PENERAPAN ALGORITMA K-NN DAN SVM DALAM KLASIFIKASI DATA GEMPA BUMI TERHADAP POTENSI TSUNAMI DI INDONESIA
DOI:
https://doi.org/10.36050/betrik.v15i01%20APRIL.228Keywords:
Gempa Bumi, Klasifikasi, K-Nearest Neighbor, Support Vector Machine, TsunamiAbstract
Sebagian besar wilayah Indonesia adalah negara pesisir. Indonesia memiliki lebih banyak lautan dari pada daratan. Terletak diantara dua samudra yaitu Samudra Hindia dan Samudra Pasifik. Letak geografis Indonesia menyebabkan gempa bumi terjadinya potensi tsunami yang sering menyebabkan kerusakan gempa di seluruh Indonesia yang sudah mengalami korban jiwa. Selama ini, BMKG mengalami kesulitan dalam klasifikasi data gempa bumi yang berpotensi terhadap tsunami, oleh karena itu penelitian ini akan bertujuan melakukan klasifikasi data gempa bumi berpotensi terhadap tsunami menggunakan algoritma K-Nearest Neighbor dan Support Vector Machine. Dataset yang digunakan berasal dari dataset BMKG dengan jumlah 620 dengan splitting data. Dataset akan displitkan dibagi menjadi dataset training dan dataset testing dengan rasio 80:20. Hasil penelitian menunjukkan akurasi pada algoritma K-NN 96% sedangkan algoritma SVM memiliki akurasi tertinggi 98%. Dari dua algoritma terlihat bahwa kinerja algoritma SVM lebih tinggi dari pada K-NN. Hasil penelitian ini bisa digunakan oleh BMKG dalam melakukan klasifikasi data gempa bumi yang berpotensi terhadap tsunami.
References
D. P. Utomo and B. Purba, “Penerapan Datamining pada Data Gempa Bumi Terhadap Potensi Tsunami di Indonesia,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 846, 2019, doi: 10.30645/senaris.v1i0.91.
E. W. Sandi Fajar Rodiyansyah, “Klasifikasi Posting Twitter Kemacetan Lalu Lintas Kota Bandung Menggunakan Naive Bayesian Classification,” Indones. J. Comput. Cybern. Syst., vol. 6, no. 1, pp. 91–100, 2012.
L. Irawan, L. H. Hasibuan, and F. Fauzi, “Analisa Prediksi Efek Kerusakan Gempa Dari Magnitudo (Skala Richter) Dengan Metode Algoritma Id3 Menggunakan Aplikasi Data Mining Orange,” J. Teknol. Inf. J. Keilmuan dan Apl. Bid. Tek. Inform., vol. 14, no. 2, pp. 189–201, 2020, doi: 10.47111/jti.v14i2.1079.
F. Akbar, H. W. Saputra, A. K. Maulaya, M. F. Hidayat, and R. Rahmaddeni, “Implementasi Algoritma Decision Tree C4.5 dan Support Vector Regression untuk Prediksi Penyakit Stroke,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 2, pp. 61–67, 2022, doi: 10.57152/malcom.v2i2.426.
F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, pp. 577–584, 2018, doi: 10.25126/jtiik.201855983.
M. E. Lasulika, “Komparasi Naïve Bayes, Support Vector Machine Dan K-Nearest Neighbor Untuk Mengetahui Akurasi Tertinggi Pada Prediksi Kelancaran Pembayaran Tv Kabel,” Ilk. J. Ilm., vol. 11, no. 1, pp. 11–16, 2019, doi: 10.33096/ilkom.v11i1.408.11-16.
H. Tuhuteru and A. Iriani, “Analisis Sentimen Perusahaan Listrik Negara Cabang Ambon Menggunakan Metode Support Vector Machine dan Naive Bayes Classifier,” J. Inform. J. Pengemb. IT, vol. 3, no. 3, pp. 394–401, 2018, doi: 10.30591/jpit.v3i3.977.
M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 640, 2021, doi: 10.30865/mib.v5i2.2937.
Z. Bahri, “Penggunaan SCR Sebagai Alarm Peringatan Dini Pada Saat Terjadi Gempa Bumi,” Teknika, vol. 1099, no. 2598, p. 4, 2019.
H. S. Kuyuk and O. Susumu, “Real-time classification of earthquake using deep learning,” Procedia Comput. Sci., vol. 140, pp. 298–305, 2018, doi: 10.1016/j.procs.2018.10.316.
P. Artawan and I. K. Purnamawan, “Rancangan detektor gempa berpotensi tsunami berbasis wireless sensor network dengan sistem magnetic altitude,” Pros. Semin. Nas. MIPA, p. 64, 2015.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Risky Harahap, M. Irpan, M. Azzuhri Dinata, Rahmaddeni, Lusiana Efrizoni
This work is licensed under a Creative Commons Attribution 4.0 International License.
