Publisher

UNUSIDAUNUSIDA

Journal Journal of Computer Science and Visual Communication DesignJournal of Computer Science and Visual Communication Design Abstract

Salah satu jenis bencana alam yang terjadi di Indonesia adalah erupsi gunung vulkanik. Hal ini disebabkan Indonesia mempunyai ratusan gunung yang aktif dengan tipe erupsi dan status yang berbeda-beda untuk setiap gunung berapinya, dimana Indoesia merupakan negara yang dianggap sebagai pulau dengan jumlah gunung berapi aktif paling banyak di dunia. Meskipun seismograf digunakan untuk mencatat aktivitas gunung berapi, alat tersebut masih belum dapat mengklasifikasikan jenis tipe gempa dan status erupsi gunung berapi. Untuk mengatasi hal ini, peneliti mengusulkan penggunaan Machine Learning dalam mengklasifikasikan status erupsi gunung berapi. Machine Learning adalah cabang dari Artificial Intelligence (AI) yang memudahkan kinerja manusia. Terdapat tujuh cabang AI, termasuk machine learning. Dalam penelitian ini, digunakan metode Machine Learning berupa Template Matching dan K-Nearest Neighbor (KNN) untuk mengklasifikasikan tipe dan status erupsi gunung berapi.

Conclusion

Dari penelitian yang telah dilakukan dan juga pembahasan sebelumnya dihasilkan beberapa kesimpulan sebagai berikut.Berdasarkan penelitian yang telah dilakukan, hasil menunjukkan bahwa template matching dan model KNN cocok digunakan dalam klasifikasi sinyal seismik karena memiliki akurasi tinggi dengan dataset yang digunakan berjumlah 2023 dengan tipe Mseed.Dari percobaan terhadap 5 K pada model KNN didapat hasil akurasi pada data mayoritas K1=0.81 sedangkan pada keseluruhan data di dapat akurasi masing-masing K1=0.Didapatkan bahwa hasil akurasi terbaik terletak pada K=1 pada masing-masing dataset, meskipun terjadi penurunan Ketika K yang di uji semakin besar tetapi kecenderungan penurunan masih stabil dan tidak ada lonjakan akurasi yang signifikan.Hal ini juga dapat memberikan kesimpulan bahwa model KNN lebih baik dalam mengklasifikasikan sinyal ketika dataset yang dipakai balance pada setiap kelas daripada data yang imbalance.Setelah melakukan pengujian terhadap rasio data 90.10 pada masing-masing dataset, parameter K=1 memberikan akurasi tertinggi dibandingkan dengan K lainnya.Hal ini dikarenakan pada rasio data 90.10, didapatkan data training yang lebih besar sehingga model dapat mengenali pola data lebih baik.Hal ini juga terjadi karena model KNN bekerja dengan mengenali tetangga terdekatnya, sehingga pada dataset yang terpisah relatif jelas dan terpisah secara baik pada saat preprocessing, tetangga terdekat secara efektif mewakili kelas yang sesuai.Penggunaan cross-validation dengan 5 fold (lipatan) secara konsisten menghasilkan akurasi yang lebih rendah dibandingkan dengan pengujian tanpa menggunakan cross-validation pada model KNN dalam kasus klasifikasi sinyal seismik.Dari beberapa poin diatas dapat disimpulkan bahwa analisa Template Matching dan model KNN cocok digunakan pada kasus klasifikasi sinyal seismik terutama pada data yang balance.

Future Research

Untuk mengembangkan penelitian terkait klasifikasi sinyal seismik, beberapa saran yang dapat diberikan adalah: . 1. Membandingkan model KNN dengan algoritma klasifikasi lainnya, seperti Decision Tree, Neural Networks, atau Random Forest, untuk menentukan metode mana yang paling cocok untuk klasifikasi, khususnya menggunakan dataset Mseed (sinyal seismik). . 2. Melakukan eksperimen dengan menggunakan parameter K yang berbeda-beda dan tipe dataset yang bervariasi, baik Mseed maupun image, untuk melihat apakah KNN masih mampu melakukan klasifikasi dengan jumlah dataset yang lebih banyak. . 3. Menggunakan teknik resampling selain cross-validation, seperti Leave-One-Out Cross-Validation (LOOCV), Bootstrap, atau Holdout Validation, dan mempertimbangkan teknik seperti Synthetic Minority Over-sampling Technique (SMOTE) atau Adaptive Synthetic Sampling (ADASYN) untuk meningkatkan performa model. Bandingkan hasil akurasi dan evaluasi performa model dari teknik resampling yang berbeda untuk melihat apakah ada perbedaan yang signifikan.

References

1. Perubahan Kesiapan Masyarakat dalam Menghadapi Bencana Erupsi Gunung Berapi | JUPIIS: JURNAL PENDIDIKAN... doi.org/10.24114/jupiis.v11i2.13955Perubahan Kesiapan Masyarakat dalam Menghadapi Bencana Erupsi Gunung Berapi JUPIIS JURNAL PENDIDIKAN doi 10 24114 jupiis v11i2 13955
2. Perancangan Algoritma Optimasi Pada Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Pengolahan Citra... doi.org/10.34010/komputika.v9i2.3682Perancangan Algoritma Optimasi Pada Pengenalan Karakter Plat Nomor Kendaraan Menggunakan Pengolahan Citra doi 10 34010 komputika v9i2 3682
3. Skema Penyembunyian Data pada Gambar Berbasis Interpolasi Kubik B-Spline Menggunakan Metode Least Significant... jurnal.untan.ac.id/index.php/jepin/article/view/37584Skema Penyembunyian Data pada Gambar Berbasis Interpolasi Kubik B Spline Menggunakan Metode Least Significant jurnal untan ac index php jepin article view 37584
4. DAMPAK ERUPSI GUNUNG MERAPI TERHADAP LAHAN DAN UPAYA-UPAYA PEMULIHANNYA | Rahayu | Caraka Tani: Journal... jurnal.uns.ac.id/carakatani/article/view/13320DAMPAK ERUPSI GUNUNG MERAPI TERHADAP LAHAN DAN UPAYA UPAYA PEMULIHANNYA Rahayu Caraka Tani Journal jurnal uns ac carakatani article view 13320

Metadata

File size	923.36 KB
Pages	15
DMCA	Report