Klasifikasi Tipe Letusan Gunungapi Merapi Berdasarkan Energi Kegempaan Menggunakan Algoritma XGBoost

ANDRE KRISMANTARA, Dr. Sudarmaji, M.Si.;Ir. I Gusti Made Agung Nandaka, DEA.

2021 | Skripsi | S1 GEOFISIKA

Gunungapi Merapi memiliki tipe erupsi yang berbeda di tiap periodenya, dapat berupa erupsi efusif dan eksplosif. Oleh karena itu dibutuhkan model Machine Learning yang mampu menganalisa pola tingkah laku dari Gunungapi Merapi dan mengklasifikasikan tipe erupsinya dengan tepat. Pada penelitian kali ini dilakukan klasifikasi data energi gempa vulkanik dan energi gempa total harian yang dibagi menjadi 3 kelas yaitu: Non Erupsi, Efusif dan Eksplosif. Penelitian ini memanfaatkan fungsi shift yang mengubah data runtun waktu menjadi satu baris fitur dengan variasi 7 hari, 30 hari, 90 hari dan 180 hari. Klasifikasi dilakukan menggunakan XGBoost dengan hiperparameter yang memanfaatkan modul GridSearch. Hasil penelitian menunjukkan bahwa algoritma XGBoost dapat mengklasifikasikan erupsi Merapi yang dibuktikan dengan akurasi klasifikasi terhadap 3 kelas tersebut diatas 50%. Hasil penelitian juga menunjukkan bahwa XGBoost-GS lebih akurat untuk klasifikasi dibandingkan XGBoost-Default. Hal ini dibuktikan dengan nilai skor metriks dan akurasi dari XGBoost-GS yang lebih tinggi dibandingkan XGBoost-Default. Hasil dari penelitian ini juga membuktikan bahwa penggunaan fungsi shifting untuk membantu model dalam mengingat data indeks sebelumnya dan berhasil meningkatkan akurasi dari model

Merapi Volcano has a different type of eruption in each period, which can be effusive and explosive eruption. Therefore, a Machine Learning model that has ability to analyze the behavioral pattern of Merapi Volcano and classify the type of eruption correctly is needed. In this study, the classification of volcanic earthquake energy data and daily total earthquake energy was divided into 3 classes, namely: Non eruptive, Effusive and Explosive. This study utilizes a shift function that converts time series data into one row of feature with variations of 7 days, 30 days, 90 days and 180 days. Classification is done using Extreme Gradient Boosting with hyperparameters that utilize the Grid Search module. The results showed that the XGBoost algorithm can classify Merapi eruptions as evidenced by the classification accuracy of the 3 classes above 50%. The results also show that XGBoost-GS is more accurate for classification than XGBoost-Default . This is evidenced by the metric score and accuracy of XGBoost-GS which is higher than XGBoost-Default . The results of this study also prove that the use of the shifting function to assist the model in recalling the previous index data and succeeded in increasing the accuracy of the model.

Kata Kunci : Klasifikasi, Erupsi, Gunungapi, Shifting, Machine Learning, XGBoost