1. Perkenalan
Tanah longsor mengacu pada tanah longsor umum dalam penelitian ini, yang
merupakan fenomena sebuah gerakan ke bawah atau ke luar dari batu, tanah, buatan
buatan, atau bahan-bahan kombinatif ini. Tanah longsor umum termasuk keruntuhan,
longsor, dan aliran puing, yang menyebabkan erosi lereng dan erosi gravitasi [1,2].
Kerentanan adalah kemungkinan terjadinya spasial tanah longsor, diberikan satu set
faktor geo-lingkungan dalam bentuk matematika [3]. Kerentanan longsor
menyediakan distribusi spasial lokasi yang menguntungkan untuk kejadian longsor di
masa depan [4], dan dianggap sebagai cara yang efisien untuk mengurangi kerusakan
kerugian sosial dan ekonomi yang ditimbulkan dengan tanah longsor [5]. Peta
kerentanan longsor adalah langkah-langkah penting yang dapat membantu para
pembuat keputusan, perencana, dan pemerintahan lokal dalam perencanaan bencana
[6]. Banyak metode telah diproduksi untuk menilai kerentanan longsor pada skala
regional, termasuk pemetaan geomorfologi langsung (analisis inventaris longsor),
pendekatan heuristik, metode statistik, model berbasis fisik [7-9], dan model
pembelajaran mesin yang baru dikembangkan [10,11]. Informasi lebih rinci dari
berbagai model untuk pemetaan kerentanan longsor dapat ditemukan dalam literatur
[8,12-23]. Namun, semua metode memiliki kelebihan dan kekurangan, dan tidak ada
metode yang diterima secara universal untuk efektif penilaian bahaya tanah longsor
karena sifat tanah longsor yang kompleks [11]. Patriche et al. [15,16]
membandingkan metode regresi logistik dan metode lain yang berbeda untuk
kerentanan longsor, dan yang melaporkan regresi logistik adalah yang terbaik.
Yilmaz [14,17] membandingkan banyak metode dari model konvensional untuk
model pembelajaran mesin baru, dan menemukan bahwa jaringan saraf tiruan adalah
yang terbaik. Yao [9] melatih metode mesin vektor pendukung satu kelas dan dua
kelas untuk (SVM) memetakan kerentanan longsor, membandingkan akurasi mereka
dengan regresi logistik, dan menyimpulkan bahwa SVM dua kelas memiliki hasil
prediksi terbaik. Kavzoglu et al. [18–23] mengevaluasi tanah longsor pemetaan
kerentanan menggunakan analisis keputusan multi-kriteria berbasis GIS, mendukung
mesin vektor, dan banyak metode lainnya, dan menunjukkan bahwa SVM
mengungguli regresi logistik konvensional metode dalam pemetaan tanah longsor.
Studi di atas menunjukkan hasil di berbagai daerah dengan faktor geo-lingkungan
mereka sendiri, dan pemilihan model yang tepat harus dilakukan untuk tanah longsor
pemetaan kerentanan melalui perbandingan model longsor.
Untuk bencana geologi di area tambang batu bara, Xiao [24], Zhai [25], dan
Wang [26] mempelajari karakteristik bencana geologi, mekanisme formasi, dan
penanggulangan. Zhang [27] dan Lee [28] menganalisis sensitivitas penurunan tanah
dengan menggunakan model jaringan syaraf tiruan. Suh [29] menggunakan model
pembobotan deterministik untuk menganalisis sensitivitas penurunan permukaan
yang disebabkan oleh penambangan batubara. Oh [30] menggunakan model rasio
frekuensi untuk menganalisis sensitivitas penurunan tanah di sekitar area tambang
batubara. Namun, ada beberapa studi tentang dampak penambangan terhadap
kerentanan longsor.
2. Area Studi
Huoxi Coalfield (35 40'28 ”–37 17'12” N, 111 5'43 ”–112 21'26” E), terletak
di pusat Provinsi Shanxi, Cina, adalah salah satu dari enam ladang batubara besar
(Datong, Ningwu, Hedong, Xishan, Huoxi, dan Qinshui) dari Provinsi Shanxi
(Gambar 1). Ini mencakup sekitar 10.000 km2. Daerah ini milik iklim monsoon
sedang dengan suhu rata-rata tahunan 8,6 C dan sekitar 180 hari kondisi bebas embun
beku. Curah hujan tahunan rata-rata adalah 634 mm dan curah hujan sebagian besar
terjadi pada bulan Juli dan Agustus. Kegagalan lereng dipicu terutama oleh hujan
yang intens dan berkepanjangan di bulan Juli dan Agustus
Huoxi Coalfield mencakup lapangan Fenxi dengan luas 3000 km2 dan lapangan
Huozhou dengan luas 7000 km2. Batas timur Fenxi ditandai oleh kesalahan Huoshan.
Lapangan ini berada di margin timur dari struktur Qi-Lv-He epsilon-jenis busur-lipat
dan berbagai bentuk lipatan menyusun strata batubara-bantalan yang termasuk dalam
Formasi Taiyuan (Upper-Carboniferous System) dan pembentukan Shanxi (Sistem
Permian Rendah). Ketebalan rata-rata dari Taiyuan dan Formasi Shanxi masing-
masing sekitar 90 m dan 50 m, yang memiliki kedalaman 810 m dan 760 m di dalam
tanah, masing-masing. Ladang Huozhou terletak di sabuk pengangkat pegunungan
Lvliang, yang berada di tepi timur dan arc frontal dari struktur Qi-Lv-He epsilon-
type. Lipatan yang dibentuk oleh gerakan poly-tektonik dan a serangkaian struktur
fraktur membentuk tubuh tektonik dari wilayah ini. Strata pemaparannya adalah
Archean, Proterozoikum Atas, Paleozoikum, dan Kenozoikum. Lapisan batubara
utama di bidang Huozhou adalah Formasi Taiyuan dari Karbon Aktif Atas dan
Formasi Shanxi dari Permian Bawah, dan ketebalan rata-rata Formasi Taiyuan dan
Shanxi masing-masing sekitar 85 m dan 40 m, masing-masing 190 m dan 150 m di
dalam tanah. Huoxi Coalfield adalah daerah penambangan bawah tanah, dengan
peledakan, dll. Penggalian tambang batubara bervariasi dengan teknologi
penambangan batubara dan kondisi geologis.
Faktor pengaruh kerentanan longsoran yang berbeda memiliki korelasi yang berbeda
dengan tanah longsor kejadian. Pemilihan faktor longsor memiliki pengaruh langsung
terhadap hasil kerentanan longsor. Dengan demikian, kita perlu memilih seperangkat
faktor yang masuk akal dan ilmiah yang secara komprehensif mencerminkan
sensitivitas longsor secara objektif, ilmiah, dan sistematis. Mengambil Huoxi
Coalfield of Shanxi Provinsi sebagai daerah penelitian, dan sesuai dengan
karakteristik regional dan pengalaman para ahli [32– 34], korelasi dianalisis antara
karakteristik distribusi spasial tanah longsor dan faktor-faktor yang mempengaruhi
stabilitas lereng. Akhirnya, memilih lima kategori (termasuk pengaruh dasar topografi
longsor, geologi, hidrologi, tutupan lahan, dan aktivitas manusia) dan 12
pengkondisian faktor - faktor yang mempengaruhi tanah longsor, terutama faktor
gangguan penambangan (Tabel 1), kami mengeksplorasi dampak kegiatan
penambangan terhadap bencana longsor.
Untuk model LR, SVM, dan ANN dua kelas, perlu untuk menghasilkan sampel
“stabil” (yaitu, situs non-longsor), karena pemodelan longsor dalam penelitian ini
dianggap sebagai pola biner pengakuan. Sampel non-longsor dalam penelitian ini
dihasilkan secara acak di luar zona penyangga 400 m dari titik longsor yang ada, dan
jarak minimum antara setiap titik acak adalah 200 m [9]. Sebanyak 338 titik non-
longsor, sama dengan jumlah titik longsor (338 tanah longsor poin), dihasilkan dan
dikonversi ke format piksel. Semua piksel grid longsor yang menunjukkan Kehadiran
tanah longsor diberi nilai 1, sedangkan piksel non-longsor ditugaskan nilai 0. Dalam
studi ini, untuk membandingkan tiga metode di bawah keadaan terpadu, pelatihan
yang sama dan dataset pengujian digunakan untuk masing-masing model. Metode
lintas-validasi lima-kali lipat diadopsi dan dataset longsor / non-longsoran secara
acak dibagi menjadi rasio 80:20 dan lima himpunan bagian untuk 20 kali diperoleh
untuk pelatihan dan memvalidasi model oleh GIS Geostatistical metode analisis;
semua himpunan bagian digunakan dalam desain sampel yang seimbang secara
spasial. Di sebuah lima kali lipat validasi silang, lima subsampel yang
disederhanakan secara acak dan spasial yang dipilih, atau lipatan, adalah diturunkan.
Model dilatih lima kali pada data gabungan dari empat lipatan dan diuji pada data
dari sisa lipatan dengan menerapkan model yang terlatih ke lipatan tes dan
menghitung kinerjanya mengukur [35]. Analisis dilakukan menggunakan IBM SPSS
Modeler 18, yang merupakan penambangan datadan aplikasi perangkat lunak analisis
teks dari IBM. Ini digunakan untuk membangun model dan perilaku prediktif
tugas analitik lainnya. Ini memiliki antarmuka visual yang memungkinkan pengguna
untuk memanfaatkan penambangan statistik dan data algoritma tanpa pemrograman.
Logistic regression, yang merupakan versi kernel dari regresi logistik yang
mentransfer input asli ruang ke ruang fitur berdimensi tinggi menggunakan fungsi
kernel, menggunakan variabel independen untuk buat model matematis yang
memprediksi probabilitas kejadian kejadian [10,36]. Mirip dengan regresi linier,
regresi logistik mendeteksi hubungan kuantitatif antara variabel dependen dan satu
atau lebih variabel independen; nilai variabel dependen diubah menjadi nilai dari
logaritma rasio probabilitas yang sesuai, yang merupakan probabilitas dari variabel
peristiwa menggunakan a kurva logistik agar sesuai. Metode penyelesaian juga
berubah dari estimasi kuadrat terkecil asli menjadi estimasi kemungkinan maksimum
[16]. Dalam kasus pemetaan kerentanan longsor, yang tergantung variabel adalah
variabel biner yang menunjukkan ada atau tidaknya tanah longsor, dan hubungannya
antara kejadian longsor dan faktor-faktor penyebab dapat dinyatakan sebagai:
dimana p adalah probabilitas kejadian yang diperkirakan dari tanah longsor dan
bervariasi dari 0 hingga 1 pada S-shaped melengkung; z adalah kombinasi linear
terboboti dari variabel independen dan bervariasi dari ¥ hingga + ¥; z dapat
dinyatakan sebagai penjumlahan dari beberapa nilai konstan [10]. z = ln ( p 1 p ) =
a + nå i = 1 bixi (2)
Mesin vektor pendukung adalah metode pembelajaran yang diawasi berdasarkan teori
belajar statistic dan prinsip minimalisasi risiko struktural [36]. Kinerja model SVM
dipengaruhi oleh penggunaan fungsi-fungsi kernel, seperti linear, polinomial,
sigmoid, dan fungsi dasar radial (RBF, sering disebut Gaussian) kernel. Dalam
penelitian ini, keempat kernel ini semuanya digunakan untuk model SVM
menggunakan dataset pelatihan; yang terbaik dipilih dan kemudian dibandingkan
dengan model LR dan ANNAkurasi prediksi median SVM dengan RBF, polinomial,
sigmoid, dan kernel linear adalah 73,53%, 55,88%, 47,06%, dan 66,91%, masing-
masing, dan, dengan demikian, kernel RBF SVM dipilih karena menyajikan
penampilan terbaik. Perilaku SVM menggunakan kernel RBF dipengaruhi oleh
lebar kernel ( ) dan parameter regularisasi (C). Parameter model terbaik dari kernel
RBF Model SVM adalah parameter regularisasi (C) 0,8 dan parameter kernel 0,95
[10,43,44]. Dengan parameter yang dioptimalkan ini, model SVM dibangun
menggunakan data pelatihan dan kemudian diterapkan menghitung indeks kerentanan
longsor untuk seluruh wilayah studi.
Accuray = TP + TN
TP + TN + FP + FN
(3)
Sensitivitas =
TP
TP + FN
(4)
Spesifikasinya =
TN
TN + FP
(5)
TP
TP + FP
(6)
TN
TN + FN
(7)
di mana TP (true positive) dan TN (true negative) adalah jumlah rata-rata piksel yang
benar diklasifikasikan, sedangkan FP (false positive) dan FN (false negative) adalah
jumlah tengah piksel yang salah diklasifikasikan.
Selain itu, karakteristik operasi penerima (ROC) dari tiga model, serta area di bawah
kurva ROC (AUC) dari masing-masing model, yang merupakan ukuran kinerja yang
diperoleh dengan membandingkan sensitivitas suatu model terhadap spesifisitas,
dihitung. Kurva ROC sering digunakan untuk memeriksa efektivitas spasial dari peta
kerentanan yang diperoleh dalam penilaian longsor [10]. AUC adalah ringkasan
statistik dari kinerja global dari model longsor. AUC yang sama dengan 1
menunjukkan akurasi prediksi yang sangat baik dari model, sedangkan jika itu sama
dengan 0,5, ini menunjukkan bahwa modelnya tidak informatif [48]. Tiga model
longsor dipasang diakuisisi menggunakan model SVM, LR, dan ANN dengan
memilih nilai median ukuran kinerja. Kemudian, tiga model yang dipasang
dibandingkan dengan menggunakan ROC, AUC, dan ukuran kinerja.
HY = åi
P (Y = i) log P (Y = i) (8)
Berdasarkan analisis eksplorasi dari nilai prediktif (x), distribusi bersyarat (fyjx) dari
nilai output (Y) dihitung. Dengan membandingkan distribusi bersyarat (fyjx) dan
distribusi boundary (fy), nilai informasi (Y) diprediksi dengan mengevaluasi X.
Perbedaan antara entropi distribusi bersyarat dan batas distribusi dinyatakan sebagai:
= HY HYjX
= HY + HX HY, X
(10)
Iy, x = 1
HYjX
HY
SAYA, X
HY
(11)
Fokus utama untuk peta kerentanan adalah kemampuannya untuk meramalkan tanah
longsor di masa depan [35]. Setelah itu tiga model yang dipasang berhasil dibangun
dalam proses pelatihan dan divalidasi dalam proses validasi, mereka dapat digunakan
untuk menghitung kerentanan longsor untuk semua piksel lainnya di area studi [45].
Tiga peta kerentanan longsor diperoleh dengan mengklasifikasikan kisaran
probabilitas longsor menjadi empat kelas yang mewakili rendah (0-0,02), sedang
(0,02-0,1), tinggi (0,1-0,85), dan sangat tinggi (0,85-1) kemungkinan tanah longsor,
masing-masing. Kinerja regionalisasi sensitivitas longsor bias direpresentasikan
dalam dua aspek: (1) titik bencana longsor yang disurvei harus sebagian besar
didistribusikan di daerah-daerah dengan sensitivitas longsor tinggi, yang
menunjukkan akurasi gradasi yang tinggi dari tanah longsor kepekaan; dan (2) di
semua survei, poin-poin dengan nilai sensitivitas tinggi harus menjelaskan a bagian
rendah, yang dapat mengurangi redundansi prediksi longsor dengan sensitivitas
tinggi, sehingga dapat meningkatkan akurasi dalam evaluasi sensitivitas [40]
5. Hasil
Dari Tabel 2 dapat diamati bahwa baik dalam tahap pelatihan dan memvalidasi
model, SVM memiliki kinerja terbaik dengan akurasi klasifikasi tertinggi (masing-
masing 87,45% dan 73,13%). Bahkan, SVM memiliki nilai lebih tinggi dalam
sensitivitas dan spesifisitas daripada dua model lainnya. Selanjutnya, SVM juga
memiliki lebih banyak keseimbangan dalam hal nilai prediksi positif dan negatif
(87,45%, 87,45% dalam pelatihan panggung, dan 77,61%, 73,95% pada tahap
validasi), yang diikuti oleh LR dan ANN. Jadi, SVM adalah model terbaik dalam
prediksi kerentanan longsor dalam penelitian ini.
Gambar 5. Area di bawah kurva karakteristik operasi penerima (ROC) (AUC) untuk
tiga dipasang model kerentanan longsor dalam berbagai tahap.
Menggunakan dataset validasi, hasil AUC untuk tiga model kerentanan longsor
dipasang ditunjukkan pada Gambar 5b. Dapat dilihat bahwa, seperti pada hasil tahap
model bangunan, AUCs menggunakan rentang data validasi dari 0,753 hingga 0,944.
Sama seperti hasil model bangunan, SVM memiliki AUC tertinggi dengan 0,944,
menunjukkan bahwa SVM tampaknya lebih akurat daripada model lain. Studi lain
[10] melaporkan bahwa tidak ada model tunggal yang berkinerja terbaik untuk semua
metrik evaluasi, dan a AUC yang lebih tinggi tidak menjamin akurasi spasial yang
tinggi. Karena itu, abaikan sedikit perbedaan, itu dapat dievaluasi bahwa JST dan LR
memiliki akurasi yang relatif sama, dan mereka dengan nilai AUC lebih dari 0,7 juga
dapat dianggap cocok untuk pemetaan kerentanan longsor dalam penelitian ini.
Setelah model SVM, ANN, dan LR berhasil dilatih dalam proses pelatihan, mereka
digunakan untuk menghitung indeks kerentanan longsor median untuk semua piksel
di wilayah studi. Daerah studi mengandung 12.581.787 piksel. Dalam perangkat
lunak ArcGIS, piksel-piksel diubah menjadi titik mengetik. Sebanyak 12.581.787
situs dipetakan. Indeks kerentanan longsor rata-rata adalah direklasifikasi menjadi
empat tingkat kerentanan: sangat tinggi, tinggi, sedang, dan rendah, menggunakan
area yang sama metode klasifikasi. Berdasarkan persentase longsor piksel dan
persentase longsor peta kerentanan, empat kelas kerentanan dalam penelitian ini
ditentukan sangat tinggi (0,85-1), tinggi (0,1-0,85), sedang (0,02-0,1), dan rendah (0-
0,02), masing-masing. Untuk tujuan visualisasi, empat peta kerentanan longsor yang
dihasilkan dari model SVM, ANN, dan LR ditampilkan di Gambar 6 [11].
Gambar 6 menunjukkan bahwa ketiga model semua memprediksi bahwa wilayah
selatan memiliki rendah atau sedang kerentanan longsor. Fitur ini realistis, karena
wilayahnya berada di Cekungan Linfen, dengan elevasi rendah dan merencanakan
tanah, dan tanah longsor jarang terjadi. Sebaliknya, mereka semua memprediksi
peningkatan ketinggian di tanah longsor kerentanan terhadap gunung yang terletak di
timur laut yang ekstrim dari wilayah studi. Untuk menganalisis hasil prediksi spasial
ketiga model yang cocok ini secara komparatif, distribusi tanah longsor dan
persentase luas di bawah standar kerentanan yang berbeda diperlihatkan di Tabel 3.
Tabel 3. Distribusi longsoran dan persentase luas di bawah standar kerentanan yang
berbeda
Tabel 3 menunjukkan bahwa, di wilayah sensitivitas longsor pada derajat yang sangat
tinggi dan tinggi, ada 316, 329, dan 318 poin longsor untuk SVM, LR, dan ANN,
masing-masing. Mengenai persentase area, mereka 50,99%, 76,75%, dan 82,22%
untuk tiga model. Menurut dua aturan: (1) yang disurvei titik-titik bencana longsor
harus sebagian besar didistribusikan di daerah-daerah dengan sensitivitas longsor
tinggi; dan (2) di semua survei, poin-poin dengan nilai sensitivitas tinggi harus
memperhitungkan porsi rendah [40], model SVM sedikit lebih baik daripada model
LR, dan kedua model keduanya terbukti lebih baik daripada model JST
Pemetaan kerentanan longsor regional telah menjadi isu panas karena sulit dan
karakteristik non-linear. Meskipun berbagai metodologi untuk menghasilkan
kerentanan longsor peta telah dikembangkan, akurasi prediksi metode ini masih
diperdebatkan [49]. Dalam penelitian ini, metode konvensional LR serta metode
pembelajaran mesin JST dandipilih untuk pemodelan kerentanan dan dibandingkan di
area penambangan batubara. Melalui perbandingan, kelebihan dan kekurangan dari
ketiga model adalah sebagai berikut:
Model regresi logistik sederhana dan mudah diterapkan, karena hanya menganggap
linear hubungan antara faktor evaluasi dan kerentanan longsor, sedangkan formasi
mekanisme longsor adalah masalah yang kompleks dan non-linear [10,17]. ANN
efektif dengan hormat untuk data kontinu nonlinier dan sangat cocok untuk simulasi
fenomena kompleks dengan beberapa faktor dan hasil. Namun, bahasa pembelajaran
mesin memiliki cacat alami, yaitu model kotak hitam, sehingga sulit untuk menilai
mekanisme internal [10,17,43]. Model SVM disimpan titik-titik di dekat garis
klasifikasi jauh dari garis klasifikasi sejauh mungkin. Dasar prinsip klasifikasi tidak
hanya untuk mengklasifikasikan poin dengan benar, tetapi untuk menjaga jarak yang
dibagi pada maksimum [10,17,50]. SVM dapat digunakan secara efisien dalam
masalah dengan dua kelas. Dalam penelitian ini, para evaluasi kerentanan di Huoxi
Coalfield milik klasifikasi biner di bawah beberapa faktor, sehingga model SVM
memiliki hasil yang lebih baik daripada LR dan ANN.
Jelas bahwa akurasi prediksi model longsor tergantung pada metode yang digunakan.
Sesuatu yang baru metode pembelajaran mesin, seperti SVM, telah menunjukkan
hasil yang lebih baik daripada metode konvensional [11]. Kami membahas masalah
ini dalam makalah ini dengan evaluasi dan perbandingan tiga metode, termasuk
Metode LR, ANN, dan SVM. Menurut langkah-langkah evaluasi statistik, di kedua
pelatihan dan memvalidasi tahapan model, SVM memiliki kinerja terbaik dengan
median klasifikasi tertinggi akurasi (masing-masing 87,45% dan 73,13%). Selain itu,
SVM memiliki nilai median yang lebih tinggi dalam sensitivitas dan kekhususan dari
dua model lainnya. Selanjutnya, SVM juga memiliki keseimbangan lebih dalam hal
nilai median prediktif positif dan negatif (87,45%, 87,45% pada tahap pelatihan, dan
77,61% dan 76,12% dalam tahap validasi), yang diikuti oleh LR dan JST dan, secara
umum, akurasi dalam tahap validasi lebih rendah daripada tahap model pelatihan
untuk ketiga model [11,17]. Dengan demikian, SVM adalah model terbaik dalam
prediksi kerentanan longsor dalam penelitian ini. Selain itu, menurut AUC yang
diperoleh dengan menggunakan pelatihan dan memvalidasi dataset, nilai-nilai AUC
berada di sekitar 0,7, menunjukkan bahwa ketiga model semua memberikan hasil
yang menjanjikan [10]. Relatif, SVM memiliki nilai median yang lebih tinggi (0,906
dan 0,944) daripada LR (0,815 dan 0,753) dan ANN (0,807 dan 0,761) dalam
pelatihan dan memvalidasi tahapan, yang menunjukkan bahwa SVM lebih akurat
daripada model lainnya.
Kedua, elevasi dan kemiringan adalah faktor penting. Secara umum, kemiringan
dilaporkan secara luas faktor ketidakstabilan yang lebih efektif [51,52]. Diperkirakan
bahwa 50% situs longsor terjadi di wilayah sekitar 1000 m (Gambar 2) karena
topografi merupakan salah satu faktor penentu longsor pengembangan. Meskipun
elevasi tidak akan mengubah distribusi garis kemiringan lereng, itu bisa
mengendalikan nilai tegangan lereng; dengan peningkatan tinggi lereng, nilai
tegangan akan meningkat secara signifikan [2,40]. Dari sudut pandang kondisi
geomorfik regional, di bawah normal keadaan, semakin tinggi ketinggiannya,
semakin kuat pemotongannya. Semakin kuat pemotongannya, semakin banyak
peluang untuk terjadinya bencana tanah longsor [2,40]. Dari sudut pandang local
topografi, kemiringan, tinggi, dan bentuk yang sesuai adalah nyaman untuk
keberadaan permukaan, yang memiliki efek langsung pada pembentukan permukaan.
Menurut statistik di wilayah dengan tanah longsor masa lalu, 53,25% dan 28,11%
dari tanah longsor terjadi di lereng masing-masing 5 sampai 15 dan 15 hingga 25. Ini
sesuai dengan pemeriksaan lapangan oleh Li et al. [53], yang mengungkapkan bahwa
tanah longsor sebagian besar terbatas ke sudut kemiringan 5 hingga 25.
Faktor penyebab lain memiliki kontribusi yang berbeda tergantung pada tipe model.
JST model menghasilkan kontribusi yang tinggi oleh jarak dari kesalahan (10,89%),
sementara faktor ini memiliki banyak kontribusi yang lebih rendah ke model lain:
2,63% untuk SVM dan 2,09% untuk LR.
7. kesimpulan