• Login
    View Item 
    •   DSpace Home
    • FACULTY OF SCIENCE AND COMPUTER
    • COMPUTER SCIENCE (ILMU KOMPUTER)
    • DISSERTATIONS AND THESES (CS)
    • View Item
    •   DSpace Home
    • FACULTY OF SCIENCE AND COMPUTER
    • COMPUTER SCIENCE (ILMU KOMPUTER)
    • DISSERTATIONS AND THESES (CS)
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    PERBANDINGAN KINERJA ALGORITMA RANDOM FOREST, XGBOOST DAN MULTILAYER PERCEPTRON UNTUK PREDIKSI MAGNITUDO GEMPA DI INDONESIA

    Thumbnail
    View/Open
    Bagian Sampul (433.7Kb)
    ABSTRAK & DAFTAR KONTEN (422.0Kb)
    BAB I (243.7Kb)
    BAB II (223.6Kb)
    BAB III (269.8Kb)
    BAB IV (1.047Mb)
    BAB V (186.7Kb)
    DAFTAR PUSTAKA & LAMPIRAN (1.125Mb)
    Date
    2024-07-15
    Metadata
    Show full item record
    Abstract
    Julius Christian Simatupang. 105220012. “Perbandingan Kinerja Algoritma Random Forest, XGBoost,dan Multilayer Perceptron Untuk Prediksi Magnitudo Gempa di Indonesia” Indonesia merupakan negara yang terletak di wilayah cincin api pasifik, yang membuat bencana alam gempa bumi sangat sering terjadi di wilayah Indonesia. Kekuatan gempa bumi yang besar akan membuat kerugian yang sangat besar bagi masyarakat dan prediksi kekuatan gempa merupakan bidang yang sangat kompleks. Namun, seiring berkembangnya teknologi, banyak penelitian yang dilakukan untuk memprediksi kekuatan gempa terutama di Indonesia. Dengan penerapan machine learning, terdapat beberapa model algoritma yang dapat memprediksi kekuatan gempa yaitu Random Forest, XGBoost, dan Multilayer Perceptron (MLP). Tujuan dari penelitian ini adalah untuk menganalisis perbandingan kinerja algoritma Random Forest, XGBoost, dan Multilayer Perceptron serta penerapan hyperparameter tuning untuk prediksi magnitudo gempa di Indonesia serta mengetahui model algoritma yang paling akurat dalam prediksi kekuatan gempa di Indonesia dan mengetahui apakah penerapan hyperparameter tuning dalam meningkatkan performa model algoritma Random Forest, XGBoost, dan MLP. Fitur yang digunakan pada penelitian ini yaitu latitude, longitude, depth, mag, Tahun, Bulan, dan tanggal. Data gempa didapatkan dari website United States Geological Survey (USGS) Earthquake. Dengan menggunakan fitur dan penerapan hyperparameter tuning, penelitian ini mendapatkan model terbaik dalam prediksi kekuatan gempa di Indonesia yaitu XGBoost dengan menghasilkan nilai evaluasi metriks MSE sebesar 0,1488, MAE sebesar 0,2832, MAPE sebesar 6,2154, dan 𝑅2 sebesar 0,1384.
    URI
    https://library.universitaspertamina.ac.id//xmlui/handle/123456789/12657
    Collections
    • DISSERTATIONS AND THESES (CS)

    DSpace software copyright © 2002-2015  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    @mire NV
     

     

    Browse

    All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

    My Account

    LoginRegister

    DSpace software copyright © 2002-2015  DuraSpace
    Contact Us | Send Feedback
    Theme by 
    @mire NV