Analisis Klasifikasi Gempa Seismik Tektonik dan Vulkanik dengan metode Support Vector Machine, Random Forest, dan Deep Neural Network

HADI FAHRIZA, Dr. Mardhani Riasetiawan, SE Ak, M.T.

2021 | Skripsi | S1 ILMU KOMPUTER

Gempa Bumi dapat menyebabkan banyak kerusakan, korban jiwa, dan harta benda. Wilayah Indonesia memiliki kondisi geografis yang memungkinkan terjadi gempa vulkanik maupun gempa tektonik. Dibutuhkan adanya sistem klasifikasi gempa vulkanik dan gempa tektonik untuk dapat memberikan keputusan yang tepat jika terjadi gempa. Support Vector Machine, Random Forest, dan Deep Neural Network merupakan algoritma yang bisa digunakan untuk mengklasifikasi gempa tektonik maupun gempa vulkanik berdasarkan sinyal seismik. Ketiga Algoritma ini akan diproses dengan menggunakan dataset dari IRIS Wilber 3, kemudian hasilnya akan analisis untuk mengetahui performa dari masing-masing algoritma dalam mengklasifikasi sinyal seismik. Performa algoritma Random Forest mampu mencapai akurasi sampai dengan 73.1% untuk mengklasifikasi gempa tektonik maupun gempa vulkanik, sedangkan algoritma Support Vector Machine mampu mencapai akurasi sampai dengan 54.0% dan algoritma Deep Neural Network mampu mencapai akurasi sampai dengan 58.7%.

Earthquakes may cause of major destruction, casualties, and property. Indonesia has geographical condition that allows volcano earthquake and tectonic earthquake to occur. The system to classify the characteristic of volcanic earthquakes and tectonic earthquake is needed to be able to make the right decisions when earthquake occur. Support Vector Machine, Random Forest, and Deep Neural Network are algorithm that can be used to classify tectonic earthquakes and volcanic earthquakes based on seismic signal. These algorithms will be processed using the dataset from IRIS Wilber 3, then the results will be analyzed to determine the performance of each algorithm in classifying seismic signals. The performance of the Random Forest algorithm is able to achieve an accuracy up to 73.1% for classifying tectonic earthquake and volcanic earthquake, the other side the Support Vector Machine algorithm is able to achieve an accuracy up to 54.0% and the Deep Neural Network algorithm is able to achieve an accuracy up to 58.7%.

Kata Kunci : Seismic, Machine Learning, Support Vector Machine, Random Forest, Deep Neural Network