Clustering tingkat kerawanan daerah tanah longsor menggunakan Gray Level Co-Occurrence Matrix dan Principal Component Analysis

INDONESIA:

Identifikasi wilayah rawan longsor berbasis analisis tekstur citra lahan merupakan pendekatan yang potensial dalam mendukung mitigasi risiko bencana. Penelitian ini mengusulkan metode pengelompokan tingkat kerawanan longsor menggunakan ekstraksi fitur tekstur melalui Gray Level Co-occurrence Matrix (GLCM) dan reduksi dimensi menggunakan Principal Component Analysis (PCA). Fitur yang diekstraksi meliputi kontras, energi, dissimilarity, homogeneity, korelasi, dan entropi dari citra lahan miring. Penelitian ini mengkaji dua jarak GLCM (0.5 dan 0.8 piksel) serta tiga jenis augmentasi citra (rotasi, horizontal flip, dan vertical flip). Proses klasterisasi dilakukan berdasarkan nilai komponen utama pertama (PC1), yang merepresentasikan dimensi dominan fitur tekstur. Hasil evaluasi menunjukkan bahwa kombinasi jarak GLCM 0.8 dengan augmentasi horizontal flip menghasilkan distribusi klaster yang lebih seimbang dibandingkan jarak 0.5, meskipun dengan nilai Silhouette Score yang sedikit lebih rendah. Rentang nilai PC1 optimal untuk tiga klaster kerawanan adalah: klaster 0 (-4.3 ≤ n < -1.5), klaster 1 (-1.5 < n < 1.5), dan klaster 2 (1.5 ≤ n ≤ 4.3). Temuan ini menunjukkan bahwa pendekatan GLCM-PCA efektif dalam mengidentifikasi pola tekstur yang relevan untuk clustering tiga tingkat kerawanan longsor berbasis citra lahan miring

ENGLISH:

Landslide-prone area identification based on land surface texture analysis is a promising approach to support disaster risk mitigation. This study proposes a method for clustering landslide susceptibility levels using texture feature extraction through the Gray Level Co-occurrence Matrix (GLCM) and dimensionality reduction via Principal Component Analysis (PCA). Extracted features include contrast, energy, dissimilarity, homogeneity, correlation, and entropy from sloped land imagery. The study evaluates two GLCM distances (0.5 and 0.8 pixels) and three types of image augmentation (rotation, horizontal flip, and vertical flip). Clustering is performed based on the first principal component (PC1), which represents the dominant dimension of texture features. Evaluation results show that the combination of a 0.8-pixel GLCM distance with horizontal flip augmentation yields a more balanced cluster distribution compared to a 0.5-pixel distance, although with a slightly lower Silhouette Score. The optimal PC1 ranges for the three susceptibility clusters are: cluster 0 (−4.3 ≤ n < −1.5), cluster 1 (−1.5 < n < 1.5), and cluster 2 (1.5 ≤ n ≤ 4.3). These findings demonstrate that the GLCM-PCA approach is effective in identifying texture patterns relevant to clustering three levels of landslide susceptibility based on sloped land imagery.

ARABIC:

يُعَدّ تحديد المناطق المعرّضة للانهيارات الأرضية استنادًا إلى تحليل نسيج سطح الأرض نهجًا واعدًا لدعم جهود التخفيف من مخاطر الكوارث. تقترح هذه الدراسة طريقة لتجميع مستويات القابلية للانهيارات الأرضية من خلال استخراج سمات النسيج باستخدام مصفوفة التكرار الرمادي المشترك (GLCM) وتقليل الأبعاد باستخدام تحليل المكونات الرئيسية (PCA). تشمل السمات المستخرجة كلاً من التباين، والطاقة، والاختلاف، والتجانس، والارتباط، والإنتروبيا، وذلك من صور الأراضي المنحدرة. تقيّم الدراسة مسافتين من GLCM (٠٫٥ و٠٫٨ بكسل) وثلاثة أنواع من تعزيز الصور (التدوير، والانقلاب الأفقي، والانقلاب الرأسي). يتم تنفيذ عملية التجميع بالاعتماد على المكوّن الرئيسي الأول (PC١)، الذي يُمثّل البُعد المسيطر لسمات النسيج. أظهرت نتائج التقييم أن الجمع بين مسافة GLCM بمقدار ٠٫٨ بكسل مع تعزيز الانقلاب الأفقي ينتج توزيعًا أكثر توازنًا للمجموعات مقارنةً باستخدام مسافة ٠٫٥ بكسل، على الرغم من انخفاض قيمة معامل الصورة الظلية (Silhouette Score) بشكل طفيف. وقد تم تحديد النطاقات المثلى لقيم PC١ لتقسيم ثلاث مجموعات على النحو التالي: المجموعة ٠ (−٤٫٣ ≤ n < −١٫٥)، والمجموعة ١ (−١٫٥ < n < ١٫٥)، والمجموعة ٢ (١٫٥ ≤ n ≤ ٤٫٣). تشير هذه النتائج إلى أن منهجية GLCM-PCA فعّالة في التعرف على أنماط النسيج المرتبطة بتصنيف ثلاث مستويات من القابلية للانهيارات الأرضية بالاعتماد على صور الأراضي المنحدرة.