Pemanfaatan Random Forest Dalam Pemodelan Bahaya Longsor untuk Evaluasi Pola Ruang Kabupaten Bogor

Abstract

Tanah longsor merupakan salah satu bencana yang paling sering terjadi di Indonesia, terutama di Kabupaten Bogor, yang memiliki tingkat kejadian dengan frekuensi tertinggi di Provinsi Jawa Barat. Seiring dengan meningkatnya intensitas kejadian bencana longsor, diperlukan pemetaan bahaya longsor yang akurat dan objektif sebagai landasan pengaturan ruang. Teknologi penginderaan jauh dan sistem informasi geografis, yang dipadukan dengan algoritma Random Forest, dapat digunakan untuk membuat peta bahaya longsor yang objektif berbasis pada titik kejadian longsor. Penelitian ini bertujuan (1) menganalisis hyperparameter tuning pada Random Forest untuk menemukan konfigurasi model bahaya longsor terbaik, (2) menilai tingkat kepentingan parameter dan mengevaluasi peta bahaya longsor eksisting dari Rencana Tata Ruang Wilayah (RTRW) Kabupaten Bogor tahun 2024 – 2044, dan (3) mengevaluasi peta pola ruang RTRW Kabupaten Bogor tahun 2024 – 2044. Penelitian dilakukan di Kabupaten Bogor pada Februari – September 2025. Melalui proses data preparation, seluruh data diolah menjadi basis spasial yang seragam untuk Pemodelan Random Forest. Pemodelan dilakukan melalui hyperparameter tuning, yang dievaluasi menggunakan metrik evaluasi per kelas dan metrik evaluasi komprehensif untuk menentukan konfigurasi Random Forest terbaik. Konfigurasi tersebut selanjutnya digunakan untuk menghitung tingkat kepentingan parameter dan mengevaluasi peta bahaya longsor eksisting dalam RTRW. Evaluasi pola ruang meliputi penilaian keselarasan dan keterpaparan pola ruang terhadap bahaya longsor. Pola ruang yang tidak selaras dan berkategori terpapar bahaya longsor ditetapkan sebagai lokasi prioritas mitigasi yang diberikan rekomendasi mitigasi secara bertahap hingga penggunaan dan penutupan lahan eksisting menjadi selaras dengan pola ruang. Hyperparameter tuning pada model Random Forest menghasilkan kinerja klasifikasi dengan Recall sebesar 77,09 – 90,91% untuk kelas longsor dan 84,00 – 92,75% untuk kelas tidak longsor, Precision sebesar 85,81 – 92,91% (kelas longsor) dan 74,49 – 90,71 (kelas tidak longsor), serta F1-Score sebesar 81,22 – 91,90 (kelas longsor) dan 78,96 – 91,72% (kelas tidak longsor). Secara keseluruhan, model menunjukkan Overall Accuracy pada rentang 80,15 – 91,81% dan nilai Kappa sebesar 60,30 – 83,61%. Analisis tingkat kepentingan parameter menggunakan konfigurasi Random Forest terbaik menunjukkan bahwa curah hujan tahunan memiliki bobot tertinggi (22,78), diikuti dengan parameter longsor slope (21,52), NDVI (19,17), penggunaan dan penutupan lahan (14,71), tekstur tanah (12,30), jarak dari sungai (7,97), dan jarak dari sesar aktif (1,55). Hasil evaluasi pola ruang mengungkap bahwa lanskap seluas 7,73% dari total Kabupaten Bogor memiliki penggunaan dan penutupan lahan yang tidak selaras dengan pola ruang dan seluas 31,63% dari total pola ruang berkategori terpapar bahaya longsor. Kondisi tersebut memiliki luas 2.127,35 ha yang direkomendasikan mendapat mitigasi bahaya longsor yang dapat direalisasikan secara bertahap diarahkan pada keselarasan pola ruang. Simpulan penelitian adalah bahwa konfigurasi Random Forest terbaik diperoleh pada ntree = 200 dan mtry = 2, dan menunjukkan terjadinya diminishing return apabila dilakukan penyetelan lebih lanjut. Curah hujan tahunan (22,78), slope (21,52), dan NDVI (19,17) teridentifikasi sebagai tiga parameter paling berpengaruh untuk membuat peta bahaya longsor hasil pemodelan Random Forest yang lebih baik dibandingkan peta bahaya longsor eksisting dalam dokumen RTRW. Dengan demikian, peta hasil pemodelan tersebut layak digunakan sebagai bahan evaluasi pola ruang RTRW Kabupaten Bogor Tahun 2024 – 2044 dalam penyusunan rekomendasi mitigasi longsor yang spesifik dan bertahap, mulai dari pembatasan perluasan, perbaikan lahan dan penguatan lereng, hingga relokasi yang adil dan berkelanjutan sebagai opsi darurat.

Landslides are among the most frequently occurring natural disasters in Indonesia, particularly in Bogor Regency, which records the highest frequency of landslide events in West Java Province. Along with the increasing intensity of landslide occurrences, accurate and objective landslide hazard mapping is required as a basis for spatial planning. Remote sensing and geographic information systems, integrated with the Random Forest algorithm, can be utilized to generate objective landslide hazard maps based on observed landslide occurrence points. This study aims to (1) analyze hyperparameter tuning of the Random Forest model to identify the optimal landslide hazard configuration, (2) assess parameter importance and evaluate the existing landslide hazard map in the Regional Spatial Plan (RTRW) of Bogor Regency for 2024–2044, and (3) evaluate the spatial pattern map of the RTRW of Bogor Regency for 2024–2044. This study was conducted in Bogor Regency from February–September 2025. Following a data preparation process, all datasets were standardized into a uniform spatial database for Random Forest modeling. Hyperparameter tuning was performed and evaluated using class-based and comprehensive performance metrics to determine the optimal Random Forest configuration. The selected configuration was then applied to calculate parameter importance and to evaluate the existing landslide hazard map within the RTRW. Spatial pattern evaluation encompassed assessments of spatial conformity and exposure to landslide hazards. Areas identified as non-conforming and exposed were designated as priority mitigation zones, for which stepwise mitigation recommendations were formulated to achieve alignment between existing land use/land cover and the designated spatial plan. Hyperparameter tuning of the Random Forest model resulted in strong classification performance, with Recall values ranging from 77.09–90.91% for the landslide class and 84.00–92.75% for the non-landslide class, Precision values of 85.81–92.91% (landslide class) and 74.49–90.71% (non-landslide class), and F1-score values of 81.22–91.90% (landslide class) and 78.96–91.72% (non-landslide class). Overall, the model achieved an Overall Accuracy ranging from 80.15–91.81% and Kappa values between 60.30–83.61%. Analysis of parameter importance using the optimal Random Forest configuration indicated that annual rainfall had the highest contribution (22.78), followed by slope (21.52), NDVI (19.17), land use/land cover (14.71), soil texture (12.30), distance to rivers (7.97), and distance to active faults (1.55). The spatial pattern evaluation revealed that 7.73% of the total landscape of Bogor Regency exhibits land use/land cover that is not aligned with the spatial plan, while 31.63% of the total spatial plan area is categorized as exposed to landslide hazards. These conditions correspond to an area of 2,127.35 ha, which is recommended to receive landslide hazard mitigation measures implemented gradually and directed toward achieving spatial plan conformity. The conclusions of this study indicate that the optimal Random Forest configuration was achieved with ntree = 200 and mtry = 2, beyond which further tuning resulted in diminishing returns. Annual rainfall (22.78), slope (21.52), and NDVI (19.17) were identified as the three most influential parameters, enabling the Random Forest-based landslide hazard map to outperform the existing landslide hazard map in the RTRW document. Accordingly, the resulting hazard map is suitable for use as an evaluation tool for the Bogor Regency RTRW 2024–2044, supporting the formulation of specific and phased landslide mitigation recommendations, ranging from development restrictions and land improvement and slope reinforcement to fair and sustainable relocation as an emergency option.