Analisis Komparatif XGBoost dan Random Forest untuk Klasifikasi Risiko Tanah Longsor Berdasarkan Parameter Geofisika

INDRIAWAN, RIZAL (2026) Analisis Komparatif XGBoost dan Random Forest untuk Klasifikasi Risiko Tanah Longsor Berdasarkan Parameter Geofisika. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (773kB)
	Text BAB 1.pdf Download (343kB)
	Text BAB 2.pdf Download (502kB)
	Text BAB 3.pdf Download (635kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (314kB)
	Text LAMPIRAN.pdf Download (757kB)

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma XGBoost dan
Random Forest dalam klasifikasi risiko tanah longsor berbasis parameter geofisika. Data yang
digunakan terdiri atas parameter stability, rainfall, vegetation, river distance, dan slope yang diolah
menjadi Landslide Risk Index (LRI) sebagai dasar pembentukan kelas risiko. Kelas risiko dibagi
menjadi tiga kategori, yaitu rendah, sedang, dan tinggi menggunakan metode tercile-based binning
untuk memastikan distribusi data yang relatif seimbang. Penelitian menerapkan beberapa skema
pembagian data dan proses penyesuaian hiperparameter menggunakan RandomizedSearchCV
dengan pendekatan Stratified Cross-Validation guna memperoleh konfigurasi model yang optimal.
Evaluasi kinerja dilakukan secara komprehensif menggunakan metrik accuracy, precision
tertimbang, recall tertimbang, F1-score tertimbang, Cohen’s kappa, dan AUC-ROC, serta
dianalisis melalui learning curve untuk mengidentifikasi potensi overfitting dan underfitting. Hasil
penelitian menunjukkan bahwa kedua model memiliki performa klasifikasi yang sangat baik
dengan rasio pembagian data terbaik pada 80:20. Namun demikian, XGBoost secara konsisten
menunjukkan kinerja yang lebih unggul dibandingkan Random Forest pada seluruh metrik
evaluasi, termasuk accuracy, F1-score tertimbang, dan Cohen’s kappa. Perbedaan performa
tersebut terbukti signifikan secara statistik berdasarkan uji Wilcoxon Signed-Rank Test. Analisis
feature importance mengindikasikan bahwa rainfall, stability, dan slope merupakan parameter
yang paling berpengaruh dalam klasifikasi risiko tanah longsor. Berdasarkan keseluruhan hasil
tersebut, XGBoost direkomendasikan sebagai model yang lebih optimal dan andal untuk
klasifikasi risiko tanah longsor berbasis parameter geofisika.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Irna Irna Yunita
Date Deposited:	28 Apr 2026 04:49
Last Modified:	28 Apr 2026 04:49
URI:	https://repository.unas.ac.id/id/eprint/15447

Actions (login required)

View Item