<![CDATA[Bencana maritim, seperti tragedi Titanic (1912), tetap menjadi fokus penelitian analitik prediktif tentang kelangsungan hidup penumpang. Studi ini menggunakan model pembelajaran mesin (ML) untuk menilai probabilitas kelangsungan hidup menggunakan Gaussian Naïve Bayes (GaussianNB), Decision Tree, dan k-Nearest Neighbors (KNN) pada kumpulan data yang terdiri dari 891 sampel pelatihan dan 418 sampel uji. Untuk meningkatkan akurasi model, Grey Wolf Optimization (GWO) diterapkan untuk penyetelan parameter, yang menghasilkan peningkatan signifikan: GaussianNB meningkat dari 79,02% menjadi 81,14% (+2,69%), Decision Tree meningkat dari 77,22% menjadi 80,59% (+3,37%), dan KNN naik dari 71,27% menjadi 79,58% (+8,31%). Temuan ini mengonfirmasi efektivitas optimasi berbasis metaheuristik dalam meningkatkan akurasi prediktif untuk klasifikasi kelangsungan hidup. Penelitian ini menunjukkan potensi GWO dalam mengoptimalkan model ML untuk aplikasi keselamatan maritim, menawarkan pendekatan yang lebih andal untuk penilaian risiko dan prediksi kelangsungan hidup dalam analisis transportasi dan bencana.]]>
Copyrights © 2025
