Klasifikasi Tsunami Gempa Bumi dengan Teknik Stacking Ensemble Machine Learning
DOI:
https://doi.org/10.33795/jip.v10i4.5655Keywords:
tsunami, gempa bumi, stacking ensemble, machine learning, klasifikasiAbstract
Upaya untuk mendeteksi dan mengklasifikasikan tsunami secara dini sangat penting untuk mitigasi risiko dan pengurangan dampak bencana. Meskipun berbagai metode telah diusulkan untuk meningkatkan akurasi prediksi tsunami, tantangan utama masih terletak pada variasi akurasi antara model yang berbeda dan ketidakmampuan beberapa model untuk menangani data yang kompleks dan beragam. Teknik stacking ensemble menawarkan solusi dengan menggabungkan kekuatan beberapa model pembelajaran mesin untuk menghasilkan prediksi yang lebih akurat dan andal. Penelitian ini bertujuan untuk menguji efektivitas teknik stacking ensemble dalam klasifikasi tsunami yang disebabkan oleh gempa bumi. Teknik ini melibatkan penggabungan beberapa model pembelajaran mesin untuk meningkatkan akurasi prediksi. Dataset yang digunakan dalam penelitian ini adalah data tsunami pasca gempa bumi dari tahun 2001 hingga 2023 yang berasal dari Kaggle.com. Proses penelitian mencakup eksplorasi data awal (EDA), preprocessing, pembagian data menjadi set pelatihan dan pengujian, serta evaluasi model dasar Decision Tree, Random Forest, Neural Network, Support Vector Machine, Naive Bayes, dan K Nearest Neighbors. Hasil menunjukkan bahwa model stacking ensemble dengan Logistic Regression sebagai meta model memberikan kinerja terbaik dalam klasifikasi tsunami dengan akurasi sebesar 94%. Secara keseluruhan, stacking ensemble dapat meningkatkan akurasi prediksi dalam klasifikasi tsunami dan dapat digunakan sebagai dasar untuk pengembangan sistem peringatan dini tsunami yang lebih efektif.
Downloads
References
Adnan, M., Imam, M. O., Javed, M. F., & Murtza, I. (2024). Improving spam email classification accuracy using ensemble techniques: a stacking approach. International Journal of Information Security, 23(1), 505–517. https://doi.org/10.1007/s10207-023-00756-1
Bell, J. (2014). Machine Learning: Hands-On for Developers and Technical Professionals. John Wiley & Sons, Inc.
Bonaccorso, G. (2017). Machine Learning Algorithms. Packt Publishing Ltd.
Cholissodin, I., & Soebroto, A. A. (2019). Ai , Machine Learning & Deep Learning ( Teori & Implementasi ) (Issue July 2019).
Coelho, L., & Richert, W. (2015). Building Machine Learning Systems with Python (Second). Packt Publishing.
Daza, A., Sancez. Caorlos Fidel Ponce, Apaza-Perez, G., Pinto, J., & Ramos, K. Z. (2024). Stacking ensemble approach to diagnosing the disease of diabetes. 44(December 2023). https://doi.org/10.1016/j.imu.2023.101427
Irawan Saputra, D., & Hakim, D. L. (2022). Implementasi Algoritma Gaussian Naive Bayes Classifier Untuk Prediksi Potensi Tsunami Berbasis Mikrokontroler. EPSILON: Journal of Electrical Engineering and Information Technology, 20(2), 122–138. https://doi.org/10.55893/epsilon.v20i2.94
Kuhn, M., & Johnson, K. (2013). Applied predictive modeling. In Applied Predictive Modeling. https://doi.org/10.1007/978-1-4614-6849-3
Latue, T., & Latue, P. C. (2023). Analisis Spasial Prediksi Bahaya Tsunami di Kecamatan Salahutu Pulau Ambon. Buana Jurnal Geografi, Ekologi Dan Kebencanaan, 1(1), 21–30. https://doi.org/10.56211/buana.v1i1.342
Mateen, S., Nuthammachot, N., & Techato, K. (2024). Random forest and artificial neural network-based tsunami forests classification using data fusion of Sentinel-2 and Airbus Vision-1 satellites: A case study of Garhi Chandan, Pakistan. Open Geosciences, 16(1), 1–25. https://doi.org/10.1515/geo-2022-0595
Permana, A., S, W., Santoso, W., & Wibowo, G. (2023). MACHINE LEARNING. In A. Y. M.Pd (Ed.), Machine Learning (Vol. 45, Issue 13). PT GLOBAL EKSEKUTIF TEKNOLOGI.
RE, M., & Valentini, G. (2012). Ensemble Methods. https://doi.org/10.1201/b11822-34
Sukmana, H. T., Durachman, Y., Amri, & Supardi. (2024). Comparative Analysis of SVM and RF Algorithms for Tsunami Prediction: A Performance Evaluation Study. Journal of Applied Data Sciences, 5(1), 84–99. https://doi.org/10.47738/jads.v5i1.159
Syamsiah, N. O., & Purwandani, I. (2023). Penerapan Metode Stacking Untuk Meningkatkan Akurasi Hasil Peramalan Konsumsi Listrik Abstrak. 4(1), 15–25.
Wang, Y., Imai, K., Miyashita, T., Ariyoshi, K., Takahashi, N., & Satake, K. (2023). Coastal tsunami prediction in Tohoku region , Japan , based on S ‑ net observations using artificial neural network. Earth, Planets and Space. https://doi.org/10.1186/s40623-023-01912-6
Zhou, Z.-H. (2012). Ensemble Methods Foundations and Algorithms (Second Edi). Taylor & Francis Group. https://doi.org/10.1201/b11822-34
