Pengembangan Model Klasifikasi Potensi Tsunami Berdasarkan Data Gempa Bumi dengan Metode Ensemble Learning
Cristian, Roky (2025) Pengembangan Model Klasifikasi Potensi Tsunami Berdasarkan Data Gempa Bumi dengan Metode Ensemble Learning. Skripsi thesis, Universitas Tanjungpura.
|
PDF (Cover-Bab1)
Cover-Bab1_D1041211020.pdf - Published Version Download (1MB) |
|
|
PDF (D1041211020_CRISTIAN_ROKY)
D1041211020_CRISTIAN_ROKY.pdf - Accepted Version Restricted to Repository staff only Download (4MB) |
Abstract
Tsunami merupakan gelombang laut besar yang disebabkan oleh gangguan tiba-tiba di dasar laut, seperti gempa bumi tektonik atau letusan gunung berapi. Penelitian ini bertujuan untuk membandingkan performa teknik Bagging (Random Forest) dan Boosting (XGBoost) dalam mengklasifikasikan potensi tsunami berdasarkan data gempa bumi. Selain itu, penelitian ini juga menganalisis pengaruh imputasi dan SMOTE-ENN terhadap performa model. Data yang akan digunakan terdiri dari 4000 data, yang bersumber dari United States Geological Survey (USGS). Model klasifikasi dikembangkan secara menyeluruh dari awal (from scratch), mulai dari proses pengumpulan data hingga pemodelan, tanpa menggunakan model bawaan yang telah tersedia. Enam model dibangun berdasarkan kombinasi imputasi data, SMOTE-ENN, serta algoritma XGBoost atau Random Forest. Hyperparameter tuning dilakukan menggunakan teknik Bayesian Optimization untuk memperoleh kombinasi hyperparameter terbaik setiap model. Hasil klasifikasi menunjukkan bahwa baik XGBoost maupun Random Forest mampu mengklasifikasikan potensi tsunami dengan baik, bahkan ketika menghadapi masalah data tidak lengkap dan distribusi kelas yang tidak seimbang. Model XGBoost menunjukkan performa terbaik dengan akurasi tertinggi sebesar 0,964 pada skenario imputasi tanpa SMOTE-ENN, mengindikasikan keunggulan model ini dalam menangani data gempa. SMOTE-ENN terbukti efektif meningkatkan recall pada kelas tsunami, namun menurunkan precision. Proses pengembangan model disusun dalam bentuk modul Python, sehingga setiap tahap mulai dari data preprocessing hingga pemodelan dapat dilakukan secara efisien. Modul ini dapat memudahkan proses replikasi dan pengembangan lanjutan secara fleksibel. Selain itu, modul ini juga memungkinkan penerapan teknik imputasi untuk mengatasi missing value dan SMOTE-ENN untuk mengatasi ketidakseimbangan data, sehingga menghasilkan model klasifikasi yang lebih andal.
| Item Type: | Thesis (Skripsi) | ||||||
|---|---|---|---|---|---|---|---|
| Creators: |
|
||||||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 005 Pemrograman komputer, program dan data | ||||||
| Divisions: | Fakultas Teknik > Teknik Informatika S1 | ||||||
| SWORD Depositor: | Rudiarti Rudiarti | ||||||
| Depositing User: | Rudiarti Rudiarti | ||||||
| Date Deposited: | 07 Aug 2026 01:21 | ||||||
| Last Modified: | 07 Aug 2026 01:21 | ||||||
| URI: | https://repository.untan.ac.id/id/eprint/7244 |
Actions (login required)
![]() |
View Item |
