View/Open

Author

Date Published
11 Oct 2025

Advisor
Mika Alvionita S, S.Si., M.Si.,

Subject
Sains Data

Publisher

Indonesia merupakan salah satu negara dengan aktivitas seismik yang tinggi, sehingga sering terjadi gempa bumi. Klasifikasi gempa menjadi penting sebagai upaya mitigasi risiko bencana. Penelitian ini bertujuan untuk mengklasifikasikan gempa bumi di Indonesia berdasarkan kedalamannya, yaitu dangkal, menengah, dan dalam. Metode yang digunakan adalah random forest dan adaboost random forest dengan penerapan seleksi fitur dan hyperparameter tuning menggunakan random search, untuk membandingkan kinerja model dalam menghadapi ketidakseimbangan antar kelas. Model dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model random forest memperoleh akurasi sebesar 0.87 dan F1-score weighted average sebesar 0.88, serta macro average F1-score sebesar 0.74. Setelah diterapkan adaboost, kinerja meningkat dengan akurasi sebesar 0.88, macro average F1-score sebesar 0.77,dan F1-score weighted average sebesar 0.88. Hasil tersebut menunjukkan bahwa boosting pada random forest memberikan perbaikan pada macro average F-1 score dan membantu meningkatkan keseimbangan kinerja antar kelas.

URI
https://repo.itera.ac.id/depan/submission/SB2512020008

Keyword