Analisis Potensi Tsunami Di Indonesia Melalui Penerapan Data Mining Pada Data Gempa Bumi Di Indonesia Dengan Metode Support Vector Machines

HARY PRASETYO, . (2025) Analisis Potensi Tsunami Di Indonesia Melalui Penerapan Data Mining Pada Data Gempa Bumi Di Indonesia Dengan Metode Support Vector Machines. Other thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (655kB)
	Text BAB 1.pdf Restricted to Registered users only Download (159kB)
	Text BAB 2.pdf Restricted to Registered users only Download (598kB)
	Text BAB 3.pdf Restricted to Registered users only Download (534kB)
	Text BAB 4.pdf Restricted to Registered users only Download (385kB)
	Text BAB 5.pdf Restricted to Registered users only Download (116kB)
	Text JURNAL.pdf Restricted to Registered users only Download (399kB)

Abstract

Indonesia merupakan negara yang berada di kawasan Asia Tenggara. Letak wilayahnya berada di sepanjang cincin api pasifik sehingga sering terjadi gempa bumi yang berpotensi tsunami. Oleh karena itu, diperlukan metode analisis yang akurat guna mengurangi dampak bencana, termaksud korban jiwa dan kerusakan infrastruktur. Tujuan penelitian untuk menilai kinerja support vector machine dan meningkatkan akurasi dalam menganalisis potensi tsunami di Indonesia. Penelitian menggunakan desain kuantitatif eksperimental dengan menerapkan tahapan knowledge discovery in databases serta mengimplantasikan support vector machine dengan bantuan google colab. Google colab dipilih karena menyediakan program berbasis cloud yang mendukung eksekusi kode python secara interaktif yang dapat memungkinkan eksperimen dan optimasi model dilakukan secara efisien tanpa memerlukan perangkat keras berperforma tinggi. support vector machine mampu bekerja dalam klasifikasi linear dan non-linear yaitu dapat memisahkan dua kelas pada hyperplane dan dapat menerapkan fungsi kernel. Tahapan penelitian mencakup penyeimbangan data, optimasi parameter, serta perbandingan antara model support vector machine awal dan model support vactor machine yang telah dioptimasi. Optimasi dilakukan dengan menyesuaikan parameter C, gamma, dan pemilihan kernel seperti linear, polynomial, radial basis function, dan sigmoid dengan bantuan GridSearchCV selanjutnya dievaluasi untuk menemukan kombinasi terbaik. Hasil penelitian menunjukkan bahwa model support vector machine awal dengan kernel linear memiliki akurasi 96%, presisi 92%, recall 100%, dan F1-score 96%. Setelah optimasi yang dibantu oleh GridSearchCV model support vector machine mengalami peningkatan performa dengan kernel radial basis function menghasilkan akurasi 98%, presisi 97%, recall 100%, dan F1-score 98%. Dengan peningkatan akurasi sebesar 2%, model support vector machine teroptimasi lebih akurat dalam menganalisis potensi tsunami di Indonesia.

Item Type:	Thesis (Other)
Subjects:	T Technology > T Technology (General)
Depositing User:	Jejen Juanda
Date Deposited:	15 Jul 2025 07:16
Last Modified:	15 Jul 2025 07:16
URI:	http://repository.unpam.ac.id/id/eprint/16917

Actions (login required)

View Item