Optimasi Algoritme Naive Bayes Untuk Klasifikasi Data Gempa Bumi di Indonesia Berdasarkan Hiposentrum

Prathivi, Rastri

doi:10.35671/telematika.v13i1.928

Cited by 5 publications

(5 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Sementara itu menurut [11] Hasil dari proses klasifikasi seringkali mengalami masalah yaitu ketidaktepatan dalam klasifikasi. Untuk mengatasi masalah tersebut maka algoritma klasifikasi perlu ditingkatkan optimasinya.…”

Section: Klasifikasiunclassified

Optimasi Klasifikasi Batik Betawi Menggunakan Data Augmentasi Dengan Metode KNN Dan GLCM

Akbar¹,

Mulyana²

2022

jatim

View full text Add to dashboard Cite

Batik telah menjadi salah satu warisan budaya leluhur negara Indonesia yang terus dikembangkan, dilestarikan dan dijadikan identitas budaya bangsa Indonesia. Salah satu batik yang belum terangkat ke permukaan adalah batik Betawi. Penelitian ini dilakukan untuk mengklasifikasikan batik betawi ke dalam beberapa kelas berdasarkan motif nya sehingga mempermudah dalam pengenalan batik betawi secara citra digital. Metode yang digunakan adalah K-Nearest Neighbor untuk menentukan kedekatan antara citra uji dengan citra latih sedangkan Gray-Level Co-occurrence Matrix untuk ekstraksi ciri teksturnya. Untuk dataset penulis menggunakan dataset publik dari website Kaggle yang berjudul “Indonesian Batik Motifs” dan beberapa sumber dari Google. Karena kekurangan banyak dataset, maka penulis mengaugmentasi dataset yang sudah di dapatkan hingga berjumlah 1.020 citra. Dan hasilnya persentase nilai akurasi tertinggi terdapat pada motif Burung Hong, Monas, Nusa Kelapa, Pengantin Betawi, Ondel-Ondel, Rasamala dan Salakanagara sebanyak 97%. Untuk nilai akurasi terendah terdapat pada motif Kali Ciliwung dan Topeng Betawi sebanyak 93%. Selebihnya yaitu motif Golok, Penari Ngarojeng dan Pucuk Rebung mendapatkan nilai akurasi sebanyak 95%. Dan nilai rata-rata akurasi dari semua motif batik Betawi ini mendapatkan nilai 96%. Hasil ini menunjukan bahwa penelitian ini sangat baik. Kata kunci : Klasifikasi, Batik Betawi, K-Nearest Neighbor, Gray-Level Co-occurrence Matrix.

show abstract

Section: Klasifikasiunclassified

Optimasi Klasifikasi Batik Betawi Menggunakan Data Augmentasi Dengan Metode KNN Dan GLCM

Akbar¹,

Mulyana²

2022

jatim

View full text Add to dashboard Cite

show abstract

“…Hal ini menjadikan Indonesia termasuk negara yang memiliki ancaman bencana gempa bumi cukup tinggi di bandingkan dengan negara lainnya. Pusat gempa adalah suatu titik sumber gempa yang terdapat pada kedalaman tertentu yang dapat menjadi titik terparah suatu gempa [2]. Gempa bumi terkuat yang pernah terjadi adalah gempa yang berpusat pada Samudra Hindia yang memicu tsunami Aceh Tahun 2004 dengan kekuatan 9.3 skala richter (SR) sehingga menimbulkan 131.028 korban jiwa dan lebih dari 37.000 orang dinyatakan hilang [3].…”

Section: Pendahuluanunclassified

Clusterisasi Kerusakan Gempa Bumi di Pulau Jawa Menggunakan SOM

Hartatik¹,

Cahya²

2020

j.ilm.intech

View full text Add to dashboard Cite

Indonesia sebagai negara yang diapit oleh 3 lempeng membuat negara ini cukup sering diguncang oleh Gempa. Pada tahun 2018, BMKG mencatat ada sebanyak 23 gempa yang masuk dalam kategori merusak. Setengahnya berada di Pulau Jawa. Pemetaan daerah rawan gempa dan jenis kerusakan yang terjadi perlu dilakukan untuk meminimalisir terjadinya kerusakan dan mitigasi bencana. SOM (Self-Organizing Map) merupakan metode clustering yang pernah digunakan untuk melakukan pengelompokan daerah gempa dan kerusakan yang terjadi. Metode SOM banyak digunakan untuk melakukan pengelompokan karena cenderung stabil dimana nilai centroid tidak berubah di setiap pengujian. Dataset yang digunakan berjumlah 1000 data diambil langsung dari web BMKG pada rentang waktu Januari 2019 sampai dengan Juni 2019. Akurasi dihitung menggunakan metode K-Fold Validation dengan membagi data set ke dalam 5-fold dan 10-fold data testing yang masing-masing berisi 200 dan 100 data. Hasil pengujian menunjukkan nilai akurasi algoritma SOM yang tertinggi adalah dengan alpha 0.2 untuk 5-Fold yaitu 96.20% dan 0.3 untuk 10-Fold yaitu 95.6% pada minimal iterasi 20 dan yang terendah adalah alpha 0.1 yaitu 85.90% mulai dari iterasi 10.

show abstract

“…According to research by Prathivi and Rastri (2020), this way, people will be more alert if an earthquake occurs in the future and can prepare themselves to evacuate if the earthquake has the potential to cause a tsunami. This analysis can be carried out using the Orange Data Mining application [6]. Data mining or information mining is a software tool used to discover hidden patterns, trends, or rules that exist on a largedimensional basis and create rules that are used to predict future behavior.…”

Section: Introductionmentioning

confidence: 99%

Classification of Potential Tsunami Disaster Due to Earthquakes in Indonesia Based on Machine Learning

Mardiani,

Rahmansyah,

Ningsih

et al. 2024

ijsecs

View full text Add to dashboard Cite

Earthquakes and tsunamis pose significant threats to Indonesia due to its unique geological positioning at the convergence of four tectonic plates. This study focuses on classifying the potential occurrence of tsunami disasters following earthquakes using various data mining methods, including k-Nearest Neighbor (kNN), Naïve Bayes, Decision Tree and Ensemble Method, and Linear Regression. The research employs a qualitative approach to systematically understand and describe the context of natural disasters, utilizing both primary and secondary data collection techniques. Performance evaluation metrics such as Area Under the Curve (AUC), Classification Accuracy (CA), F1 Score, Precision, and Recall are utilized to assess the effectiveness of each method in predicting potential tsunami events. The findings reveal that the kNN method exhibits the highest performance, with an AUC of 94.4% and a precision of 82.8%, indicating robust predictive capabilities. However, misclassifications were observed, emphasizing the need for further refinement. Naïve Bayes also shows promising results with an AUC of 84.5% and precision of 78.6%. Decision Tree and Ensemble Method models, such as Random Forest and AdaBoost, demonstrate reasonable performance, with Random Forest achieving the highest AUC of 71.9%. Linear Regression is employed to explore the correlation between earthquake attributes and tsunami occurrence, revealing a weak relationship. Further research integrating advanced modeling approaches and additional earthquake attributes is recommended to enhance the predictive capabilities of tsunami risk assessment models. The study underscores the importance of employing diverse machine learning techniques and evaluating their performance metrics to refine the accuracy of tsunami prediction models, ultimately contributing to practical disaster preparedness and mitigation strategies.

show abstract

Optimasi Algoritme Naive Bayes Untuk Klasifikasi Data Gempa Bumi di Indonesia Berdasarkan Hiposentrum

Cited by 5 publications

References 0 publications

Optimasi Klasifikasi Batik Betawi Menggunakan Data Augmentasi Dengan Metode KNN Dan GLCM

Optimasi Klasifikasi Batik Betawi Menggunakan Data Augmentasi Dengan Metode KNN Dan GLCM

Clusterisasi Kerusakan Gempa Bumi di Pulau Jawa Menggunakan SOM

Classification of Potential Tsunami Disaster Due to Earthquakes in Indonesia Based on Machine Learning

Contact Info

Product

Resources

About