ANALISIS PERBANDINGAN RANDOM FOREST DAN XGBOOST DALAM KLASIFIKASI POTENSI TSUNAMI BERDASARKAN DATA GEMPA BUMI TAHUN 2000-2025 DI JEPANG

OCTA FADILAH, . (2026) ANALISIS PERBANDINGAN RANDOM FOREST DAN XGBOOST DALAM KLASIFIKASI POTENSI TSUNAMI BERDASARKAN DATA GEMPA BUMI TAHUN 2000-2025 DI JEPANG. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 115220062_Cover - Octa Fadilah.pdf Download (112kB)
	Text 115220062_Abstrak - Octa Fadilah.pdf Download (180kB)
	Text 115220062_Halaman Pengesahan - Octa Fadilah.pdf Download (877kB)
	Text 115220062_Daftar Isi - Octa Fadilah.pdf Download (962kB)
	Text 115220062_Daftar Pustaka - Octa Fadilah.pdf Download (181kB)
	Text 115220062_Fulltext - Octa Fadilah.pdf Restricted to Repository staff only Download (5MB)

Abstract

Jepang memiliki seismisitas ekstrem dengan variasi mekanisme patahan yang rawan memicu tsunami, khususnya sesar naik (reverse fault). Meski Machine learning terbukti ampuh memprediksi potensi tsunami, studi sebelumnya sering mengabaikan parameter jenis patahan ini. Penelitian ini membandingkan kinerja algoritma Random Forest dan XGBoost dengan mengintegrasikan parameter mekanisme sesar sebagai fitur tambahan. Data historis gempa bumi Jepang tahun 2000-2025 diolah dan diintegrasikan dengan katalog tsunami, kemudian pembagian data latih dan uji didasari berdasarkan standar empiris untuk Machine Learning. Evaluasi pemodelan dilakukan menggunakan dua dataset (tanpa dan dengan parameter patahan), menerapkan penyesuaian bobot kelas (class weight) untuk menangani ketidakseimbangan data, serta mengukur performa melalui Confusion matrix, Presisi, Recall, F1-score, AUC dan kurva Presisi Vs Recall. Hasil penelitian menunjukkan kedua model mampu mendeteksi tsunami aktual dengan sempurna (Recall 1.00). Namun, XGBoost sedikit lebih unggul dengan nilai AUC 0.986 dibandingkan Random Forest (0.985). Selisih komparasi AUC yang sangat tipis ini dipengaruhi oleh dominasi fitur magnitudo yang menjadi acuan utama dalam pengklasifikasian. Meskipun demikian, penambahan parameter jenis patahan terbukti meningkatkan performa gradient boosting pada model XGBoost. Mekanisme tersebut berdampak pada peningkatan nilai presisi XGBoost dari 0.6000 menjadi 0.6429 dan menjadikannya jauh lebih analitis dalam memamfaatkan fitur patahan untuk menekan angka alarm palsu. Sehingga dapat disimpulkan bahwa XGBoost merupakan arsitektur model komputasi yang lebih presisi untuk mendukung sistem mitigasi bencana tsunami.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Gempa Bumi, Tsunami, Machine learning, Random Forest, XGBoost
Subjek:	Q Science > QC Physics Q Science > QE Geology
Divisions:	Fakultas Teknologi Mineral dan Energi > (S1) Teknik Geofisika
Depositing User:	UPA Perpustakaan
Date Deposited:	15 Oct 2026 06:22
Last Modified:	15 Oct 2026 06:22
URI:	http://eprints.upnyk.ac.id/id/eprint/49935

Actions (login required)

View Item