MT - Forestry

Model Penduga Biomassa dan Kerapatan Tegakan Dengan Forest Canopy Density di Wilayah Konsesi PT Bharinto Ekatama

2026-01-01T00:00:00Z

Model Penduga Biomassa dan Kerapatan Tegakan Dengan Forest Canopy Density di Wilayah Konsesi PT Bharinto Ekatama Perdhana, Reza Dwiputra Informasi mengenai biomassa dan kerapatan tegakan merupakan parameter penting dalam menggambarkan kondisi struktur dan fungsi ekosistem hutan alam. Di wilayah konsesi pertambangan batubara, perubahan tutupan lahan berpotensi mempengaruhi kondisi vegetasi, sehingga diperlukan pendekatan yang efisien dan akurat untuk mengestimasi parameter tersebut secara spasial. Salah satu metode yang dapat digunakan adalah Forest Canopy Density (FCD), yang memanfaatkan kombinasi indeks spektral dari citra satelit, seperti Advanced Vegetation Index (AVI), Bare Soil Index (BI), Shadow Index (SI), dan Thermal Index (TI), untuk menduga tingkat kerapatan tajuk yang berkaitan dengan biomassa. Penelitian ini bertujuan untuk membangun model spasial penduga kerapatan tegakan dan biomassa berbasis nilai FCD pada hutan alam di wilayah konsesi PT Bharinto Ekatama, yang terletak di Kecamatan Damai, Kabupaten Kutai Barat, Provinsi Kalimantan Timur, serta Kecamatan Teweh Timur, Kabupaten Barito Utara, Provinsi Kalimantan Tengah. Penelitian difokuskan pada kawasan hutan alam yang belum mengalami kegiatan penambangan, sehingga dapat merepresentasikan kondisi vegetasi dengan tingkat gangguan yang relatif rendah. Pengambilan data dilakukan pada bulan Januari hingga Juni 2025. Nilai FCD diperoleh dari pengolahan citra satelit Landsat 8 OLI TIRS tahun 2025 menggunakan empat indeks utama, yaitu AVI, BI, SI, dan TI. Data kerapatan tegakan dan biomassa diperoleh melalui pengukuran lapangan berdasarkan diameter vegetasi pada tingkat pertumbuhan pancang, tiang, dan pohon, serta identifikasi komposisi jenis. Analisis data meliputi perhitungan masing-masing indeks, penentuan nilai FCD, estimasi biomassa menggunakan persamaan alometrik, serta pengujian statistik melalui uji asumsi klasik dan validasi model. Hasil penelitian menunjukkan bahwa model penduga kerapatan tegakan dan biomassa menghasilkan persamaan y = 33,016 × FCD – 1.063,5 dan y = 6,3283 × FCD – 308,32 dengan koefisien determinasi R² = 0,8335 dan R² = 0,8317. Kedua model pendugaan menunjukkan bahwa FCD mampu menjelaskan variasi kerapatan tegakan dan biomassa serta kedua model memiliki akurasi yang baik dan kesesuaian yang baik antara nilai prediksi dan observasi. Model yang dikembangkan akan menjadi acuan penting dalam memantau dinamika perubahan kerapatan tegakan secara lebih cepat, efisien, dan mencakup area yang luas. Informasi tersebut dapat dimanfaatkan sebagai dasar pertimbangan dalam penyusunan strategi pengelolaan kawasan, sehingga arah pengelolaan hutan dapat berjalan selaras dengan tujuan konservasi yang diharapkan.; Information on biomass and stand density is a key parameter for describing the structure and functional condition of natural forest ecosystems. In coal mining concession areas, land cover changes may affect vegetation conditions; therefore, an efficient and reliable approach is required to estimate these parameters spatially. One method that can be applied is the Forest Canopy Density (FCD), which utilizes a combination of spectral indices derived from satellite imagery, including the Advanced Vegetation Index (AVI), Bare Soil Index (BI), Shadow Index (SI), and Thermal Index (TI), to estimate canopy density associated with biomass. This study aims to develop spatial models for estimating stand density and biomass based on FCD values in natural forests within the concession area of PT Bharinto Ekatama, located in Damai Subdistrict, West Kutai Regency, East Kalimantan Province, and Teweh Timur Subdistrict, North Barito Regency, Central Kalimantan Province. The research focuses on natural forest areas that have not been subjected to mining activities, representing vegetation conditions with relatively low levels of disturbance. Data collection was conducted from January to June 2025. FCD values were derived from Landsat 8 OLI TIRS satellite imagery (2025) using four main indices: AVI, BI, SI, and TI. Stand density and biomass data were obtained through field measurements based on vegetation diameter across sapling, pole, and tree growth stages, along with species composition identification. Data analysis included the calculation of each index, FCD estimation, biomass estimation using allometric equations, as well as statistical testing through classical assumption tests and model validation. The results show that the stand density and biomass estimation models produced the equations y = 33.016 × FCD – 1,063.5 and y = 6.3283 × FCD – 308.32, with a coefficient of determination of R² = 0.8335 and R² = 0,8317. Both estimation models demonstrate that FCD can explain the variation in stand density and biomass, and both models exhibit good accuracy and a strong fit between predicted and observed values. The developed models can serve as a practical approach for monitoring the spatial distribution and dynamics of stand density and biomass more efficiently over large areas. This information can support forest management planning and contribute to more informed and sustainable land-use decision-making aligned with conservation objectives.

Sintesis dan Aplikasi Nanolignin Phosphorus Sebagai Filler Tahan Api Perekat Urea Formaldehida Kayu Lapis

2026-01-01T00:00:00Z

Sintesis dan Aplikasi Nanolignin Phosphorus Sebagai Filler Tahan Api Perekat Urea Formaldehida Kayu Lapis Kayla, Dewi Shafa Modifikasi lignin dengan P2O5 dan transformasi ke ukuran nano menghasilkan material dengan luas permukaan lebih besar, ikatan polimer lebih kuat, dan distribusi merata yang meningkatkan sifat mekanis, serta stabilitas termal. Nanolignin terfosforilasi berpotensi sebagai aditif tahan api pembentuk lapisan arang dan scavenger pengurang emisi formaldehida. Penelitian ini bertujuan untuk menganalisis kondisi sintesis optimal nanolignin Eucalyptus sp. termodifikasi fosfor pentoksida, karakteristik perekat UF yang dimodifikasi dengan nanolignin terfosforilasi, dan sifat kayu lapis yang dihasilkan termasuk ketahanan api dan emisi formaldehida. Lignin terfosforilasi disintesis menjadi nanolignin terfosforilasi dan diaplikasikan sebagai filler aditif tahan api rendah emisis dengan perekat UF pada kayu lapis berbahan dasar kayu Jabon. Lignin terfosforilasi dan lignosulfonat terfosforilasi dianalisis berat ekuivalen, PyGCMS, dan NMR. Nanolignin terfosforilasi dikarakterisasi ukuran partikel, zeta potensial, FTIR, dan FE-SEM. Karakter perekat UF dianalisis kadar padatan, pH, densitas, gel time, rheometer, emisi formaldehida, FTIR, XRD, TGA, DSC, TEM, dan mikroskop. Kayu lapis UFNLP dikarakterisasi fisis (kerapatan, kadar air, dan delaminasi), dan mekanis (keteguhan rekat dan kerusakan kayu). Karakteristik lignin terfosforilasi yaitu berat ekuivalen 1674,44, rasio S/G 1,11, dan 13C NMR mengonfirmasi keberhasilan fosforilasi melalui peningkatan gugus alifatik primer-OH dan penurunan gugus metoksi yang mengindikasikan demetilasi parsial selama proses fosforilasi. Penelitian ini menghasilkan ukuran partikel nanolignin terfosforilasi 382,5 nm, zeta potensial -39,8 mV, berbentuk bulat oval, dan tidak terjadi perubahan gugus fungsi dengan intensitas puncak spektrum tinggi. Penambahan filler NLP membentuk ikatan hidrogen yang meningkatkan sifat dan kinerja perekat, termasuk peningkatan kadar padatan, densitas, viskositas, reaktivitas, kekuatan kohesi yang lebih besar, dan emisi formaldehida rendah. Penambahan NLP tidak mengubah gugus fungsi perekat UF, tetapi menurunkan kristalinitas dan membentuk struktur morfologi dengan partikel bulat kecil dan terdispersi merata. Perekat UFNLP memiliki distribusi permukaan paling homogen, ukuran droplet lebih kecil, dan penyebaran merata dibandingkan dengan formulasi lain. Sifat termal perekat UFNLP memiliki persen residu pembakaran dan nilai Tg yang tinggi. Kayu lapis UFNLP memiliki kerapatan tinggi, kadar air rendah, keteguhan rekat dan kerusakan kayu optimal, namun delaminasi belum memenuhi standar JAS No. 233 2003. Ketahanan api kayu lapis UFNLP lebih tinggi dibandingkan dengan kontrol dan mencapai kriteria V-0 pada uji UL-94. Hasil uji torch gas kayu lapis UFNLP juga memiliki persen kehilangan berat rendah. Berdasarkan hal tersebut nanolignin terfosforilasi berpotensi sebagai filler aditif tahan api rendah emisi.; Modification of lignin with P2O5 and transformation to nano-sized produced material with greater surface area, stronger polymer bonds, and uniform distribution that improve mechanical properties and thermal stability. Phosphorylated nanolignin has the potential to serve as both a flame-retardant additive that forms a char layer and a formaldehyde emission scavenger. This research aimed to analyze the optimal synthesis conditions of Eucalyptus sp. nanolignin modified with phosphorus pentoxide, the characteristics of UF adhesives modified with phosphorylated pentoxide, and the properties of the resulting plywood, including fire resistance and formaldehyde emissions. Phosphorylated lignin was synthesized into phosphorylated nanolignin and applied as a flame-retardant additive filler with UF adhesive in plywood made from Jabon wood. Lignophosphorylated and phosphorylated lignosulfonate were further analyzed using equivalent weight, PyGCMS, and NMR. Phosphorylated nanolignin was characterized by particle size, zeta potential, FTIR, and FE-SEM. The characteristics of UF adhesive were analyzed using solid content, pH, density, gel time, rheometer, formaldehyde emission, FTIR, XRD, TGA, DSC, TEM, and microscopy. UFNLP plywood was characterized physically (density, moisture content, and delamination) and mechanically (bond strength and wood damage). Further characteristics of phosphorylated lignin include an equivalent weight of 1674.44, S/G ratios of 1.11, and 13C NMR, which confirms the success of phosphorylation through an increase in primary aliphatic -OH groups and a decrease in methoxy groups, indicating partial demethylation during the phosphorylation process. This research produced phosphorylated nanolignin with a particle size of 382.5 nm, a zeta potential of -39.8 mV, an oval spherical shape, and no change in functional groups, exhibiting high peak intensity in the spectrum. The addition of NLP filler induced hydrogen bonding reactions, which improved adhesive properties and performance, including increased solid content, density, viscosity, reactivity, and greater cohesive strength, as well as reduced formaldehyde emission. The addition of NLP did not alter the functional groups of the UF adhesive; however, it decreased crystallinity and formed a morphological structure with small, diffuse spherical particles that were dispersed uniformly. Microscopic observation of UFNLP adhesives showed the most homogeneous surface distribution, smaller droplet size, and uniform dispersion compared to other formulations. The thermal properties of UFNLP adhesives exhibited a high combustion residue percentage and a high Tg value. UFNLP plywood had a high density, low moisture content, and optimal bond strength, but the delamination has not yet met the JAS No. 233 2003 standard. The fire resistance of UFNLP plywood was higher than that of the control and achieved a value of V-0 rating in the UL-94 test. Torch gas test results also showed that UFNLP plywood had a low weight loss percentage. Based on these findings, phosphorylated nanolignin demonstrated potential as a low-emission flame-retardant additive filler.

Pengembangan Tipologi Desa Mangrove di Provinsi Sumatera Utara, Indonesia: Pendekatan Autokorelasi Spasial dan Analisis Multivariat

2026-01-01T00:00:00Z

Pengembangan Tipologi Desa Mangrove di Provinsi Sumatera Utara, Indonesia: Pendekatan Autokorelasi Spasial dan Analisis Multivariat R, Dandy Adriansyah Ekosistem mangrove di Provinsi Sumatera Utara menghadapi berbagai tekanan ekologis dan sosial-ekonomi yang memengaruhi keberlanjutan pengelolaannya. Keragaman karakteristik biofisik, sosial-ekonomi dan geografis antar desa menyebabkan pendekatan pengelolaan yang seragam menjadi kurang efektif. Oleh karena itu, diperlukan pendekatan tipologi untuk menyederhanakan karakteristik wilayah yang kompleks menjadi bentuk yang lebih mudah dipahami dan dikelola Penelitian ini mengembangkan tipologi desa mangrove melalui integrasi autokorelasi spasial dan analisis multivariat. Pendekatan ini mempertimbangkan karakteristik biofisik, sosial-ekonomi dan keterkaitan spasial antar desa. Variabel kunci yang digunakan terdiri atas 6 yaitu (1) Rata-Rata laju deforestasi mangrove (ha/tahun) (2) Jarak dari pusat desa ke ekosistem mangrove (km) (3) Luas mangrove baik per kapita (m2/jiwa) (4) Luas mangrove rusak per kapita (m2/jiwa) (5) Luas tambak per kapita (m2/jiwa) dan (6) Kepadatan petani dan nelayan (jiwa/km2). Keenam variabel tersebut dianalisis menggunakan autokorelasi spasial dan analisis klaster dan pencilan spasial (Anselin Local Moran’s I). Kemudian, pengembangan tipologi desa mangrove dilakukan menggunakan 12 variabel yang terdiri atas variabel atribut dan LISA dengan analisis multivariat menggunakan Agglomerative Hierarchical Clustering (AHC) dan analisis diskriminan. Hasil penelitian menunjukkan seluruh variabel membentuk klaster spasial yang positif dan signifikan (Indeks Moran’s = 0,12-0,39; p-value <0,0001). Tipologi desa mangrove terbaik terbentuk melalui kombinasi nonspasial (atribut) spasial (LISA) dengan akurasi keseluruhan validasi silang sebesar 96,9%. Variabel pembeda utama dibentuk oleh kombinasi nonspasial dan spasial. Variabel nonspasial terdiri dari luas mangrove baik per kapita (LMB), luas mangrove rusak per kapita (LMR) dan luas tambak per kapita (LTB) (Parsial R2 = 0,22-0,91; Wilks' Lambda = 0,03-0,09). Selain itu, variabel spasial terdiri dari asosiasi spasial lokal luas mangrove per kapita (LMB_LISA), rata-rata laju deforestasi mangrove (RLD_LISA), luas mangrove rusak per kapita (LMR_LISA) dan luas tambak per kapita (LTB_LISA) (Parsial R2 = 0,12-0,40; Wilks' Lambda = 0,02-0,06). Integrasi pendekatan autokorelasi spasial dan analisis multivariat berbasis nonspasial dan spasial berhasil membentuk 3 tipologi desa mangrove yang menunjukkan perbedaan karakteristik yaitu: 1) Tipologi 1 (Berorientasi konservasi dengan ekosistem mangrove yang luas); 2) Tipologi 2 (Tekanan ekonomi dan degradasi ekosistem mangrove tinggi) dan 3) Tipologi 3 (Kepadatan petani dan nelayan tinggi namun ekosistem mangrove terbatas). Penelitian ini dapat menjadi dasar untuk penyesuaian pengelolaan ekosistem mangrove, membantu dalam mengidentifikasi ancaman dan peluang, dan menunjukkan keterkaitan yang erat dengan pengukuran jejak ekologis.; Mangrove ecosystems in North Sumatra Province face various ecological and socio-economic pressures that impact the sustainability of their management. Diversity in biophysical, socio-economic, and geographic characteristics across villages makes a uniform management approach less effective. Therefore, a typological approach is needed to simplify complex regional characteristics into a form that is easier to understand and manage. This study develops a typology of mangrove villages by integrating spatial autocorrelation methods and multivariate analysis. This study specifically considers not only similarities in biophysical, social-economic characteristics but also spatial relationships between villages. The key variables used in this study consist of six key variables, namely: (1) the average rate of mangrove deforestation (ha/year), (2) the distance from the village center to the mangrove ecosystem (km), (3) area of healthy mangroves per capita (m2/person), (4) area of damaged mangroves per capita (m2/person), (5) pond area per capita (m2/person) and (6) density of farmers and fishermen (person/km2). The six variables were analyzed using spatial autocorrelation, cluster analysis, and spatial outliers (Anselin Local Moran’s I). Then, the development of the mangrove village typology was carried out using 12 variables, including attribute variables and LISA with multivariate analysis using Agglomerative Hierarchical Clustering (AHC) and discriminant analysis. The results of the study showed that all variables formed a positive and significant spatial cluster (Moran's Index = 0.12-0.39; p-value < 0.0001). The best mangrove village typology was formed by combining nonspatial (attribute) and spatial (LISA) methods, with an overall cross-validation accuracy of 96.9%. The main differentiating variables were a combination of nonspatial and spatial variables. The nonspatial variables consisted of the area of healthy mangroves per capita (LMB), the area of damaged mangroves per capita (LMR), and the area of ponds per capita (LTB) (Parsial R2 = 0.22-0.91; Wilks' Lambda = 0.03-0.09). In addition, the spatial variables consist of local spatial associations of mangrove area per capita (LMB_LISA), the average rate of mangrove deforestation (RLD_LISA), area of damaged mangroves per capita (LMR_LISA), and pond area per capita (LTB_LISA) (Parsial R2 = 0.12-0.40; Wilks' Lambda = 0.02-0.06). The integration of spatial autocorrelation and multivariate analysis resulted in three distinct typologies of mangrove villages: 1) Typology 1 (conservation-oriented with extensive mangrove ecosystems); 2) Typology 2 (high economic pressure and degradation of mangrove ecosystems), and 3) Typology 3 (high density of farmers and fishermen but limited mangrove ecosystems). Methodologically, these findings provide a foundation for adapting mangrove ecosystem management, identifying threats and opportunities, and illustrating the relationship with ecological footprint measurements.

Analisis Kinerja dan Interpretabilitas Model Regresi Logistik dan Pohon Keputusan untuk Pemetaan Kerawanan Longsor

2026-01-01T00:00:00Z

Analisis Kinerja dan Interpretabilitas Model Regresi Logistik dan Pohon Keputusan untuk Pemetaan Kerawanan Longsor Rama, Khairut Tamam Dwi Longsor merupakan salah satu bencana alam yang paling sering terjadi dan merusak di Indonesia. Pemerintah Indonesia dalam upaya pengendalian bencana longsor telah melakukan penilaian kerawanan longsor. Namun, penilaian kerawanan nasional masih menggunakan pendekatan heuristik yang didasarkan pada pendapat para ahli. Pendekatan heuristik dengan penilaian ahli dianggap praktis dalam penggunaannya, namun pendekatan ini memiliki keterbatasan dalam menafsirkan tingkat pengaruh masing-masing variabel yang menyebabkan tanah longsor. Penelitian ini mengevaluasi kinerja dan interpretasi dua model Machine Learning (ML), yaitu Regresi Logistik dan Pohon Keputusan, dibandingkan dengan kerangka kerja heuristik nasional untuk pemetaan kerawanan longsor di sub-DAS Ciujung, Jawa Barat–Banten. Model dikembangkan menggunakan NASA Global Landslide Catalog dan 13 faktor pengontrol pada resolusi spasial 30 m. Faktor-faktor ini meliputi kemiringan lereng, ketinggian, arah lereng, panjang lereng, dan akumulasi aliran permukaan yang diperoleh dari DEM Copernicus GLO 30; litologi dan jarak ke patahan dari peta geologi; NDVI dari citra Landsat 8; tekstur tanah dari SPT tanah; jarak ke sungai dan jarak ke jalan dari RBI; curah hujan tahunan dari CHIRPS; serta penggunaan lahan dari peta penggunaan lahan. Hasil menunjukkan bahwa Regresi Logistik dan Pohon Keputusan memiliki kinerja prediktif tinggi (kappa = 0.9). Pada evaluasi spasial, Pohon Keputusan unggul pada seluruh metrik termasuk recall yang mendekati sempurna, sementara model Heuristik juga mencatatkan recall tinggi namun dengan spesifisitas yang sangat rendah, mencerminkan kecenderungannya memprediksi lebih (overprediction) luas zona rawan. Analisis tingkat kepentingan faktor mengungkap bahwa kedua model Machine Learning (ML) mengidentifikasi faktor utama yang berbeda: Regresi Logistik menempatkan curah hujan tahunan sebagai faktor dengan koefisien terbesar, sedangkan Pohon Keputusan menempatkan penggunaan lahan sebagai faktor paling dominan. Keduanya menunjukkan bahwa tekstur tanah berpasir berasosiasi dengan penurunan probabilitas longsor dan penggunaan lahan pertanian lahan kering campuran cenderung meningkatkan probabilitas longsor. Sebaliknya, pendekatan Heuristik lebih menekankan faktor kemiringan dan litologi sebagai faktor utama. Peran kemiringan lereng tidak signifikan karena inventori NASA GLC didominasi oleh longsor tipe mudflow, yang terjadi akibat kejenuhan air sehingga material berperilaku seperti fluida. Dalam kondisi ini, kemiringan lebih berperan pada tahap inisiasi, tetapi tidak sebagai pembeda utama ketika kejenuhan tanah tercapai. Selain itu, poligon longsor yang mencakup area sumber, lintasan, dan deposisi menyebabkan variasi nilai kemiringan dalam kelas longsor meningkat, sehingga menurunkan daya diskriminatifnya. Secara konseptual, Regresi Logistik merepresentasikan gradien hidrogemorfik yang halus dan memberikan interpretasi probabilistik yang stabil, sementara Pohon Keputusan lebih efektif dalam menangkap interaksi nonlinier dan ambang batas lokal, terutama terkait heterogenitas penggunaan lahan dan tekstur tanah. Analisis residual menunjukkan adanya bias sistematis: Regresi Logistik cenderung memprediksi kurang (underprediction) risiko pada tanah berpasir di elevasi menengah, sedangkan Pohon Keputusan berpotensi memprediksi lebih (overprediction) pada zona pertanian dengan tanah liat. Model ML yang dapat diinterpretasikan terbukti lebih selaras dengan mekanisme fisik longsor yang sebenarnya dibandingkan dengan pendekatan heuristik yang memprioritaskan kemiringan lereng dan litologi. Penelitian ini menyimpulkan bahwa regresi logistik dan pohon keputusan merupakan pendekatan alternatif penilaian kerawanan longsor yang transparan, dapat diproduksi ulang, dan relevan untuk kebijakan, serta merekomendasikan integrasi model ini ke dalam platform pemetaan risiko nasional, dengan penguatan pada data hidrometeorologi beresolusi tinggi dan indikator perubahan penggunaan lahan.; Landslides are among the most frequent and damaging natural hazards in Indonesia. In its efforts to manage landslides, the Indonesian government has conducted landslide susceptibility assessments. However, these assessments still rely on a heuristic approach based on expert opinions. The heuristic approach with expert assessment is considered practical, but it has limitations in interpreting the relative influence of each variable on landslides. This study evaluates the performance and interpretability of two Machine Learning (ML) models, Logistic Regression and Decision Tree, compared with the heuristic baseline for landslide susceptibility mapping in the Ciujung sub-watershed, West Java–Banten. The models were developed using the NASA Global Landslide Catalog and thirteen conditioning factors at a 30 m spatial resolution. These factors include slope gradient, elevation, slope aspect, slope length, and surface runoff accumulation obtained from the Copernicus GLO 30 DEM; lithology and distance to faults from geological maps; NDVI from Landsat 8 imagery; soil texture from soil SPT; distance to rivers and distance to roads from RBI; annual precipitation from CHIRPS; and land use from land-use maps. Both Logistic Regression and Decision Tree achieved high predictive accuracy (kappa = 0.9). In spatial evaluation, Decision Tree outperformed the other models across all metrics, including near-perfect recall, while the Heuristic model also recorded high recall but with very low specificity, reflecting its tendency to overestimate hazard zones. Feature analysis revealed that the two models identified different primary factors: Logistic Regression identified annual rainfall as the factor with the largest regression coefficient, whereas Decision Tree identified land use as the most dominant factor. Both models showed that sandy soil texture was associated with a lower probability of landslides and mixed dryland agricultural land use tended to increase it. In contrast, the heuristic approach placed greater emphasis on slope and lithology as the primary factors. The role of slope gradient is not significant because the NASA GLC inventory is dominated by mudflow-type landslides, which occur when water saturation causes the material to behave like a fluid. Under these conditions, slope plays a greater role during the initiation stage but is not a primary determinant once soil saturation is reached. Additionally, landslide polygons encompassing source, runout, and deposition areas cause variations in slope values within landslide classes to increase, thereby reducing their discriminatory power. Conceptually, Logistic Regression captures subtle hydrogeomorphic gradients and provides a stable probabilistic interpretation, while Decision Trees are more effective at capturing nonlinear interactions and local thresholds, particularly those related to land-use heterogeneity and soil texture. Residual analysis revealed systematic model biases: Logistic Regression tended to underpredict risk in moderately elevated sandy soils, whereas Decision Tree sometimes overpredicted risk in clay-rich agricultural zones. The Heuristic model exhibited the strongest bias, disproportionately emphasizing slope and lithology, resulting in generalized, less process-aligned hazard patterns. Interpretable ML models proved more aligned with the physical mechanisms underlying landslides than heuristic approaches that prioritize slope gradient and lithology. This study concludes that Logistic regression and decision trees are transparent, reproducible, and policy-relevant alternatives for landslide susceptibility assessment, and recommends integrating these models into national risk-mapping platforms, with an emphasis on high-resolution hydrometeorological data and dynamic land-management indicators.