GLMB Landslide School
Pemodelan kerawanan longsor fisis statik (pre-failure) merupakan pemodelan kerawanan longsor dengan pendekatan berbasis kondisi fisis yang didasarkan pada analisis stabilitas lereng dengan menghitung faktor keamanan pada lereng.
Pelatihan ini bertujuan untuk mengenalkan berbagai macam software yang dapat digunakan dalam pemodelan kerawanan longsor fisis statik (pre-failure) hingga melakukan praktik. Adapun silabus dalam pelatihan ini meliputi,
Silabus:
- Pengenalan software
- Input data
- Persamaan model
- Parameter pemodelan
- Pemodelan stabilitas lereng spasial
Tarif: Rp 4.950.000,00
Fasilitas:
- Training kit
- Sertifikat
- Coffee breaks
- Makan siang
- Forum diskusi alumni
Durasi Pelatihan: 3 hari
Teknologi penginderaan jauh dan SIG menjadi semakin canggih dan terintegrasi. Teknik pembelajaran statistik dan pembelajaran mesin atau dikenal sebagai machine learning menjadi metode yang sedang berkembang baru-baru ini dalam pemodelan kerawanan longsor. Pemodelan kerawanan longsor soft-computing (machine learning) sangat beragam seperti regresi logistik, decision tree, random forest, SVM, XgBoost, dan lain sebagainya.
Penelitian yang dilakukan oleh Samodra & Nugroho (2022) mengenai benchmarking landslide inventory data handling strategies for landslide susceptibility modeling based on different random forest machine learning workflows merupakan salah satu contoh hasil perkembangan pemodelan kerawanan longsor soft-computing (machine learning).
Pemodelan kerawanan longsor dapat dilakukan menggunakan metode statistik atau disebut juga sebagai data-driven. Metode statistik merupakan metode dengan pendekatan kuantitatif, yang digunakan untuk mengevaluasi hubungan antara faktor-faktor yang memicu longsor masa lalu dan data dari kejadian longsor masa lalu untuk memperoleh kelas kerawanan longsor. Metode ini dapat dibagi menjadi tiga yaitu (1) statistik bivariat (seperti weight of evidence modelling, information value method, dan likelihood ratio model); (2) statistik multivariat (seperti discriminant analysis dan logistic regression); dan (3) artificial neural networks (ANN).
Pemodelan kerawanan longsor dapat dilakukan menggunakan metode heuristik. Metode heuristik merupakan metode penilaian kerawanan longsor dengan pendekatan kualitatif berdasarkan kegiatan lapangan atau turunan dari peta geomorfologi yang dilakukan oleh ahli. Metode ini dapat pula secara tidak langsung meggunakan Sistem Informasi Geografi (SIG) dengan menggabungkan sejumlah peta untuk menghasilkan peta kerawanan longsor. Salah satu metode heuristik yang dapat digunakan dalam pemodelan kerawanan longsor adalah metode Spatial Multi-Criteria Evaluation (SMCE), seperti pada gambar berikut,
Pemetaan Tanah Digital (Digital Soil Mapping – Pedometric) bertujuan untuk menggunakan variabel-variabel pembentukan tanah guna memprediksi sifat dan ciri tanah dalam sistem informasi geografis. Proses pemetaan tanah digital menggunakan informasi-informasi dari survei tanah lapangan digabungkan dengan informasi tanah secara digital, seperti citra, remote sensing, dan digital elevation model.
Sebagai contoh, penelitian mengenai pemetaan tanah digital yang dilakukan oleh Ramadhan et al., 2022 mengenai “Pemetaan Ketebalan Tanah di Bendungan Bener, Kabupaten Purworejo” menggunakan metode regression krigging dan metode multiple linear regression, seperti pada gambar berikut,
ERT (Electrical Resistivity Tomography) atau geolistrik merupakan metode geofisika yang bertujuan untuk mengetahui sifat-sifat kelistrikan lapisan batuan di bawah permukaan tanah dengan cara menginjeksikan arus listrik ke dalam tanah. Metode ini dapat digunakan untuk mengetahui material bawah permukaan.
Pada studi kasus bencana longosr penerapan investigasi material bawah permukaan dengan ERT salah satunya dapat digunakan untuk mengetahui slip surface longsor. Seperti pada penelitian yang dilakukan oleh Samodra et al., 2020 berjudul Characterization of Displacement and Internal Structure of Landslide from Multitemporal UAV and ERT Imaging
LiDAR (Light Distance and Ranging) merupakan teknologi penginderaan jauh terkini yang dapat menyediakan data pengukuran elevasi dengan cepat dan akurat. Pemanfaatan LiDAR dalam investigasi geomorfologi dan longsor menjadi yang terbaik dalam menghasilkan peta DEM (Digital Elevation Model) yang akurat dengan resolusi yang tinggi, yaitu mencapai 1 meter x 1 meter, atau bahkah kurang dari 1 meter.
Pemanfaatan LiDAR dan foto udara dalam investigasi geomorfologi dan longsor seperti pada penelitian yang dilakukan Samodra et al, 2022 di Longsor Kalisari, Kabupaten Magelang. Hasil foto udara hingga DTM (Digital Terrain Model) LiDAR seperti pada gambar berikut,
Python merupakan bahasa pemrograman yang dapat digunakan untuk melakukan analisis data. Python menjadi bahasa pemograman terfavorit sejak tahun 2021, hal tersebut menunjukkan bahwa pemanfaatan python dalam analisis data menjadi popular dan baru, salah satunya dalam analisis data gemorfologi. Dalam analisis data geomorfologi dengan python terdapat berbagai macam package dan library yang dapat digunakan. Gambaran mengenai python interface dapat dilihat pada gambar berikut,
Pelatihan ini bertujuan untuk mengenalkan hingga melakukan praktik penerapan python pada data geomorfologi. Silabus pada pelatihan ini sebagai berikut,
R Studio merupakan metode analisis data interaktif yang sedang berkembang saat ini. R terintegrasi untuk manipulasi data, kalkulasi, dan tampilan grafis dengan berbagai macam package. R dapat diterapkan dalam studi geografi seperti pada geomorfologi. Package-package pada R dapat digunakan pada data geomorfologi, sebagai contoh untuk menampilkan plot data LiDAR hingga melakukan visualisasi data dengan package ggplot2, serta package-package lainnya. Package ggplot2 mampu menghasilkan statistik, data, ataupun grafik.
