<![CDATA[Tsunami merupakan bencana alam yang berdampak besar, khususnya di wilayah rawan seperti Indonesia. Penelitian ini bertujuan mengklasifikasikan potensi tsunami berdasarkan data gempa bumi menggunakan algoritma Extreme Gradient Boosting (XGBoost). Dataset mencakup data gempa dari 1900 hingga 2023 dengan total 1.376 data dan mengandung ketidakseimbangan kelas. Untuk mengatasi masalah ini, teknik Synthetic Minority Over-sampling Technique (SMOTE) diterapkan. Model dikembangkan dengan menyetel hyperparameter seperti max_depth, learning_rate, gamma, min_child_weight, colsample_bytree, dan subsample menggunakan Grid Search. Hasil pengujian menunjukkan bahwa kombinasi hyperparameter terbaik menghasilkan accuracy 85%, dengan recall, precision, dan F1-score masing-masing sebesar 0.74. Setelah penerapan SMOTE, accuracy menurun menjadi 84%, tetapi recall meningkat menjadi 0.79 dengan precision 0.71 dan F1-score 0.75. Evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score menunjukkan bahwa penerapan SMOTE memberikan prediksi yang lebih baik untuk kelas tsunami. Pendekatan ini diharapkan berkontribusi dalam mitigasi bencana tsunami melalui sistem deteksi dini berbasis data gempa bumi.]]>
Copyrights © 2025
