PROPOSAL TUGAS AKHIR

IDENTIFIKASI DAERAH RISIKO

BENCANA BANJIR DI KOTA JAKARTA
MENGGUNAKAN METODE MACHINE
LEARNING (ML)
Diusulkan Oleh:
Reinof Razzaqi Yusya
1606894862

1
 OUTLINE
■ LATAR BELAKANG
■ RUMUSAN MASALAH
■ TUJUAN PENELITIAN
■ KONSEP PENANGGULANGAN BENCANA
■ DEFINISI BANJIR
■ GEOLOGI REGIONAL JAKARTA
■ METODE MACHINE LEARNING (ML)
■ TAHAP DAN JADWAL KEGIATAN
■ DAFTAR PUSTAKA
2
 LATAR BELAKANG

Banjir merupakan salah satu jenis bencana hidrometeorologi yang memiliki

Persentase kejadian 78% dari semua jenis bencana alam yang terjadi di Indonesia (BNPB, 2016)

3
LATAR BELAKANG

Sumber:
Kompas.com

Provinsi DKI Jakarta merupakan wilayah yang

sangat rentan untuk terjadinya bencana banjir.

4
 1. Adakah cara untuk mengurangi
risiko bencana banjir di DKI
Jakarta?
RUMUSAN 2. Apa solusi untuk mengetahui
persebaran daerah rawan
MASALAH bencana banjir di DKI Jakarta?
3. Metode apa yang digunakan
dalam membuat peta risiko
banjir di DKI Jakarta?

5
TUJUAN PENELITIAN

1. Membuat peta risiko bencana banjir di DKI

Jakarta dengan metode machine learning
(ML).
2. Mengetahui persebaran daerah rawan
bencana banjir di DKI Jakarta dengan metode
machine learning (ML).
3. Mengaplikasikan penggunaan metode
Genetic Algorithm Rule-set Production (GARP)
dan Quick Unbiased Statitical Tree (QUEST)
untuk zonasi daerah risiko bencana banjir di
DKI Jakarta.
6
 KONSEP PENANGGULANGAN
BENCANA
Bahaya: kejadian yang mempunyai potensi
untuk menyebabkan terjadinya kecelakaan,
cedera, hilangnya nyawa atau kehilangan harta
benda.
Kerentanan: kondisi yang menentukan apakah
bahaya (baik bahaya alam maupun bahaya
buatan) yang terjadi akan dapat menimbulkan
bencana (disaster) atau tidak.
Risiko: potensi kerugian yang ditimbulkan akibat
bencana pada suatu wilayah dan kurun waktu
tertentu

(Sumber: Bakornas PB, 2007)

7
 KONSEP PENANGGULANGAN
BENCANA
(Sumber: Bakornas PB, 2007)

Untuk mengurangi risiko terjadinya bencana maka yang harus dilakukan adalah mengurangi potensi
kerentanan terhadap bencana di suatu daerah rawan bencana. (Bakornas PB, 2007)

8
 DEFINSI BANJIR
■ Banjir adalah liran air sungai yang
tingginya melebihi muka air normal
sehingga melimpas dari palung sungai
menyebabkan adanya genangan pada
lahan rendah disisi sungai. Aliran air
limpasan tersebut yang semakin
meninggi, mengalir dan melimpasi muka
tanah yang biasanya tidak dilewati aliran
air. (Bakornas PB, 2007)
■ Faktor penyebab terjadinya banjir dapat
diklasifikasikan dalam dua kategori, yaitu
banjir alami dan banjir oleh tindakan
manusia. Bencana banjir Jakarta Tahun 2007
Sumber: Google Images

9
GEOLOGI
REGIONAL
JAKARTA
■ Jakarta merupakan daerah
yang memiliki ketinggian yang
rendah.
■ Jakarta dilintasi oleh 13 sungai
besar yang bermuara di daerah
Teluk Jakarta.
■ Kondisi geologi di dominasi
oleh endapan aluvium dan juga
endapan berumur Kuarter.

10
Sumber: Turkandi, dkk. 1992
 METODE MACHINE LEARNING (ML)

■ Genetic Algorithm Rule-Set Production (GARP) adalah sebuah algoritma machine learning
yang telah menunjukkan kemampuan prediktif yang sangat baik dalam berbagai bidang
seperti pemodelan ekologis (Stockwell, 1999; Peterson et al., 2002 dalam Darabi et al.,
2018).
■ Quick, unbiased, and efficient statistical tree (QUEST) adalah model pengolahan data
populer yang menghasilkan himpunan bagian dari data yang sehomogen yang mungkin
berhubungan dengan variabel respon. QUEST adalah algoritma klasifikasi terstruktur pohon
yang menghasilkan pohon keputusan binary split (Lee dan Park, 2013 dalam Darabi et al.,
2018).
■ Faktor penyebab banjir yang akan di masukkan ke dalam variable penelitian yaitu: curah
hujan, penggunaan lahan, ketinggian, kemiringan, jarak dari sungai, jarak dari aliran air,
kurva angka, kedalaman air tanah, (Darabi et al., 2018)

11
TAHAP DAN
JADWAL KEGIATAN

12
 DAFTAR PUSTAKA
■ Ahmad, Abu. (2017). Mengenal Artificial Intelligence, Machine Learning, Neural Network,
dan Deep Learning. ResearchGate.net
■ Darabi, H., Choubin, B., Rahmati, O., Haghighi, A.T., Pradhan, B., Klove, B. (2018). Urban
flood risk mapping using the GARP and QUEST models: A comparative study of machine
learning techniques. Elsevier Ltd.
■ Dewan, A.M. (2013). Floods in a Megacity: Geospatial Techniques in Assessing Hazards,
Risk and Vulnerability. Australia: Springer Science.
■ Jati, R. dan Amri, M.R. (2016). Risiko Bencana Indonesia. Jakarta: Badan Nasional
Penanggulangan Bencana.
■ Tehrany, M.S., Pradhan, B., Mansor, S., Ahmad, N. (2014). Flood susceptibility assessment
using GIS-based support vector machine model with different kernel types. Elsevier Ltd.
■ Triutomo, S., Widjaja, B.W., Amri, M.R. (2007). Pengenalan Karakteristik Bencana dan
Upaya Mitigasinya di Indonesia Edisi 2. Jakarta: Bakornas PB.
■ Turkandi, T. (1992). Peta Geologi Lembar Jakarta dan Kepulauan Seribu, Jawa Skala
1:100.000. Jakarta: Pusat Penelitian dan Pengembangan Geologi. 13