J. Il. Tan. Lingk.

, 22 (2) Oktober 2020: 101-106 ISSN 1410-7333| e-ISSN 2549-2853

BAHAYA LONGSOR DI KABUPATEN SUKABUMI BERBASIS METODE WEIGHT OF

EVIDENCE (WoE), LOGISTIC REGRESSION (LR) DAN KOMBINASI WoE-LR

Landslide Hazard in Sukabumi Regency based on Weight of Evidence (WoE),

Logistic Regresion (LR) and WoE-LR Combination Methods

Sumardani Kusmajaya1)*, Boedi Tjahjono2) dan Baba Barus2)

1) Program Studi Ilmu Perencanaan Wilayah, Sekolah Pascasaerjana, Institut Pertanian Bogor, Jl. Meranti Kampus
IPB Dramaga, Bogor 16680
2) Departemen Ilmu Tanah dan Sumberdaya Lahan, Fakultas Pertanian IPB, Jl. Meranti Kampus IPB Darmaga

Bogor 16680

ABSTRACT

The high frequency of landslides in Sukabumi Regency caused the need for data and information of potential landslides
areas. The most widely used method to identify potential landslides is stastical method. Therefore, this study aims to predict
landslide hazard in Sukabumi Regency. This research used Weight of Evidence (WoE), Logistic Regression (LR), and WoE-LR
combination methods. Results showed that suitable parameters for running the models are distance from road, distance from
river, distance from fault, SPI, TWI, elevation and slope. WoE method’s results showed elevation <300 m, distance from road
>200 m and distance from friver >100 m are bad parameter classes to predict landslides in this study area. Whereas slope 8-
15%, distance from road 31-70 m and elevation 700-800 m are good parameters to predict landslide potential. As for LR method,
elevation and distance from road have significant effect on landslides. WoE-LR combination method’s results showed distance
from road and SPI are bad parameters for predicting landslide potential. Conversely, slope and TWI are the best parameters to
predict landslide hazards, including elevation, distance from fault and distance from river. Therefore it can be concluded that
WoE-LR combination method is the best for predicting landslide hazard in the study area.

Keywords: Landslide, Weight of Evidence, and Logistic Regression

ABSTRAK

Tingginya kejadian longsor di Kabupaten Sukabumi menjadi penyebab diperlukannya data dan informasi kawasan yang
memiliki potensi longsor. Identifikasi potensi longsor dapat dilakukan melalui berbagai pendekatan dimana metode statistik
adalah pendekatan yang paling banyak digunakan untuk pemetaan longsor. Maka dari itu, tujuan penelitian ini adalah
memprediksi longsor di Kabupaten Sukabumi. Metode penelitian yang digunakan adalah metode Weight of Evidence (WoE),
Logistic Regression (LR), dan kombinasi WoE-LR. Hasil pengujian menunjukkan bahwa parameter yang layak digunakan
menjalankan model adalah jarak dari jalan, jarak dari sungai, jarak dari patahan, SPI, TWI, Elevasi dan Lereng. Hasil metode
WoE menunjukkan bahwa parameter elevasi <300 m, jarak dari jalan >200 m dan jarak dari sungai >100 m merupakan kelas
parameter yang tidak baik untuk memprediksi longsor. Sebaliknya, parameter lereng 8–15%, jarak dari jalan 31–70 m dan elevasi
700–800 baik digunakan untuk memprediksi longsor. Pada metode LR, parameter elevasi dan jarak dari jalan secara signifikan
berpengaruh terhadap longsor. Hasil metode kombinasi WoE-LR menunjukkan bahwa parameter jarak dari jalan dan SPI
merupakan parameter yang kurang baik untuk memprediksi longsor. Sebaliknya, parameter lereng dan TWI merupakan
parameter yang paling baik untuk memprediksi bahaya longsor. Berdasarkan pengujian ketiga metode tersebut, dapat
disimpulkan bahwa metode kombinasi WoE-LR adalah metode yang paling baik dalam memprediksi bahaya longsor di wilayah
penelitian.

Kata Kunci: Longsor, Weight of Evidence, and Logistic Regression

deterministik. Dari ketiga metode tersebut, metode statistik
PENDAHULUAN dinilai sebagai metode yang paling memungkinkan untuk
diterapkan. Hal tersebut dikarenakan metode heuristik
Tingginya kejadian longsor di Kabupaten melibatkan pengetahuan ahli dalam penyusunan peta
Sukabumi menjadi alasan diperlukannya data dan informasi bahaya longsor, sehingga memiliki keterbatasan pada
kawasan yang memiliki potensi longsor. Zhou et al. (2016) subjektivitas. Sementara pada pendekatan deterministik
mengungkapkan bahwa identifikasi gerakan tanah adalah dibutuhkan data geoteknis dan hidrologis yang rinci. Pada
cara paling efektif dengan menyediakan data untuk metode statistik dipastikan memiliki subjektivitas yang
perencanaan tata ruang dan pemanfaatan lahan, adaptasi rendah dan lebih mudah diterapkan pada suatu area yang
serta mitigasi bencana. memiliki karakteristik wilayah yang unik (Caniani et al.,
Identifikasi potensi longsor dapat dilakukan 2007).
melalui berbagai metode. Terdapat tiga kategori utama Metode statistik seperti metode weight of evidence
dalam metode pemetaan bahaya longsor, yaitu (1) metode (WoE) dan logistic regression (LR) banyak digunakan
heuristik, (2) metode statistik, dan (3) pendekatan untuk pemetaan bahaya gerakan tanah (Margarint et al.,

*) Penulis Korespondensi: Telp. +6282352581095; Email. [email protected] DOI: http://dx.doi.org/10.29244/jitl.22.2.101-106

Bahaya Longsor di Kab. Sukabumi berbasis Metode WoE, LR dan Kombinasi WoE-LR (Kusmajaya, S., B. Tjahjono dan B. Barus)

2013; Heckmann et al., 2014). Barbieri dan Cambuli (2009) berbagai sumber data tersebut dihasilkan perameter longsor
mengungkapkan bahwa metode WoE didasarkan pada meliputi elevasi, lereng, aspect, plan curvature, profile
informasi yang diperoleh dari keterkaitan antara parameter curvature, stream power index (SPI), Terrain Wetness
dan data kejadian, sehingga dapat diprediksi wilayah yang Index (TWI), jarak dari sungai, lithologi, jarak dari patahan,
berpotensi longsor. Metode LR memiliki kelebihan karena bentuklahan (landform), jarak dari jalan, penggunaan lahan,
mampu menganalisis hubungan antar variabel tetapi curah hujan, dan jenis tanah (Tabel 1).
memiliki kekurangan karena tidak mampu mengevaluasi
pengaruh antara kelas yang berbeda (Pamela et al., 2018). Data Kejadian Longsor
Samodra (2014) dan Zhou et al. (2016) memanfaatkan
metode statistik dengan pendekatan baru yaitu Lokasi kejadian longsor merupakan data utama
menggunakan kombinasi Weight of Evidence (WoE) dan yang dibutuhkan dalam proses analisis bahaya longsor.
Logistic Regression (LR) untuk pemetaan bahaya longsor. Inventarisasi kejadian longsor bersumber dari berbagai
Penelitian ini bertujuan untuk memprediksi longsor dan instansi pemerintah yaitu BNPB, PVMBG, Kementerian
membandingkan pendekatan yang paling baik melalui uji PUPR dan penelitian sebelumnya. Validasi kemudian
area under curve (AUC) dari ketiga metode tersebut. dilakukan melalui Google Earth dan peta lereng.
Asumsinya titik yang berada pada lereng dengan kelas
BAHAN DAN METODE landai (<8%) dianggap tidak berpotensi terjadi longsor.
Data lokasi kejadian kemudian dibagi menjadi 2 set data,
Lokasi penelitian terletak di Kabupaten Sukabumi yaitu 70% dari total titik kejadian digunakan dalam model
Provinsi Jawa Barat (Gambar 1a). Kabupaten Sukabumi dan pengujian parameter sedangkan 30% dari total titik
memiliki luas wilayah 4,145 km2 dengan memiliki 47 digunakan untuk pengujian model (Gambar 1b).
(empat puluh tujuh) kecamatan.
Penelitian ini menggunakan data dari berbagai Metode Weight of Evidance (WoE)
sumber yaitu Peta Rupabumi dengan skala 1:25.000 (BIG),
Digital Elevation Model (DEM) dengan skala 30 x 30 m WoE adalah model statistik yang menghitung
(NASA), Peta Tutupan Lahan dengan skala 1:10.000 bobot dari faktor prediktif (faktor pemicu) berdasarkan ada
(Kementerian ATR-BPN), Peta Jenis Tanah dengan skala atau tidak adanya longsor pada wilayah penelitian dan
data 1:50.000 (BBSDLP), Peta Geologi dengan skala berasumsi bahwa faktor-faktor yang diduga memicu
1:100.000 (Kementerian ESDM) dan Peta Curah Hujan longsor tidak memiliki kaitan satu sama lain. Model ini
dengan skala 5.5 x 5.5 km (Climate Hazards Group membutuhkan data spasial titik kejadian longsor dan data
InfraRed Precipitation with Station Data (CHIRPS)). Dari faktor pemicu longsor.

Tabel 1. Parameter longsor

Tipe Data Parameter Sumber
Faktor Topografi Elevasi DEM
Lereng DEM
Aspect DEM
Plan Curvature DEM
Profil Curvature DEM
Berkaitan dengan Air Stream Power Index (SPI) DEM
Terrain Wetness Index (TWI) DEM
Jarak dari Sungai Peta RBI
Faktor Geologi Lithologi Peta Geologi
Jarak dari Patahan Peta Geologi
Landform DEM
Faktor Manusia Jarak dari Jalan Peta RBI
Penggunaan Lahan Peta Guna Tanah
Faktor Iklim Curah Hujan CHIRPS
Jenis Tanah Jenis Tanah Peta Tanah
Kejadian Longsor Titik Kejadian Longsor Berbagai instansi dan peneliti sebelumnya

b
a
Gambar 1 a. Peta lokasi penelitian; b. Lokasi kejadian longsor

102
J. Il. Tan. Lingk., 22 (2) Oktober 2020: 101-106 ISSN 1410-7333| e-ISSN 2549-2853

WoE membandingkan distribusi titik kejadian rumus logistic regression. Analisis logistic regression dapat
longsor yang ada dengan berbagai faktor pemicu longsor ditulis sebagai berikut:
secara terpisah. Model ini diaplikasikan untuk
1
mengevaluasi hubungan setiap variabel yang diprediksi 𝑓(𝑧) = 𝜋(𝑆 = 1|𝑋1 , 𝑋2 , … . . 𝑋𝑛 ) =
menjadi faktor pemicu longsor terhadap kejadian longsor −(𝛽0 + 𝑛𝑖=1(𝛽𝑖 𝑋𝑖 )
∑
dengan menggunakan probabilitas sebelumnya (tanpa 1+𝑒
syarat) dan probabilitas posterior (dengan syarat). Dimana 𝜋(𝑆 = 1|𝑋1 , 𝑋2 , … . . 𝑋𝑛 ) adalah sebuah
Probabilitas sebelumnya adalah probabilitas suatu kejadian piksel yang dipengaruhi slope failure, yang diberikan
yang berasal dari peristiwa yang sama di masa lampau kehadiran variabel independen dari 𝑋1 𝑡𝑜 𝑋𝑛 , 𝛽0 adalah
dalam suatu periode waktu. rumusan yang konstan, dan 𝛽1 , 𝛽2 , … . 𝛽𝑛 adalah variabel
Probabilitas perubahan yang diakibatkan oleh koefisien dan 𝑋1 , 𝑋2 , … . 𝑋𝑛 . 𝛽0 , … . 𝛽𝑛 adalah koefisien yang
adanya tambahan informasi disebut probabilitas posterior. tidak diketahui yang harus diestimasi berdasarkan data
Probabilitas bersyarat dari keberadaan longsor dengan variabel independen longsor dengan menggunakan
mempertimbangkan kehadiran faktor tambahan dapat kemungkinan maksimum. Koefisien positif menunjukkan
dirumuskan sebagai berikut (Samodra, 2014): bahwa peristiwa longsor lebih mungkin terjadi dan
𝑃{𝐹𝑗𝑖 ∩ 𝐿} koefisien negatif menunjukkan bahwa peluang kejadian
( ) longsor kecil.
𝑃{𝐹𝑗𝑖 |𝐿} 𝑃{𝐿}
𝑊𝑗𝑖 + = 𝐿𝑛 ( )=
𝑃{𝐹𝑗𝑖 |𝐿̅} 𝑃{𝐹𝑗𝑖 ∩ 𝐿̅} Metode Kombinasi WoE-LR
( )
𝑃{𝐿̅}
Samodra (2014) dan Zhou et al., (2016)
Sementara itu, probabilitas bersyarat dari mengunakan kombinasi model Weight of Evidence (WoE)
keberadaan longsor yang tidak menghadirkan faktor dapat dan Logistic Regression (LR) dalam penelitiannya untuk
dirumuskan sebagai berikut (Bonham-Carter, 1994): menyusun peta bahaya longsor. Penggunaan model
𝑃{𝐹̅𝑗𝑖 ∩ 𝐿} kombinasi WoE dan LR dinilai dapat mengisi titik
( ) kelemahan satu sama lain sehingga meningkatkan akurasi
𝑃{𝐹̅𝑗𝑖 |𝐿} 𝑃{𝐿}
𝑊𝑗𝑖 − = 𝐿𝑛 ( )= prediksi kejadian longsor. Metode LR memiliki kelebihan
𝑃{𝐹̅𝑗𝑖 |𝐿̅} 𝑃{𝐹̅𝑗𝑖 ∩ 𝐿̅} karena mampu menganalisis hubungan antar variabel tetapi
( )
𝑃{𝐿̅} memiliki kekurangan karena tidak mampu mengevaluasi
pengaruh antara kelas yang berbeda. Sementara metode
Dimana 𝑃 : Probabilitas, 𝐹𝑗𝑖 : keberadaan faktor j WoE memiliki kelebihan karena mampu menilai pengaruh
kelas i, 𝐹̅𝑗𝑖 : tidak ada faktor j kelas i, 𝐿̅ : tidak ada longsor, kelas yang berbeda dari masing-masing variabel, tetapi
L : keberadaan longsor, 𝑊𝑗𝑖+ : rasio kemungkinan yang mengabaikan korelasi antar variabel (Pemela et al., 2018).
menyatakan bahwa rasio dalam kasus adanya, faktor 𝐹𝑗𝑖 Dengan demikian, metode kombinasi statistik bivariat WoE
maka suatu longsor L terjadi atau tidak terjadi, dan 𝑊𝑗𝑖− : dan multivariat LR diharapkan dapat mengurangi
rasio kemungkinan yang menyatakan bahwa rasio dalam kelemahan masing-masing metode dalam menghasilkan
kasus tidak adanya faktor 𝐹𝑗𝑖 maka suatu longsor L terjadi tingkat akurasi peta bahaya longsor.
atau tidak terjadi. Metode ini diawali dengan melakukan rasterisasi,
Pengukuran korelasi juga dapat diukur dengan dan melakukan klasifikasi terhadap titik kejadian longsor
kontras bobot sebagai berikut (Samodra, 2014): dan faktor pemicu longsor ke dalam GIS. Kemudian,
metode WoE digunakan untuk pembobotan pengaruh kelas
𝑊𝑐𝑜𝑛𝑡𝑟𝑎𝑠𝑡 𝑗𝑖 = 𝑊𝑗𝑖+ − 𝑊𝑗𝑖− pada setiap faktor pemicu kejadian longsor. Faktor pemicu
longsor ini kemudian dinilai hubungan keterkaitannya satu
sama lain dengan menggunakan metode LR (Zhou et al.,
Metode Logistic Regresion (LR) 2016).
Logistic Regression (LR) adalah regresi HASIL DAN PEMBAHASAN
multivariat yang membentuk hubungan antara distribusi
longsor yang ada sebagai variabel dependen dan berbagai Penentuan Parameter Longsor
faktor pemicu longsor sebagai variabel independen.
Variabel dapat berupa continuous atau discrete, atau Parameter bahaya longsor pada penelitian ini
kombinasi apapun dari kedua jenis tersebut. Algoritma dipilih berdasarkan pada pengujian metode Area Under
logistic regression menerapkan estimasi kemungkinan Curve (AUC). Pengujian dilakukan dengan menggunakan
maksimum setelah mentransformasikan variabel dependen kejadian longsor untuk mendapatkan nilai Area Under
menjadi variabel logit dengan memperkirakan probabilitas Curve (AUC). Pamela et al. (2018) menyatakan bahwa nilai
suatu kejadian yang terjadi (Atkinson dan Massari, 1998; AUC merupakan nilai indeks yang terbentuk dari grafik
Dai et al., 2002). Dalam hal ini kehadiran longsor diinput perbandingan antara persentase total luasan area kelas
sebagai 1 dan tidak adanya longsor diinput sebagai 0. parameter pemicu longsor dengan persentase total longsor.
Metode multivariat logistic regression Hasil uji AUC disajikan pada Tabel 2.
membandingkan distribusi longsor yang ada dengan
berbagai faktor pemicu longsor secara simultan. Hubungan
faktor pemicu dengan longsor yang ada dievaluasi dengan
Bahaya Longsor di Kab. Sukabumi berbasis Metode WoE, LR dan Kombinasi WoE-LR (Kusmajaya, S., B. Tjahjono dan B. Barus)

Tabel 2 .Uji parameter longsor sebaliknya. Jika 𝑊 + − 𝑊 − = 0, maka kelas parameternya

Parameter Nilai AUC tidak berkorelasi dengan kejadian longsor. Elevasi <300,
Aspect 47.07 jarak dari jalan > 200 m dan jarak dari sungai >100 adalah
Curah Hujan 53.40 contoh kelas parameter tidak terlalu baik untuk digunakan
Plan Curvature 54.18 dalam memprediksi longsor di wilayah studi. Sebaliknya
Profil Curvature 49.61
Elevasi 82.88 lereng 8 – 15%, jarak dari jalan 31 – 70 meter dan elevasi
Jarak dari Jalan 98.91 700 – 800 baik digunakan untuk memprediksi kejadian
Jarak dari Patahan 72.97 longsor. Untuk parameter lereng < 8% dan SPI 21.21 – 50
Jarak dari Sungai 94.03 memiliki nilai 𝑊 + − 𝑊 − = 0 menunjukkan bahwa tidak
Landform 48.92
Lithologi 52.88 ada kejadian longsor yang terjadi pada areal tersebut.
Penggunaan Lahan 57.63 Hasil analisis metode WoE selanjutnya dapat
Lereng 91.31 dipetakan sebagai peta bahaya longsor seperti yang
Jenis Tanah 36.61 disajikan pada Gambar 2a.
Stream Power Index (SPI) 99.07
Terrain Wetness Index (TWI) 65.51
Metode Logistic Regresion (LR)
Berdasarkan Tabel 2 dapat diketahui bahwa ada 7
dari total 14 parameter yang layak untuk dijadikan Berdasarkan hasil analisis LR pada tabel 4 terlihat
parameter untuk menjalankan model yaitu jarak dari jalan, bahwa parameter elevasi dan jarak dari jalan memilik
jarak dari sungai, jarak dari patahan, SPI, TWI, Elevasi dan pengaruh yang signifikan terhadap kejadian longsor di
Lereng. wilayah penelitian. Hal ini dapat dilihat dari nilai koefisien
kedua parameter tersebut yang positif, sedangkan parameter
Metode Weight of Evidance (WoE) lainnya tidak memiliki pengaruh yang signifikan.
Selanjutnya nilai tersebut diklasifikasi menjadi lima kelas
Hasil analisis yang ditunjukkan pada Tabel 3, yaitu sangat rendah, rendah, sedang, tinggi dan sangat tinggi
menunjukkan pentingnya masing-masing kelas dari setiap menggunakan metode Quantile (Zhou, 2016) dan
parameter. Jika 𝑊 + = positif dan 𝑊 − = negatif, maka kelas persebaran spasial dari masing-masing kelas disajikan pada
tersebut mempunyai pengaruh besar atas terjadinya longsor, Gambar 2b.
dan jika 𝑊 + = negatif dan 𝑊 − = positif, maka berpeluang

Tabel 3. Hasil komputasi bobot kelas untuk layer faktor pemicu berdasarkan keberadaan titik longsor
Faktor Kelas Nclass Npix1 Npix2 Npix3 Npix4 W+ W- 𝑾+ − 𝑾−
Elevasi <300 1,547,122 14 93 1,547,108 3,145,823 -0.924 0.260 -1.184
300 - 400 532,001 15 92 531,986 4,160,945 0.212 -0.031 0.243
400 -500 575,714 18 89 575,696 4,117,235 0.316 -0.053 0.369
500 - 600 659,125 18 89 659,107 4,033,824 0.180 -0.033 0.213
600 - 700 535,388 19 88 535,369 4,157,562 0.442 -0.074 0.517
700 - 800 280,152 10 97 280,142 4,412,789 0.448 -0.037 0.485
>800 563,536 13 94 563,523 4,129,408 0.012 -0.002 0.013
Jarak dari Jalan 0-30 699,410 25 82 699,385 3,993,546 0.450 -0.105 0.554
31-70 488,514 28 79 488,486 4,204,445 0.922 -0.193 1.115
71-100 304,757 14 93 304,743 4,388,188 0.701 -0.073 0.774
101-200 828,668 14 93 828,654 3,864,277 -0.300 0.054 -0.354
>200 2,371,689 26 81 2,371,663 2,321,268 -0.732 0.426 -1.158
Jarak dari Patahan (Km) < 0.5 485,027 9 98 485,018 4,207,913 -0.206 0.021 -0.227
0.5 -1 413,854 4 103 413,850 4,279,081 -0.858 0.054 -0.912
1 – 1.5 327,577 6 101 327,571 4,365,360 -0.219 0.015 -0.234
1.5 – 2 267,504 2 105 267,502 4,425,429 -1.115 0.040 -1.155
>2 3,199,076 86 21 3,198,990 1,493,941 0.165 -0.484 0.648
Jarak dari Sungai <10 143,811 1 106 143,810 4,549,121 -1.188 0.022 -1.209
10 - 50 280,897 6 101 280,891 4,412,040 -0.065 0.004 -0.069
50 - 100 391,684 13 94 391,671 4,301,260 0.376 -0.042 0.418
>100 3,876,646 87 20 3,876,559 816,372 -0.016 0.072 -0.088
Lereng <8% - 0 0 - - 0.000 0.000 0.000
8 - 15% 1,147,766 48 59 1,147,718 2,400,794 0.327 -0.205 0.532
15 - 25% 1,140,257 27 80 1,140,230 2,408,282 -0.242 0.097 -0.339
25 - 45% 918,230 23 84 918,207 2,630,305 -0.185 0.057 -0.243
>45% 342,366 9 98 342,357 3,206,155 -0.137 0.014 -0.151
SPI 21.21 - 50 - 0 0 - - 0.000 0.000 0.000
50 - 400 1,413,044 27 80 1,413,017 3,227,985 -0.188 0.072 -0.260
400 - 5000 2,579,602 73 34 2,579,529 2,061,473 0.205 -0.335 0.540
> 5000 648,463 7 100 648,456 3,992,546 -0.759 0.083 -0.842
TWI 5.63 -6 1,340,003 25 82 1,339,978 3,352,953 -0.201 0.070 -0.271
6.01 - 8 1,648,303 44 63 1,648,259 3,044,672 0.158 -0.097 0.255
8 - 10 968,907 29 78 968,878 3,724,053 0.272 -0.085 0.357
10 - 12 369,260 8 99 369,252 4,323,679 -0.051 0.004 -0.055
> 12 366,565 1 106 366,564 4,326,367 -2.123 0.072 -2.195

104
J. Il. Tan. Lingk., 22 (2) Oktober 2020: 101-106 ISSN 1410-7333| e-ISSN 2549-2853

Tabel 4. Koefisien logistic regresion (LR) Validasi

Faktor Koefisien
Elevasi 0.66 Proses validasi yang digunakan dalam penelitian
Jarak dari Jalan 0.93 ini menggunakan pendekatan AUC. Kurva AUC
Jarak dari Patahan -1.88 merupakan salah satu jenis pengukuran akurasi statistik
Jarak dari Sungai -0.95
Lereng -0.20 untuk model prediksi (probabilitas) dalam penilaian/analisis
SPI -0.56 bencana alam (Nefesslioglu, 2011). Semakin tinggi nilai
TWI -1.91 AUC suatu model maka semakin baik model tersebut dalam
Intersep -11. memprediksi bahaya longsor (Yesilnacar, 2005 dalam
Pourghasemi et al., 2013). Nilai Indeks AUC disajikan pada
Metode Kombinasi WoE-LR Tabel 6 (Pourghasemi et al., 2013).

Hasil analisis koefisien regresi, seperti yang Tabel 6. Nilai indeks AUC
ditunjukkan pada Tabel 5 menunjukkan bahwa parameter
Nilai AUC Keterangan
Jarak dari Jalan dan SPI adalah contoh parameter kurang > 0.9 Sangat Baik
baik untuk digunakan dalam memprediksi kejadian longsor 0.8 - 0.9 Baik
di wilayah penelitian. Sebaliknya parameter Lereng dan 0.7 - 0.8 Cukup Baik
TWI memiliki nilai koefisien positif yang tinggi. Parameter <0.6 Jelek
elevasi, jarak dari patahan dan jarak dari sungai juga
merupakan parameter yang baik untuk digunakan Berdasarkan hasil analisis AUC terhadap masing-
memprediksi longsor meskipun nilainya tidak setinggi masing model menunjukkan bahwa kombinasi metode LR-
Lereng dan TWI. Hasil permodelan ini selanjutnya WoE memiliki nilai validasi yang cukup baik dari dua
disajikan secara spasial seperti yang terlihat pada Gambar metode lainnya (Tabel 7). Menurut Pamela et al. (2018) hal
2c. ini dikarenakan gabungan kedua metode ini dapat menutupi
kekurangan dari masing-masing metode. Kekurangan dari
Tabel 5. Nilai koefisien parameter metode kombinasi WoE-LR metode LR yang tidak dapat menganalisis variabel nominal
dan ordinal dapat diatasi oleh metode gabungan ini setelah
Parameter Koefisien
Intercept -11.31
parameter nominal dilakukan pembobotan dengan metode
Elevasi 0.61 WoE kemudian dianalisis menggunakan metode LR.
Jarak dari Jalan -1.77
Jarak dari Patahan 0.59 Tabel 7. Nilai AUC metode WoE, LR dan WoE-LR
Jarak dari Sungai 0.19
Lereng 2.21 Test Result Nilai AUC
SPI -1.06 Metode WoE 0.259
TWI 1.28 Metode LR 0.720
Metode WoE_LR 0.782

a b

c
Gambar 2. Hasil pemodelan tingkat bahaya longsor tanah: a. WoE; b. LR; dan c. kombinasi WoE-LR
J. Il. Tan. Lingk., 22 (2) Oktober 2020: 101-106 ISSN 1410-7333| e-ISSN 2549-2853

SIMPULAN Hazards and Earth System Sciences, 14: 259-

278.
Berdasarkan hasil validasi model prediksi
Margarint, M.C., A. Grozavu and C.V. Patriche. 2013.
bahaya longsor menunjukkan metode kombinasi WoE-
Assessing the Spatial Variability of Weights of
LR mempunyai nilai AUC yang lebih tinggi
Landslide Causal Factors in Different Regions
dibandingkan dengan metode WoE dan metode LR
from Romania Using Logistic Regression.
dimana nilai uji AUC metode kombinasi WoE-LR
Natural Hazards and Earth System Sciences
sebesar 0.782 diikuti metode LR sebesar 0.72 dan yang
Discussions, 1(2): 1749–74.
terendah adalah metode WoE dengan nilai uji AUC
sebesar 0.259. Metode kombinasi WoE-LR masih dapat Nefeslioglu, H.A., C. Gokceoglu, H. Sonmez, and T.
terus dikembangkan menjadi metode pemetaan bahaya Gorum. 2011. Medium-Scale Hazard Mapping
longsor yang akurat dan efektif. for Shallow Landslide Initiation: The
Buyukkoy Catchment Area (Cayeli, Rize,
DAFTAR PUSTAKA Turkey). Landslides, 8(4): 459–83.
Pamela, I.A. Sadisun, R.D. Kartiko dan Y. Arifianti.
Atkinson, P.M. and R. Massari. 1998. Generalised
2018. Metode Kombinasi Weight of Evidance
Linear Modelling of Susceptibility to
(W0E) dan Logistic Regresion (LR) untuk
Landsliding in The Central Apennines, Italy.
Computers & Geosciences, 24: 373-385. pemetaan Kerentanan Gerekan Tanah di
Takengon Aceh. Jurnal Lingkungan dan
Barbieri, G. and P. Cambuli. 2009. “The Weight of Bencana Geologi, 9(2): 77-86.
Evidence Statistical Method in Landslide
Pourghasemi, H.R., H.R. Moradi and S.M.F. Aghda.
Susceptibility Mapping of the Rio Pardu
2013. Landslide Susceptibility Mapping by
Valley (Sardinia, Italy).” 18th World IMACS
Congress and MODSIM09 International Binary Logistic Regression, Analytical
Congress on Modelling and Simulation: Hierarchy Process, and Statistical Index
Models and Assessment of Their
Interfacing Modelling and Simulation with
Performances. Natural Hazards, 69(1): 749–
Mathematical and Computational Sciences,
779.
Proceedings, 2658–64.
Samodra, G. 2016. Development of Risk Analysis
Bonham-Carter, G.F. 1994. Geographic Information
Systems for Geoscientists: Modelling with Technique and Its Application to Geo-Disaster
GIS. Computer Methods in the Geosciences, Management in Indonesia. Disertasi, Kyushu
University Institutional Repository, Fukuoka.
267-302.
Jepang.
Dai, F.C., C.F. Lee and Y.Y. Ngai. 2002. Landslide Risk
Zhou, S., Wang, W., Chen, G., Liu, B., & Fang, L. 2016.
Assessment and Management: an Overview.
A combined weight of evidence and logistic
Engineering Geology, 64: 65-87.
regression method for susceptibility mapping
Heckmann, T., K. Gegg, A. Gegg dan M. Becht. 2014. of earthquake-induced landslides: A case study
Sample size matters: investigating the effect of of the April 20, 2013 Lushan earthquake,
sample size on a logistic regression China. Acta Geologica Sinica, 90: 511-524.
susceptibility model for debris flows. Natural