Oleh: Sukristiyanti

Kelompok Riset Pemodelan Spasial Bencana Longsor –

Pusat Riset Kebencanaan Geologi
BRIN
Sumber data: DIBI - BNPB
Longsor ialah pergerakan massa batuan, bahan rombakan (debris),
atau tanah (earth) menuruni lereng karena gaya gravitasi (Sassa, 2007).

Longsor pada umumnya

merupakan proses yang
terisolasi, yang secara
individu tidak terlalu
besar ukurannya,
namun sering terjadi di
suatu wilayah (van
Westen dkk., 2006).
•
•
•
•
•

PUSAT VULKANOLOGI DAN MITIGASI BENCANA GEOLOGI (PVMBG)

Melati et al., 2024 Arifianti et al., 2023

•
•
•

•
•

•
•
•
 →

•
•
 •

•
•

Longsor terjadi di wilayah Gunung Cibentang, Kabupaten Bandung, Jawa Barat. Warga desa sekitar mengungsi karena tanah longsor yang menutupi aliran Sungai Cibintinu.
Longsor dari ketinggian 150 meter itu terjadi pada sekitar pukul 17.00 WIB, Jumat (7/10/2016).
Sumber: https://news.detik.com/berita-jawa-barat/d-3316364/tanah-longsor-terjadi-di-gunung-cibentang-bandung-warga-diungsikan
•
•

•
LANDSAT/LC08/C02/T1_RT_TOA
Resolusi spasial multispektral: 30 m, pankromatik: 15 m.

// #1 cloud masking
var maskl8 = function(L8){
var qa = L8.select('BQA');
return L8.updateMask(qa.bitwiseAnd(1<<4).eq(0));
};

// #2 filter data
var composite = L8.filterDate('2020-01-01', '2020-12-31')
.map(maskl8).median().clip(geometry);

// #3 menampilkan citra komposit

Map.addLayer(composite, {bands: ['B5', 'B4', 'B3'], min:0, max:0.3});

// #4 membuat ndvi
var ndvi = composite.normalizedDifference(['B5',
'B4']).rename('NDVI'); // #6 mengeksport data
Export.image.toDrive({
// #5 menampilkan ndvi image: ndvi,
Map.addLayer(ndvi, imageVisParam, 'ndvi’); scale: 30,
description: ndvi_bandung',
region: geometry,
maxPixels: 1e12
});
ee.Image("USGS/SRTMGL1_003")

var srtm30 = srtm30.clip(bdg);

Map.addLayer(srtm30, imageVisParam, 'srtm30');

//panggil modul tagee

// var TAGEE = require('users/joselucassafanelli/TAGEE:TAGEE-functions');
var TAGEE = require('users/zecojls/TAGEE:TAGEE-functions');
// Smoothing filter
var gaussianFilter = ee.Kernel.gaussian({
radius: 3, sigma: 2, units: 'pixels', normalize: true
});

// Smoothing the DEM with the gaussian kernel.

var demSRTM = srtm30.convolve(gaussianFilter).resample("bilinear");

//apply modul tagee

var terrain = TAGEE.terrainAnalysis(TAGEE, demSRTM, bdg);
print(terrain);//terrain = terrain.clip(cekbdg);
Map.addLayer(terrain, imageVisParam2, 'turunan dem’);

// mengeksport data
 • LANDSAT/LC08/C02/T1_RT_TOA
• SRTM Digital Elevation Data Version 4
// #1 cloud masking
var maskl8 = function(L8){
var qa = L8.select('BQA');
return L8.updateMask(qa.bitwiseAnd(1<<4).eq(0));
};
// #2 filter data
var composite = L8.filterDate('2020-01-01', '2020-12-31')
.map(maskl8).median().clip(geometry);
// #3 menampilkan citra komposit
Map.addLayer(composite, {bands: ['B5', 'B4', 'B3'], min:0, max:0.3});
// #4 membuat ndvi
var ndvi = composite.normalizedDifference(['B5', 'B4']).rename('NDVI');
// #5 menampilkan ndvi
Map.addLayer(ndvi, imageVisParam, 'ndvi');
// #6 menambahkan ndvi ke file 'composite'
composite = composite.addBands(ndvi);
// #7 menambahkan dem
var dem_bdg = dem.clip(geometry);
var slope = ee.Terrain.slope(dem_bdg);
// Map.addLayer(slope, imageVisParam_dem, 'slope');
var composite2 = composite.addBands(slope);
// #8 mengecek isi file 'composite2'?
print(composite2.bandNames())
// #9 menggabungkan variabel respons dengan var prediktor
var training = composite2.sampleRegions({
collection: table3, properties: ['CID'],
scale: 30, tileScale: 16
})
// #10 mendefinisikan band2 yg akan digunakan dalam klasifikasi
var bandNames = ['B1', 'B2', 'B3', 'B4', 'B5', 'B6', 'B7', 'B11', 'NDVI', 'slope'];
print(bandNames);
// #11 parameterisasi model
var classifier = ee.Classifier.smileRandomForest({
numberOfTrees: 100,
variablesPerSplit: 5
}). train(training, 'CID', bandNames);
// #12 mengklasifikasi citra menggunakan model yg sudah dibuat
var classification = composite2.classify(classifier);
// #13 menampilkan landuse yang sudah dibuat
Map.addLayer(classification, imageVisParam2, "klasifikasi");
// #14 membuat akurasi
var confMatrix = classifier.confusionMatrix();
var OA = confMatrix.accuracy();
var Kappa = confMatrix.kappa();
print ('OA: ', OA)
print ('kappa: ', Kappa);
 ee.ImageCollection("UCSB-CHG/CHIRPS/PENTAD")
Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS) is a 30+ year
quasi-global rainfall dataset.
Resolusi spasial: 0,05° (5,55 km)

var cekban = table

// set start and end year
var startyear = 1993; var annualMean =
var endyear = 2020; annualPrecip.mean().clip(geometry);

// make a date object var pViz = {

var startdate = ee.Date.fromYMD(startyear,1, 1); min: 2000,
var enddate = ee.Date.fromYMD(endyear + 1, 1, 1); max: 5500,
palette: '000000, 0000FF, FDFF92,
// // make a list with years FF2700, FF00E7'
var years = ee.List.sequence(startyear, endyear); };

var annualPrecip = ee.ImageCollection.fromImages(

years.map(function (year) { // Map.centerObject(Indonesia, 5);
var annual = chirps Map.addLayer(annualMean, pViz,
.filter(ee.Filter.calendarRange(year, year, 'year')) 'mean yearly P');
.sum();
return annual
.set('year', year)
.set('system:time_start', ee.Date.fromYMD(year,
1, 1));
}));
 dari
•
•
• •
• •
•
•
•
•
• •
•
•

•
// #8 membuat data training, nama vektor yg diimport: 'longsor', kolomnya: 'CID',
var training = independen.sampleRegions({
collection: longsor, properties: ['CID'],
scale: 30,
tileScale: 16
})
// 9 Parameterisasi model
var classifier = ee.Classifier
.smileRandomForest(25)
.setOutputMode('PROBABILITY')
.train(training, 'CID', namaband);
•
• →

• → →