<![CDATA[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.]]>
Copyrights © 2024
