<![CDATA[Optimasi hyperparameter merupakan salah satu tahapan penting dalam meningkatkan performa model machine learning, khususnya pada pemodelan data gempa bumi yang memiliki pola kompleks dan bersifat time series. Penelitian ini bertujuan untuk menganalisis penerapan metode Grid Search, Random Search, dan Bayesian Optimization dalam optimasi hyperparameter model Extreme Gradient Boosting (XGBoost), serta membandingkan pengaruhnya terhadap performa model berdasarkan metrik Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Penelitian dilakukan menggunakan data historis gempa bumi Indonesia yang diperoleh dari katalog BMKG periode 2018–2024. Sebelum proses pemodelan, dilakukan penyetaraan nilai magnitudo ke dalam skala Moment Magnitude (Mw) untuk memperoleh target yang konsisten, kemudian optimasi hyperparameter dilakukan melalui eksperimen komputasional dengan menerapkan TimeSeriesSplit sebagai metode validasi silang guna mempertahankan urutan kronologis data. Hasil penelitian menunjukkan bahwa Random Search menghasilkan performa terbaik dengan nilai RMSE sebesar 0,600102 dan R² sebesar 0,209975, diikuti oleh Bayesian Optimization dengan RMSE sebesar 0,600226 dan R² sebesar 0,209648, sedangkan Grid Search memperoleh performa yang sedikit lebih rendah dibandingkan model baseline. Perbedaan performa antara Random Search dan Bayesian Optimization relatif kecil, sehingga kedua metode menunjukkan efektivitas yang hampir setara dalam meningkatkan performa model XGBoost. Dengan demikian, Random Search merupakan metode optimasi hyperparameter yang paling efektif pada ruang pencarian dan dataset yang digunakan dalam penelitian ini.]]>
Copyrights © 2026
