Transcript
xoFr5JRAEVo • Webinar 101 Prediksi Longsor dan Banjir Menggunakan Metode ANN berbasis Sistem Informasi Geografis
/home/itcorpmy/itcorp.my.id/harry/yt_channel/out/EcoEduid/.shards/text-0001.zst#text/0135_xoFr5JRAEVo.txt
Kind: captions Language: id jadi awalnya saya mengikuti pelatihan eked ini memang dari grup-grup di alumni ya mbak ya pernah ikut pelatihan ini cerita mereka itu sungguh bisa dianggap menarik ya karena mereka pengetahuan mereka tentang yang pengin mereka ketahui itu meningkat gitu ya kemudian skill-skill yang dihasilkan dari hasil pelatihan itu juga cukup bisa dilihat begitu ya terasa gitu manfaatnya di kami terutama untuk e Para konsultan yang memerlukan tenaga perang ahli sehingga saya memilih ekoedu dan sempat mengikuti pelatihannya juga dan itu terbukti benar gu nah saya lihat Instagram itu ada Ed ya yang ak menarakan pelatihan nah di situ juga saya baca-baca terlebih dahulu ya terkait tentang informasi yang diediakan oleh bu Nah Menurut saya itu menjadi hal yang membuat tertarik untuk UN pelatihan diitu jadi saya sering lihat di Instagram gitu Bagaimana ekidu menyampaikan informasinya ekedu itu bagus karena ptianptiya itu selalu terginiing terus mengikuti zaman dan juga pelatihnya atau mentornya itu bagus-bagus dan terbaiklah di [Musik] bidangnya Iya eh yang pertama memang Tentu saja Ini meningkatkan dan memsimalkan skill-skill yang saya harapkan begitu ya pertemu dalam penimpinan dokumen anddal E pund saya jadi bisa lebih produktif lebih efektif juga ee punya update Gitu ya update update persoalan-persoalan dalam penyusan da terkini dari ahlinya langsung di lapangan begitu yang pengalamannya Tidak diragukan menurut saya pelatihan yang disediakan u ini sangat bermanfaat sekali dan mudah untuk aksesnya jadi ada teknologi terbaru yang saya dapat yaitu di e-learning ya itu luar biasa pempelajarinya juga mudah sekali untuk dipahami Alhamdulillah bisa mengikuti dan juga menambah ilmu pengetahuan yang banyak [Musik] banget Eh e-learning ini memang di memang sangat diperlukan sekali ya terutama untuk kita yang dengan keterbatasan pengetahuan kemudian juga waktu mungkin eh itu memberikan kita kesempatan untuk kembali mengingat kembali mendengarkan paparan-paparan yang mungkin kurang jelas kemudian juga kita bisa mengulang sesering mungkin yang kita inginkan kita juga bisa review kembali sehingga belajar kita bisa lebih efektif dan efisien eLearning itu membantu sekali ketika pada saat penyampaian materi ada yang ketinggalan gitu ya jadi E saya bisa lihat materi itu di sangat membantu Mbak Jadi saya eh ambil materi terus lihat video yang bisa diakses kapan aja dan di mana aja [Musik] 4 juta dengan informasi yang kami peroleh itu jauh dari katas padan sebenar jadi apa namanya ya Kalau saya bilang terlalu murah itu se jadi sepadanlah ini menurut saya sepadan Bu karena memang e pelatihannya ini pun sangat membantu ya dalam menyelesaikan satu pekerjaan yang ada di sekitar lingkungan saya sendiri gitu nah saya kira seempatkan sesuailah dengan apa yang [Musik] didapatkan eh KTP efektif tepat dan profesional hemat cermat dan Hebat Keren profesional dan juga keedinian [Musik] pengembangan sumber daya manusia adalah bagian dari proses dan tujuan dalam pembangunan indonesia upaya membangun sumber daya manusia yang berkualitas salah satunya dapat dilakukan melalui pelatihan ekoedu hadir sebagai platform pelatihan lingkungan hidup yang bertujuan untuk meningkatkan kinerja dan kualitas sumber daya [Musik] manusia saat ini kami memiliki 15 paket pelatihan yaitu persetujuan teknis air limbah persetujuan teknis emisi udara persetujuan teknis limbah B3 penyusunan dokumen klhs penyusunan dokumen rpph pemodelan kualitas air sungai pemodelan dispersi udara pemodelan air tanah life cycle assessment perhitungan emisi gas rumah kaca pengelolaan banjir dan sedimentasi Sungai perancangan dan pemilihan insenerator sampah dan B B3 pemantauan kualitas udara dan air menggunakan sensor pelatihan sistem informasi geografis dan pelatihan remote sensing alumni pelatihan kami sudah lebih dari 2.500 orang yang berasal dari seluruh Indonesia pelayanan kami terbuka untuk perusahaan pemerintahan perorangan ataupun pemerhati lingkungan ekoedu selalu berusaha menyajikan pelatihan yang berkualitas dengan menghadirkan pengajar yang berpengalaman memberikan pengalaman langsung dengan praktikum dan eLearning yang dapat diakses di Manun jadi awalnya saya mengikuti pelatihan ini memang dari grup-grup di alumni yaak ya perah ikut peltian ini cerita mereka itu sungguh bisa dianggap menarik ya karena mereka pengetahuan mereka tentang yang pengin mereka ketahui itu meningkat gitu ya kemudian skill-skill yang dihasilkan dari hasil pelatihan itu juga cukup bisa dilihat begitu ya terasa G manfaatnya di kami terutama untuk e Para konsultan yang memelukan tenanga penangan sehingga saya memilih ekedu dan sempat mengikuti pelatihannya juga dan itu terbukti benar nah saya lihat Instagram itu ada ya yangaran atihan nah di situ juga saya baca-baca terlebih dahulu ya terkait tentang informasi yang disediakan olehu nah Menurut saya itu menjadi hal yang membuat tertarik untuk UN pelatihan gitu Jadi saya sering lihat di Instagram gitu Bagaimana idu menyampaikan informasinya ekedu itu bagus karena perhatian-pti itu selalu tergini terus mengikuti zaman dan juga pelatihnya atau mnya itu bagusbagus dan terbaiklah di [Musik] bidangnya Iya e yang pertama memang Tentu saja Ini meningkatkan dansimalkan skill-skill yang saya harapkanitu Yat dalam penyusunan dokumen saya jadi bisa lebih produktif lebih efektif juga punya update Gitu ya updateupdate persoalan-persoalan penan terkini dari ahlinya langsung di lapangan begitu Yang pengalamannya tidak dihagukan menurut saya pelatihan yang disediakan ini sangat bermanfaat sekali dan mudah untuk aksesnya jadi ada teknologi terbaru yang saya dapatu di earning ya itu luar biasaelajar juga mudah sekali untuk dipahami Alhamdulillah bisa mengikuti dan juga menambah ilmu pengetahuan yang banyak [Musik] banget e earning ini memang di memang sangat diperlukan sekali ya terutama untuk kita yang dengan keterbatasan pengetahuan kemudian juga waktu mungkin E itu memberikan kita kesempatan untuk kembali mengingat kembali mendengarkan paparan-paparan yang mungkin kurang jelas kemudian juga kita bisa mengulang sesering mungkin yang kita inginkan kita juga bisa kembali sehingga belajar kita bisa lebih efektif dan efisi itu membantu sekali ketika pada saat penyaian jadi ada yang ketinggalan gitu ya jadi E saya bisa lihat materi itu di sangat membantu Mbak Jadi saya eh ambil materi terus lihat video yang bisa diakses kapan aja dan di mana [Musik] aja 4 juta dengan informasi yang kami peroleh itu jauh dari katas padan sebenarnya jadi apa namanya ya Kalau saya bilang terlalu murah itu seb jadi sepadanah ini menut sepadan Bu karena memang pelatihannya ini pun sangat membantu ya dalam menyelesaikan satu pekerjaan yang ada di sekitar lingkungan saya sendiri gitu Saya kira Sepatan sesuailah dengan apa yang didapatkan [Musik] ekppp efektif tepat dan profesional hat cermat dan hebat keren profesional dan juga [Musik] kekinian baik asalamualaikum warahmatullahi wabarakatuh Selamat siang Bapak Ibu dan rekan-rekan sekalian Selamat datang kembali di webinar ekoedu yang ke-101 saya ucapkan terima kasih kepada bapak ibu semua yang sudah selalu setia untuk mengikuti acara webinar kami ini baik untuk hari ini webinar Fu akan mengangkat tema prediksi longsor dan banjir menggunakan metode anm dan analisis lahan kritis berbasis sistem informasi geografis Perkenal Din yang akan bapak bapak ibu semua sebelum memulai webinar pada siang ini alangkah baiknya kita berdoa bersama-sama sesuai dengan agama dan kepercayaan masing-masing berdoa dipersilakan Berdoa selesai untuk acara selanjutnya Mari kita menyanyikan lagu Indonesia Raya secara bersama-sama diharapkan kepada bapak dan ibu untuk duduk tegak [Musik] [Tepuk tangan] [Musik] [Tepuk tangan] [Musik] Baik bapak ibu semua Izinkan saya mempromosikan tiga pelatihan dalam waktu dekat ini yang akan diselenggarakan oleh kami yakni yang pertama ada pelatihan pengolahan banjir dan sedimentasi Sungai menggunakan haras yang akan dilaksanakan pada tanggal 10 sampai dengan 14 Februari 2025 kemudian dilanjutkan dengan pelatihan pemodelan dispersi udara air mod kalp dan high split Eh pada tanggal 24 sampai dengan 28 Februari 2025 eh lalu dilanjutkan dengan pelatihan penunjang Dokumen Amdal dan slo yang akan dilakukan pada tanggal 17 sampai dengan 21 Februari 2025 eh Adapun bapak ibu jika melakukan pembayarannya hamil sat pelatihan maka bapak ibu akan mendapatkan diskon 10% dari biaya investasi untuk informasi lebih lanjut dapat menghubungi admin kami Bapak Ibu juga bisa mengunjungi sosial media kami yakni ada Instagram youtube channel Facebook dan juga website resmi kami yaitu. dan juga bak ibu yangs mendaaraks [Musik] ekoedu.co. selain itu juga kami terdapat inhouse training yang dapat dilakukan secara offline sesuai dengan permintaan dari instansi dan perusahaan Bapak dan Ibu semuanya Kami tunggu Bapak dan Ibu di pelatihan eh selanjutnya kita akan langsung masuk pada kegiatan utama kita di mana webinar kali ini kita akan berdiskusi mengenai prediksi longsor dan banjir menggunakan metode Ann dan analisis lahan kritis berbasis sistem informasi geografis dan di sini kami telah menghadirkan narasumber yang sangat kompeten di bidangnya untuk memberikan materi dan wawasan yang bermanfaat ini Baik perkenankan saya memperkenalkan narasumber kita hari ini yaitu Dr Teguh Nurhadi suharsono STMT beliau merupakan Wakil Rektor 1 Universitas sanggaabuana em dan kebetulan Pak Tegu sudah ada di dalam ruangan Zoom Selamat siang kepada Pak Tegu siang Terima kasih semuanya I Bagaimana pak kabarnya Pada siang ini alhamdulah luar biasa baik sekali Terima kasih untuk undangan sebagai pembicaranya hari ini i terima kasih juga kepada Pak Tegu sudah bersedia ee baik Sebelum kita mulai Izinkan saya menyampaikan dulu beberapa teknis untuk pemaparan dilaksanakan selama 1 Seteng jam kemudian dilanjutkan dengan sesi tanya jawab menggunakan aplikasi slidu dan dilanjutkan dengan sesi tanya jawab secara langsung baik untuk mengefektifkan waktu saya serahkan ruangan Zoom ini kepada PBU dan kepada Bapak Ibu semuanya Selamat mengikuti acara webinar ini Baik terima kasih Bapak Ibu semuanya untuk ini Alhamdulillah ya kita semua bisa hadir hari ini luar biasa sekali ada 58 ya 87 peserta yang hari ini hadir dan Terima kasih untuk eh undangannya dan Insyaallah kita akan eh banyak berdiskusi ya nanti Bapak Ibu di mana saya memberikan materi hari ini berkaitan dengan prediksi long dan bangkit menggunakan metode Ann dan bagaimana akhirnya kita juga ada satu lagi materi berkaitan dengan analisis lahan kritis dalam hal ini kita bisaeleksi eh berdasarkan data-data yang ada keseluruhan eh nanti analisis berbasis sistem informasi geografis baik Bapak Ibu nah Sebelumnya saya bicara eh bencana dulu ya Bapak Ibu karena ini e merupakan hal yang menurut saya ini sebagai pengantar kita untuk melihat banjir longsor maupun lahan krus ini jadi bencana adalah rangkaian peristiwa yang dapat mengganggu dan menghambat keberlangsungan hidup makhluk e hiup dari makhluk itu sendiri bisa terjadinya adanya kerugian materi kerusakan lingkungan hidup dampak psikologis bahkan korban jiwa nah di dalam bencana ini kita bisa melihat ada dua kategori ada alam dengan non alam n kalau alam ini berasal dari peristiwa seperti adanya gempa bumi gunung meletus gitu ya tunami banjir kekeringan atau angin topanang alam itu berarti berkaitan dengan adanya tindakan dari manusia terjadinya pandem teknologi atau kegagalan modernisasi nah menurut undang-undang 24 tahun 2007 tentang penanggulan bencana jadi ada tiga hal yang dilihat yaitu bencana alam tadi ada nonalam dan sosial ini menurut undang-undangnya jadi bencana yang disb peristiwa Alang tadi ya Ada juga bencana non Alang tadi kegagalan berasi nah ditambah tiga adalah bencana sosial nah bencana S benc Dis oleh tindakan manusia seperti konflik sosial antar komunitas terorisme atau perang Jadi dapat disimpulkan benana adalah suatu perisaiamis nonam atau sosial yang menganc membayakan kehidupan dan ke Hi sebuah masyarakatc ini menyebabkan kehilangan benda kerusakan lingkungan bahkan ekosistemnya nahc kumpulan peristiwaam yang mengancam dan menggang kidupan masarakat tadi kita ini pengerjaan lain tentang bencana alam nah salah satunya apa yaitu banjir nah banjir ini merupakan suatu keadaan di mana suatu permukaan atau daerah tergenang oleh air dengan jumlah air yang sangat banyak menurut Badan Nasional penanggung ulangan bencana sudah tercatat bapak ibu ada 1718 peristiwa bencana alam yaitu mulai dari 1 Januari sampai 8 Juni 2023 ini yang terakhir kita dapatkan dari 2023 nah sampai sa ini Banjir masih menjadi bencana alam yang paling banyak terjadi di Indonesia dengan 652 kejadian atau 37,95% dari total bencana alam nasional nah dalam hal ini kita melihat terjadi kecendurungan untuk setiap tahunnya dampak perubahan iklim lah yang terjadi yang memberi banyak Eh perubahan bagi kehidupan manusia contohnya peningkatan jumlah bencana hidromologi dan kerusakannya ada indikator oleh badan meteorologi dunia untuk mikasi peruban iklim yaitu terjadinya kenaikan suhu peningkatan curah hujan yang signifikan pergeseran musim yang signifikan dan perubahan jumlah curah hujan Nah masalah banjir ini akan meningkat di kenar karena cuaca ekst yang semakin meningkat secara geografis kita melihat bahwa Indonesia ada di Ring of Fire yang merupakan pertemuan tiga lempeng tonik yaitu lempeng indoaustralia lempeng orasia dan lempeng Pasifik sehingga intensitas bencana alam di Indonesia sangat tinggi nah Indonesia sebagai negara kepulauan dengan topografi yang beragam menghadapi berbagai tantangan terkait adanya bencana alam itu sendiri salah satunya juga adalah tanah longsor nah tanah longsor ini merupakan fenomenologi yang dapat disebabkan oleh berbagai faktor termasuk curah hujan yang tinggi dan pergerakan tanah yang tidak stabil kalau tadi kita bicara banjir n sekarang tentang tanah longsor adalah salah satu jenis gerakan masa tanah atau batuan atau kombinasi keduanya yang menuruni atau keluar dari lereng akibat terganggunya kestabilan tanah atau batuan yang membentuk lereng tersebut pada saat ini ada peneliti yang mengatakan ada 1725 kejadian tanah loser Jawa Barat dari tahun 2014 hingga Nah ada lain berkaitan dengan bencana banjir adalah kita melihat padatnya penduduk dan adanya dekat eh daerah aliran sungai itu sendiri Nah nanti kita aliran sungai ini tentang lahan kritis kita eh bahas di yang berikutnya gitu ya nah jadi tadi sudah banyak ya banjir sering menimbulkan kan besariki sosial lingungan maupun kerugian nah dalam hal ini ada dua eh daerah yang menjadi bahan karena datanya yangersedia yaitu Kabupaten Karawang Dan nanti untukor berkaitan dengan ehab Kabupaten Purwakarta jadi kita melihat dari Kabupaten Karawang ini memiliki topografi yang rentan terhadap banjir dan dampaknya semakin dipera oleh perubahan iklim yang mengbatkan fluktuasi curah hujan yang sulit dipr secara dalam hal ini jumlah air yang jatuh di permubangan tanah dasar selama periode tertentu diukur dengan satuan tinggi mm di atas pembakan horizontal yang disebut sebagai C hujan Nah airir hujan yang jatuh dari ketinggian di tempat yang permukan datar sehingga tidak ada yang meresap mengalir maupun menguang nah curah hujan diukur menggunakan peralatan meteodologi diantaranya bisa memakai alat pengukur hujan yang B manual bisaum atau alatattis helm C Huan Berarti ada jumlah airtinggi 1 l atau di Su area 1 Mat yangah di tabel berikut ini menunkan klasifikasujkan standar internasional yang ditbat oleh World meteorological organization di mana Kalau kriteria hujan sangat ringan itu kurang dari 5,0 mm dalam intensitas hujan 24 jam dan intensitas hujan dalam mm/jam itu kurang dari 1 mm Nah kalau sangat lebat itu lebih dari 100 mm sedangkan per jamnya adalah lebih dari 20 mm nah dan sedangkan banjir itu sendiri bagaimana akhirnya eh menjadi kita klasifikasikan berdasarkan asal sumber air yaitu banjir lokal di mana tidak adanya sistem drinase yang memadai dan tingkat hujan yang ekstrm menyebabkan terjadinya banjir lokal nah banjir lokal ini bersifat setempat sesuai luas sebaran dari hujan lokal itu sendiri kalau ada saluranas tidak berfungsi dengan benar maka banjir ini semakin parah karena terersumpat di dalamnya dan mengurangi kapasitas saluran ada juga disebut dengan banjir kiriman di mana peningkatan debit air sungai yang mengalir menyebabkan banjir kiriman ini menjadi lebih parah karena kiriman dari daerah atas sebagan besar adanya bertambah luas daerah terbangun dan perubahan koefisien aliran di daerah tangkapan sehingga semakin banyak air yang mengalir kep permukan sementara semakin sedikit air yang meresap ke Tan kalau berdasarkan jenis air ada yang disebut dengan banjir air di mana ini karena terjadi selokan atau sungai atau danau meluap sehingga air meluap dan mengendangi darat tanah hujan terus-menerus menyebabkan sungai atau danau tidak lagi mampu menapuk air ada juga yang disebut dengan banjir cilenang artinya banjir dadakan atau banjir yang langsung terjadi saat Hujan tiba karena air hujan yang sangat banyak tidak bisa mengalir secara melalui saluran atau selokan di sekitah rumah warga nah Banjir cilenang Ini akhirnya terjadi karena Karen air hujan yang sangat banyak tidak bisa mengalir melalui saluran atau selokan ada juga disebut dengan banjir Banda yaitu banjir ini mengangkut lumpur jadi lebih berbahaya daripada banjir air karena banjir bandang dapat menyapu dan menghanyutkan Apun karena air hujan mengalir ke daatan yang lebih rendah dan membuat tanah pegunungan terlihat longsor banjir ini biasanya terjadi daerah yang dekat dengan pegunungan ada juga yang disebut dengan banjir ya banjir yang disebabkan oleh air laut yang pasang jadi air laut ini menahan air sungai yang menupuk yang pada akhirnya dapat menjebul tambul dan menggenangi daratan ada juga banjir lahar dingin ini terjadi karena gunung berapi meletus dan mengeluarkan lahar dingin dari puncak gunung dan mengarik ke daratan di bawahnya nah alardin ini mendanggalkan Sungai memungkinkan air sungai meluap dengan mudah dan meluber ke pemukaan kbemungkinan penduduk kita lihat penyebab banjir adanya curah hujan jadi pada musim penghujan curah hujan yang tinggi akan menyebabkan banjir di sungai banjir atau genangan akan terjadi jika curah hujan melbihir Teb sungai ada juga karena erosi dan sedimentasi jadi erosi di aliran an sungai yang berdampak pada kapasitas penampungan sungai karena tanah yang tererosi yang dibawah air hujan ke sungai akan mengendap menyebabkan sedimentasi yang mengurangi kapasitas sungai dan menyebabkan banjir ada juga karena kapasitas sungai jadi adanya erosi dasar sungai dan tebing sungai yang berlebihan akibat kurangnya vegetasi penutup menyebabkan kapasitas aliran banjir Sungai menurun dan juga karena pendangkalan sungai ini adanya endapan lungkur dari tempat yang lebih tinggi atau tempukan sampah akhirnya air Dar di badan Sungai meluap karatan atau adanya hilangnya lahan terbuka ketika hujan turun air tidak dapat diserap karena kurang area untuk penyerapan dan mengalir begitu saja terutama ke daerah pemukiman nah ini penyebab yang lain adalah tentunya kita tahu ya sampah yang dibuang sembarangan jalur sungai dan jaringan drinase yang meninggikan muka air dan menghambat aliran air menyebabkan banjir danakan air nah dari hal yang kita lihat berkaitan dengan banjir ataupun e tentang longsur itu sendiri Eh saya menggunakan metode artifici neal Network untuk memprediksi Kapan eh berapa lagi gitu terjadinya longsor maupun eh banjir itu sendiri Nah nanti kita bisa lihat tujuannya buat apa gitu ya dalam jadi kita sebut artifis neeral Network itu sebagai jaringan sarf tiuan di mana Eh prosesor tersebar paralel yang sangat besar biasa menyimpan informasi pengalaman dan membuat siap untuk digunakan tahun3 mol dan itu memperkenalkan jaringan sarfiwan mereka menyebutkan bahwa sebuah sistem mineral dapat ditingkatkan kemampuan komutasinya dan terbentuk dari kombinasi beberapa neur sederhana atau ada yang mengatakan bahwa jaringan Saran adalah sistem pemrosesan informasi yang dirancang untuk menirui cara otak manusia bekerja salah satu struktur yang ingin ditiru adalah bentuk Nar Kebetulan saya ambil dari penilitian saya yang lain ya Jadi pada dasarnya jaringan saruan merupakan mod model komputasi yang terdiri dari kumpulan unit pemosesan disebut buatan atau ne biologis yang ada dalam otak manusia juga neon buatan ini saling terhubung untuk membuk suatu jaringan jadi seap akan input melakukan komputasi pada inputan tersebut laluasilkan outp nah terdiri banyak dan memiliki struktur terdiri dari beberapa lapisan disebut sebagai garinganar struktur Sar itu sendiridiri Daris ada input ada layer atpisanaran nah lapisan input dalam hal ini dia akan menerima data inputan yang diproses jaringanemud Hi l inian m presan internal untuk mempelajari pola dan hubungan dalam data lapisanersembunyi berada di anara lapisan masukan inutan dan keluaran nah sedangkan lapisan keluaran atau output layer Ini menghasilkan hasil akhir atau sebuah prediksi dari jaringan nah jaringan sarafan ini digunakan untuk menghitung suatu nilai yang disebut Real Time atau nonine series di bidang elektronika atau hidr atau manuur dan paramer Hiden layer input layer maupun output layer ini ada yang berpengaruh terhadap kinerja aral ne itu sendiri ya disebut dengan lening r dan fungsi aktivasi di dalam parameter sebagai limited ini menentukan seberapa banyak bobot dan bias yang diaruhi pada skat Mir dalam jaringan selama proses pelatihan nah learning rate ini mempengaruhi seberapa cepat atau lambat jaringan sarf belajar selama pelatihan jadi learning rate ini terlalu kecil maka waktu yang dibutuhkan untuk mencapai sebuah konvergensi akan lebih lama sedangkan jika leming rate-nya terlalu besar maka jaringan saraf dapat mengalami overing dan kesulitan mencapai konvergensi karena itu Pemilihan learning rate tepat sangat penting dan diperlukan dalam pelatihan pada jaringan saraf untuk mencapai hasil yang optimal kemudian Kara tentang evolve itu adalah menemukan jumlah lerasi tertinggi yang mungkin untuk perubahan bobat pada jaringan dan nilai MS ini semakin rendah seiring dengan jumlah iterasi itu sendiri sedangkan kita sebut fungsi aktivasi adalah fungsi matematik yang menggunakan data input untuk menghasilkan output yang diinginkan nah fungsi aktivasi ini mempengaruhi bagaimanaeron dalam jaringan saraf beroperasi dan membantu dalam mengelola data input yang kompleks dan non beberapa jenis eh fungsi aktivasi berkaitan dengan function ini membantu mengubah input menjadi output yang berada di anara ini membantu mengubah input menjadi output yang berada di antara1 dan 1 ru ini function membantu mengubah input menjadi output yang berada di atas atau di bawah function ini merupakan FSI varian dari yang munyai kemampuan yang lebih baik dalam mengol data input yang berbanding nega nah dalam hal ini kenapa dipilihn ini memiliki banyak keunggulan yaitu kemampuan memodelkan hubungan nonlinear jadi mampu menangkap dan memodelkan hubungan nonlinear yang kompleks antara variabel input dan output sehingga dapat digunakan untuk data yang fisat kompleks dan tidak terbatas pada masalah ini juga menjadi pembelajaran dari data jadi dia bisa belajar dan menyelesuaikan bobot berdasarkan data pelatihan jadi lebih fleksibel dan aditif terhadap berbagai jenis data kemudian juga mampu melakukan generalisasi dengan baik dan memberikan prediksi yang akurat pada data baru ataupun masalah yang serupa Nah kita bicara eh studi kasas kita berkaitan dengani banjir di datanya berdasarkan Kabupaten Karawang Nah jadi bagaimana melakukan eh perancangan sebuah sistem mulai dari mengumpulkan data mengolah data kemudian dirancang model ann-nya kemudian dilakukan training dan testing dan akhirnya eh melihat prediksi banjir dan analisis hasil prediksi itu sendiri pertama yang dilakukan adalah melakukan pengan data curah hujan dan banjir nah ini diperoleh data banjir dari tahun 2021 dan 2004 yang diperoleh dari ehd Kabupaten Karawang Dan curujan dioh dari badan P STK untuk pengolana ooleh dari BPPD ini mengalami proses pengolahan data nah pengolahan data itu mulai dari cining data dan normalisasi data data Kin ini akan membantu mengatasi masalah adanya data yang hilang adanya data yang duplikat ataupun data anomali yang dapat mempengaruhi tingkat akuransi hasil analisis kemudian dilakukan normalisasi data ini merupakan proses transformasi adanya nilai dari dataset sehingga rentang atau skala dari setiap variabel menjadi sama nah dalam tahap normalisasi Inilah banyak se yang bisa kita gunakan mulai dari minmax normalization dan Min normalation bertujuan untukkalakan nilai variabel ke dalam rentang yang misalnya 0 dan kemudian dirancang modeln ke dalam bentuk dan pola yang digunakan eh kasus ini gitu ya kemudian ada training testing Ini menggunakan data C hujan dan data banjir dipelajari pola datanya dan Mangun modelnya bagaimana melakukan prediksi terjadinya banjir kemudian dalam hal ini Prediksi banjir digunakan tentunya eh metode Ann kemudian dilakukan analisis hasil prediksi Bagaimana ee untuk melatih model yang telah ada nah bicara datasetnya jadi data setnya di didapat dari data curah hujan per bulan dan kejadian bencana banjir per bulan nya ini dari BPBD kabupaten Karawang dan sekali lagi dari Badan Pusat Statistik untuk data curah hujan ini gambaran dari eh data curah hujan dari 20212024 untuk 2024 Eh ada 6 bulan hanya sampai Juni yang diperoleh dari 2024 ini ini beberapa e data curah hujan Nah ini grafik dari data curah hujan tersebut Nah jadi berdasarkan tabel dan grafik di atas yang barusan untuk data curah hujan ini ee bahwa di tahun 2023 yang terkecil adalah di bulan September yaitu 18 mm sedang curah hujan tertinggi ada di 2021 pada bulan November yaitu 454 mm nah ini data banjir di Kabupaten Karawang dari 2021 sampai 2024 di mana jumlah kejadian banjir 2021 itu ada 106 2022 itu 59 2023 itu 57 dan 2024 itu adalah 60 ini grafik banjir berdasarkan ee bulanan di Kabupaten Karawang nah di dalam hal ini berdasarkan tabel dan grafik tersebut ada banjir tahunan terkecil ada di 57 kali itu di tahun 2023 sementara ee banjir tahunan tertinggi di tahun 2021 yaitu 160 106 kali Nah tadi setelah eh apa melakukan apa pendataan pengolahan data dilakukanlah normalisasi sehingga berdasarkan data curah hujan dan data banjir setelah normalisasi adalah seperti ini di data curah hujannya dinormalisasi misalnya 146 menjadi 0,294 nanti dijelaskan eh untuk eh codingan dari normalisasi itu sendiri sampai banjir pun dilakukan normalisasi ini hasil normalisasinya nah tahap berikutnya setelah dilakukan normalisasi adalah merancang model ann-nya itu sendiri jadi bagaimana kita tetapkan struktur an untuk menentukan jumlah neuron pada input layer hidden layer maupun output layer itu sendiri kemudian kita lakukan inisialisasi bobot dan bias yang diperlukan oleh Ann kemudian lakukan pemilihan tingkat pembelajaran yang tepat untuk melatih Ann kemudian menetapkan faktor momentum serta jumlah iterasi pelatihan kemudian melakukan fungsi aktivasi yang digunakan untemproses input menjadi Keluaran dan melakukan tahap verifikasi dan validasi atas desain an yang telah disusun ini rancangan annnyaendiri untuk memprediksi banjir di mana ada lapisan input 1 dan 2 ada lapisan tersemi dan outputnya jadi nilai variabel yang digunakan untuk prediksi atau peramaan disimpan di dalam lapisan input kemudian menggunakan curah hujan dan banjir sebagai variabel ada dua ya kemudian nilai input dipengaruhi oleh nilai bias padapbunyi yang menghubungkan lapisan input dengan lapisan output dan menunjukkan hasil prediksi akhir yaitu hasil prediksi banjir bulan Agustus 2024 sampai Januari 2025 ini untuk prediksinya senya nanti Kemudian untuk penentuan input layer digunakan pada pen ini adalah Eh tadi ya data cura hujan provinsi Jawa Barat bulan Januari Desember sampai 2024 di Kabupaten eh Karawang dan variabel hujan dipilih karena curah hujan menjadi faktor utama yang mengaruhi banjir Kemudian untuk penentuan hidden layer-nya kita banyaknya neren yang pada Hiden layer itu berpengaruh terhadap kinerja model neuralw jadi mulai dari satu Hiden layer dan didkatkan secara bertahap jadi X ini dilakukan S hingga t hidden layer nantinya ada hidden layer digunakan yaitu berjumlah 1 sampai 10 kemudian lakukan penentuhan EV jadi EV ini melakukan trend dan error pada sistem yang dijalankan jadi fo ini adalah menentukan berapa kali seluruh dataaset digunakan untuk melati model nah dalam hal ini dilakukan sampai 3.000 untuk mencapai hasil terbaik dengan akurasi tertinggi kemudian lakukan eh menentukan learning rate-nya Nah untuk learning rnya ini menentukan seberapa besar langkah yang diambil model dalam mengdate robotnya digunakannya adalah 0,01 Kemudian untuk banyak fungsi akasi yang digunakan ada ru function Tan function dan ru function ini nah ini untuk menentukkan fungsi aktivasi yang paling cocok untuk di datasetnya jadi dalam hal ini fungsi aktivasi digunakan ada ru kemudian lakukan penentuan parameter jadi dalam artificial Network ini selain mengatur masukan pada input layer juga penting menentukan parameter pada hidden layer nah ini untuk menentukan parameter pada Eh ini dengan melakukan uji coba berdasarkan pendekatan uji dan kesalahan yang disebut dengan trend and error nah setiap parameter akan diuji dan digabungkan satu persatu untuk mendapatkan hasil prediksi yang memiliki nilai dengan akurasi tertinggi yang kita sebut sebagai error paling kecil ini untuk menentukan eror nilai error paling kecil Nah dengan adanya trend error Inilah kita bisa mendapatkan hasil prediksi terbaik Nah pertama kita bagaimana untuk tren errornya menentukan parameter kita melakukan model 2 hidden layer jadi dibangun memiliki eh performal prediksi yang cukup baik pada data testing dengan R2 sebesar 51,3% ini akan menunjukkan model mampu menjelaskan lebih dari setengah variasi dalam data testing kemudian ada nilai R2 pangkat du ini adalah data latih yang hanya 29,7% yang mengindikasikan bahwa model mungkin belum sepenuhnya menangkat pola dalam data latih yang dapat menunjukkan adanya masalah underfitting jadi meskipun kesalahan prediksi yang diut dengan rsx sebesar 0 1994 real masih ada ruang untuk perbaikan terutama dalam menangani variasi yang lebih besar pada data latih jadi hasil t Ero 1 bisa dilihat pada gambar berikut ini hasil dari codingannya dan menghasilkan Min secure error root min secure error sampai r p 2 dan untuk data latih dan data tes kita akan Cek nanti untuk skenario data latih dan data testing Kemudian untuk yang memakai model 5 neron ini menunjukkan performa yang sangat baik pada data latih dengan nilai r p 2 sebesar 91,4% yang menunjukkan bahwa model mampu menjelaskan hampir seluruh variasi dalam data latih namun pada data testing nilai r pangkatnya sebesar 49,06% yang menunjukkan penurunan kemampuan model dalam menjelaskan variasi pada data yang tidak dilatihkan ini mengindikasikan kan overting meskipun nilai rmsc-nya sebesar 0,2 040 sekian itu menunjukkan bahwa kesalahan prediksi relatif kecil formal model pada detingnya bisa ditingkatkan untuk memastikan prediksi yang lebih akurat dan konsisten di luar data latih dan Dan inilah hasilnya jadi trend error du untuk eh penghitungan mse mse maupun R P2 data matingnya itu sendiri kemudian untuk model 1000 epok maupun 0,002 learning rate-nya itu sendiri ini menunjukkan performa yang cukup baik ini hasil eh apa pengujian terusmenerus gitu ya dengan R pangkat Dunya ada 68,8% pada data sessing yang menunjukkan bahwa model mampu menjelaskan seb besar variasi dan data yang tidak dilatihkan nah nilai r angangkat du pada data latih sebesar 49,2% yang menunjukkan bahwa model menangkap pola pada data latih dengan cukup baik meskipun ada ruang untuk perbaikan sedangkan adanya nilai rmse sebesar 0,1590 ini menunjukkan bahwa kesalahan prediksi Li kecil yang menindikasikan bahwa model mampu memberikan prediksi yang cukup akurat secara keseluruhan model ini dapat diandalkan untuk prediksi meskipun masih ada potensi untuk lebih meningkatkan kinerjanya nah berikutnya adalah setelah ler kitaent outp layernya jadi out ler ini dihkan dari model iniu berisilaiedik b unuk pereahe yang digun M dengan jumlah hing tahun sebelumnyaah di dalam data Pring tadi ini berjuan agarilai dariis kita lakukan yang disebut dengan min max normalization jadi menskalakan nilai variabel ke dalam rentang yang ditentukan misalnya 0 sampai dengan 1 nah dalam hal ini rumusnya adalah adanya data ee nanti menghasilkan data normalisasi di mana dari data asli dikurangi data terkecil dibagi data terbesar dikurangi data terkecil nah hasilnya seperti ee tadi ya adanya tabel hasil eh normalisasi data cura hujan maupun banjir gitu kemudian adanya denormalisasi ini mengembalikan nilai yang telah dinormalisasikan dengan skala tadi ya 0 atau1 dan 1 ini akan diubah ke Skala aslinya diperlukan untuk model machine learning unuk memprediksi bertujuan hasilnya nanti dapat diin ke dalam konteks yang sebenarnya untuk normalisasi denormalisasi sendiri adamalisasi dikali nilai maksimal data asli dikurangi nilai minimum data asli ditambah nilai minimum data asli itu sendiri Nah untuk tadi yang kita sebut data training dan data testing kita lakukan tiga skenario yang di mana skenario pertama adalah untuk data trendingnya adalah 75% untuk eh data testingnya 25% dan menghasilkan tadi seperti Eh tadi ya r p 2 dan sebagainya untuk data maupun data eh testingnya untuk data ujinya juga nah untuk SK kedua adalah membagi untuk data trainingnya 80% dan 20% data testing ter skenar ketiga artinyai menjadi 70% data training 30% data testing Nah kita lakukan tiga setengar itu yang dilakukan dalam hal tadi trend and errornya untuk menentukan tadi mse maupun msp yang paling kecil nah berikutnya adalah dari hal eh pengetahuan kita tentang eh Ann tadi untuk pengelolahan data dan sebagainya kita lakukan eh untuk melakukan terhadap implementasi sistem dari prediksi itu sendiri sampai akhirnya untuk strategi pencarian model yang direncanakan pertama kita lakukan bangun model tadi sudah dilakukan dengan adanya dua eh inputan hidden layer maupun eh outputnya itu sendiri nah dalam hal ini eh pemrogramannya untuk pengolahan datanya menggunakan pyon ada beberapa library yang digunakan gitu ya pakai Pandas untuk Manul data untukiknya pakai untukelnya menyimpan model yang telah Dila nah beberapa yang saya jelaskan berikut yang digunakan di dalam Python itu sendi sebagai bahan Kenapa tadi mengeluarkan ee Apa hasil seperti itu Nah dalam hal ini pertama untuk persiapan data untuk eh datanya itu sendiri tadi sudah dijelaskan ya tentang data curah hujan dan kejadian banjir di Kabupaten Karawang kita menggunakan datanya dibaca melalui file csv Ini nah pakai fungsi PD re csp dari pustaka Pandas dan dia akan mengambil kolom di di dalam tadi ada bulan ada curah hujan dan banjir gitu untuk memastikan kualitas data baris yang mengandung nilai kosong daradaolom bulan akan dihapus Menggunakan fungsi Dr nah seperti ini jadi kalau ada yang kosong omatis kan kalau bulan kosong pasti Datanya juga kos berikutnya dilakukan normalisasi data yang tadi sudah menghasilkan jadi eh menggunakan metode Min dengan rumus tadi akhirnya dikembangkan di dalam pemogramannya adalah seperti ini gitu ya Ada fungsi untuk min max Normal Di mana sebagai parameter adalah kolom kemudian lakukan arsitektur model jaringan untuk jaringan Sar Ini pertama ada du neon untuk lapisan input untuk curah hujan dan kejadian banjir sebelumnya ini ada curah hujan dan banjir eh dan berikutnya ada lapisan tersembunyi ada 10 neuron iniden dinya kemudian ada outputnya ada satu neuron yang fungsinya nanti memprediksi nilai kemungkinan pada bulan-bulan Berikutnya ini seperti ini fungsi yang digunakan nah lakukan inalasi fungsi aktivasi di mana fungsi Akas ini adalah untuk meningkatkan kinerja model jaringan saraf tiuan tersebut tadi Eh dalam hal ini kita menggunakan Bagaimana pengaruh aktivasi ini dalam sinyal yang diproses Danon kemudian regularisasi berfungsi untuk menghindari overting Nah pertama kita gunakan aktivasi linear unit pada lapisan tersembunyi dalam jaringanwan kemudian aktivasi linear ini untuk eh masalah regresi di mana outputnya adalah nilai ktinu jadi memungkinan jaringan untukemediksi nilai kontin yang memprestasikan intensitas banjir kemudian melakukan regularisasi Drop Out ini menggunakan ee fungsi-fungsi tadi fungsi tiga fungsi itu ada relw ada relw Der aktif Ada linear kemudian Bagaimana ada linear direct aktif maupun Drop Out sekali lagi untuk mencegah overfitting sehingga eh mengurangi ketergantungan model pandan orang ter kemudian kita lakukan evaluasi dari model tersebut jadi setelah pelatihan selesai model dievaluasi menggunakan data testing yang dipisahkan dari data pelatihan jadi menggunakan eh main Square error maupun root main Square eror dan bagaimana koefisien dari determinisasi dari R P2 nah r p yang lebih tinggi menunjukkan bahwa model memiliki kemampuan prediksi yang lebih baik nah iniodingannya adalah seperti ini bapak ibu ini sebagai pengetahuan saja bagaimana ee di dalam pemrogramannya dilakukan tadi konsep-konsep yang sudah dijelaskan di awal kemudian berikutnya adalah penyimpan model jadi sehingga ee dalam hal ini kita bisa menyimpan model terbaik yang diperoleh selama laatihan agar model yang telah dilatih tidak perlu dilatih ulang dan dapat digundahkan kembali pada masa mendatang untuk prediksi data baru Nah bobat bias terbaik dari Jar menggunakan pustaka piikel dalam format file.pkl nah seperti ini nah kemudian implementasi aplikasi kita gunakan berbasis web gitu untuk memprediksi intensitas banjir berdasarkan data Ceka hujan Nah itu sendiri pakai membangunnya dengan framew plus dan ini memang eh Bapak Ibu kalau dilihat eh masih sederhana dan masih efisien jadi masih terbatas Bagaimana memprediksi di bulan berikutnya akan terjadi banjir berap berapa gitu ya sini Sehingga dalam hal ini pertama iniisasi aplikasi ini untukelola dan Perman dari apasi web kemudi ada fsiormalisasi ini untuk mengambikan nilai prediksi yang sebelumnya telah dinorisasi ke Skala aslinya hasilnya supaya bisa diasikan secara langsung dalam konteks data banjir dan curah hujan yang sesungguhnya kemudian ada memuat model terbaik tadi jadi kita eh simpan tadi model terbaik dalam base model kemudian eh hasilnya kita berbentuk informasi yang tentang normalisasi dan datanya itu sendiri yang sudah ada di tabel yang sudah dijelaskan sebelumnya kemudian ini untuk prediksi 6 bulan ke depan di mana ee prediksi ini dilakukan secara berulang di mana hasil prediksi bulan sebelumnya digunakan sebagai input untuk prediksi bulan berikutnya juga sehingga memungkinkan model memprediksi bola banjir secara berkelanjutan Nah untuk rute utama aplikasi ini pakai eh HTML jadi langsung di ee jalankan kemudian ada rute prediksi ini untuk melakukan prediksi banjir selama 6 bulan ke depan ini pakai dataaset yang digunakan sebagai input awal tadi ini bentuk e codingannya kemudian ases skenario tadi untuk mse ada sebesar 0,037 dan root min Square errornya itu ada 0,0 61 menandakan rata-rata kesalahan prediksi sangat kecil jadi untuk prediksi ini juga dihitung tingkat akurasinya bagaimana untuk menunjukkan kesalahan prediksinya yang sangat kecil Kemudian untuk nilai r square-nya yaitu 0,94 untuk data latih dan 0,9543 untuk data testing menunjukkan model mampu menjelaskan lebih dari 94% variabilitas data baik pada data Lati maupun data testing ya perbedaan kecil antara R2 data latih dan data testing mengindikasikan bahwa model tidak mengalami overfitting dan memiliki kemampuan generasi yang baik terhadap data baru kemudian hasil lain untuk MSC yang 0,0142 maupun 0,1 1191 ini rata-rata kesalahan prediksi mod sedikit lebih tinggi dibandingkan hasil sebelumnya nah kemudian r2-nya ini adalah 0,901 untuk data latih menunjukkan bahwa model mampu menjelas sekitar 90% variabilitas data latih yang menunjukkan performa yang cukup baik nah kemudian untuk r p dari data Eh ini turun menjadi 0,8001 yang berarti model hanya dapat menelasan sekitar 80% Sebelumnya kan 94% untuk variab dat testingnya perbed ini menunjukkan bahwa model mungkin mengalami sedikit overfitting di mana model lebih baik dalam memprediksi data yang sudah Dapi tetapi kurang optimal saat diaplikasikan pada data baru kemudian skenario eh berikutnya adalah untuk msc-nya ada 0,0265 dan msc-nya adalah 0,1628 berarti rata-rata kesalahan prediksi model ini cukup signifikan denganang nilai r square-nya ini adalah 0,5974 untuk data latih menunjukkan model hanya mampu menjelaskan sekitar 59,74% variabil datati yang meningalkan bahwa model ini tidak terlalu kuat dalam memprediksi data latih nah R Square ini lebih tinggi yaitu 0,6497 menunjukkan bahwa model mampu menjelaskan sekitar 64,97% variabilitas data tes nah nilai r Square pada data t ini lebih baik dibandingkan data latih ini menunjukkan bahwa model Memiliki keterbatasan dalam menjelaskan varias data secara keseluruhan baik pada data la maupun pada data testing ini menginikan B model mungkin masih perlu dioptimalkan atau menggunakan an fitur tambahan untuk meningkatkan performal prediksi atau kemampuan generalisasi dari hasil ketiga hasil sear itu menunjukkan bahwa variasi dalam model prediksi ada tingkat kesalahan dan kemampuan penjelasan yang berbeda-beda sehingga di bisa dilihat bahwa skenario pertama model menunjukkan performa yang sangat baik dengan MS dan RC yang rendah dan nilai r square-nya yang tinggi baik pada data Lati maupun data testing menandakan kemuan generasi yang kuat kalau senenario kedua MS ser meningkat sementara R sare-nya menurun menunjukkan bahwa model masih cukup baik dalam menjelaskan prioritas data tetapi mengalami sedikit penurunan performa pada data testing ini mengindikasikan kemungkinan overfeitting pada skenario ketiga MS dan MD lebih tinggi dengan R qu yang lebih rendah baik pada data lating maupun data testing menunjukkan bahwa model memiliki performa yang lebih eh lebih lemah dan kemampuan penjelasan yang terbatas serta memerlukan optimasi yang lebih lanjut jadi hasil keseluruhan menggambarkan adanya variasi dalam kualitas model dengan sken pertama yang paling baik dan SK ketiga yang merlukan perbaikan signifikan Nah dari hasil prediksi tersebut maka skener pertama yang dipilih yaitu 75% data training dan5% data testing yang digunakan sebagai latihan jadi ada du neuron input layer ada S headden layer dengan 10 neuron ada Running rate 0,01 epnya 3000 dengan drop 0,3 maka prediksinya untuk 6 bulan ke depan artinya di bulan Juli itu terjadi jumlah kejadian banjir 7 Agustus 6 September 5 Oktober 5 November 4 dan Desember 3 nah untuklementasi aplikasi ini berbentuk eh aplikasinya ada user dia bisa eh mengupdate untuk training model menyimpan bobot dan biasnya ada lihat data histori maupun hasil prediksi longsornya nah ini tampilan utama dari aplikasinya memang masih sederhana bapak ibu jadi ada data yang kita masukkan nanti kalau datanya ditambah juga akan berubah kemudian ada grafik untuk setelah normalisasi nah hasilnya adalah sama seperti tabel tadi untuk prediksi banjir untuk 6 bulan ke depan Nah sekarangitanya Bagaimana memprediksi longsor ini juga sama pakai Ann ini data yang kami e dapatkan ada dari Kabupaten Purwakarta nah datasetnya adalah data curah hujan provinsi Jawa Barat dan data kejadian tanah longsor kabupaten berwaka yang dikumpulkan dari BPPD Kabupaten Purwakarta dan Bandan meteorologi Bandung melalui website Badan Pusat statistika ini data historis tanah longsor Kabupaten powokarta dari 2024 sampai 2002 2022 sampai 2024 untuk bulan eh Januari sampai Desember seperti ini misalnya di 2022 di bulan Januari terjadi 6 kali kejadian tanah lsor dan sebagainya nah di 2024 ini juga sampai bulan Juli ini grafik tanah longsor nah kemudian data historis curah hujan hampir sama tadi ya sudah di ee Jelaskan Nah tadi juga kita gunakan model yang cocok dengan dataset untuk ann-nya tadi sama juga kita gunakan ee model n untuk struktur annnya duluasi inputnya kemudianasi maksim target error FSI aktivasi adaasi jumlah neon juga melakukan verifikasi dan validasi ini strukturnya ada dua input layer tadi ya curah hujan maupun longs kemudian nanti ada Hi layernya ada out lah hal iniernya hisor hujan dan hisor tanah longsor Hiden layernya ini eh dalam hal ini FSI Akas digunakanid Danan yang membantu jaringan untuk menangani nonaritas ada Hi layer yanghubung antara input layer dan output layer itu sendir outputnyaghasil prediksi klasifikasi beras informasi dies Hi layer ituend nahuk layer sudah dijelaskan juga ini histori tanah longsor Kabupaten Purwakarta maupun data cura hujan karena ini salah satu faktor untuk yang mempi tanah longsor Kenapa dipilih curah hujan kemudian tentukan hidden layernya sama tadi ya oke Ada kemampuan representasi di mana lebih banyak neren ini untuk meningkatkan jumlah n dapat memberikan model kapasitas lebih besar untuk menangkap pola yang kompleks dalam data ini kita gunakan fitur non linier untuk terlalu banyak neuron kita eh eh yang akhirnya menjeebabkan overfit gitu ya pada data pelatihan ini mengakibatkan model akan berkai buruk pada data yang belum pernah dilihat sebelum untuk mengelakukan efisensi waktu pelatihan digunakan waktu komputasinya lebih banyak neuron berarti lebih banyak komputasi yang dapat meningkatkan waktu kelihatan penggunaan sumber daya komputasi ini harus dilakukan batasan waktu atau Sumber daya itu F memori untuk lebih banyak naran memerlukan lebih banyak memori untuk menyimpan bobot dan bias yang menjadi masalah padaat dengan kapasitas memori yang terbatas untuk kemampuan generalisasi untuk underfitting ini terlalu sedikit dapat menyebabkan underfitting di mana model tidak mampu menangkat pola dalam data dengan cukup baik ini akan menghasilkan perp yang buruk pada data pelatihan maupun data uji unukfiting ini terlalu banyak neuron dapat menyebabkanfitting di mana model menjadi terlalu kompleks dan mulai menangkap noise dalam data pelatihan yang mengurangi kemampuan generalisasi model kemudian dilakukan eksperimen dengan berbagai arsitektur model untuk menentukan kombikasi yang optimal dari model nn ini diuji untuk eh hingga hidden layer-nya dengan jumlah neuron yang berariasi bervariasi di mana ada satu hidden layer menggunakan tiga neuron dan dan jumlah neuron pada Hiden layer akan dikalikan dengan jumlah input yaitu 3 * 2 misalnya inputannya ada du maka 6 dan seterusnya dentukan parameter untuk eh optimisasi dalam model ini adalah tentunya kita gunakan eh jumlah neonnya untukap headnya Seperti apa R jumlahnya maupun jenis FSI aktivasinya sehingga nanti ditentukan dan erornya untuk ekperimen dalam hal ini ada Hi layer yangar berah dilakukan 1 hingga 3 hidden layer kemian jumlah neuronnya ada tiga ditingkatkan hingga 16 neuron sehingga akan terlihat adanya berbagai kombinasi jumlah neuron untuk learning rate-nya ini memukkan seberapa besar langkah yang diambil untuk meng-update bobotnya nilai yang digunakan antara 0,01 hingga 0,1 dalam hal ini kita gunakan nilai running rate untuk menentukan nilai optimalnya untuk bas side ya itu sendiri ada jumlah sampel yang diproses nilai bes-nya antara umumnya adalah 16 32 64 atau 100 ee 28 kemudian ada jumlah evok evok ini menentukan berapa kali seru datas digunakan untuk melatih model dan eksperimen dilakukan dengan berbagai jumlah epok Misalnya 50 100 atau 300 epok untuk jenis fungsi aktivasi ini digunakan ada ru sigmoid dan Tan sehingga digunakan pakai Ru Nah dari hasil Eh kodingannya ini ada model Hi layer-nya adalah 0,232 menunjukkan bahwa model memiliki kesalahan rata-rata kuadrat yang relatif kecil koefisien determinansi R squ-nya itu sebesar Min 0,4660 menunjukkan performa buruk di mana model tidak mampu melakukan generalisasi dan bahkan lebih buruk daripada prediksi sederhana berdasarkan rata-rata jadi sec keluran perpon model kurang optimal terutama dalam prediksi data baru kemudian ada model 3 neuron yau untuk hidden layer ini memiliki m square-nya 0,214 Kemudian untuk rms-nya adalah 0,463 menghandkan rata-rata kesalahan prediksi pada data cukup rendah l square-nya itu ada 0,25 menunjukkan model hanya mampu menjelaskan sekitar 25,5% variasi dalam data latih sementara S nega - 0,325 pada data testing menunjukkan model Miku performa yang sangat buruk di luar data latih kemungkinan disebabkan oleh overting Nah untuk model yang 0,31 learning rate Ini menghasilkan msc-nya 1 koma Sekian dan rms-nya 3,2 sekian menandakan adanya kesalahan prediksi yang sangat ekstrm jadi negatif yang sangat berar datnya adalah -7,5 dan data testingnya6 menjukkan bahwa model kegagal total danprediksi dengan benar ini kemungkinan oleh masalahik dalam perhitungan atau penggunaan parameter yang tidak tepat selama pelatihan menyebabkan model tidak konvergen Kemudian untuk menentukan output layernya hasilnya adalah sebuah variabel yang berisi prediksi ya jumlah kejadian tanah di kabup untuk periode nah periode pada menunjukkanan pada lapisan outputnya adalah 1 bulan ke depan Nah lakukanlahing data pertama untuk dataing tadi ya untuk memperikan data yang tidak konsisten atau menghapus kesalahan padaumpulan data sekunder yangah dikumpulkan dari sumber data ada normalisasi data tadi sudah jelaskan gunakan Min normalation ini juga eh rumus yang sudah kita lakukan kemudian hasil normalisasi data minmanya seperti se ini kemudian grafiknya nah lakukan dermonalisasi juga dengan rumus yang sama nah scanornya adalah jadi data dibagi menjadi 80% untuk scen pertama untuk data training 20% data testing untuk yang kedua data dibagi menadi 70% data training dan 30% pada data testing dan data dibagi menjadi 90% data training dan 10% data testing Nah kita lihat untuk impasi sistemnya itu sendiri pertama adalah dengan membangun model prediksi kejadian tanah longsor gitu ya gunak teknik normalisasi Dr Maun optimasi bobot melalui jadi model ini di memberikan prediksi yang akurat dapat yang dapat digunak untuk tujuan mitigasi benc perencan yang lebih untuk datnya kita gunakan form an memiliki nilai baris yanggilang nanti dihapus barisnya untuk kolom bulan kemudian diekstasi dengan melakukan juga normalisasi dengan menggunakan rumus minmax hingga berada di rentang 0 sampai dengan 1 ini contoh membuat datasetnya untuk codingannya Kemudian untuk inasi modelnya kita gunakan satu lapisannya dengan 16 neuronus output dengan 1 neuron di mana meliputi laju pembelajarannya lening rateennya adalah 0,01 hasilnya tadi untuk jumlah iterasinya ada 2000 tingkat dropnya ada 05 nah bobot bias di secaraak Menggunakan fungsi distribusi normal ini contoh codingannya Bapak Ibu ya kemudian ini unt FSI aktivasi di mana ada R lar maupun e drop kemudian dibagi untuk data training dan testing Nah untuk pembagianakukan % untuk data training dan 20% untuk data testing nah ini Conto untuk pembagian data testing dan dataaining kemudian untuk pelatihan model kita pakai foration danation untuknya inputnya MTI lapisani dan outputnyaghasilkan prediksi gunak Fi aktivasi l jugukannya ini digungh eror mode dan nilai sebenarnya untuk memperbarui bobot dan bias melalui optimasi gradation itu sendiri nantinya untuk eh atau kesalahan dihitung itu akan dihitung dan dicatat sehingga nanti akan disimpan terbaiknya kita lakukan evaluasi model dengan menghitung MS maupun rms-nya untuk mengukapatedi model dengana akadi sudahilak Danis untuk memperoleh proporsi variabilitas dalam data yang dapat dijelaskan ole ini seperti iniipnya yang sudah disimpulkan di awal kita lakukan penjenan modelnya dengan menggunakan pustaka pikel dari Python itu sendiri nah ini contoh untuk melakukan penyimpanan model terbaiknya kemudian sama memakai model ee implementasinya dalam bentuk aplikasi web kemudian eh dalam ini tadi untuk minmax-nya kita gunakan normalisasi untuk ke web-nya itu sendiri hasilnya sehingga nanti memuat eh model terbaiknya untuk periode mendatang Nah ada tiga pengujian skenario tadi ya untuk 80% 20% hasilnya [Musik] eh yang dikembangkan bahwa menginisan i yang relatif kecil indtuk yang 70% dan 30% tadi sudah dijelaskan juga ini hasil dari setelah di lakukan pemrosesan kemudian ini yang 90% sampai 10% Nah jadi hasil evaluasi model prediktif menunjukkan variasi dan per prediksi berdasarkan Metrik yang digunakan nah ber pertama Mul perform yang cukup baik dengan nilai r squnya tinggi pada data testing 0,8374 Menunjukkan kemampuan generasi yang baik Model kedua meskipun masih cukup memuadai pada data la menunjukkan penurunan signifikan dalam rare pada data testing yang meng potensi overfitting dan kesulitan dalam generalisasi modal ketig memiliki yang sangat kecil mse dan MS rendah dan permik pada data rnya adalah 0,7603 kemudian menunukkan per ja Le bendah pada dating dengannya hanya 0,15 yang masalah periting Nah makanya jadi secara luruhan beberapa model menunjukkan hasil yang baik pada data latih Mereka cenderung mengalami kesulitan dalam diri pada data baru menandakan perlunya penyesaian model untuk meningkatkan kemaman prediksi dan mengurangi overting hasilnya adalah Jadi seai pertama ada 80% data training dan 20% data testing yang digunakan sebagai pelatihan yang digunakan untuk eh parameternya dua neren untuk inputnya satu headen layer memakai 16 neren danning rate-nya 0,01nya 2000 dannya 0,5 hasil prediksi 5 bulan ke depan itu Agustus 2004 akan terjadi jumlah potensi tanah longsor 3 September 4 Oktober 4 November 5 dan Desember 6 ini implementasi aplikasinya k tampilan aplikasinya seperti ini di mana ada data cural hujan dansor kemudian ada grafik setelah normalisasi dan tentunya tampilan prediksinya ya sederhana seperti ini memang Bapak Ibu memang hanya ingin menampilkan prediksinya saja terlebih dahulu dan dua hal ini sedang ingin dikembangkan lebih lanjut Nah inilah berkaitan dengan prediksi menggunakan eh Ann Di mana banjir dan tanah Lor Nah ada hal yang menarik lagi adalah bagaimana kita gunakan sistem informasi berbasis geografis untuk analisis tentang eh lahan kritis jadi ada kategorisasi gitu lahan kritis itu sendiri nah suik yang gunakan adalah data dari eh citandui Nah kita lihat latar belakangnya kenapa Eh kita eh melihat hal ini gitu ya tadi sudah dikatakan adanya erosi itu berarti perpindahan atau pengangkutan tanah bagian tanah dari satu tempat ke tempat lain secara alami dalam proses terjadinya erosi tanah sebagian dari tanah itu eh terkikis gitu ya nah dalam hal ini media pengangkut atau pemindah dalam proses bisa berupa angin atau air Nah daerah aliran sungai di sebagian besar wilayah Indonesia itu memikul beban yang cukup besar dengan tingginya kat kebadan pend yang dis itasi sumber daya alam secara terusmenerus kejadian terus meningkattingkat lahan dan ter bertahana banjir dan kekeringan Yang meland banyaklah merupak peranda di mana su dalam kondisi yang semakin menurun Sehingga dalam hal ini kemampuannya dalam proses kehidupan baik ee bagi penduduk di zona upst maupun midst maupun zona down demikian besar nah penggunaan lahan bersifat dinamis jadi terus-menerus mengalami perubahan dan inilah salah satu aspek menjadi penyebab terjadinya eh penggunaan secara periodik sehingga sumber daya tanah yang merupakan faktor yang sangat penting dalam Pemban eh pertanian itu sendiri nah data sebaran potensi dan status kawasan ini merupakan salah satu acuan dalam pengembangan dan pemanatan kawasan nah di dalam Das itu sendiri merupakan sebuah wilayah di mana wujud dan karakteristik alamnya sedemikian rupa yang dilewati oleh sungai beserta anak sungainya sehingga menjadi sebuah satu kesatan yang tidak dapat dipisahkan ini menjadi Fungsinya untuk apa sebagai penangkap air hujan maupun air yang berasal dari sumber lainnya kemudian dialirkan melewati anak-anak sungai dan induk sungainya membentuk sebuah jaringan Sungai biasanya batas antara satu Das dengan wiaya Das lainnya dipisahkan berdasarkan tangkapan air suatu Das nah kemudian ee berdasar dalam hal ini daerah sungai dapat dipecah ke dalam beberapa bagian di mana bagian itu disebut sebagai subdas daerah sungai ini diklasifikasan sebagai persediaan dan sebuah produk karena persediaan ee ini ini dapat melakukan fungsi yang tidak berwujud bisa menyimpan air mengendaikan banjir dan melestarikan kesuburan dalam hal ini sebagian besar Das di Indonesia berada dalam kondisi kritis tercermin dari seringnya terjadi luapan air sungai yang mengkabirkan banjir kekurangan air atau bencana kekeringan penyempitan atau berkurangnya daya tampung Waduk dan sungai bencana tanah longsor yang disi dengan peningkatan lahan kritis Nah untuk klhk menyatakan dari total dasust di Indonesia dengan jumlah 450 Das 118 Das di antaranya sedang dalam kondisi yang buruk atau kritis dan diperlukan pengelolaan dalam skala prioritas dan untuk luasannya terdapat 14,01 juta hektar lahan kritis yang ada di Indonesia Day dukung suatu daerah l Sungai memiliki peranan sebagai penunjang kehidupan saat ini yang mengalami perubahan penggunaan lahan dan degradasi hutan di beberapa daerah di Indonesia nah luasan hutan Mengalami penurunan untuk Das ini sendiri sehingga dampaknya apa adanya peningkatan erosi limpasan sampai aliran Puncak nah tentunya dengan adanya belum adanya optimalnya kondisi Das ini ditandai dengan bertambahnya luas area kritis di kawasan hulu setiap tahunnya dan laju yang setiap tahunnya terus bertambah adanya kurang keterlibatan lintas sektoran dan lintas daerah dalam penanganan sumber daya alam dan kondisi lingkungan daerah Al sungai tersebut yang berendawak pada memburuhnya kondisi daerah aliran sungai nah tingkat kritis sebuah daerahan Sungai dibuktikan dengan berkurangnya tutupan vegetatif jangka panjang dan semakin meluasnya jumlah lahan kritis yang ada mengurangi fasilitas daerah sungai dalam menjipan atau menepung air mengakibatkan peningkatan kecepatan banjir erosi dan peningkatan sebaran longsor tanah itu sendiri pada musim hujan dan adanya kekurangan air pada musim Kemaro nah lahan kritis memiliki pengertian lahan tanah yang tidak bermanfaat yang diakibatkan oleh penggunaan ser pengelolan yang tidak memadai dalam memenuhi kebutuhan pemeliharan air dan perlindungan tanah sehingga mengakibatkan erosi pusaknya komponen kimia dan komponen fisik serta memburuknya kondisi Tata air dan lingkungan nah perluasan lah Kis diakibatkan oleh peningkatan lahan agraria yang tidak memadai penanganan hutan yang buruk kebakaran hutan yang semakin luas dan tidak dapat dikendalikan dan penambangan yang mengabilkan kaidah reklamasi tentunya masalah utama dari lahan ini adalah lahan mudah tererosi tanah asam dan minim kandungan nutrisi yang dibutuhkan tanaman penyebab erosi terdir dari dua komponen yaitu erosi yang terjadi secara alamnya dan erosi tadi karena eh manusia tadi untuk alam ada indeks hujan vegetasi penuduk tanah tingkat kemilikan lahan yang curang serta kapabilitas tanah dalam mengabsorsi dan melepaskan air pada serata tanah yang dangkal erosi yang oleh kegiatan W tadi ada Osi hutan Seca besar-besaran aktivitas penambangan pertanian dan nah menurunnya kapasitas produksi pada lanjan melanda di sebagian wilayah di Indonesia biasanya dikbatkan oleh erosi nah erosi inilah eh yang mengakibatkan kegiatan manusia mengenalami penurunan lahan nah kemudian ini ee tentunya mengibarkan apalagi adanya penurunan pengurangan manfaat lahan itu tersendiri nah diperlukanlah manajemen lahan yang eh yang tidak mengabaikan gitu asas pemanfaatannya gitu ya kemudian kita mengambil eh salah satu eh contoh kasusnya adalah daerah candui adalah di mana tidak terlepas adanya permasalahan karena kondisi tanah yang secara berangsung-angsung memburu yang ditandai dengan semakin berkurangnya ekosistem hutan yang ada fakta terjadi penurunan pusilahan di rela Aan sungitunjukkan dengan menurunnya kualitas air baik secara fisik maupun kimia nah derajat kekurangan air sungai yang berwarna merah kecolkakan ini tersebut menandakan terjadinya penurunan Kualitas fisik air pada daerah Alan sungai citandui karena arus sungai membawa muatan sedemen yang luar biasa dan bagian hulu yang berada di wilayah tasikmaya di camis sa ini dalam kondisi kritis akibat degradasi yang mempengaruhi kualitas lingkungan aktivitas penduduk yang sangat tinggi daerah sekitar Das telah mempengaruhi kondisi peraliran daerah aliran sungi itu sendiri di antaranya adal aktivitas pertanian dan perkebunan eksploitasi hutan dengan cara penembahan kayu secara besar-besaran limbah domestik limbah industri dan kegiatan ini dilakukan oleh manusia dapat menyebabkan penurunan pada mutu dan bahkan jumlah air yang tersedia masalah intinya adalah sumber daya air adalah Jumlah mutu air yang yang bersih itu yang tidak lagi dapat memenuhi kebutuhan hidup masyarakat di daerah nah alihungsi lahan pada daerahan sungai itu di wilayah tangkapanir tidak dibarangi dengan usaha pelestarian adanya terganggunya tutupan lahan berupa hutan melindung tanah yang berfungsi sebagai sarana penangkap hujan yang mengabirkan sebagian air hujan langsung mengalir dan masuk badan Sungai sehingga mengakibatkan terjadinya banjir dengan tingkat erosi dan siminasi yang tinggi nah resapan air akhirnya berkurang sehingga lapisan tanah di bagian bawah tidak lagi dapat menyimpan air sehingga terjadi kekeringan di musim Kemaro kemudian adanya penurunan are hutan yang memiliki potensi dan meningkatkan besaran lahan kritis di daerah tangkapan air jadi muncullah tanah tipis di daerah sungai yang tidak hanya mengbarkan menurunnya kapasitas produksi tanah tetapi juga dapat merusak peranan hidrologi daerah air sungai untuk membendung menampung maupun menyerap air hujan yang mendarat di dalam aliran sungai itu sendiri sehingga mengakibatkan berkurang jumlah dan mutu air sungai yang biasa disebut sebagai sedimentasi nah kemudian adanya pengurangan suukupan hutan mengingatkan juga jumlah Lan kritis di suatu daerah leran sungai kehadiran tanah kritis di daerah Lan Sungai bukan hanya mengakibatkan menurunnya kapasitas produksi tanaah juga mengakibatkan penurunan lebih lanjut kepada hasil tanaman pertanian yang tidak terpenuhi akhirnya kehidupan ekonomi pertanian para petani nah Das citandu ini memiliki banyak lokasi yang kritis Selain itu kuantitasnya kan hari kan bertambah sejalan dengan jumlah luasan hutan yang semakin sedikit di area sungai tersebut Nah kita bicara Bagaimana penggunaan sistem informasi geografis ini eh sehingga kita mengolah data spasial yang kredibel untuk mencipakan produk berupa peta yang mendukung bidang penggunaan sumber daya lahan dan bisa dimanfaatkan sebagai alat dalamprediksi sebaran erosi tanah serta menyusun strategi untuk pengelolaan dan penanganannya dan memudahkan analisis dan distribusi area kritis itu sendiri sehingga dengan adanya digitasi data peta metode analisis data spasi dan lainnya dikerjakan secara singkat dan akurat nah ini juga untuk meningkatkan kinerja pembuat kebijakan dalam merancang kebijakan terkait lahan kritis yang ada Nah dengan adanya komisasi manajemen sumber daya lahan ini kita gunakan jis sehingga eh nanti teringreasi dengan berbagai tugas pemprosesan datanya itu sendiri kemudian untuk eh pemodelan analisis peta untuk S informasi geis misalnya kita gunakan dalam hal spesifikasi permasalahan menasan permasalahan an data menentuan pemodelan analisis pas yang sesuai memilih aplikasi Sas geologis yang sesai berdasar kemuduhan dan menetapkan model nah di dalam hal ini ada suatu metode yang digunakan dalam hal Bagaimana menganalisis lahan KRI sendiri dengan menggunakan So and water assment tool di mana Eh suatu pemodelan tersebar di mana terkoneksi langsung dengan sistem pada perangkat dan menggabungkan spals atau SY pengilan kep nah pemod SWAT ini berjalan pada jeda waktu harian yang dibangun untuk memperkirkan pengaruh dan jangka panjang dari praktik manajemen lahan terhadap sumber Dara air sedimentasi dan hasil agokimia di daerah Alian sungai yang besar dan Komplek dengan beragam ilustrasi atau skema pemata lahan dan manajemen landap itu sendiri kemudian ada proses perencanaan yang mantap berdampak sedemikian dalam manajemen dsas dan model ini sanggup memodelkan parameter hiologi jangka panjang dengan memperhitungkan sifat fisik suatu daerah Sung dengan hal ini akhirnya masalah permasan didas itu sendiri bisa di dianalisis dan saat ini memang belum banyak jas yang digunakan untuk memetakkan sebaran daerahan e Cit terutama untuk menganalisis lahan kritis sendiri Nah mudah-mudahan dengan adanya analisis inilah bagian menjadi bahan rujukan sebagai pembuat kebijakan ini tadi tentang erosi Nah jadi besaran erosi yang diperbolehkan ini ke dalam ada dalam itu lebih dari 100 cm maka besaran erosi yang diperkenalan adal 14 ton per hekt per tahun kalau ke dalam tanahnya dangkal maka yang diperbolehkan atau diperkenankan adalah 5 ton per hektar per tahun nah dampak erosi itulah yang nantinya eh potensi risiko erosi ini dikelompokkan ada kelas 1 sampai l di mana Bahaya erosi untuk per tahun ini kategorinya Apakah sangat las sampai sangat tinggi di mana sangat tinggi adalah lebih dari 480 ton per hektar per tahun nah ini untuk rumus dari soil and water assessment ini menggunakan Pertama eh dilihat kandungan air tanahnya kandungan air tanah akhirnya didapat dari kandungan tanah permulaan pada hari kesatu kemudian ada waktu dalam skala hariannya ini di mana jumlah curah hujan pada hari Kei dikurangi jumlah aliran permukaan pada hari Kei kemudian ada ekspl eh ekspl transpirasi pada hari Kei jumlah airnya dan nantinya menghasilkan dari soil and water assessment itu sendiri nah ini untuk eh menghasilkan hydrologic respon unit di mana adalah untuk analisis hidrologi yang dibangun berdapat sifat tanah kemiringan geologi maupun spesifikasi tutupan lahan nah dalam hal ini eh hidrologi respond ini didasarkan pada pendekatan sistem terasi yang merupakan prasarat UN analisis dinamis dan pemodelan hiologi struktur tangkapan air yang heterogen dan interaksi dengan tanah geologi maupun tutupan lahar n adanya tanah geologi dan tutupan lahan mempengaruhi penguapan rapan limpasan tangkapir hingga air tanah di seluruh cekungan Sungai Kemudian untuk ee pengolahan datanya sendiri ada dua wilayah provinsi yang untuk eh citand itu sendiriistasi yaitu provinsi Jawa Barat dan provinsi Jawa Tengah di mana ada beberapa wilayah kabupaten dari dan kota di Provinsi Jabar dan provinsi J antaranya Kota Banjar Ciamis dan yang lainnya jadi Secara geografis kedudukan E citand ini berada di posisi 1080 0,4 hingga eh ininya ya garis lintangnya dan kondisi berada pada suhu 240 derajat hingga 30 nah kemudian intensitas curah hujan terjadinya adalah di angka 200 sampai 300 MM per bulan ini peta wilayah sungai citandui dengan luas daerah Alan sungai citandui itu sendiri adalah Eh 3.656,67 km² nah data yang digunakan adalah peta slm Das kawasan eh Das candui peta jenis tanah peta penggunaan lahan peta jaringan Sungai data debit Sungai data curah hujan dan data klimatologi nah ini beberapa tahapan proses di mana mengampulkan Data ada data curah hujan dan klimatologi di mana ini mengolah data curah hujan dan klimatologi menghasilkan weather data definition kemudian ada peta digital elevation model di mana menggunakan overlay peta jaringan sungai dan batas dasnya ini melakukan water health delination-nya untuk klasifikasi kelas dari kemiringan lereng Kemudian untuk peta jenis tanah ini menggunakan overlay peta tanah dengan peta batas dasnya dan dilakukanlah analisis hidologi respon unit kemudian dibutuhkan juga peta penggunaan lahan ini untuk diproses dengan overupan lahan dengan pet dan ada data debit nah ini ditentukanilai pada parameter dialis menggunakan model dan dikalibras dan divalidasi model kalau sudah maka pemetaan tingkat pilahan untuk eh tingkatan klasifikasinya nah di dalam proses delineasi batas dilakukan berdasarkan let utama dari das sebagai berikut hasilnya peta delineasi Das di mana ada batas Das dan sungai itu sendiri kemudian ini memakai geografis kan untuk peta kemiringan lereng seperti ini ya Di mana dari 0,8 sampai lebih dar Kemudian untuk tutupan lahan daerah a Sungai didapat dari Dinas Kehutanan dan lingkungan hidup dari data tutupan lahan dikikan dalam input model SW dan Ini hasilnya ada jenis tutupan lahan tanah terbuka sampai ke hutan mangr sekunder di mana definisinya adalah seperti ini dan presentasinya seperti ini kemudian dimasukkan ke dalam sistem seperti ini di mana Eh beberapa menandakan dari hutan M sampai ke pertanianing dan sebagainya untuk eh lah untuk peta tutupan lahannya ada di mana saja Kemudian untuk jenis tanah didapatkan dari food and agricultganation di mana Fa dan Bas data lama mengacu pada data dan menggunakanve lapangan yang didukung oleh penginderan jauh dan lainnyaap ahli maupun analisis laboratorium pertimbangannya kenapa gunakan petatan Dar Pa karena seluruh komponen yang dibutuhkan dalam analisisedia sebnya karena memang sebagai data penuhnya dalam analisis berbagai berbis geospasial ini jenis tanah dari candui seperti ini kemudian peta jenis dan dasnya mulai dari sampai seperti ini dari jenis tanah kemudian dilakukan pembentukan hidraulical respon unit ini bagaimana melakukan skala analisis oleh e model SW itu sendiri sehingga lokasinya mempunyai tingkat Respon yang berbeda terhadap kondisi hidrologinya misalnya kondisi Run erosi atau penyimpanan air tanah aliran bawah tanah rac dan sebagainya di dalam proses delineasi yang tadi dilakukan pembentuk hidr untuk masing-masing subd itu sendiri berju untuk mendapatkan analisis subd yang Dian dalam proses rning nah hru ini adalah tahap overlay dari beberapa data anar ini data DM tadi data penggunaan lahan dan data tanah pembentukan mempunyai informasi mengenai penggunaan lahan kemiringan lahan luas area maupunentasi luas hru pada sub Das itu sendiri diperolehlah 531 sru 32 subdas dengan Total luas adalah 364024,974 hek ini hasil peta dari eh hrologi respon unit dasendiri dibagi Rich long nah kemudian data curah hujan digunakan merupakan data yang didapatkan dari l Stasiun sekitar lokasi penelitian ada data klimatologi didapatkan dari sat ST yang ada di sekitar lokasi penelitian juga ada seluruh pos hujan dan klimat berada dalam wilayah chat area dasandui kemudian ada pengumpulan data iklim dilakukan an ke dalam aplikasi S itu sendiri jadi Nah inilah daftar curah eh Stasiun curah hujan dan klimatologinya ada nama stasiunnya ada Manganti sampai ke Majenang ini koordinat e posisinya dan ini elevasiya Nah inilah petas sebaran Stasiun curah hujan dan klimatologinya kemudian lakukanlah kalibrasi dan validasi untuk ee menghasilkan bahwa ini sudah valid gitu ini dilakukan sebanyak 500 kali iterasi berdasarkan simulasi pada proses kalibrasi di mana didapatkan P vektornya adalah 0,50 r vektornya 0,46 r squ-nya 0,78 dan s-nya sebesar 0,72 nah ini hasilnya grafik perbandingan output debit model dengan data observasi harian 2011 sampai 2000 13 dan terusmenerus beberapa tahun-tahun berikutnya kemudian evaluasi validasi sama dengan evaluasi kalibrasi hanya saja parameternya sudah ring menggunakan data tahun 2014 sampai 2015 seperti ini kemudian lakukan hasil analisistingat erosi lahan dasitandui ini 2011 sampai dengan 2021 untuk hasil erosi lahan rata-rata didapatkan kategori erosi seperti ini ada rendah sedang dan tinggi inilah has Eh bagaimana menghasilkan eh lahan kritisnya untuk kategori rendah sedang maupun tinggi Nah di sinilah kita bisa Lakukan analisis itu sendiri nah ini grafik sebaran erosilan datasandui Nah dari hasil analisis ini di mana Daerah mana yang eh tingkat erosi lahan sangat kritis tentunya kalau tinggi ini berarti sangat kritis Nah jadi dari dari ada 30 subdas itu sendiri Ini dihasilkan beberapa ee kemungkinan kemungkinan adanya erosi lahan dengan luasnya masing-masing dan tingkat erosi lahannya tadi sesuai eh gambar sebelumnya maka didapatkan hasil seperti ini yang yang tinggi ada di subdas 2 3 4 dan yang lain nah tentunya dari hasil pemodelan yang didapatkan sebanyak 50,01% lahan dengan luas areal sebesar 1820,48 KM memiliki t lahan yang tinggi dan sebanyak 48,71 lahan dengan luas sebesar 1773,14 KM memiliki tingkat erasilahan dan kategori sedang dengan Sisanya adalah 1,20 28% lahan dengan luas areal 46,6% KM memiliki tingkat air lahan dalam kategori rendah untuk daerah sungai rata-rata rnya adalah 160,56 ton per hektar per tahun dan ini bisa dibayangkan Bapak Ibu ini eh sangat tinggi gu ya sampai 48 eh sampai 50,01% nah tentunya hasil prediksi dan analisis tadi longsor banjir maupun lahan kritis Ini tentunya bisa menjadi bahan rekomendasi kepada stakeholder untuk dapat menuangkan dalam bentuk kebijakan dan menjadi bahan pertimbangan dalam metigasi resikonya demikian Bapak Ibu mudah-mudahan bisa bermanfaat buat Bapak Ibu semuanya pemaparan saya ini Terima kasih asalamualaikum warahmatullahi wabarakatuh Ya Waalaikumsalam warahmatullahi wabarakatuh Terima kasih banyak kepada pakegu atas pematerian yang sangat menarik dan bermanfaat ini utamanya tentang pemodelan pemodelan banjir longsor ataupun juga lahan kritis baik kita akan lanjutkan pada sesi tanya jawab ee saya utamakan terlebih dahulu pada tanya jawab ee pada aplikasi slidu di sini saya akan Tampilkan pertanyaan-pertanyaannya dan di sini sudah ada kurang lebih ee Del pertanyaan ee mungkin kepada Pak Teguh bisa dapat langsung saja dijawab pak untuk Pertanyaannya satu persatu Ya baik terima kasih Jadi pertama adalah bagaimana kombinasi an dan JS dapat digunakan untuk pengambilan kan lebih efektif dalam pengelolan wilayar Betul Bapak Ibu Jadi sebenarnya eh dalam hal ini kalau gas-nya yang saya kan pakai yang SWAT gitu ya sebenarnya bisa saja pakai Ann jadi digabungkan gitu nah dalam hal ini tapi nanti sebenarnya eh uji kalibrasi validasinya akan berbeda antara SW dan an kalau Ann tadi digunakan e tiga skenario untuk menghasilkan ini eh skenario mana yang terbaik sebenarnya Nah untuk SWAT tadi ada uji kalidasi dan validasi nah dan ini eh tentunya ini menjadi bahan masukan buat pengambil keputusan Bagaimana dengan an dan jis ini bisa lebih efektif tepat guna gitu ya Bapak Ibu dalam ee pengambilan keputusan Nah tadi sudah dilihat bisa memprediksi sekian ee ke depan itu terjadi longsor dan banjir ee Bagaimana Kemudian untuk ee dgis itu sendiri pakai sword ee tentunya Ee kita bisa melihat bahwa sudah terprediksi sekian lahan sudah mengalami lahan kritis Jadi kalau menurut saya bagaimana kombinasi Inah seperti itu gitu ya bisa dikombinasikan Ann dan Gis metodenya kalau tadi Gis contoh saya pakai SWAT tapi nanti pakai Ann itu bisa gitu seperti itu berikutnya untuk apakah kurun waktu antara 2022 2024 cukup untuk Merisi waktu langsung nah sebenarnya eh diharapkan sih 3 tahun terakhir ya Bapak Ibu untuk data historyya tapi memang minimal 2 tahun itu e untuk prediksi itu bisa diperboleh tapi makin banyak Data yang kita olah itu makin eh baik sebenarnya seperti itu oke kemudian Mengapa hanya menggunakan dua variabel prediktor Apakah evaluasi dan tidak berpengaruh terhadap banjir Nah betul dalam hal ini memang penelitian saya eh apa yang saya gunakan kali ini baru dua inputan ya mungkin untuk pengembangan berikutnya terima kasih ini menjadi eh apa Kalau menurut saya makin banyak variabel juga makin kompleks dan tentunya ee apa kita bisa mencari model-model yang lain yang bisa lebih kompleks itu sendiri untuk eh dua inputan layernya itu lebih dari dua inputan layer itu sendiri Jadi terima kasih nanti mungkin betul semakin banyak Eh apa variabel tentunya makin kompleks dan kita masih bisa melihat bagaimana faktor-faktor ini Nah kenapa diambil curah hujan darah karena memang curah hujan ini menjadi hal yang ee apa biasa Apa yang menjadi ee latar belakang terjadinya longsor maupun banjir Nah untuk lahan kritis tadi begitu banyak ya eh apa eh variabelnya ada tingkat eh apa lereng kemudian curah hujan juga dan banyak yang lainnya yang memang digunakan untuk eh parameternya itu sendiri gitu nah untuk prediksi banjir dan lsor memang baru eh dua prediksi itu sendiri nah bagaimana perbandingan prediksi dengan realitas di Apakah valid kejadian banjir di Mus lebih sering daripada kejadian banjir di musim huj Betul Bapak Ibu hasil saya ini memangum belum digaliakah betul Agustus kemarin terjadi sekian banjir dan sebagainya Itu yang belum memang belum saya validasi berdasarkan databaruitu yau samp Juli 202uah khusus terjadi seperti apa dan sebagainya dan kemudian kejadian banjir musim kau lebih sering daripada kejadian banjir di musim hujan Nah fenomena inilah yang eh sebenarnya ee belum saya gali lagi bapak ibu maksudnya Eh sampai saat ini eh apa hal yang bisa saya lihat adalah ternyata di musim hujan inilah banjir sendiri dan sekarang terjadi ya Bapak Ibu di musim hujan ini kemarin berkali-kali di B maupun di manaun itu mungkin di Jakarta juga itu terjadi banjir Nah untuk di musim Kemaro ini mungkin yang harus saya gali lagi Terima kasih ini ini menjadi bahan saya untuk lebih banyak menggali lagi tentang data di musim kemarau itu sendiri nah Apakah proses codingannya bisa menggunakan Google colab atau harus menggunakan software tertentu nah kebetulan untuk yang prediksi banjir daner ini saya memakai pyon nah pyon ini sangat bagus untuk ya Bapak Ibu yang saya alami ya dalam hal melakukan pengolahan datanya itu sendiri ada banyak library yang bisa menunjang kita untuk melakukan analisis terhadap data tertentu jadi sampai saat ini memang saya masih memakai Pon sedangkan di sisiasi geografis ini sangat bisa diintegrasikan dengan sistem informasi geografis gitu Bapak Ibu Nah apakah bisa menggunakan googleab nah sampaiat ini Saya bel menggunakan googleab saya masih Ya hanya pyon saja tapi mungkin nanti tentunya Bapak Ibu ee kalau saya digit gitu ya di di di ini kan bisa saling berdiskusi sebenarnya seperti itu apakah semakin banyak hidden layer dan semakin banyak neuron dalam hidden layer akan semakin meningkatkan akurasi model kemudian Berapa jumlah maksimum hidden layer dan neuren yang diperbolehkan dalam pitan nah dalam hal ini eh ini memang eh di dua di dua penelitian kan berbeda sekali ya penggunaan neuronnya satu kelipatan eh 3* 2 kelipatan lagi kelipatan lagi untuk menunjukkan dan memang hasilnya terlihat Eh ini kurang menggirakan tentang longs ini sebenarnya untuk data latih dan data trainingnya tapi yang eh tadi menggunakan tig neon itu sendiri itu datanya lebih terlihat eh karena memang sudah cukup dengan tiga skenario itu ternyata lebih ee apa data data trimu data Latinnya juga terlihat lebih baik gitu Nah apakah eh Semakin banyakayer Semakin banyak menikat akurasi model Kalau menurut saya semakin banyak simulasi ini akan semakin menentukan kesimpulan kita seperti apa gitu Kalau menurut saya seperti itu kemudian Adakah jumlah maksimumnya nah yang saya tahu sampai hari ini kemarin dicoba terusmenerus itu sampai beberapa Eh ini memang belum belum ada batas maksimum ya mudah-mudahan sih dari hasil diskusi kita hari ini bisa disimpulkan berapa maksimum se di P ini itu yang belum saya sampai batas maksimum belum dicoba gitu simulasinya sampai batas maksimum kemudian data BPPD dan BPS perlu dikonekkan ke drive baru dilanjutkan proses P atau adain untuk input data sebelum proses P Nah betul di sini kelemahannya adalah apalagi ee datanya sudah harus berbentuk csp jadi Sudah sudah dicsp-kan gitu ya datanya sudah dicsp-kan kemudian kita eh seolah-olah upload atau kita ambil dalam bentuk di Python dengan menggunakan PD itu sendiri nah memang kita harus menuju ke drive yang kita tuju contohnya misalnya di D garis mir titik du garis miring di data ee BPD di data BPS Nah itu harusus kita lakukan memang ini sehingga menjadi tidak eh dinamis ya programnya betul seperti itu Nah jadi mungkin bisa dilakukan di pemogramannya adalah menggunakan eh upload saja upload data gitu jadi upload datanya tinggal mencari eh d-nya ke mana gitu Jadi ada ada satu kolom di Brow masukkan Datanya ada di mana saja langsung diproses itu lebih baik seperti itu Nah itu kalau menurut saya nah ada keseman antara an dengan regresi ganda jika regresi ganda dipengaruhi oleh multi Apakah juga dipengaruhi oleh multi tersebut Apakah metode ini menggunakan aplikasi Oke Nah tadi Eh sebenarnya eh yang digunakan ad rlu saja linar e saja untuk yang gandanya memang tidak digun kan untuk kasusu memang bisa Ann ini menggunakan regresi ganda itu sendiri sebenarnya eh sehingga eh nanti eh berbagai macam parameter dengan multi entry dengan multiity itu bisa di apa bisa digali lagi gitu ya sebenarnya memang dalam hal ini contohnya karena kalau memberikan contoh yang terlalu kompleks juga mungkin akan Eh ini jadi saya Berikan contoh yang lebih ee apa eh sedikit mungkin ya lebih lebih lebih hanya dengan parameter yang lehikit sudah semua Bu Mbak Mbak Dini ya kelihatannya Iya sudah Pak Oke Baik bapak ibu mohon maaf ya kalau ada kata halal kurang yang berkenan Terima kasih ini untuk banyak pertanyaannya nih sekali lagi oke terima kasih iya terima kasih juga Pak teg untuk sudah menjawab ee mungkin untuk Sesi selanjutnya kita langsungkan saja Pertanyaan langsung dari peserta Zoom ee untuk yang pertama itu saya akan batasi dulu untuk dua pernanyaan terlebih dahulu eh silakan kepada Pak sugang wijono yang sudah melakukan Rais Hand untuk langsung memberikan pertanyaan dipersilakan Pak ya halo Pak bisa sambung ya bisa dengar ya sebar Pak Oke terima kasih Pak E Pak Ini Pak jadi ee tadi Bapak kan memprediksi longsor dan memprediksi banjir itu dari dua parameter ya Pak ya satu parameter curah hujan dan Satu Frekuensi banyaknya kejadian banjir atau longsor ya Pak ya Jadi dua dua parameter yang dicoba dikaitkan eah sebetulnya eh satu saya untuk bicara longsor dulu Pak longsor itu kan sebetulnya banyak parameter yang mempengaruhi terjadi jya longsor ya tidak hanya curah hujan saja ya Pak ya sebetulnya longsor itu faktor utamanya adalah lereng faktor given faktor given daripada alam itu lereng lereng itu termasuk Berapa besarnya lereng berapa berapa Bagaimana penyusun daripada lereng atau komponen dari penyusun lereng itu apa batuan atau tanah kemudian Eh istilahnya yang terkait dengan besarnya lereng kemudian jenis lereng kemudian struktur geologi yang ada lereng itu given itu Pak yang sudah tidak bisa dirubah-rubah kemudian faktor yang independen faktor yang berubah-ubah itu faktor yang dari luar faktor yang eksternal misalnya penutup lahan kemudian curah hujan kemudian air tanah kemudian kegempaan dan sebagainya sebbenulnya ada parameter yang sebetulnya cukup banyak sehingga kalau dicarikan itu apa regresi itu sebnya kan multivariat regression gitu loh Pak jadi dan regresi tunggal istilahnya tadi kita hanya ambil curah hujan dengan berapa besar frekuensi ee terjadinya longsor atau terjadinya banjir itu hanya dua parameter yang coba dikaitkan nah ini sebetulnya tidak memberikan dampak apa-apa terhadap ee istilahnya nanti Ee kita itu akhirnya kan sebetulnya kepengin menentukan risiko bencana satu daerah itu seberapa besar sih Mana yang tinggi mana yang sedang mana yang rendah bagaimana kita menurunkan risiko bencananya nah penelitian Bapak ini kalau bisa memberikan masukan untuk pembuatan peta potensi longsor atau peta potensi banjir kemudian kalau bisa menunjukkan lokasinya Pak lokasinya itu di mana sih Pak bukan hanya frekuensinya berapa kali tetapi sebenarnya yang sangat penting itu lokasinya dan lokasinya itu nanti dikaitkan dengan faktor kehidupan atau manusianya itu akan bisa menentukan risiko bencananya Pak Jadi kalau hanya kejadian longsor itu belum tentu itu merupakan bencana alam tetapi itu hanya kejadian alam atau fenomena alam saja nah ini ini yang sebetulnya kepengin kita ee ee menukik lebih jauh sebetulnya bisa berpotensi untuk menentukan lokasinya itu di mana selain frekuensinya berapa kali banjir dan longsor tadi itu sebelumnya lokasinya di mana Nah ini ini sangat menarik sekali karena di situ nanti dikaitkan dengan faktor kehidupan faktor manusianya bisa menentukan kerentanannya sehingga risiko bencana itu kan potensi dikalikan ee kerentanan dibagi mitigasi jadi kita usahanya sebetulnya kepengin menurunkan risiko bencana Nah inilah yang sebetulnya tujuan akhir daripada kita ee meneliti apa ee memberikan ee penelitian-penelitian yang terkait dengan Apa potensi bencana kemudian kerentanaan bencana dan risiko ban dan setiap daerah itu sekarang dituntut untuk Bagaimana sih 5 tahun ke depan itu bisa menurunkan indeks risiko bencana berapa poin atau Berapa digit gitu loh Pak Nah ini ini ini sangat penting sekali Kemudian yang kedua yang terkait dengan Apa itu yang pengaruh ee atau prediksi erosi ya erosi atau kelahan kritis berbasis sistem informasi geografi lah di situ kan sangat bagus itu itu Pak sudah sudah multivariat parameter itu jadi parameter erisuya erosi terhadap beberapa parameter yang P antara ini jenis tanah curah hujan kemudian kemeringian lereng dan segala macam tadi pak ada banyak itu wah itu multivaret itu nanti hasilnya sangat bagus sekali sehingga mungkin R square-nya akan memberikan nilai yang lebih besar jadi nilai nilai persentasenya ee terhadap sesuatu parameter erosi itu sangat tinggi sekali itu tadi Kalau saya lihat dari ee yang tunggal tadi Dar linear tunggal tadi atau regresi linear tadi itu kira-kira hanya 40% sampai 50% terima kasih Pak Baik Pak suggen terima kasih waduh saya jadi makin menarik nih pak ininya apa penelitian sayanya nantinya Iya Pak Benar benar pak ini sekali Pak kalau bisa dikembangkan secara kuantitatif betul Iya betul terima kasih pak Sugeng jadi memang ee kalau kita lihat Pak Sugeng melihat bagaimana ee penelitian saya yang longsor banjir ini hanya seolah-olah hanya dua parameter saja sedangkan di penelitian saya yang S ini begitu banyak saya mempertimbangkan banyak parameter dan memang terlihat hasilnya ya Pak ya perbedaannya kalau di sisi inform ini yang berbasis S geografis bisa terlihat daerah mana saja betulah ini ini juga sebenarnya kalau kalau bisa sampai ke situ erosi e apa alongsor itu terjadi di mana saja Pak tadi menyebutkan lokasinya kemudian Banjir juga menyebutkan lokasinya karena itu nanti akan terkait dengan itu pak ee kehidupan di situ atau kegiatan masyarakat di situ hingga risiko bencana yang terjadi itu seberapa dan kita mitigasinya itu mau menekankan pada apa ini apakah struktural atau nonstuktural gitu Iya betul dan Saya membagi akhirnya kategori lokasi itu dengan sub ya Pak ya ada 32 subdas sehingga Bagaimana subdas ini kategori untuk lahan kritisnya tadi e Seperti apa Sekali lagi terima kasih Pak ini masukan Sebenarnya ya Pak ya Iya ini iniu Pak kita kembangkan saja Pak ini soalnya kan eh kan di BNPB itu kan selalu mengeluarkan IRB ya indeks risiko bencana setiap e mungkin setiap tahun ada keluar IRB tiap masing Kabupaten kemudian provinsi di seluruh Indonesia gu loh IRB itu kan kita kepenginnya Kan setiap 5 tahun bisa ditekan atau turun berapa poin gitu loh Pak g i sehingga ee mitigasinya apa saja yang harus kita lakukan karena untuk menurunkan risiko kan mitigasi harus ditingkatkan kemudian kerenanannya juga harus diturunkan gitu loh pak ya betul betul Pak ini sekali lagi terima kasih untuk masukannya eh Memang akhirnya dua penelitian saya tentang prediksi longso dan banjir itu harus seperti Sist informasi geografis itu dan memperhatikan berbagai macam parameter-parameter yang lain sebenarnya kalau bisa ke ke peta Pak nanti bisa peta potensi longsornya itulah yang nanti bisa akan lebih mempengaruhi penentuan indeks risiko bencana yang dikeluarkan oleh BNPB itu loh Pak Iya betul betul mudah-mudahan Pak bisa ke arah sana karena memang saya terus mengembangkan penelitian-penelitian saya ini juga gitu Pak Terima kasih masukannya Pak Pak Sugeng untuk sama-sama pak terima kasih juga diskusi terima kasih kepada Pak Sugeng atas pertanyaannya mungkin dari bapak ibu yang masih ada yang ingin ditanyakan ataupun didiskusikan dengan Pak Teguh e Mungkin saya akan tunggu sampai jam 11.50 barangkali dari bapak dan ibu ada yang ingin didiskusikan kembali ya dipersilakan kepada bapak dan ibu barangkali ada yang ingin didiskusikan ataupun masih ada hal-hal yang ingin ditanyakan eh baik sepertinya sudah tidak ada lagi yang ingin ditanyakan ataupun didiskusikan mungkin sesi tanya jawab ini kita cukupkan saja terima kasih kepada bapak dan ibu semua yang sudah berpartisipasi untuk menutup acara webinar ini mungkin dari Pak Tegu ada closing statementnya Pak baik mbak Dini dan bapak ibu semua Terima kasih untuk kehadirannya ini luar biasa sekali ya Mbak Dini sampai 800 lebih yang hadir Terima kasih untuk eh apa antusiasmenya Bapak Ibu dan mohon maaf kalau ada kata atau hal yang kurang berkenan atau hal yang kurang dari saya saya mohon maaf dan sekali lagi banyak masukan dari bapak ibu juga menjadi bahan pemikiran saya berikutnya untuk banyak mengembangkan kembali terhadap lingkungan itu sendiri gitu dan Alhamdulillah hari ini berjalan lancar Terima kasih Bapak Ibu dan tetap semangat Bapak Ibu ya dalam hal peduli terhadap lingkungan kita semua terima kasih asalamualaikum warahmatullahi wabarakatuh Waalaikumsalam warahmatullahi wabarakatuh ee kepada P Teguh jangan dulu meninggalkan ruangan Zoom karena kita setelah ini akan melakukan dokumentasi terlebih dahulu dan kepada bapak ibu semua yang yang bisa melakukan open kamera dipersilakan ee baik kita mulai saja untuk dokumentasinya saya mulai melakukan perhitungan mundur ee dimulai dari angka 3 ya 3 21 sekali lagi 3 2 1 dokumentasi dicukupkan eh Baik terima kasih kepada bapak dan ibu dan terima kasih juga atas eh pemateriannya kepada Pak Teguh yang mudah-mudahan ini ke depannya akan sangat bermanfaat semoga Bapak dan Ibu juga yang ada di sini bisa menerapkannya di lapangan kepada Pak mungk eh sudah bisa untuk meninggalkan ruangan Zoom Terima kasih banyak Pak mudah-mudahan kita bisa bekerja sama lagi di lain kesempatan mudah-mudahan Oke I sekali lagi terima kasih Bapak Ibu Terima kasih asalamualaikum warahmatullahi wabarakatuh Waalaikumsalam warahmatullahi wabarakatuh Eh baik kepada Bapak dan Ibu semuanya berakhir sudah acara webinar di hari ini bagi Bapak Ibu yang ingin mendapatkan e-sertifikat bapak ibu dapat mengisi link presensi kehadiran yang tertera di layar ini dan ketika Bapak dan Ibu mengisi presensinya pastikan nama dan Email sudah diketik dengan benar karena hal ini akan mempengaruhi pengiriman sertifikatnya Baik saya akhiri kegiatan webinar hari ini mohon maaf apabila saya ada salah sikap dan ucap eh wabillahi taufik wal hidayayah wasalamualaikum warahmatullahi wabarakatuh Selamat siang dan selamat melanjutkan aktivitas lainnya