ANALISIS KOMPARATIF KNN, XGBOOST, DAN ENSEMBLE STACKING UNTUK PREDIKSI MAGNITUDO GEMPA BUMI DI WILAYAH MALUKU UTARA BERDASARKAN DATA USGS EARTHQUAKE CATALOG

Zakiyah, Khansa (2026) ANALISIS KOMPARATIF KNN, XGBOOST, DAN ENSEMBLE STACKING UNTUK PREDIKSI MAGNITUDO GEMPA BUMI DI WILAYAH MALUKU UTARA BERDASARKAN DATA USGS EARTHQUAKE CATALOG. Diploma thesis, Universitas Nasional.

	Text COVER .pdf Download (1MB)
	Text BAB 1 .pdf Download (447kB)
	Text BAB 2 .pdf Download (711kB)
	Text BAB 3 .pdf Download (905kB)
	Text BAB 4.pdf Download (954kB)
	Text BAB 5 .pdf Download (436kB)
	Text LAMPIRAN.pdf Download (4MB)

Abstract

Indonesia merupakan wilayah dengan aktivitas seismik tinggi karena berada
pada pertemuan lempeng tektonik utama, sehingga diperlukan pendekatan berbasis
data untuk membantu mitigasi bencana, khususnya di wilayah Maluku Utara yang
memiliki kompleksitas tektonik tinggi. Penelitian ini bertujuan membangun dan
membandingkan model prediksi magnitudo gempa bumi menggunakan algoritma
K-Nearest Neighbors (KNN) Regressor, XGBoost Regressor, serta Ensemble
Stacking (KNN+XGBoost) dalam kerangka CRISP-DM. Data diperoleh dari USGS
Earthquake Catalog periode 2010–2025 dan setelah proses filter magType = “mb”
serta validasi logis, digunakan 5.931 data kejadian gempa. Variabel prediktor
meliputi latitude, longitude, depth, nst, gap, dmin, dan rms, dengan target prediksi
magnitudo (mag). Data dibagi 80:20 untuk pelatihan dan pengujian, missing values
ditangani dengan imputasi median, serta standardisasi diterapkan pada KNN.
Evaluasi dilakukan menggunakan MAE, RMSE, dan koefisien determinasi (R²).
Hasil menunjukkan KNN menghasilkan MAE 0,1652; RMSE 0,2096; R² 0,4490,
sedangkan XGBoost lebih baik dengan MAE 0,1590; RMSE 0,2021; R² 0,4875.
Model terbaik diperoleh pada Ensemble Stacking dengan MAE 0,1579; RMSE
0,2002; R² 0,4972, yang mengindikasikan penggabungan kekuatan KNN (pola
lokal) dan XGBoost (pola nonlinier) meningkatkan akurasi dan stabilitas prediksi.
Model terbaik kemudian di deployment dalam aplikasi web berbasis Streamlit yang
menyediakan prediksi magnitudo, risk score, klasifikasi kategori dampak, serta
reverse geocoding lokasi.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Irna Irna Yunita
Date Deposited:	28 Apr 2026 02:44
Last Modified:	28 Apr 2026 02:44
URI:	https://repository.unas.ac.id/id/eprint/15407

Actions (login required)

View Item