SIGAP-Longsor — Model Bundel

Sistem pendukung keputusan kerawanan longsor untuk Indonesia. Dibangun untuk Datathon RISTEK Fasilkom UI 2026 — University Track — Tim cupuu.

Repositori GitHub: https://github.com/draxmit/datathon-product

Cara pakai langsung (tanpa clone 8,8 GB data mentah)

git clone https://github.com/draxmit/datathon
cd datathon
pip install -r requirements.txt

# Unduh bundel dari Hugging Face ke folder yang benar
python -c "
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id='FrederickAllensius/sigap-longsor',
    local_dir='produk/bundel',
    ignore_patterns=['*.md']
)
"

streamlit run produk/app.py

Atau langsung jalankan tanpa modifikasi — bundel sudah ikut di repo Git (±47 MB).

Tentang model

Arsitektur: Ensemble RandomForest + LightGBM Task: Binary classification — kabupaten-hari berisiko longsor vs tidak Unit prediksi: Kabupaten-hari (519 kabupaten × hari) Fitur: 65 fitur (terrain, tanah, tutupan lahan, hujan 1–60 hari, klimatologi) Data latih: 7.648 sampel kabupaten-hari (478 positif dari 102 kabupaten), 2018–2024 Sumber label: Katalog PVMBG (longsor), penyaringan ko-seismik via USGS

Hasil evaluasi (out-of-fold, tidak ada kebocoran)

Protokol	AUC	Menjawab
GroupKFold kabupaten — Konfig A	0.931	Kabupaten baru di wilayah dikenal
GroupKFold kabupaten — Konfig B	0.831	Idem, geografi dikunci ke kab. pernah longsor
Leave-one-block-out (5 blok)	0.874	Wilayah baru — 100% positif teruji
Leave-one-province-out (3 provinsi)	0.836	Provinsi ditahan penuh
Spatio-temporal (paling ketat)	0.850	Wilayah baru dan tahun masa depan

Recall pada 5 kabupaten/hari: 42,5% di wilayah dikenal; 23,6% di wilayah sama sekali baru. Angka kedua adalah yang relevan untuk deployment.

Dekomposisi kemampuan

Kemampuan	AUC
Di mana (spasial)	0.932
Kapan (temporal / hari)	0.774
Model statis saja — temporal	0.500 (tepat nol)

AUC tinggi hampir seluruhnya berasal dari kemampuan spasial. Kemampuan menentukan hari adalah 0,774.

Batasan yang wajib dibaca

Indeks bukan probabilitas longsor — posisi relatif terhadap arsip historis.
Unit alarm: kabupaten, bukan desa atau koordinat.
Longsor ko-seismik di luar cakupan — gempa besar tidak ditangkap.
Belum ada validasi prospektif — seluruh angka retrospektif.
Bias pelaporan — wilayah terpencil under-reported di katalog PVMBG.
Resolusi terrain 30 m — DEMNAS 8 m belum dapat diakses.
Jangan gunakan untuk peringatan publik otomatis — sistem ini adalah pendukung keputusan manusia, bukan pengganti verifikasi lapangan.

Isi repositori ini

File	Keterangan
`model.joblib`	Model terlatih (RandomForest + LightGBM ensemble)
`konfig.json`	Ambang, metadata, daftar fitur
`metrik.json`	Hasil evaluasi lengkap + kontrak produk
`kabupaten.parquet`	Fitur statis 519 kabupaten
`kabupaten_peta.geojson`	Poligon peta (disederhanakan, 2,6 MB)
`hujan.json`	Arsip hujan harian 2018–2024 per kabupaten
`hujan_jam.npz` / `hujan_jam_terkini.npz`	Hujan per jam (arsip + terkini)
`klimatologi.npz`	Distribusi klimatologi referensi
`kuantil_referensi.npy`	Kuantil untuk normalisasi indeks
`kurva_operasional.csv`	Kurva recall vs beban (out-of-fold)
`terkini.npz`	Data hujan terkini

Tim

Frederick Allensius · Kang Nicholas Darren Nugroho · Ivan William Lianata Data Science, Universitas Bina Nusantara

Downloads last month: -; Downloads are not tracked for this model. How to track