Penilaian Komparatif Tiga Nonlinier Pendekatan untuk Kerentanan

Longsor Pemetaan di Area Tambang Batubara

Qiaomei Su 1, Jin Zhang 1,*, Shangmin Zhao 1, Li Wang 1, Jin Liu 2 and Jianli Guo 2

1. Departemen Survei dan Pemetaan, Sekolah Tinggi Teknik

Pertambangan,Universitas Teknologi Taiyuan, Taiyuan 030024, Cina;
suqiaomei@tyut.edu.cn (Q.S.); zhaoshangmin@tyut.edu.cn (S.Z.);
sunshinegirlwl@163.com (L.W.)
2. Pusat Pemantauan Lingkungan Geologi Shanxi, Taiyuan 030024, Cina;
hjjc652@163.com (J.L.); guojl8196@163.com (J.G.)
 Korespondensi: zhangjin@tyut.edu.cn; Tel .: + 86-0351-601-8728

Diterima: 8 Mei 2017; Diterima: 17 Juli 2017; Diterbitkan: 23 Juli 2017

Abstrak: Pemetaan kerentanan longsor merupakan langkah pertama dan

terpenting yang terlibat dalam tanah longsor penilaian bahaya. Tujuan dari
penelitian ini adalah untuk membandingkan tiga pendekatan nonlinier untuk
pemetaan kerentanan longsor dan menguji apakah penambangan batubara
memiliki dampak yang signifikan terhadap terjadi longsor di area tambang batu
bara. Data longsoran dikumpulkan oleh Biro Tanah dan Sumber daya diwakili
oleh X, Y koordinat titik pusatnya; faktor penyebab dihitung dari peta topografi
dan geologi, serta citra satelit. Validasi silang lima kali lipat Metode ini diadopsi
dan kumpulan data tanah longsor / non-longsoran secara acak dibagi menjadi
rasio 80:20. Dari ini, lima subset untuk 20 kali diperoleh untuk pelatihan dan
memvalidasi model oleh GIS Metode analisis geostatistik, dan semua himpunan
bagian digunakan dalam sampel yang seimbang secara spasial Desain. Tiga
model longsor dibangun menggunakan mesin support vector (SVM), regresi
logistic (LR), dan model jaringan syaraf tiruan (JST) dengan memilih median
kinerja ukuran. Kemudian, tiga model yang dipasang dibandingkan
menggunakan area di bawah operasi penerima karakteristik (ROC) kurva (AUC)
dan ukuran kinerja. Hasilnya menunjukkan bahwa akurasi prediksi antara
73,43% dan 87,45% pada tahap pelatihan, dan 67,16% hingga 73,13% pada
tahap memvalidasi untuk tiga model. AUC bervariasi dari 0,807 hingga 0,906
dan 0,753 menjadi 0,944 pada keduanya tahapan, masing-masing. Selain itu, tiga
peta kerentanan longsor diperoleh dengan mengelompokkan kisaran probabilitas
longsor ke dalam empat kelas yang mewakili rendah (0-0,02), sedang (0,02-0,1),
 probabilitas tinggi (0,1-0,85), dan sangat tinggi (0,85-1) dari tanah longsor.
Untuk distribusi longsor dan persentase luas di bawah standar kerentanan yang
berbeda, model SVM memiliki lebih banyak hubungan menyeimbangkan di
empat kelas dibandingkan dengan LR dan model JST. Hasilnya menunjukkan
bahwa Model SVM memiliki efisiensi prediksi yang lebih baik daripada dua
model lainnya. Selanjutnya, lima faktor, termasuk litologi, jarak dari jalan, sudut
kemiringan, elevasi, dan tipe penggunaan lahan, adalah faktor pengkondisi yang
paling cocok untuk pemetaan kerentanan longsor di wilayah studi. Penambangan
Faktor gangguan memiliki kontribusi kecil untuk semua model, karena metode
penambangan di daerah ini penambangan bawah tanah, sehingga kedalaman
penambangan terlalu dalam untuk mempengaruhi stabilitas lereng.

Kata kunci: pemetaan kerentanan longsor; regresi logistik; mendukung mesin

vektor; jaringan syaraf tiruan; faktor penyebab; area tambang batubara; Provinsi
Shanxi

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.

Telah diketahui dengan baik bahwa, di wilayah pertambangan, ketidakstabilan

lereng dan penurunan adalah fenomena yang sering terjadi. Provinsi Shanxi adalah
basis sumber daya batubara yang dominan di China, yang memberikan kontribusi
besar bagi membayar kembali pembangunan ekonomi nasional, tetapi bencana
geologis yang disebabkan oleh eksploitasi skala besar sumber daya batubara menjadi
lebih dan lebih serius, sedangkan efek penambangan batubara yang parah aktivitas di
wilayah ini pada bencana geologi jarang dipertimbangkan. Untuk menilai apakah
batubara penambangan memiliki dampak yang signifikan terhadap terjadinya longsor,
makalah ini bertujuan untuk menyelidiki risiko tinggi wilayah terjadinya longsor dan
menilai pengaruh penambangan batubara terhadap terjadinya tanah longsor. Pertama,
faktor gangguan penambangan diadopsi, dan kemudian metode statistik logistik
tradisional regresi (LR) dan dua metode pembelajaran mesin, jaringan saraf tiruan
(JST) dan SVM, adalah dipilih, dan diterapkan untuk pemodelan kerentanan longsor.
Penampilan ketiga model itu dinilai dengan menggunakan pengulangan silang lima
kali lipat dengan subsampling spasial dan acak. Lima kali lipat teknik cross-validasi
diadopsi untuk meningkatkan kemampuan prediktif. Kemudian, perbandingan di
antara ketiga model ini dilakukan menggunakan area di bawah karakteristik operasi
penerima (ROC) kurva (AUC), dan langkah-langkah evaluasi statistik, dan metode
dengan prediksi yang relatif lebih tinggi akurasi untuk memprediksi distribusi spasial
tanah longsor di Huoxi Coalfield dipilih.

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.

3. Faktor Inventarisasi dan Pengkondisian Tanah Longsor

3.1. Inventarisasi Longsor

Peta inventarisasi longsor diperlukan untuk menilai hubungan antara distribusi

longsoran dan faktor predisposisi. Gambar 1 menunjukkan peta persediaan longsor di
wilayah studi. Tanah longsor poin, termasuk tanah longsor, aliran puing, dan batu
jatuh, dikumpulkan oleh Biro Tanah dan Sumber Daya pada tahun 2009, diwakili
oleh X, Y koordinat titik pusatnya. Sebanyak 338 lokasi longsor berada dipetakan.
Distribusi spasial longsor telah dilakukan menggunakan penginderaan jauh (RS) dan
GIS metode analisis spasial, dan hasilnya menunjukkan bahwa tanah longsor
sebagian besar terdistribusi di ketinggian antara 700 dan 1500 m (Gambar 2).
Keruntuhan, longsor, dan aliran puing sering saling terkait penyebabnya, tergantung
satu sama lain dalam ruang dan waktu, dengan rantai karakteristik spasial. Karena itu,
ketiga jenis evaluasi ini dapat dicirikan oleh model terpadu [1,2,31]. Tanggal
terjadinya lokasi longsor ini sebagian besar tidak diketahui, dan analisis peta
persediaan longsor menunjukkan bahwa tanah longsor terutama terjadi selama dan
setelah hujan lebat
3.2. Faktor Pendingin Longsor

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.

Tabel 1. Daftar parameter dari 12 faktor pengkondisi.

Dirilis oleh National Aeronautics and Space Administration (NASA) dan

Kementerian Jepang Ekonomi, Perdagangan dan Industri, Radiasi Termal dan
Radiometer Refleksi Termal Terdepan (ASTER), model elevasi digital global
(GDEM) memiliki resolusi spasial 30 30 m, yang dapat digunakan untuk
mengekstraksi faktor pengkondisi longsor untuk wilayah studi. Berdasarkan GDEM,
lima parameter topografi diturunkan: elevasi (Gambar 3a), sudut kemiringan (Gambar
3b), kemiringan lereng aspek (Gambar 3c), rencana kelengkungan (Gambar 3d), dan
kelengkungan profil (Gambar 3e). Litologi stratigrafi (Gambar 3f) didigitalkan
berdasarkan peta geologi dari Departemen Survei Geologi pada skala 1: 50.000. Sesar
jaringan (Gambar 3g), jaringan drainase (Gambar 3h), dan jalan (Gambar 3i) di
digitalkan berdasarkan peta geologi dan peta tematik lainnya dari Departemen Tanah
Sumber daya pada skala 1: 50.000, dan kemudian buffer untuk kesalahan, drainase,
dan jalan dilakukan. Pertambangan gangguan (Gambar 3j) didigitalkan berdasarkan
peta perencanaan sumber daya batubara, dan jika intinya jatuh di area tambang,
terbukti terganggu oleh gangguan pertambangan; kalau tidak demikian tidak
terpengaruh. Normalisasi Perbedaan Vegetasi Indeks (NDVI) (Gambar 3k) dan
penggunaan lahan jenis (Gambar 3l) ditafsirkan dan dihitung dari citra Landsat
Thematic Mapper (TM).
4. Pemetaan Kerentanan Longsor

4.1. Persiapan Pelatihan dan Pengujian Datasets

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.

4.2. Model Regresi Logistik

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:

p =11 + e􀀀z (1)

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)

dimana p / 1􀀀p adalah rasio kemungkinan dan merupakan intersepsi model; xi

mewakili yang independen variabel dan bi menunjukkan koefisien masing-masing.
Dalam penelitian ini, ketika binomial dipilih dan semua faktor dimasukkan ke dalam
persamaan secara langsung, tingkat signifikansi adalah 95%. Tuning parameter dan
parameter yang diregistrasi untuk LR yang diperoleh dengan data pelatihan adalah
0,015 dan 0,03, masing-masing [10]. 4.3. Jaringan Saraf Tiruan Jaringan syaraf tiruan
didefinisikan sebagai satu set neuron yang saling berhubungan dan yang paling
khusus karakteristik sistem jaringan saraf adalah kemampuannya untuk belajar.
Algoritma pembelajaran ANN menentukan bagaimana bobot jaringan disesuaikan
dalam proses pelatihan. Dalam penelitian ini, pembelajaran backpropagation
Algoritma digunakan untuk melatih jaringan saraf karena algoritma ini telah terbukti
berhasil dalam berbagai penelitian [37]. ANN umumnya terdiri dari lapisan input,
satu atau lebih lapisan tersembunyi, dan lapisan keluaran [10,38]. Jumlah neuron
input sama dengan jumlah yang dipilih faktor pengkondisi longsor, sedangkan jumlah
neuron tersembunyi ditentukan berdasarkan data pelatihan khusus [10]. Struktur
ANN tiga lapis dengan satu lapisan masukan, satu lapisan tersembunyi, dan satu
lapisan output dipilih. Selanjutnya, untuk mentransfer output jaringan antara 0 dan 1,
sigmoid logistik digunakan sebagai fungsi aktivasi [39]. Parameter pelatihan untuk
tingkat pembelajaran, momentum, dan waktu pelatihan dipilih sebagai 0,3, 0,2, dan
500, masing-masing [10,40-42].

4.4. Mendukung Mesin Vektor

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.

4.5. Penilaian dan Perbandingan Akurasi

Setiap model adalah penyederhanaan realitas. Keterampilan prediksi dapat dianalisis

secara kuantitatif dengan berbagai ukuran kinerja dan teknik estimasi; kinerja
kuantitatif umum ukuran adalah tingkat keberhasilan / prediksi [45], matriks
kebingungan atau tingkat kesalahan [16], dan kurva biaya [46]. Di antara teknik dan
ukuran estimasi kinerja, validasi silang menggunakan penahanan tunggal metode dan
area di bawah penerima operasi kurva karakteristik (AUROC) nilai berdasarkan ROC
plot biasanya diterapkan [35,45,47]. Untuk mendapatkan hasil yang tidak bergantung
pada
partisi tertentu, lintas-validasi diulang 20 kali menghasilkan 100 perkiraan yang
berbeda ukuran kinerja, dan median dari 100 hasil dihitung untuk masing-masing tiga
model. Untuk mengevaluasi kinerja model longsor yang terlatih, lima evaluasi
statistic ukuran (yaitu, akurasi, sensitivitas, spesifisitas, nilai prediksi positif, dan
prediksi negative nilai) [10] dihitung menggunakan nilai median hasil dalam
pelatihan dan memvalidasi tahap, masing-masing. Persamaan dari kelima ukuran ini
dapat dinyatakan sebagai:

Accuray = TP + TN

TP + TN + FP + FN

(3)

Sensitivitas =

TP

TP + FN

(4)

Spesifikasinya =

TN

TN + FP

(5)

Nilai prediktif positif =

TP

TP + FP

(6)

Nilai prediktif negatif =

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.

4.6. Pentingnya Faktor Pengkondisi Tanah Longsor

Pentingnya relatif faktor pengkondisi ke model longsor dipengaruhi oleh penggunaan

metode dan kriteria evaluasi. Faktor-faktor dengan kontribusi tinggi untuk model
tertentu mungkin tidak berguna untuk yang lain, dan sebaliknya, dengan demikian
pentingnya faktor pengkondisi dapat mewakili yang signifikan variasi [10]. Banyak
metode telah diusulkan untuk menghitung pentingnya faktor model. Dalam penelitian
ini, kepentingan relatif dinilai sesuai dengan tingkat ketidakpastian yang menurun,
yang akan terjadi selama prediksi variabel dependen setelah menggunakan faktor
tertentu, dan prediksi ketidakpastian diprediksi sesuai dengan entropi distribusi.
Kepentingan relative dari tiga model dihitung sebagai:

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:

DH (xj) = HY 􀀀 HYjxj (9)

di mana HY | xj adalah nilai entropi dari probabilitas distribusi bersyarat (fy | x); xj
adalah informasinya apakah probabilitas distribusi bersyarat (fy | xj) lebih besar dari
batas distribusi (fy). Kepentingan relatif digambarkan oleh penurunan ketidakpastian
ketika Y diprediksi oleh menggunakan variabel acak X, dan dapat dinyatakan sebagai
jumlah informasi interaksi antara dua variabel:

M (Y, X) = åi fx (xj) DH (xj)

= HY 􀀀 HYjX

= HY + HX 􀀀 HY, X

(10)

Dimensi fraktal, dikurangi dengan perubahan X, dinyatakan sebagai informasi timbal

balik faktor yang merupakan kepentingan relatif dari faktor tersebut. Ini dihitung
dengan Persamaan (11); nilai variasi sekitar 0-1. Jika variabel independen dan
dependen tidak bergantung satu sama lain, itu sama dengan 0. Jika tidak, jika mereka
dapat dinyatakan sebagai rumus linier atau nonlinier, itu sama dengan 1.

Iy, x = 1 􀀀

HYjX

HY

SAYA, X

HY

(11)

4,7. Peta Kerentanan Longsor

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

5.1. Analisis Faktor Penyejuk Longsor

Untuk melakukan perbandingan antara model, nilai median relative Pentingnya

variabel-variabel lintas yang berbeda dari tiga model yang dipasang diplot pada
Gambar 4. Hal ini dapat mengamati bahwa litologi, jarak dari jalan, sudut
kemiringan, elevasi, dan tipe penggunaan lahan berkontribusi untuk masing-masing
model. Oleh karena itu, kelima faktor ini merupakan faktor pengkondisi yang paling
cocok untuk tanah longsor pemetaan kerentanan di area ini. Dalam tiga model,
litologi dan jarak ke jalan lebih tinggi skor. Kepentingan relatif litologi dalam tiga
model adalah, masing-masing, 57,7% (SVM), 31,8% (LR), dan 17,8% (ANN);
kepentingan relatif jarak ke jalan adalah 18,9% (SVM), 16,3% (LR), dan 11,4%
(JST); kepentingan relatif dari ketinggian adalah 5,6% (SVM), 8,3% (LR), dan 9,0%
(JST); itu kepentingan relatif dari sudut kemiringan adalah 7,4% (SVM), 24,5% (LR),
dan 12,4% (ANN); dan kerabatnya Pentingnya tipe penggunaan lahan adalah 4,2%
(SVM), 6,9% (LR), dan 12,7% (ANN). ISPRS Int. J. Geo-Inf. 2017, 6, 225 10 dari 17
skor yang lebih tinggi. Kepentingan relatif litologi dalam tiga model adalah, masing-
masing, 57,7% (SVM), 31,8% (LR), dan 17,8% (ANN); kepentingan relatif jarak ke
jalan adalah 18,9% (SVM), 16,3% (LR), dan 11,4% (ANN); kepentingan relatif dari
ketinggian adalah 5,6% (SVM), 8,3% (LR), dan 9,0% (JST); kepentingan relatif dari
sudut kemiringan adalah 7,4% (SVM), 24,5% (LR), dan 12,4% (ANN); dan
kepentingan relatif dari tipe penggunaan lahan adalah 4,2% (SVM), 6,9% (LR), dan
12,7% (ANN).
Gambar 4. Pentingnya relatif faktor pengkondisi ke tiga model kerentanan longsor
dipasang

5.2. Hasil dan Analisis Model Fitting

Menggunakan 12 faktor pengkondisi, SVM, JST, dan LR dibangun menggunakan

pelatihan dan memvalidasi kumpulan data dari validasi silang lima kali yang
berulang. Hasilnya (nilai median) ditampilkan dalam

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.

5.3. Analisis ROC Curve dan AUC Value

Estimasi lintas-validasi kinerja prediksi model adalah langkah penting dalam

memprediksi pemodelan karena estimasi pada set pelatihan selalu terlalu optimis
[16]. Hasil validasi silang dalam perkiraan kinerja yang bias-bias karena partisi
pengujian yang digunakan dalam setiap pengulangan tidak tumpang tindih dengan
sampel pelatihan [16]. Secara khusus, validasi silang spasial direkomendasikan untuk
data spasial, yang dapat dikenakan autokorelasi spasial [16]. Kurva ROC dan nilai
AUC mereka tiga model kerentanan longsor dipasang diplot, dan AUC masing-
masing model dihitung Gambar 5. Dengan dataset pelatihan, hasil AUC untuk tiga
model kerentanan longsor dipasang ditunjukkan pada Gambar 5a. Menurut AUC
yang diperoleh menggunakan dataset pelatihan, nilai AUC adalah semuanya lebih
dari 0,7, menunjukkan bahwa ketiga model semuanya memberikan hasil yang
menjanjikan. SVM memiliki sedikit lebih tinggi kinerja prediksi (0,906) dari LR
(0,815) dan ANN (0,807). Ini mungkin karena fakta bahwa dalam SVM, kenaikan
jumlah parameter membuat data lebih kaya dan pengayaan ini membuat SVM sedikit
lebih berhasil daripada LR dan ANN. Metode pembelajaran mesin SVM dan ANN
memiliki kemampuan yang lebih tinggi dari pemodelan masalah kompleks daripada
metode konvensional LR. ISPRS Int. J. Geo-Inf. 2017, 6, 225 11 dari 17
nilai dari tiga model kerentanan longsor dipasang diplot, dan AUC masing-masing
model dihitung pada Gambar 5. Dengan dataset pelatihan, hasil AUC untuk tiga
model kerentanan longsor dipasang ditunjukkan pada Gambar 5a. Menurut AUC
yang diperoleh menggunakan dataset pelatihan, nilai AUC semuanya lebih dari 0,7,
menunjukkan bahwa ketiga model semuanya memberikan hasil yang menjanjikan.
SVM memiliki sedikit kinerja prediksi lebih tinggi (0,906) dibandingkan LR (0,815)
dan ANN (0,807). Ini mungkin karena faktanya bahwa dalam SVM, peningkatan
jumlah parameter membuat data lebih kaya dan memperkaya ini membuat SVM
sedikit lebih sukses daripada LR dan ANN. Metode pembelajaran mesin dari SVM
dan JST memiliki kemampuan yang lebih tinggi untuk memodelkan masalah
kompleks daripada metode konvensional LR

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.

5.4. Analisis Peta Kerentanan Longsor

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

Gambar 6. Peta kerentanan longsor menggunakan tiga model.

6. Diskusi

6.1. Keuntungan dan Kerugian Tiga Model

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.

6.2. Perbandingan Akurasi untuk Tiga Model

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.

6.3. Pentingnya Variabel

Pemilihan faktor pengkondisi tanah longsor merupakan titik kunci yang

mempengaruhi kualitas tanah longsor model kerentanan dan telah dibahas
sebelumnya [7,35]. Pemilihan faktor pengkondisi terutama dilakukan berdasarkan
analisis jenis longsor dan karakteristik penelitian daerah [17,47]. Secara umum,
topografi, geologi, hidrologi, geomorfologi, dan penggunaan lahan secara luas
diterima sebagai faktor pengkondisi di sebagian besar pemodelan kerentanan longsor.
Penilaian kontribusi faktor pengkondisi pada model sangat menarik minat analisis
longsoran dan telah dibahas sebelumnya [10]. Dalam penelitian ini, ada perbedaan
yang signifikan dalam kontribusi faktor pengkondisi longsor ke model longsor, dan
ini dapat menyebabkan kesimpulan tidak konsisten. Litologi adalah faktor yang
paling penting, diikuti oleh jarak dari jalan. Tertinggi kontribusi litologi mungkin
karena fakta bahwa kondisi fisik longsor adalah terutama kegagalan geser; Oleh
karena itu, kekuatan geser massa batuan adalah kondisi yang diperlukan untuk
mengukur stabilitas lereng [2]. Dari pengaruh litologi pada sifat mekanik, ditemukan
bahwa massa batuan keras dan padat memiliki kekuatan geser yang lebih tinggi dan
tidak sensitif terhadap tanah longsor [2]. Sementara dalam kasus jarak dari jalan, situs
longsor sebagian besar (70%) didistribusikan dekat dengan jalan dengan jarak dari 0
hingga 200 m. Jarak dari jalan ke tanah longsor terutama disebabkan oleh
pembangunan jalan dan akan mengubah kemiringan alami yang asli, membentuk
lereng pemotongan, yang dapat menyebabkan terjadinya tanah longsor.

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.

Sebagai faktor penyebab, gangguan penambangan memiliki sedikit kontribusi untuk

semua model, mungkin karena lapisan batubara utama di Huoxi Coalfield adalah
Formasi Taiyuan dan Formasi Shanxi. Di lapangan Fenxi, ketebalan rata-rata Formasi
Taiyuan dan Shanxi sekitar 90 m dan 50 m, masing-masing, yang hampir 810 m dan
760 m jauh di dalam tanah, secara terpisah. Di ladang Huozhou, ketebalan rata-rata
Formasi Taiyuan dan Shanxi masing-masing sekitar 85 m dan 40 m, yang hampir 190
m dan 150 m jauh di dalam tanah, secara terpisah. Metode penambangan di daerah ini
penambangan bawah tanah, sehingga kedalaman penambangan terlalu dalam untuk
mempengaruhi stabilitas lereng.

7. kesimpulan

Penelitian ini berkontribusi pada perbandingan dan evaluasi metode konvensional

(LR) dan metode pembelajaran mesin (SVM dan ANN) untuk pemetaan kerentanan
longsor, dan kemudian diuji apakah penambangan batubara memiliki dampak yang
signifikan terhadap terjadinya tanah longsor. Tiga topik terfokus pada: (1) penilaian
model dan perbandingan menggunakan akurasi, ROC, dan AUC; (2) metode mana
lebih akurat dan andal untuk pemetaan kerentanan longsor di area tambang batu bara;
dan (3) apakah penambangan batubara memiliki pengaruh signifikan terhadap
terjadinya longsor. Menurut hasil, SVM adalah lebih baik dan memiliki lebih banyak
keseimbangan dalam hal nilai prediksi positif dan negatif daripada dua lainnya
model. Distribusi spasial kerentanan longsor yang dihasilkan oleh SVM dapat
dipercaya dan, oleh karenanya, SVM dianggap sebagai model yang menjanjikan
untuk pemetaan kerentanan longsor. Lebih lanjut, lima faktor, termasuk litologi, jarak
ke jalan, sudut kemiringan, elevasi, dan tipe penggunaan lahan, adalah yang paling
cocok faktor pengkondisi untuk pemetaan kerentanan longsor di area ini. Faktor
gangguan penambangan memiliki sedikit kontribusi untuk semua model karena
metode penambangan di daerah ini adalah penambangan bawah tanah, jadi
kedalaman penambangan terlalu dalam untuk mempengaruhi stabilitas lereng