IMPLEMENTASI RANDOM FOREST DENGAN SMOTE-ENN UNTUK KLASIFIKASI GEMPA VULKANIK GUNUNG MERAPI STUDI KASUS : BPPTKG YOGYAKARTA

Dewangga Mukti Wibawa, . and Dr. Awang Hendrianto Pratomo, S.T., M.T, . and Andika Bayu Aji, S.T., M.Eng., Ph.D., . (2026) IMPLEMENTASI RANDOM FOREST DENGAN SMOTE-ENN UNTUK KLASIFIKASI GEMPA VULKANIK GUNUNG MERAPI STUDI KASUS : BPPTKG YOGYAKARTA. Tugas Akhir thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220208.pdf Download (152kB)
	Text Abstrak_123220208.pdf Download (232kB)
	Text Halaman Pengesahan_123220208.pdf Download (431kB)
	Text Daftar Isi_123220208.pdf Download (271kB)
	Text Daftar Pustaka_!23220208.pdf Download (190kB)
	Text Fulltext_123220208.pdf Restricted to Repository staff only Download (4MB)

Abstract

Klasifikasi sinyal gempa vulkanik merupakan komponen penting dalam sistem pemantauan aktivitas Gunung Merapi karena setiap tipe gempa mencerminkan proses fisik yang berbeda di bawah permukaan. Pendekatan konvensional masih memiliki keterbatasan dalam menangani ketidakseimbangan data dan variasi karakteristik sinyal seismik. Penelitian ini menerapkan model Random Forest dengan teknik data balancing SMOTE-ENN serta optimasi hyperparameter menggunakan Bayesian Optimization untuk meningkatkan kinerja klasifikasi. SMOTE-ENN digunakan untuk memperbaiki distribusi kelas dengan menambah sampel pada kelas minoritas dan menghapus data yang tidak representatif, sehingga kualitas data latih menjadi lebih baik. Data yang digunakan merupakan sinyal seismik Gunung Merapi dari BPPTKG periode September 2025 yang diproses melalui tahapan detrend, band-pass filter, trimming, dan padding, kemudian dilakukan ekstraksi fitur pada domain waktu dan frekuensi. Model dikembangkan untuk mengklasifikasikan tiga jenis gempa, yaitu Volcano-Tectonic B (VTB), Multiphase (MP), dan Rockfall. Hasil pengujian menunjukkan bahwa penerapan SMOTE-ENN dan optimasi hyperparameter mampu meningkatkan performa model secara signifikan, dengan akurasi mencapai 97.15% serta peningkatan recall pada kelas VTB dari 80% menjadi 92%. Peningkatan ini diikuti oleh performa precision, recall, dan F1-score yang lebih seimbang pada seluruh kelas, sehingga model menghasilkan klasifikasi yang lebih stabil dan konsisten. Hasil ini menunjukkan bahwa kombinasi Random Forest, SMOTE-ENN, dan Bayesian Optimization efektif dalam meningkatkan kinerja klasifikasi sinyal gempa vulkanik.

Item Type:	Tugas Akhir (Tugas Akhir)
Additional Information:	DEWANGGA MUKTI WIBAWA (Penulis - 123220208) ; Dr. Awang Hendrianto Pratomo, S.T., M.T (Pembimbing) ; Andika Bayu A S.T., M.Eng., Ph.D. (Pembimbing)
Uncontrolled Keywords:	Gempa Vulkanik, Random Forest, SMOTE-ENN, Bayesian Optimization, Klasifikasi, Fitur Seismik
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	30 Apr 2026 07:58
Last Modified:	30 Apr 2026 07:58
URI:	http://eprints.upnyk.ac.id/id/eprint/48060

Actions (login required)

View Item