KLASIFIKASI AREA GEMPA BUMI MENGGUNAKAN ALGORITMA RANDOM FOREST

Ismail Ismail

doi:10.35760/ik.2021.v26i1.3853

KLASIFIKASI AREA GEMPA BUMI MENGGUNAKAN ALGORITMA RANDOM FOREST

Ismail Ismail
Jurusan Sistem Komputer, Universitas Gunadarma
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2021.v26i1.3853

Abstract

Salah satu informasi yang dibutuhkan oleh warga negara di dunia adalah informasi mengenai kejadian bencana alam khususnya gempa bumi. Kejadian gempa bumi yang telah terjadi dapat diklasifikasikan dengan menganalisis data gempa bumi pada masa lampau. Pada penelitian ini diimplementasikan penggunaan algoritma Random Forest untuk mengklasifikasikan suatu area apakah termasuk ke dalam kelas gempa bumi atau kelas bukan gempa bumi yang terjadi di dunia. Penelitian ini menghasilkan peta area di seluruh dunia yang terjadi gempa bumi berdasarkan data di masa lampau tahun 1965-2016 dari earthquake dataset kaggle. Penelitian ini menggunakan 7 atribut untuk melakukan klasifikasi antara lain date, time, latitude, longitude, depth, magnitude, dan type. Penelitian ini juga menghitung tabel Confusion Matrix yang dihasilkan dari data aktual dan data prediksi yang telah di proses dalam Random Forest Classifier. Hasil Pengujian Testing Dataset klasifikasian wilayah atau area yang terjadi gempa bumi menghasilkan akurasi sejumlah 99.97%. Hasil penelitian ini diharapkan dapat membantu pihak terkait yang menangani kejadian bencana alam khususnya gempa bumi dengan mengklasifikasikan suatu area termasuk gempa bumi atau bukan gempa bumi berdasarkan atribut yang telah ditentukan.

Keywords

Gempa Bumi; Kaggle Dataset; Klasifikasi; Matriks Confusion; Random Forest

References

G. Otari and R. Kulkarni, "A review of application of data mining in earthquake prediction," International Journal of Computer Science and Information Technologies, vol.3, no.2, pp.3570-3574, 2012.

A.S.N. Alarifi, N.S.N. Alarifi, S. Al-Humidan, “Earthquakes magnitude predication using artificial neural network in northern Red Sea area”, Journal of King Saud University-Science, 24(4), 301-313, 2012

Han, J., dan Kamber, M, “Data Mining Concept and Tehniques”, San Fransisco: Morgan Kauffman, 2016

Iswari, N.M.S, “Penggunaan Teknik Data Mining untuk Manajemen Resiko Sistem Informasi Rumah Sakit”, ULTIMATICS. Vol. 3, No. 2, pp. 16–22, 2015

E. Buulolo, N. Silalahi, Fadlina and R. Rahim, "C4.5 Algorithm To Predict the Impact of the”, International Journal of Engineering Research & Technology (IJERT), vol. 6, no. 2, pp.10-15, 2017.

Sujith Mangalathu, Henry V. Burton, "Deep learning-based classification of earthquake-impacted buildings using textual damage descriptions", International Journal of Disaster Risk Reduction, IJDRR 101111, 6 March 2019

Syukron, A., & Subekti, A, "Penerapan Metode Random Over-Under Sampling dan Random Forest untuk Klasifikasi Penilaian Kredit", Jurnal Informatika, 5(2), 175–185, 2018.

Aliady, H., Tuasikal, N. J., & Widodo, E, “Implementasi Support Vector Machine (SVM) dan Random Forest”, Sentika, 23–24, 2018.

Primajaya, A., & Sari, B. N, “Random Forest Algorithm for Prediction of Precipitation”, Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), 1(1), 27–31, 2018.

Yusuf Sulistyo Nugroho dan Nova Emiliyawati, “Sistem Klasifikasi Variabel Tingkat Penerimaan Konsumen Terhadap Mobil Menggunakan Metode Random Forest”, Jurnal Teknik Elektro, 9(1), 24–29, 2016

Azhar, N. F., & Rochimah, “ Memprediksi Waktu Memperbaiki Bug dari Laporan Bug Menggunakan Klasifikasi Random Forest”, Jurnal Sistem Dan Informatika, Vol. 11(No. 1), 156–164, 2016

Earthquake Kaggle Dataset, U. G, “Significant Earthquakes, 1965-2016” Available on: https://www.kaggle.com/usgs/earthquake-database#database.csv. Tanggal akses: 05 Juli 2019.