Penelitian ini mengeksplorasi pemanfaatan pemetaan partisipatif dan beberapa algoritma pembelajaran mesin (Naïve Bayes, GMO Maxent, SVM, CART, dan Random Forest) untuk memetakan bahaya longsor akibat iklim di Pulau Lembeh, Sulawesi Utara, menggunakan data pengamatan kebumian yang tersedia di Google Earth Engine.

Pemetaan partisipatif insiden longsor dilakukan di tiga kelurahan, yaitu Kareko, Pintu Kota, dan Pasir Panjang. Data yang digunakan meliputi model elevasi dari SRTM, citra multispectral dari Sentinel 2, dan presipitasi dari CHIRPS. Pemodelan medan dibuat dari model elevasi untuk menghasilkan ketinggian, kelerengan, kelengkungan, dan aspek. Mosaik yang bebas awan dari citra Sentinel dibuat menggunakan reduksi median kemudian diturunkan menjadi NDVI. Data presipitasi dari CHIRPS dicuplik kemudian dilakukan interpolasi kriging kemudian direduksi untuk menghasilkan nilai maksimum dan mean. Setiap algoritma dilatih menggunakan 70% data pemetaan partisipatif kemudian hasil prediksi diuji akurasi menggunakan 30% data lainnya. Hasil menunjukkan bahwa Random Forest, SVM, CART, dan GMO Maxent menghasilkan 0.98 akurasi sedangkan Naïve Bayes hanya 0.9. Peta yang dihasilkan menunjukkan bahwa Pulau Lembeh rentan terhadap longsor, dan walaupun sebelumnya BNPB telah membuat peta bahaya longsor, banyak daerah yang tidak termasuk pada Kawasan tersebut. Oleh sebab itu, peta tersebut dapat menjadi masukan bagi BNPB dan Pemerintah Kota Bitung untuk mengembangkan strategi mitigasi dan adaptasi. Pembelajaran mesin, komputasi awan, dan pemetaan partisipatif dapat melengkapi model mekanistik atau analisis multikriteria dengan SIG untuk pemetaan bahaya longsor.

English full text available in IOP Conference Series: Earth and Environmental Science