustofa, A. (2020). Satellite-derived Rainfall Thresholds for Landslide Early Warning in Bogowonto Catchment, Central Java, Indonesia. International Journal of Applied Earth Observation and Geoinformation, 89, 102093. https://doi.org/10.1016/J.JAG.2020.102093
Darminto, M. R., Widodo, A., Alfatinah, A., & Chu, H. J. (2021). High-resolution Landslide Susceptibility Map Generation using Machine Learning (Case Study in Pacitan, Indonesia). International Journal on Advanced Science, Engineering and Information Technology, 11(1), 369–379.
Drieka, E., Kusnantaka, F. C., & Syarbini, K. (2021). The Implementation of Artificial Intelligence for Time Pit Monitoring at Batu Hijau Site, Indonesia. In E. Drieka, F. C. Kusnantaka, & K. Syarbini (Eds.), Prosiding Temu Profesi Tahunan XXX dan Kongress XI PERHAPI 2021 (Vol. 0, Issue 0, pp. 179–188). https://doi.org/10.36986/PTPTP.V0I0.262
Fathani, T. F., Karnawati, D., & Wilopo, W. (2014). An Adaptive and Sustained Landslide Monitoring and Early Warning System. Landslide Science for a Safer Geoenvironment: Volume 2: Methods of Landslide Studies, 563–567. https://doi.org/10.1007/978-3-319-05050-8_87/COVER
He, Q., Jiang, Z., Wang, M., & Liu, K. (2021). Landslide and Wildfire Susceptibility Assessment in Southeast Asia Using Ensemble Machine Learning Methods. Remote Sensing 2021, Vol. 13, Page 1572, 13(8), 1572. https://doi.org/10.3390/RS13081572
Helm, J. M., Swiergosz, A. M., Haeberle, H. S., Karnuta, J. M., Schaffer, J. L., Krebs, V. E., Spitzer, A. I., & Ramkumar, P. N. (2020). Machine Learning and Artificial Intelligence: Definitions, Applications, and Future Directions. Current Reviews in Musculoskeletal Medicine, 13(1), 69–76. https://doi.org/10.1007/S12178-020-09600-8/FIGURES/1
Herviany, M., Delima, S. P., Nurhidayah, T., & Kasini, K. (2021). Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor Pada Provinsi Jawa Barat: Comparison of K-Means and K-Medoids Algorithms for Grouping Landslide Prone Areas in West Java Province. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 1(1), 34–40.
Ilmy, H. F., Darminto, M. R., & Widodo, A. (2021a). Application of Machine Learning on Google Earth Engine to Produce Landslide Susceptibility Mapping (Case Study: Pacitan). IOP Conference Series: Earth and Environmental Science, 731(1), 012028. https://doi.org/10.1088/1755-1315/731/1/012028
Ilmy, H. F., Darminto, M. R., & Widodo, A. (2021b). Application of Machine Learning on Google Earth Engine to Produce Landslide Susceptibility Mapping (Case Study: Pacitan). IOP Conference Series: Earth and Environmental Science, 731(1), 012028. https://doi.org/10.1088/1755-1315/731/1/012028
Irawan, L. Y., Sumarmi, Bachri, S., Panoto, D., Nabila, Pradana, I. H., Faizal, R., Devy, M. M. R., & Prasetyo, W. E. (2021). The Use of Machine Learning for Accessing Landslide Susceptibility Class: Study Case of Kecamatan Pacet, Kabupaten Mojokerto. IOP Conference Series: Earth and Environmental Science, 884(1), 012006. https://doi.org/10.1088/1755-1315/884/1/012006
Kaur, D., Uslu, S., & Durresi, A. (2021). Requirements for Trustworthy Artificial Intelligence – A Review. Advances in Intelligent Systems and Computing, 1264 AISC, 105–115. https://doi.org/10.1007/978-3-030-57811-4_11/COVER
Naing, M. T., Fathani, T. F., & Wilopo, W. (2018). Estimating the Velocity of Landslide Movement Using Visco-Plastic Model in Jeruk Sub-village, Kulon Progo District, Yogyakarta, Indonesia. Journal of the Civil Engineering Forum, 4(3).
Oh, H. J., Lee, S., & Soedradjat, G. M. (2010). Quantitative landslide susceptibility mapping at Pemalang area, Indonesia. Environmental Earth Sciences, 60(6), 1317–1328. https://doi.org/10.1007/S12665-009-0272-5/FIGURES/6
Samodra, G., & Nugroho, F. (2022). Benchmarking landslide inventory data handling strategies for landslide susceptibility modeling based on different random forest machine learning workflows. Research Square (Preprint). https://doi.org/10.21203/RS.3.RS-1441095/V1
Susetyo, Y. A. (2018). Kombinasi Algoritma Spatial Autocorrelation G* dan Algoritma C5.0 untuk Deteksi Daerah Rawan Longsor di Pulau Jawa. Jurnal Buana Informatika, 9(2), 101–114. https://doi.org/10.24002/JBI.V9I2.1706
Tehrani, F. S., Calvello, M., Liu, Z., Zhang, L., & Lacasse, S. (2022). Machine Learning and Landslide Studies: Recent Advances and Applications. Natural Hazards 2022, 1–49. https://doi.org/10.1007/S11069-022-05423-7
Umar, Z., Pradhan, B., Ahmad, A., Jebur, M. N., & Tehrany, M. S. (2014). Earthquake Induced Landslide Susceptibility Mapping Using an Integrated Ensemble frequency ratio and logistic regression models in West Sumatera Province, Indonesia. CATENA, 118, 124–135. https://doi.org/10.1016/J.CATENA.2014.02.005
Wee, I. J. Y., Kuo, L. J., & Ngu, J. C. Y. (2020). A systematic review of the true benefit of robotic surgery: Ergonomics. The International Journal of Medical Robotics and Computer Assisted Surgery, 16(4), e2113. https://doi.org/10.1002/RCS.2113
Widiastari, A., Solikhun, S., & Irawan, I. (2021). Analisa Datamining dengan Metode Klasifikasi C4.5 Sebagai Faktor Penyebab Tanah Longsor. Journal of Computer System and Informatics (JoSYC), 2(3), 247–255.
Xue, C., Chen, K., Tang, H., Lin, C., & Cui, W. (2022). Using Short-Interval Landslide Inventories to Build Short-Term and Overall Spatial Prediction Models for Earthquake-Triggered Landslides Based on Machine Learning for the 2018 Lombok Earthquake Sequence. Natural Hazards, 1–21. https://doi.org/10.1007/S11069-022-05532-3
Unduhan
Diterbitkan
Cara Mengutip
Lisensi
Hak Cipta (c) 2024 Jurnal Geosains Terapan
Artikel ini berlisensi Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
