<![CDATA[Penelitian ini bertujuan membandingkan kinerja lima algoritma pembelajaran mesin, yaitu Random Forest, Support Vector Regression, XGBoost, LightGBM, dan Multi-Layer Perceptron dalam memprediksi magnitudo gempa berdasarkan data kedalaman dan geolokasi. Masalah yang diangkat adalah pentingnya prediksi magnitudo gempa yang lebih akurat untuk meningkatkan efektivitas mitigasi risiko bencana, terutama di daerah rawan gempa. Data yang digunakan mencakup informasi kedalaman, lintang, dan bujur dari peristiwa gempa selama periode tertentu. Metode penelitian melibatkan pembagian data pelatihan dan pengujian, serta evaluasi kinerja model menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R². Hasil penelitian menunjukkan bahwa LightGBM memberikan performa terbaik dengan nilai MAE sebesar 0,4688, RMSE sebesar 0,6284, dan R² sebesar 0,2458. Random Forest mengikuti dengan nilai MAE sebesar 0,4750, RMSE sebesar 0,6312, dan R² sebesar 0,2391. XGBoost menunjukkan performa yang kompetitif dengan MAE sebesar 0,4932, RMSE sebesar 0,6471, dan R² sebesar 0,2003. Sebaliknya, Support Vector Regression mencatatkan nilai MAE sebesar 0,5136, RMSE sebesar 0,6987, dan R² sebesar 0,0677, sementara Multi-Layer Perceptron memberikan kinerja terendah dengan MAE sebesar 0,5190, RMSE sebesar 0,7152, dan R² sebesar 0,0231. Dampak penelitian ini sangat penting bagi pengembangan sistem peringatan dini gempa dan peningkatan akurasi prediksi magnitudo gempa. Penelitian ini menegaskan bahwa pemilihan model yang tepat dapat berkontribusi pada mitigasi risiko bencana, dengan memberikan informasi yang lebih akurat mengenai kekuatan gempa yang dapat terjadi. Temuan ini juga menunjukkan bahwa algoritma pembelajaran mesin, terutama LightGBM dan Random Forest, dapat menjadi alat yang efektif dalam analisis seismologi dan aplikasi prediksi gempa.]]>
Copyrights © 2024
