ANALISIS KOMPARATIF MODEL PEMBELAJARAN MESIN RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM MEMPREDIKSI PROBABILITAS GEMPA DI JAWA BARAT

Fitriana, Annisa (2026) ANALISIS KOMPARATIF MODEL PEMBELAJARAN MESIN RANDOM FOREST DAN SUPPORT VECTOR MACHINE DALAM MEMPREDIKSI PROBABILITAS GEMPA DI JAWA BARAT. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (417kB)
	Text BAB 2.pdf Download (574kB)
	Text BAB 3.pdf Download (673kB)
	Text BAB 4.pdf Download (660kB)
	Text BAB 5.pdf Download (333kB)
	Text LAMPIRAN.pdf Download (440kB)

Abstract

Provinsi Jawa Barat memiliki kerentanan seismik yang sangat tinggi akibat aktivitas tektonik dan keberadaan sesar aktif darat. Namun, upaya prakiraan kejadian kegempaan seringkali terkendala oleh pola data geofisika yang sangat kompleks, tidak linier, serta didominasi oleh kelas mayoritas di mana kejadian berskala besar jauh lebih jarang terjadi dibandingkan kondisi aman. Pendekatan statistik konvensional terbukti kurang peka dalam menangkap anomali tersebut, sehingga dibutuhkan intervensi kecerdasan buatan yang adaptif sekaligus mampu memetakan dampaknya terhadap masyarakat. Penelitian ini bertujuan untuk mengevaluasi kinerja dua algoritma klasifikasi tingkat lanjut dalam memprakirakan kemunculan lindu berskala di atas 4.5 bermagnitudo, serta mengintegrasikan model paling optimal ke dalam platform pemetaan spasial berbasis web guna menilai tingkat paparan ancaman terhadap warga. Metode penelitian kuantitatif diterapkan dengan memanfaatkan rekam jejak historis dari Badan Meteorologi, Klimatologi, dan Geofisika selama kurun waktu sepuluh tahun (2015-2025) yang diagregasikan ke dalam grid beresolusi tinggi. Evaluasi difokuskan pada penanganan ketimpangan data historis menggunakan teknik penyeimbang kelas secara terprogram, di mana pengujian dilakukan secara runtun waktu guna mencegah kebocoran informasi. Hasil evaluasi metrik membuktikan bahwa pendekatan pohon keputusan jamak tampil jauh lebih superior dibandingkan metode hyperplane tunggal. Arsitektur pertama berhasil membukukan nilai metrik Area Under the Curve sebesar 0,8171, ketepatan keseluruhan mencapai 0,7703, dan tingkat sensitivitas tangkapan data di angka 0,5364. Di sisi lain, arsitektur pembanding hanya mampu mencatatkan sensitivitas yang sangat lemah yakni 0,3526 meskipun akurasinya berada di level 0,7568. Analisis lanjutan menyingkap fakta bahwa variabel kedalaman rata-rata menjadi prediktor paling menentukan dengan skor kepentingan sebesar 0,34. Kesimpulan dari studi ini menegaskan kelayakan pendekatan ensemble dalam membedah data kebencanaan yang timpang. Penggabungan komputasi cerdas dengan sensus demografi sukses merumuskan skor kerawanan secara visual, menghasilkan instrumen taktis yang sangat relevan untuk mendukung peringatan dini serta perumusan kebijakan evakuasi oleh otoritas penanggulangan
bencana daerah.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Jun 2026 07:40
Last Modified:	02 Jun 2026 07:40
URI:	https://repository.unas.ac.id/id/eprint/16345

Actions (login required)

View Item