Hasil Pencarian  ::  Simpan CSV :: Kembali

"Gerakan tanah adalah proses ketika material tanah atau batuan mengalami perpindahan akibat gravitasi bumi dan dampaknya merugikan bagi lingkungan hingga menimbulkan korban jiwa (Noor, 2011). Berdasarkan catatan dari Badan Nasional Penanggulangan Bencana, terdapat 289 kejadian bencana akibat gerakan tanah terhitung tahun 2018 hingga tahun 2022 di Kabupaten Banyumas, Provinsi Jawa Tengah (Data Informasi Bencana Indonesia (DIBI)). Pergerakan tanah dipengaruhi oleh parameter-parameter yang berpengaruh terhadap gerakan tanah seperti litologi, aspek lereng, curvature, curah hujan, kemiringan lereng, elevasi, tata guna lahan, jarak dari sungai, jarak dari struktur, dan normalized difference vegetation index (NDVI) (Chen et al., 2021). Tujuan dari penelitian ini yaitu untuk mengidentifikasi daerah rawan pergerakan tanah berdasarkan parameter-parameter tersebut dan memetakan daerah rawan pergerakan tanah di daerah Kabupaten Banyumas mengacu pada Sistem Informasi Geografis (SIG) dengan menggunakan metode information value model dan frequency ratio. Tujuan lainnya yaitu untuk mengkaji tingkat akurasi dari setiap metode dan menentukan metode apakah yang lebih baik digunakan di lokasi penelitian. Hasil dari penelitian ini didapatkan bahwa model yang dihasilkan oleh metode frekuensi rasio mendapatkan nilai AUC pada succes rate sebesar 70,5% dan predictife rate 61,14%. Sementara model yang dihasilkan oleh metode information value mendapatkan nilai AUC succes rate sebesar 66,39% dan predictife rate 60,26%. Berdasarkan validasi AUC dari kedua model tersebut, maka diketahui metode frekuensi rasio merupakan metode yang lebih baik dari metode information value dalam memodelkan tingkat kerentanan gerakan tanah di lokasi penelitian.

---

Land movement is a process when soil or rock material is displaced due to the earth's gravity and the impact is detrimental to the environment and causes casualties (Noor, 2011). Based on records from the National Disaster Management Agency, there were 289 disaster events due to land movement from 2018 to 2022 in Banyumas Regency, Central Java Province (Disaster Information Data Indonesia (DIBI)). Land movement is influenced by parameters that affect land movement such as lithology, slope aspect, curvature, rainfall, slope, elevation, land use, distance from rivers, distance from structures, and normalized difference vegetation index (NDVI) (Chen et al., 2021). The purpose of this research is to identify land movement prone areas based on these parameters and map land movement prone areas in the Banyumas Regency area referring to the Geographic Information System (GIS) using the information value model and frequency ratio methods. Another objective is to assess the accuracy level of each method and determine which method is better used in the research location. The results of this study found that the model generated by the frequency ratio method obtained an AUC value at a success rate of 70.5% and a predictive rate of 61.14%. While the model produced by the information value method gets an AUC succes rate of 66.39% and a predictive rate of 60.26%. Based on the AUC validation of the two models, it is known that the frequency ratio method is a better method than the information value method in modeling the level of ground motion vulnerability at the research site."

"Wilayah Kabupaten Cilacap khsusunya wilayah selatan Kecamatan Adipala berpotensi terhadap bahaya gempabumi. Gempabumi sebesar 6,2 magnitudo pernah mengguncang Cilacap pada tanggal 25 Januari 2014. Studi mengenai kerentanan dan bahaya gempabumi akan sangat membantu untuk penilaian resiko maupun program mitigasi. Tujuan dari Penelitian ini adalah menganalisis tipologi kawasan rawan bencana gempabumi di wilayah selatan Kecamatan Adipala, Kabupaten Cilacap. Penelitian ini menggunakan metode matriks pembobotan kestabilan wilayah yang berpedoman pada Peraturan Menteri Pekerjaan Umum Nomor 21 Tahun 2007 tentang Pedoman Penataan Ruang menunjukan skor akhir untuk Wilayah Selatan Kecamatan Adipala adalah 31-54 yang mana masuk kedalam semua kategori kestabilan yaitu stabil, kurang stabil dan tidak stabil. Menurut nilai kestabilan tipologi, wilayah Selatan Kecamatan Adipala diklasifikasikan menjadi Tipe A, Tipe B, Tipe C, Tipe D, dan Tipe E. Dimana Tipe A merupakan tipe yang paling stabil karena jauh dari zona sesar dan disusun oleh batuan yang keras sedangkan Tipe E adalah tipe yang paling tidak stabil yang mana disusun oleh batuan lunak serta berada tepat pada zona sesar.

---

The Cilacap Regency area, particularly the southern region of the Adipala District, is susceptible to earthquake hazards. An earthquake with a magnitude of 6.2 once shook Cilacap on January 25, 2014. Studies on vulnerability and earthquake hazards are highly beneficial for risk assessment and mitigation programs. The aim of this research is to analyze the typology of earthquake-prone areas in the southern region of Adipala District, Cilacap Regency. This research uses the regional stability weighting matrix method, guided by the Regulation of the Minister of Public Works No. 21 of 2007 concerning Spatial Planning Guidelines, which indicates that the final scores for the Southern Region of Adipala District range from 31 to 54, encompassing all stability categories: stable, less stable, and unstable. According to the stability typology values, the southern region of Adipala District is classified into Type A, Type B, Type C, Type D, and Type E. Type A is the most stable type, being far from fault zones and composed of hard rocks, whereas Type E is the least stable type, composed of soft rocks and located directly on fault zones."

"Kecamatan Maos di Kabupaten Cilacap pada tahun 1916 dan 1923 pernah mengalami gempa bumi yang mengakibatkan perekonomian lumpuh. Tidak menutup kemungkinan gempa bumi dapat terjadi kembali. Oleh sebab itu, perlu tindakan meminimalisir dampak gempa bumi dengan salah satu caranya membuat Peta Kawasan Rawan Gempa Bumi yang telah diatur melalui Peraturan Menteri PU No. 21/PRT/M/2007. Peraturan ini mengklasifikasikan kawasan rawan gempa bumi berdasarkan kajian tipologi informasi geologi. Informasi geologi diambil dari pemetaan geomorfologi pada Kecamatan Maos dimana diketahui bahwa litologi umum di Maos berupa batupasir dan tanah aluvium dengan tingkat kemiringan lereng dibawah 10 hingga 30% dimana terdapat sesar naik di sisi barat dan tenggara Maos serta sesar normal di barat laut Maos. Nilai kegempaan Maos dapat diketahui dari nilai PGAnya sebesar 0,6869 - 0,8764 g. Dari informasi geologi ini, dilakukan skoring dan pembobotan sehingga didapatkan nilai kestabilan wilayah Kecamatan Maos ada di rentang 33 hingga 51 dimana terdapat lima kelas klasifikasi tipologi di Kecamatan Maos yaitu Kelas A, Kelas B, Kelas C, Kelas D, dan Kelas E. Direkomendasikan bagi daerah yang berada di kawasan Kelas E untuk tidak membangun kawasan budidaya dan infrastruktur sebab di kawasan ini memiliki potensi bahaya tinggi jika terjadi bencana gempa bumi. 

---

Maos District in Cilacap Regency in 1916 and 1923 experienced an earthquake which resulted in the economy being paralyzed. It is possible that an earthquake could occur again. To anticipate that, action is needed to minimize the impact of an earthquake by making an Earthquake Hazard Map which has been regulated in Minister of Public Works Regulation No. 21/PRT/M/2007. This regulation classifies areas prone to earthquake disasters based on geological information typology. Geological information was taken from geomorphological mapping in Maos District where it is known that the general lithology in Maos is sandstone and alluvial soil with a slope level <= 10 - 30% where there are thrust faults on the west and southeast sides of Maos and normal faults on the northwest side of Maos. The seismicity value of Maos can be known from its PGA value of 0.6869 - 0.8764 g. From this geological information, scoring and weighting were carried out to obtain a regional stability value for Maos District in the range of 33 to 51 where there are five typological classification classes in Maos District, namely Class A, Class B, Class C, Class D and Class E. Recommended for areas in Class E are not to build cultivation areas and infrastructure because this area has a high potential for danger if an earthquake occurs."

"Gerakan tanah merupakan bahaya geologi utama di dunia yang menyebabkan tingginya jumlah korban manusia hingga kerugian harta benda yang sangat besar, serta mengakibatkan kerusakan pada sumber daya alam, ekosistem, dan infrastruktur. Selama periode Januari 2020 hingga Desember 2021, bancana gerakan tanah telah menjadi bencana yang paling rawan terjadi di Kabupaten Wonosobo, yakni sebanyak 238 kejadian. Bahkan, beberapa dari kejadian tersebut memakan korban jiwa yakni satu orang meninggal dunia di Kecamatan Kaliwiro, satu orang meninggal dunia di Kecamatan Kepil, dan dua orang meninggal dunia di Kecamatan Watumalang. Oleh karenanya, penelitian ini dilakukan agar dapat menentukan zona kerentanan gerakan tanah yang berguna dalam membantu proses mitigasi risiko sehingga segala bentuk kerugian dapat diminimalisasi. Zona kerentanan gerakan tanah pada Kabupaten Wonosobo divisualisasikan dengan peta kerentanan gerakan tanah. Sebanyak 242 titik gerakan tanah dikumpulkan untuk menghasilkan peta inventori. Titik tersebut kemudian dibagi menjadi 168 (70%) sebagai data training dan 74 (30%) sebagai data testing. Parameter yang dipertimbangkan terdiri dari berbagai parameter penyebab seperti aspek lereng, curvature, elevasi, kemiringan lereng, jarak dari sungai, litologi, tata guna lahan dan satu parameter pemicu, yaitu curah hujan. Selain itu, dilakukan pengurangan resolusi terhadap turunan data DEM seperti aspek lereng, curvature, elevasi, kemiringan lereng menjadi 8, 17, 25, dan 40 m untuk melihat pengaruhnya terhadap akurasi model. Semua parameter diolah menggunakan piranti ArcGIS untuk mengasilkan peta parameter. Peta parameter selanjutnya digabungkan dan dianalisis menggunakan metode frequency ratio dan weight of evidence untuk menghasilkan peta kerentanan gerakan tanah. Hasil penelitian menunjukkan bahwa Kabupaten Wonosobo memiliki kecenderungan terhadap kerentanan gerakan tanah dengan tingkatan rendah, sedang, hingga tinggi. Berdasarkan data resolusi DEM 8 m dan 17 m, tingkatan kerentanan didominasi oleh kelas sedang. Namun pada data resolusi DEM 25 m dan 40 m, tingkatan kerentanan didominasi oleh kelas rendah. Peta kerentanan masing-masing resolusi kemudian diuji nilai AUC nya menggunakan success rate curve untuk melihat keberhasilan model dan prediction rate curve untuk mengukur akurasi prediksi model. Setelah dilakukan validasi, resolusi tinggi ternyata tidak berbanding lurus dengan kualitas akurasi model. Akurasi success rate mengalami puncaknya pada resolusi DEM 25 m sedangkan prediction rate pada resolusi DEM 17 m.

---

Landslide is a major geological hazard in the world that causes a high number of human casualties to enormous property losses, as well as causing damage to natural resources, ecosystems and infrastructure. During the period from January 2020 to December 2021, landslide disasters have become the most prone to disasters in Wonosobo Regency, with 238 incidents. In fact, some of these incidents claimed lives, namely one person died in Kaliwiro District, one person died in Kepil District, and two people died in Watumalang District. Therefore, this research was conducted in order to determine the susceptibility zones of landslide which are useful in assisting the risk mitigation process so that all forms of losses can be minimized. The landslide vulnerability zone in Wonosobo Regency is visualized with a landslide susceptibility map. A total of 242 landslide points were collected to produce an inventory map. These points are then divided into 168 (70%) as training data and 74 (30%) as testing data. The parameters considered consist of various causal parameters such as slope aspect, curvature, elevation, slope, distance from river, lithology, land use and one trigger parameter, namely rainfall. In addition, the resolution of the DEM data derivatives was reduced, such as slope aspects, curvature, elevation, slope to 8, 17, 25, and 40 m to see the effect on model accuracy. All parameters are processed using the ArcGIS tool to produce a parameter map. Then the parameter maps are combined and analyzed using the frequency ratio and weight of evidence methods to produce a landslide susceptibility map. The results of the study show that Wonosobo Regency has a tendency towards low, moderate and high susceptibility to landslide. Based on DEM 8 m and 17 m resolution data, the susceptibility level is dominated by the moderate class. However, in DEM 25 m and 40 m resolution data, the susceptibility level is dominated by the low class. Then the susceptibility map of each resolution is tested for AUC value using a success rate curve to see the success of the model and a prediction rate curve to measure the accuracy of model predictions. After validation, it turns out that high resolution is not directly proportional to the quality of the model accuracy. Success rate accuracy peaks at DEM 25 m resolution while prediction rate at DEM 17 m resolution."

"Wilayah Pulau Jawa bagian barat merupakan wilayah dengan zona seismik aktif yang disebabkan oleh kondisi geologi kompleks akibat subduksi lempeng Indo-Australia terhadap lempeng Eurasia membuatnya rentan terjadi gempabumi. Oleh karena itu, penting untuk dibuatnya sistem Peringatan Dini Gempabumi (PDG) menggunakan kecerdasan buatan guna meningkatkan ketahanan terhadap bahaya seismik. Tujuan penelitian ini adalah membangun model machine learning beralgoritma SVR untuk memprediksi Peak Ground Acceleration (PGA) gempabumi, mengevaluasi performa model terhadap kombinasi variabel prediktor dengan enam parameter gelombang P, dan membuatnya sebagai model acuan untuk diimplementasikan dalam sistem PDG. Data yang digunakan berasal dari accelerometer milik Badan Metereologi, Klimatologi, dan Geofisika (BMKG) yang mencatat 485 kejadian gempabumi dengan magnitudo lebih dari 4 Skala Ritcher di Pulau Jawa bagian barat. Data diproses melalui tahap pra pemrosesan, preparasi, pelatihan model, dan evaluasi menggunakan metrik MSE untuk mengukur kesalahan pengukuran dan R2 sebagai koefisien determinasi yang menunjukkan akurasi model. Hasil akhir menunjukkan bahwa model memiliki performa cukup tinggi yang mampu memprediksi PGA dengan akurasi mencapai 92% dan tingkat kesalahan rendah dengan MSE sebesar 0,034. Model ini diharapkan dapat menjadi acuan dalam implementasi dan pengembangan sistem PDG guna memitigasi bencana gempabumi dan mempercepat langkah evakuasi pada masyarakat dan infrastruktur vital di Indonesia.

---

The western region of Java Island is an area with an active seismic zone caused by complex geological conditions due to the subduction of the Indo-Australian plate against the Eurasian plate, making it vulnerable to earthquakes. Therefore, it is important to create an Earthquake Early Warning (EWW) system using artificial intelligence to increase resilience to seismic hazards. The purpose of this study is to build a machine learning model with the SVR algorithm to predict earthquake Peak Ground Acceleration (PGA), evaluate the model's performance against a combination of predictor variables of six P-wave parameters, and make it a reference model to be implemented in the EWW system. The data used comes from the accelerometer belonging to the Meteorology, Climatology, and Geophysics Agency (BMKG) which recorded 485 earthquake events with a magnitude of more than 4 on the Richter Scale in western Java Island. The data is processed through the pre-processing, preparation, model training, and evaluation stages using the MSE metric to measure measurement error and R2 as the coefficient of determination indicating model accuracy. The final results show that the model has a fairly high performance that is able to predict PGA with an accuracy of 92% and low error rate with an MSE of 0.034. This model is expected to be a reference in the implementation and development of the PDG system to mitigate earthquake disasters and accelerate evacuation steps for communities and vital infrastructure in Indonesia."

"

Tanah longsor merupakan pergerakan material pembentuk lereng (tanah, batuan, dan campurannya) pada bidang longsor atau lereng yang bergerak secara cepat atau singkat dalam jumlah atau volume yang relatif besar. Selama 10 tahun terakhir telah terjadi lebih dari 125 kasus tanah longsor di Kabupaten Banyumas dan menghasilkan banyak kerugian dan korban. Pembuatan peta kerentanan tanah longsor menjadi salah satu solusi untuk dapat mengurangi kerugian akibat tanah longsor. Penelitian ini bertujuan untuk menentukan zona kerentanan tanah longsor di Kabupaten Banyumas menggunakan metode analysis hierarchy process (AHP) dan metode frequency ratio (FR). Penelitian ini dilakukan menggunakan data kejadian tanah longsor sebanyak 125 titik yang dibagi menjadi 2 set data yaitu training data (70%) dan testing data (30%). Pengolahan dan analisis untuk membuat peta kerentanan terhadap dua metode dilakukan menggunakan training data dengan acuan delapan parameter yang berpengaruh terhadap tanah longsor, yaitu kemiringan lereng, elevasi, arah lereng, litologi, curah hujan, penggunaan lahan, jarak terhadap sungai, dan jarak terhadap sesar. Hasil pengolahan data dan analisis menggunakan kedua metode adalah dua buah peta kerentanan tanah longsor yang masingmasingnya dibagi menjadi empat kelas kerentanan. Peta kerentanan juga divalidasi menggunakan training data (success rate) dan testing data (predictive rate) untuk mengetahui akurasi model yang dibuat. Hasil validasi menunjukkan kedua metode menghasilkan nilai AUC yang cukup baik dan dapat diterima, tetapi metode AHP memiliki nilai AUC yang lebih tinggi dari metode FR.

---

Landslides are the rapid or sudden movement of materials forming slopes (soil, rocks, and their mixtures) in large amounts or volumes. Over the past 10 years, there have been more than 200 cases of landslides in Banyumas Regency, resulting in significant losses and casualties. The creation of a landslide vulnerability map is one solution to reduce the damages caused by landslides. This study aims to determine the zone of landslide vulnerability in Banyumas Regency using the Analytic Hierarchy Process (AHP) and Frequency Ratio (FR) methods. The study utilizes data from 100 landslide incidents, divided into two sets: training data (70%) and testing data (30%). Processing and analysis to create vulnerability maps for both methods are carried out using the training data with reference to eight parameters influencing landslides: slope gradient, elevation, slope aspect, lithology, rainfall, land use, distance to rivers, distance to faults, and distance to roads. The processing and analysis results using both methods produce two landslide vulnerability maps, each divided into four vulnerability classes. The vulnerability maps are also validated using the training data (success rate) and testing data (predictive rate) to assess the accuracy of the models created. The validation results indicate different values for the success rate and predictive rate, where the frequency ratio method has a higher success rate, and the AHP method has a higher predictive rate.

"

"

Kota Palu sebagai bagian Provinsi Sulawesi Tengah secara tektonik berada dekat dengan sumber gempa aktif crustal, yaitu sesar segmen Sulawesi Tengah. Sesar tersebut terdiri dari banyak segmen, diantaranya yang sudah dikenal adalah Sesar Besar Palu-Koro memanjang dari utara ke selatan. Di ujung selatan terhubung sesar Matano dan di utara terhubung dengan subduksi Utara Sulawesi (North Sulawesi Subduction) dan Selat Makasar bagian utara. Pembangunan infrastruktur berbasis mitigasi kegempaan di Indonesia merujuk Peraturan Bangunan Tahan Gempa berdasarkan Peta Bahaya Gempabumi SNI 1726 Tahun 2019. Kota Palu dan wilayah sekitar sesar segmen Sulawesi Tengah menjadi wilayah yang perlu dilakukan penelitian dengan mempertimbangkan efek kondisi site lokal. Parameter kondisi lokal meliputi jenis situs tanah, periode dominan tanah metode Horizontal to Vertical Spectral Ratio (HVSR) dan estimasi kedalaman bedrock menggunakan metoda Spatial Autocorrelation (SPAC) menjadi bagian parameter studi karakteristik ground motion di Kota Sulawesi Tengah. Penelitian ini menggunakan parameter gempa magnitudo gempa M_L 1,5-6,5. Pengolahan data ground motion menggunakan data hasil observasi sinyal 5 sensor Jaringan Strong motion Nasional BMKG sampling 100Hz, 5 sensor  jaringan strong motion terpasang sementara sampling 100Hz dan 25 sensor Jaringan Array Velocity Broadband dengan sampling 250 Hz. Jaringan khusus array ini hasil kerjasama BMKG dengan ANU (Australian National University) yang dipasang di sekitar Kota Palu dan dekat sesar segmen Sulawesi Tengah dalam durasi 3 bulan. Tujuan dalam studi ini adalah untuk mengkaji karakteristik dan pembangunan model ground motion segmen fault Sulawesi Tengah. Karakteristik ground motion model yang dibangun dikaji dari uji model regional dan lokal dengan katalog gempa utama (independent) dan gempa gabungan foreshock,mainshock dan aftershock (dependent). Hasilnya menunjukkan karakteristik ground motion hasil dependent mempunyai nilai hasil model yang lebih rendah dibandingan independent, fitting model regional menunjukkan hasil bervariasi tingkat kecocokannya terhadap data observasi masing-masing fault yaitu dengan melihat hasil garis korelasi terhadap data observasi dan hasil residualnya. Model tersebut diuji menggunakan data observasi gempa merusak 29 Mei 2017 Mw 6,6 dan gempa merusak 2018 magnitudo 7,4. Hasilnya menunjukkan model GMPE dependent mempunyai nilai estimasi GM-PGA model yang berada pada distribusi data observasi, sedangkan hasil model independent mempunyai tingkat kecocokan berada di atas sebaran data observasi. Sedangkan pengujian GMSA median M=3-4 dan M=4-5 model dependent dan independent terhadap dari data observasi M=3-4 dan M=4-5 di luar data pembangun model, menunjukkan hasil korelasi yang cukup baik terhadap dua model tersebut. Pemahaman kondisi site lokal menjadi sangat penting dan menjadi bagian dalam perhitungan GM-PGA dan dipertimbangkan dalam penentuan nilai estimasi tingkat goncangan dalam bagian desain infrastruktur mitigasi bencana gempa bumi.     

 

---

Palu City in one major city in Indonesia which has administratively is the part of Central Sulawesi Province. It has the potential to develop the big infrastructure which has to consider mitigation aspect, due to tectonically it has located close to earthquake active source, particularly segments crustal zone of Central Sulawesi. Central Sulawesi fault has the many faults segmentation, it is called The Active Major Fault System of Central Sulawesi, as well known Palu Koro Fault System zone. It was along the north to southward close to Palu Valley. Development of infrastructure with earthquake hazard mitigation accordance to SNI 1726:2019. Local site classification parameters using the dominant period HVSR (Horizontal Vertical Spectral Ratio), estimation deep of engineering bedrock using SPAC method (Spatial Auto Correlation) as well done. The understanding of the local seismic condition and seismotectonic mechanism based on seismicity data are significantly contributing to know earlier the possibility of the amplification, which have related PGA value with the distance. In this study used 5 National Strong motion Network Station of  BMKG in Palu, 25 Array Network Broadband Velocity Temporarily Station of BMKG-ANU and 5 Regional Strong motion Network Temporarily Station along the Palu-Koro fault and short period for the mini regional network. The purpose of this research to study the characteristics of the local ground motion GM-PGA model from multi fault in Central of Sulawesi, with considered the local site effect.  All these parameters contribute to play roles within the form of the GMPE model.The characteristics of ground motion in this research using independent (mainshock)-independent (foreshock, mainshock, aftershock) regional and local earthquake catalog. The result showed characteristics of ground motion dependent has the calculated value is lower than independent, and the regional model showed the fitting variated to micro fault observed data. It can be seen using correlated regression and residuals. Moreover, when compared with two devastating earthquakes, 29th May 2017 Mw 6.6 and Palu earthquake Mw 7.4 showed that the dependent model is fitted well with distribution of observed data, while for the independent model is overestimated. Meanwhile to calibrate GMSA has used Median GMSA for M=3-4 and M=4-5 to GMSA data observed of M=3-4 and M=4-5. The results showed that the well correlated between of Median GMSA to data observed distribution. The Understanding of local seismic is very important to asses the related PGA value with the distance in GM-PGA and GMSA in GMPE. The GMPE model could be used to be considered in detail engineering design process to determine the level of potential shaking when implement development mitigation based.    

"

"Kabupaten Banyumas merupakan salah satu wilayah di Jawa Tengah dengan tingkat kerentanan tanah longsor yang tinggi, sehingga memerlukan pemetaan risiko yang akurat untuk mendukung upaya mitigasi bencana. Penelitian ini bertujuan untuk membandingkan secara komprehensif performa dua model machine learning, yaitu Artificial Neural Network (ANN) dan Extreme Gradient Boosting (XGBoost), dalam memetakan kerentanan tanah longsor di wilayah tersebut. Data yang digunakan terdiri dari 400 titik kejadian longsor dari periode 2013-2023 yang diintegrasikan dengan 20 faktor pengkondisi, meliputi parameter morfometrik, hidrologis, geologis, dan antropogenik. Pemodelan dilakukan menggunakan R Studio, sementara analisis spasial menggunakan ArcGIS dan QGIS. Hasil penelitian menunjukkan bahwa model XGBoost memiliki performa superior dengan nilai Area Under the Curve (AUC) mencapai 0.8682, yang tergolong dalam kategori "baik", melampaui model ANN yang mencapai AUC 0.8353. Analisis kepentingan variabel dari kedua model secara konsisten menempatkan kemiringan lereng sebagai faktor dominan. Namun, XGBoost juga mengidentifikasi kerapatan bangunan sebagai faktor penting kedua, sedangkan ANN lebih menekankan pada pengaruh kelembapan dan elevasi tanah. Validasi dengan data longsor historis menunjukkan bahwa model XGBoost lebih efektif dalam mengkonsentrasikan prediksi pada zona kerentanan sangat tinggi, dengan 87.2% kejadian longsor berada pada kelas ini yang mencakup 56.6% dari total wilayah. Sebaliknya, model ANN menunjukkan distribusi yang lebih merata. Peta kerentanan yang dihasilkan mengindikasikan bahwa sebagian besar wilayah Kabupaten Banyumas berada dalam kategori kerentanan tinggi hingga sangat tinggi. Kecenderungan model XGBoost untuk sedikit overpredict justru memberikan keuntungan dari perspektif mitigasi bencana karena menghasilkan pendekatan yang lebih konservatif dalam mengidentifikasi area berisiko. Penelitian ini menegaskan bahwa metode XGBoost menawarkan solusi yang lebih akurat dan andal untuk pemetaan kerentanan longsor di wilayah dengan karakteristik geologi kompleks seperti Kabupaten Banyumas, serta memberikan landasan ilmiah yang kuat untuk perencanaan tata ruang dan strategi pengurangan risiko bencana.

---

Banyumas Regency is one of the regions in Central Java with a high level of landslide susceptibility, thus requiring accurate risk mapping to support disaster mitigation efforts. This study aims to comprehensively compare the performance of two machine learning models, Artificial Neural Network (ANN) and Extreme Gradient Boosting (XGBoost), in mapping landslide susceptibility in this area. The data consists of 400 landslide event points from the 2013-2023 period, integrated with 20 conditioning factors, including morphometric, hydrological, geological, and anthropogenic parameters. Modeling was performed using R Studio, while spatial analysis was conducted with ArcGIS and QGIS. The results show that the XGBoost model demonstrated superior performance with an Area Under the Curve (AUC) value of 0.8682, classified as "good," surpassing the ANN model, which achieved an AUC of 0.8353. Variable importance analysis from both models consistently identified slope as the dominant factor. However, XGBoost also identified building density as the second most important factor, whereas ANN placed more emphasis on the influence of soil moisture and elevation. Validation with historical landslide data indicated that the XGBoost model was more effective at concentrating predictions in the very high susceptibility zone, with 87.2% of landslide events falling into this class, which covers 56.6% of the total area. In contrast, the ANN model showed a more uniform distribution. The resulting susceptibility map indicates that a large portion of Banyumas Regency falls into the high to very high susceptibility categories. The XGBoost model's tendency to slightly overpredict is advantageous from a disaster mitigation perspective, as it provides a more conservative approach in identifying atrisk areas. This research confirms that the XGBoost method offers a more accurate and reliable solution for landslide susceptibility mapping in regions with complex geological characteristics like Banyumas Regency, and provides a strong scientific basis for spatial planning and disaster risk reduction strategies."

"Kota Surabaya merupakan salah satu kota besar di Indonesia yang wilayahnya dilewati oleh dua segmen patahan dari Sesar Kendeng, yaitu Patahan Waru dan Patahan Surabaya. Keduanya memiliki laju pergerakan sebesar 0,05 mm/tahun dan berpotensi terjadi gempabumi berkekuatan besar di masa mendatang. Selain itu, Wilayah Surabaya berdekatan dengan Megathrust East Java di Selatan Pulau Jawa. Berdasarkan riwayat kegempaan, Wilayah Surabaya belum pernah menjadi titik episenter gempabumi dan hanya ikut terguncang akibat gempabumi yang terjadi disekitarnya. Penelitian ini bertujuan untuk menganalisis dan memetakan besaran percepatan tanah di Surabaya akibat gempabumi. Metode penelitian yang digunakan ialah metode Probabilistic Seismic Hazard Analysis (PSHA) dengan bantuan perangkat lunak R-CRISIS. Sumber gempabumi yang diolah berada pada radius 500 Km dari Surabaya dengan kedalaman <300 Km dan dikumpulkan dari berbagai katalog seperti katalog BMKG, katalog PuSGeN, katalog USGS, dan katalog ISC dari tahun 1900-Januari 2023. Hasil pengolahan menunjukkan bahwa nilai percepatan tanah yang diperoleh pada PoE 2% dalam 50 tahun (periode ulang 2.475 tahun) saat T=0s sebesar 0,314-0,538 g, T=0,2s sebesar 0,759-1,308 g, dan T=1s sebesar 0,192 – 0,321 g. Berikutnya, nilai percepatan tanah pada PoE 5% dalam 50 tahun (periode ulang 975 tahun) saat T=0s sebesar 0,236-0,391 g, T=0,2s sebesar 0,562 – 0,903 g, dan T=1s sebesar 0,134-0,211 g. Selanjutnya, nilai percepatan tanah pada PoE 10% dalam 50 tahun (periode ulang 475 tahun) saat T=0s sebesar 0,180-0,289 g, T=0,2s sebesar 0,417-0,678 g, dan T=1s sebesar 0,101-0,147 g. Berdasarkan hasil analisis, Wilayah Surabaya Barat mengalami respon percepatan tanah paling tinggi. Hal ini bersesuaian dengan tektonik Surabaya Barat yang dilewati oleh Patahan Surabaya dan Patahan Waru, sehingga nilai percepatan tanah yang tinggi diakibatkan oleh sumber gempabumi fault (patahan). Setelah dikonversi menjadi gal, potensi kerusakan yang ditimbulkan berdasarkan nilai percepatan tanah yang diperoleh sebesar VI-XII MMI (99,05-1.282,71 gal).

---

Surabaya City is one of the major cities in Indonesia that is passed by two fault segments of the Kendeng Fault, namely the Waru Fault and the Surabaya Fault. Both have a movement rate of 0,05 mm/year and potentially have a large-power earthquake in the future. In addition, the Surabaya Region is adjacent to the East Java Megathrust in the South of Java Island. Based on the history of seismicity, the Surabaya Region has never been the epicenter of an earthquake and has only been shaken by earthquakes that occurred around it. This study aims to analyzing and mapping the amount of ground acceleration in Surabaya due to earthquakes. The research method used is the Probabilistic Seismic Hazard Analysis (PSHA) method using R-CRISIS software. The processed earthquake source is within 500 Km from Surabaya with a depth of <300 Km and is collected from various catalogs such as the BMKG catalog, the PuSGeN catalog, the USGS catalog, and the ISC catalog from 1900 to January 2023. The results of processing show that the ground acceleration values obtained at PoE 2% in 50 years (return period of 2.475 years) when T=0s is 0,314 – 0,538 g, T=0,2s is 0,759-1,308 g, and T=1s is 0,192-0,321 g. Subsequently, the ground acceleration values at PoE 5% in 50 years (return period of 975 years) when T=0s is 0,236-0,391 g, T=0,2s is 0,562-0,903 g, and T=1s is 0,134-0,211 g. Furthermore, the ground acceleration values at PoE were 10% in 50 years (return period of 475 years) when T=0s is 0,180-0,289 g, T=0,2s is 0,417-0,678 g, and T=1s is 0,101-0,147 g. Based on the results of the analysis, the West Surabaya Region experienced the highest ground acceleration response. This corresponds to the tectonics of West Surabaya which is passed by the Surabaya Fault and the Waru Fault, so that the high value of ground acceleration is due to the fault earthquake source. After being converted into gal, the potential damage caused based on the ground acceleration value obtained is VI-XII MMI (99,05 – 1.282,71 gal)."

"Akibat tatanan tektonik Pulau Sulawesi yang terletak pada pertemuan tiga lempeng besar dunia (triple junction) serta keberadaan sesar-sesar yang masih aktif menyebabkan Kota Gorontalo berpotensi mengalami bencana kegempaan. Sebagai upaya mitigasi guna meminimalisir kerusakan pada tanah dan bangunan jika terjadi gempa bumi, dilakukan identifikasi karakteristik dinamis tanah dan analisis profil kecepatan gelombang geser di wilayah Kota Gorontalo. Penelitian ini penting untuk mengidentifikasi wilayah-wilayah yang memiliki tingkat kerentanan tinggi terhadap bahaya gempa bumi serta berguna untuk perencanaan dan pengembangan infrastruktur bangunan tahan gempa. Penelitian ini dilakukan dengan memanfaatkan data mikrotremor yang diukur di 20 titik pengukuran yang tersebar di Kota Gorontalo. Data mikrotremor kemudian diolah menggunakan metode Horizontal to Vertical Spectral Ratio (HVSR) untuk mengestimasi nilai frekuensi natural, amplifikasi tanah, dan indeks kerentanan seismik serta metode inversi eliptisitas gelombang Rayleigh untuk pemodelan kecepatan gelombang geser. Hasil analisis HVSR menunjukkan bahwa secara umum nilai frekuensi natural tanah di Kota Gorontalo lebih rendah di bagian tengah hingga utara dan semakin meningkat ke arah selatan. Sedangkan, sebaran nilai amplifikasi tanah lebih tinggi di bagian tengah hingga utara dan semakin rendah ke arah selatan. Sebanding dengan pola sebaran amplifikasi tanah, indeks kerentanan seismik lebih tinggi di bagian tengah hingga utara dan semakin rendah ke arah selatan. Inversi eliptisitas gelombang Rayleigh menghasilkan profil kecepatan gelombang geser pada lapisan tanah hingga kedalaman 30 meter. Kecepatan gelombang geser rata-rata hingga kedalaman 30 meter (Vs30) digunakan untuk menentukan kelas situs yang mengacu pada SNI 1726 – 2019. Hasil analisis nilai Vs30 menunjukkan bahwa tanah di Kota Gorontalo termasuk ke dalam kelas tanah lunak (SE), tanah sedang (SD), tanah sangat padat dan batuan lunak (SC), dan batuan (SB).

---

As a result of the tectonic setting of Sulawesi Island which is in the clash zone of three major plates (a triple junction) and the presence of active faults, which make Gorontalo City vulnerable to earthquakes. For mitigation purposes to minimize the damage level of soils and buildings infrastructure when the earthquake occur, identification of the dynamic properties of the soil and an analysis of shear-wave velocity structures in Gorontalo City are carried out. This is essential study to investigate areas that are vulnerable to earthquake and can be useful for planning and developing earthquake-resistant structures. This study was conducted by utilizing microtremor data collected from 20 sites, scattered in Gorontalo City. The microtremor data was then processed using the Horizontal to Vertical Spectral Ratio (HVSR) method to determine natural frequency values, soil amplification, and seismic vulnerability index as well as the Rayleigh wave ellipticity inversion method for modeling shear-wave velocity structures. Generally, the results of the HVSR analysis show that the middle to the northern part of the study area has lower natural frequency value than the southern part. In contrast, the amplification factor shows higher value in the middle to the northern part and decreases in the middle to the southern part of the study area. The seismic vulnerability index tends to be higher in the middle to the northern part and decreases in the middle to the southern part of the study area. Rayleigh wave ellipticity inversion generates the shear-wave velocity structure of the upper 30 meters soil layer. The average shear wave velocity of the upper 30 meters soil layer (Vs30) is used to classify the site class at the measurement points, referring to SNI 1726 – 2019. The Vs30 values show that the soils in Gorontalo City categorized as soil with soft clay, stiff soil, very dense soil and soft rock, and rock."