Los deslizamientos de tierra representan un peligro recurrente en entornos montañosos tropicales, donde la rápida urbanización y las lluvias extremas amplifican el riesgo de desastres. La región de Sentani en Papúa, Indonesia, es altamente vulnerable, como lo demuestran los catastróficos flujos de escombros de marzo de 2019 que causaron fatalidades y pérdidas generalizadas. Este estudio desarrolló mapas de susceptibilidad a deslizamientos de tierra de alta resolución para Sentani utilizando un marco de aprendizaje automático en conjunto. Tres aprendices base: Random Forest, eXtreme Gradient Boosting (XGBoost) y CatBoost, se combinaron a través de un meta-aprendiz de regresión logística. La redundancia de predictores se controló utilizando la correlación de Pearson y el Factor de Inflación de Varianza/Tolerancia (VIF/TOL). El inventario de deslizamientos se construyó a partir de imágenes satelitales multitemporales, integrando factores geológicos, topográficos, hidrológicos, ambientales y sísmicos. Los resultados mostraron que la litología, el Factor de Longitud y Pendiente (LS Factor) y la densidad de terremotos dominaron consistentemente las predicciones del modelo. El conjunto logró el rendimiento predictivo más equilibrado, Área Bajo la Curva (AUC) > 0.96, y generó mapas de susceptibilidad que se alinearon estrechamente con las ocurrencias observadas de deslizamientos de tierra. Los análisis de SHapley Additive Explanations (SHAP) proporcionaron información transparente y específica de cada caso sobre la influencia direccional de los factores clave. En conjunto, los hallazgos destacan tanto la solidez como la interpretabilidad del aprendizaje en conjunto para el mapeo de susceptibilidad a deslizamientos de tierra, ofreciendo evidencia práctica para apoyar la preparación ante desastres, la planificación del uso del suelo y el desarrollo sostenible en Papúa.