Jurnal Roc Ambang Hujan
Jurnal Roc Ambang Hujan
Jurnal Roc Ambang Hujan
Abstrak. Tanah longsor merupakan salah satu bencana alam yang sering terjadi di Indonesia dikarenakan
negara tersebut berada di wilayah cincin api. Tanah longsor dapat diprediksi dengan pemodelan empirik
ambang hujan yang digunakan sebagai sistem peringatan dini. Model ambang yang digunakan sebagai
sistem peringatan dini longsor perlu dilakukan validasi agar diketahui tingkat keakuratan ambang hujan
dalam memprediksi kejadian hujan yang memicu longsor dan tidak longsor. Penelitian ini menggunakan
pendekatan model empirik intensitas hujan – durasi (Intensity – Duration/ID) dan memakai 220 data hujan
pemicu longsor berbasis satelit TRMM yang tersebar di wilayah Indonesia. Intensitas hujan anteseden dan
lama waktu hujan anteseden digunakan dalam pemodelan ambang hujan ini. Ambang hujan dievaluasi
menggunakan metode analisis ROC. Metode ini menggunakan tujuh indek statistik dan kurva ROC dalam
menentukan tingkat keakuratan ambang hujan. Dari hasil penelitian diperoleh persamaaan empirik I =
9.65D-0.505 dengan nilai intensitas hujan prediksi yang dihasilkan semakin rendah bahkan mendekati nol
pada interval waktu 1 – 30 hari. Hasil analisis ROC pada ambang hujan menunjukkan bahwa model
memiliki tingkat keakuratan yang cukup bagus dan dapat digunakan sebagai sistem peringatan dini tanah
longsor meskipun masih memiliki tingkat kesalahan yang cukup besar.
Kata-kata kunci: Tanah longsor, sistem peringatan dini, ambang hujan, analisis ROC, tingkat keakuratan.
Abstract. Landslide is one of the natural disasters are common in Indonesia because the country is in the
ring of fire. Landslides can be predicted by the empirical modeling of threshold rainfall that are used as
early warning system. In order to model of threshold can be used as early warning system of landslide, it is
necessary to validate to know the accuracy level of rainfall threshold in predicting the incidence of rainfall
that triggered landslides and not a landslide. In this study, modeling was done with model empirical
(intensity – duration/ID) approach using the 220 data of rainfall that triggered landslide with satellite-based
TRMM in the territory of Indonesia. The intensity of the antecedent rainfall and the duration of antecedent
rainfall used in modelling of rainfall threshold. Rainfall threshold is validated with ROC analysis. This
method uses seven index statistic and ROC curve to determine the accuracy rate of the rainfall threshold.
The results obtained empirical equation I = 9.65D -0.505 with value of rainfall intensity prediction generated
increasingly low even close to zero in the interval time 1 – 30 days. The results of the analysis of the ROC
on the rainfall threshold is indicate that the model has a pretty good accuracy rate and can be used as early
warning system of landslide even though it still has a fairly large error rate.
Keywords: Landslide, early warning system, rainfall threshold, ROC analysis, accuracy rate
2
Gambar 2 Peta sebaran lokasi kejadian longsor
200
25 Persebaran kejadian hujan yang memicu
20 150 longsor pada tahun 2014-2016 dan tahun 2010-
15
2018.
100
10
50 1000
5
Intensitas Hujan Anteseden, I (mm/hari)
0 0 100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Durasi Hujan (hari)
Intensitas Hujan Intensitas hujan Kumulatif 10
Gambar 3 Grafik hubungan intensitas hujan
dan durasi hujan 1
3
regresi pada kurva ambang hujan. Persamaan prediksi, hujan dapat memicu longsor (0,1).
yang digunakan dalam analisis regresi pada False Negative adalah curah hujan yang terjadi
kurva ambang hujan bawah dapat dilihat pada dapat memicu longsor pada kejadian aktual,
persamaan 3 (Guzzetti et al., 2007). tetapi menurut prediksi tidak memicu longsor
I = c + α.D β (3)
(1,0). False positive dan False negative juga
disebut Error type I dan Error type II (Frattini,
Dimana, I adalah intensitas hujan, D adalah
et al., 2010).
lama waktu hujan. Sedangkan, c, α, dan β
adalah parameter empirik.
Tabel 1 Tabel probabilitas untuk analisis
model ambang hujan (Peres dan Cancelliere,
Analisis ROC
2014)
Analisis ROC (Receiver Operating Kejadian Longsor Aktual
Characteristic) metode untuk menggambarkan, Tidak
mengatur dan mengklasifikasikan beberapa Longsor (1)
longsor (0)
kategori yang ditentukan pada sebuah model Longsor (I True False
statistik berdasarkan kinerjanya (Fawcett, Kejadian > Ipred,1) Positive, TP Positive, FP
2006; Mathew, 2014; Zou et al., 2007). Longsor Tidak False True
prediksi longsor (I Negative, Negative,
Penelitian ini menggunakan analisis ROC < Ipred,0) FN TN
dalam menentukan tingkat keakuratan pada
model ambang hujan dalam memprediksi Indek statistik
kejadian hujan yang memicu longsor maupun Menurut Frattini et al. (2010) bahwa
tidak longsor. tingkat akurasi dari model empirik diperoleh
melalui analisis statistik antara hasil dari model
Tabel probabilitas dan data yang diamati. Dari kedua data tersebut
Tabel probabilitas atau disebut confusion dapat diperoleh nilai indek yang mengukur
matrix merupakan langkah awal dalam tingkat keakuratan model empirik dalam
menentukan sebuah kondisi dengan membuat memprediksi kejadian longsor.
sebuah model klasifikasi (classified) dan Terdapat tujuh indek statistik yang
contoh (instance). Model klasifikasi dan contoh digunakan untuk menganalisis tingkat
yang digunakan pada penelitian ini adalah keakuratan model ambang hujan (Fawcett,
kejadian longsor aktual dan kejadian longsor 2006; Frattini et al, 2010). Tabel 2
prediksi. Dari kedua model yang sudah menampilkan persamaan – persamaan yang
ditentukan dapat dibuat tabel probabilitas yang digunakan untuk menentukan indek statistik
merupakan hubungan kejadian longsor aktual antara lain:
dengan kejadian longsor prediksi yang ditiap (i) True Positive Rate menyatakan tingkat
kolom kejadian dibagi menjadi dua kategori kemampuan ambang hujan dalam
yaitu longsor (1) dan tidak longsor (0). Akan mengidentifikasi kejadian hujan yang
tetapi, untuk kejadian prediksi dikategorikan memicu longsor.
longsor, apabila intensitas hujan (I) lebih besar (ii) False Positive Rate menyatakan tingkat
dari intensitas hujan prediksi (Ipred) dan kesalahan ambang hujan dalam
dikategorikan tidak longsor jika intensitas mengidentifikasi kejadian hujan yang tidak
hujan (I) lebih kecil dari intensitas hujan memicu longsor.
prediksi (Ipred). Tabel 1 menampilkan confusion (iii) True Negative Rate menyatakan tingkat
matrix antara kejadian longsor aktual dengan kemampuan ambang hujan dalam
kejadian longsor prediksi yang menghasilkan mengidentifikasi kejadian hujan yang tidak
empat kondisi yang dapat terjadi. True Positive memicu longsor.
terjadi jika curah hujan memicu longsor pada (iv) False Negative Rate menyatakan tingkat
kejadian aktual dan kejadian yang diprediksi kesalahan ambang hujan dalam
(1,1). True Negative adalah curah hujan yang mengidentifikasi kejadian hujan yang
terjadi tidak memicu longsor pada kejadian memicu longsor.
aktual maupun kejadian prediksi (0,0). False (v) Positive Prediction Power menyatakan
Positive terjadi jika curah hujan tidak memicu Pengukuran untuk mengetahui probabilitas
longsor pada kejadian aktual, tetapi menurut
4
dari kejadian hujan benar-benar dapat buruk jika digunakan (Fawcett, 2006; Zou et al.,
memicu longsor. 2007).
(vi) Negative Prediction Power menyatakan
Pengukuran untuk mengetahui probabilitas 3. Hasil dan Pembahasan
dari kejadian hujan benar-benar tidak Model empirik ambang hujan
memicu longsor. Kurva ID anteseden menampilkan model
(vii) True Skill Statistic merupakan rasio antara ambang hujan dan persamaan empirik yang
True Positive Rate dengan False Positive disajikan pada Gambar 5. Model ambang hujan
Rate. pada penelitian yang dilakukan oleh
Rohmaniah (2017) menggunakan 100 data
Tabel 2 Indek Statistik (dimodifikasi dari lokasi kejadian longsor tahun 2014-2016
Fawcett, 2006; Frattini, et al., 2010) didapatkan persamaan empirik I = 4.124D -1.781.
Indek Persamaan Lalu, persamaan empirik dikembangkan
True Positive Rate TP dengan menambahkan data lokasi kejadian
TPR = TP+FN
False Positive Rate longsor menjadi 220 data pada interval waktu
FP
FPR = 2010-2018 dan diperoleh persamaan empirik I
FP + TN = 9.65D-0.505. Ambang hujan menghasilkan
True Negative Rate TNR = 1 − FPR
persamaan empirik yang berbeda, pada ambang
False Negative Rate FNR = 1 − TPR
Positive Prediction hujan (2010-2018) menghasilkan persamaan
TP
Power PPP = empirik yang lebih tinggi dibandingkan dengan
FP + TP ambang hujan (2014-2016). Model ambang
Negative Prediction TN
Power NPP = hujan yang dianalisis adalah persamaan empirik
FN + TN dengan 220 data kejadian longsor.
True Skill Statistic TSS = TPR − FPR Persamaan empirik dari kurva ID ambang
hujan anteseden 2010-2018 menghasilkan
Kurva ROC intensitas hujan prediksi yang semakin rendah
Metode analisis ROC juga dapat bahkan mendekati nol dengan interval waktu 1
mengukur keakuratan dari ambang hujan dalam – 30 hari. Hal ini terjadi dikarenakan persamaan
bentuk kurva ROC. Kurva ini merupakan didapatkan berdasarkan Power law decay yang
hubungan antara indek True Positive Rate dan memberikan prediksi curah hujan kurang dari 1
False Positive Rate yang ditiap titiknya mm/hari atau mendekati nol jika lama waktu
menunjukkan tingkat kemampuan ambang hujan sangat panjang (Muntohar, 2009).
hujan dalam memprediksi kejadian longsor.
Tingkat keakuratan tinggi apabila kurva ROC 1000
yang dihasilkan bernilai mendekati 1 atau
Intensitas Hujan Anteseden, I (mm/hari)
5
5468 kejadian hujan yang diambil dalam kurun menyebabkan tingkat kesalahan alarm yang
waktu 30 hari. Seluruh kejadian hujan dianalisis besar pada sistem peringatan. Rendahnya nilai
menggunakan analisis ROC dan diperoleh TNR disebabkan karena jumlah kejadian False
jumlah kejadian hujan yang menyebabkan Positive yang lebih besar dari pada True
longsor (TP), tidak longsor (TN), Error Type I Negative, Sehingga menyebabkan nilai FPR
(FP) dan Error Type II (FN). Jumlah kejadian menjadi besar dan membuat ambang hujan
tersebut disajikan pada Tabel 3. Serta diperoleh tidak cocok digunakan sistem peringatan untuk
indek statistik untuk ambang hujan yang kejadian hujan yang tidak memicu longsor. Hal
disajikan pada Tabel 4. ini dapat terjadi dikarenakan ambang hujan
Hasil analisis ROC juga disajikan dalam yang ditetapkan, dipengaruhi oleh nilai
bentuk kurva ROC pada Gambar 6a. Batas intensitas hujan prediksi yang tidak pasti
bawah kurva (Area Under Curve) dari ambang sehingga menyebabkan muncul kondisi False
hujan menunjukkan tingkat keakuratan dalam Positive (Guzzetti et al., 2007).
mendeteksi kejadian hujan yang memicu Nilai PPP yang didapatkan pada ambang
longsor dan tidak longsor sebesar 65 %. Garis hujan sangat rendah. Hal ini menyebabkan
diagonal merupakan nilai Random peluang ambang hujan mengklasifikasi dengan
Performance sebesar 50 % dengan asumsi tepat kejadian hujan yang benar-benar dapat
sumbu y = x. Gambar 6b menunjukkan luasan memicu longsor masih sangatlah kecil. Serta,
dari Batas bawah kurva (Area Under Curve) masih ada kemungkinan besar bahwa ambang
dan ambang hujan menghasilkan tingkat hujan salah dalam mengklasifikasi kejadian
keakuratan yang cukup bagus dikarenakan hasil hujan yang dapat memicu longsor meskipun
yang didapatkan melebihi nilai Random nilai TPR tinggi. Nilai NPP pada umumnya >
Performance. 90 % dapat dikatakan ambang memiliki
probabilitas yang sangat bagus untuk kejadian
Tabel 3 Jumlah kejadian TP, TN, FP dan FN hujan yang tidak memicu longsor (Rosi et al.,
Kejadian Jumlah kejadian 2017). Nilai NPP yang diperoleh pada
True Positive (TP) 179 penelitian ini sangatlah bagus bahkan
True Negative (TN) 2063 mendekati 100 %, sehingga peluang ambang
False Positive (FP) 3185
False Negative (FN) 41
hujan dalam mengklasifikasi kejadian hujan
yang benar-benar tidak memicu longsor sangat
Tabel 4 Indek statistik analisis ROC tinggi. Meskipun nilai TNR rendah, tetapi
Hasil memiliki peluang benar-benar tidak terjadi
Indek statistik longsor sangat tepat.
keakuratan
True Positive Rate (TPR) 81 % Indek TSS dinyatakan dalam angka
False Positive Rate (FPR) 61 % interval [0,1], jika TSS = 0 maka TPR = FPR
True Negative Rate (TNR) 39 % dan TSS = 1 untuk tingkat prediksi yang
False Negative Rate (TPR) 19 % sempurna apabila TPR = 1 dan FPR = 0 (Peres
Positive Prediction Power (PPP) 5%
dan Cancelliere, 2014). Karena nilai False
Negative Prediction Power (NPP) 98 %
True Skill Statistic (TSS) 21 % Positive Rate tinggi, menyebabkan nilai True
Skill Statistic (TSS) rendah. hasil yang
True Positive Rate menghasilkan tingkat diperoleh dari penelitian ini didapatkan nilai
persentase yang tinggi dalam mengidentifikasi TSS sebesar 0.21 yang artinya ambang hujan
kejadian hujan yang memicu longsor, sehingga masih memiliki tingkat prediksi yang rendah.
nilai False Negative Rate rendah. Nilai Apabila nilai akurasi yang didapatkan >
persentase True Negative Rate biasanya > 90 50 %, dapat dikatakan bahwa ambang hujan
%, yang menyatakan bahwa ambang hujan dapat digunakan sebagai system peringatan dini
sangat bagus menghindari kesalahan alarm (Mathew et al., 2014). Berdasarkan Area Under
pada sistem peringatan dini (Rosi et al., 2017) Curve yang diperoleh dari kurva ROC, ambang
Akan tetapi, True Negative Rate pada ambang hujan memiliki keakuratan yang cukup bagus
ini menghasilkan tingkat persentase yang dan dapat digunakan sebagai sistem peringatan
rendah dalam mengidentifikasi kejadian hujan
yang tidak memicu longsor, yang dapat
6
(a) (b)
Gambar 6 Kurva ROC (a) dan Area Under Curve (b) untuk model ambang hujan
dini tanah longsor meskipun masih memiliki Frattini, P., Crosta, G. dan Carrara, A., 2010,
tingkat kesalahan yang cukup besar. Techniques for evaluating the
performance of landslide susceptibility
4. Kesimpulan models, Engineering Geology, 111 (1–4),
62–72.
Berdasarkan hasil pemodelan dan analisis
Guzzetti, F., Peruccacci, S., Rossi, M. dan
ROC yang didapatkan, dapat disimpulkan
Stark, C., P., 2007, Rainfall thresholds for
bahwa:
the initiation of landslides in central and
1. Ambang hujan (2010-2018) menghasilkan
southern Europe, Meteorology and
persamaan empirik I = 9.65D-0.505, lebih
Atmospheric Physic, 267, 239–267.
tinggi dibandingkan ambang hujan (2014-
Huffman, G.J., Bolvin, D.T., Nelkin, E.J.,
2016) yang hanya menghasilkan
-1.781 Wolff, D.B., Adler, R.F., Gu, G., Hong,
persamaan I = 4.124D . Serta, kedua
Y., Bowman, K.P. dan Stocker, E.F.,
ambang hujan menghasilkan nilai
2007, The TRMM Multisatellite
intensitas hujan yang semakin rendah
Precipitation Analysis (TMPA): Quasi-
bahkan mendekati nol dengan interval
Global, Multiyear, Combined-Sensor
waktu 1 – 30 hari. Penambahan data lokasi
Precipitation Estimates at Fine Scales,
kejadian longsor dapat mempengaruhi
Journal of Hydrometeorology, 8 (1), 38–
hasil persamaan yang didapatkan, yang
55.
menyebabkan nilai intensitas hujan harian
Mathew, J., Babu, D.G., Kundu, S., Kumar,
menjadi lebih besar.
K.V. dan Pant, C.C., 2014, Integrating
2. Model ambang hujan memiliki tingkat
intensity-duration-based rainfall
akurasi yang cukup bagus dalam
threshold and antecedent rainfall-based
memprediksi kejadian hujan yang memicu
probability estimate towards generating
longsor dan tidak longsor. Dengan
early warning for rainfall-induced
demikian dapat digunakan sebagai sistem
landslides in parts of the Garhwal
peringatan dini (early warning system).
Himalaya, India, Landslides, 11 (4), 575–
588.
5. Daftar Pustaka
Muntohar, A.S, 2009, Proposal Ambang Hujan
Aleotti, P., 2004, A warning system for rainfall- Untuk Peringatan Dini Tanah Longsor,
induced shallow failures, Engineering Application Research for Disaster and
Geology, 73 (3–4), 247–265. Humanitarian. Institute Research for
Fawcett, T., 2006., An introduction to ROC Community Development (IRCD),
analysis, Pattern Reconition Letters, 27 University Club Universitas Gadjah
(8), 861–874.
7
Mada, Yogyakarta, 19 December 2009, 1 Environmental Geology, 35 (2–3),146–
– 22. 159.
Peres, D.J., dan Cancelliere, A., 2014, Rosi, A., Peternel, T., Jemec-aufli, M., Komac,
Derivation and evaluation of landslide- M. dan Casagli, N., 2017, Advancing
triggering thresholds by a Monte Carlo Culture of Living with Landslides, World
approach, Hydrology and Earth System Landslide Forum LJUBLJANA Slovenia
Sciences, 18 (12), 4913–4931. EU, 177 – 182.
Piciullo, L., Gariano, S.L., Melillo, M., Rossi, M., Kirschbaum, D., Luciani, S.,
Brunetti, M.T., Peruccacci, S., Guzzetti, Mondini, A.C. dan Guzzetti, F., 2012,
F. dan Calvello, M., 2017, Definition and TRMM satellite rainfall estimates for
performance of a threshold-based landslide early warning in Italy:
regional early warning model for rainfall- Preliminary results, Proceedings of SPIE
induced landslides, Landslides, 14 (3), - The International Society for Optical
995–1008. Engineering, 8523 (2), 11–17.
Postance, B., Hillier, J., Dijkstra, T. dan Dixon, Su, F., Hong, Y. dan Lettenmaier, D.P., 2008,
N., 2017, Comparing threshold definition Evaluation of TRMM Multisatellite
techniques for rainfall-induced Precipitation Analysis (TMPA) and Its
landslides: A national assessment using Utility in Hydrologic Prediction in the La
radar rainfall, Earth Surface Processes Plata Basin, Journal of
and Landforms, 43, 553 – 560. Hydrometeorology, 9 (4), 622–640.
Reichenbach, P., Cardinali, M., De Vita, P. dan Zou, K.H., O’Malley, A.J. dan Mauri, L., 2007,
Guzzetti, F., 1998, Regional hydrological Receiver-operating characteristic
thresholds for landslides and floods in the analysis for evaluating diagnostic tests
Tiber River Basin (central Italy), and predictive models, Circulation, 115
(5), 654–657.