Analisis Prediksi Dan Anomali Gempabumi Menggunakan Machine Learning

Cecilia Charlene, Siani Silvyana Halim (2020) Analisis Prediksi Dan Anomali Gempabumi Menggunakan Machine Learning. Undergraduate Thesis thesis, Institut Teknologi Telkom Purwokerto.

[img] Text
COVER.pdf - Accepted Version

Download (2MB)
[img]
Preview
Text
ABSTRACT.pdf - Accepted Version

Download (6kB) | Preview
[img]
Preview
Text
ASBTRAK.pdf - Accepted Version

Download (7kB) | Preview
[img]
Preview
Text
BAB I.pdf - Accepted Version

Download (83kB) | Preview
[img]
Preview
Text
BAB II.pdf - Accepted Version

Download (351kB) | Preview
[img]
Preview
Text
BAB III.pdf - Accepted Version

Download (402kB) | Preview
[img] Text
BAB IV.pdf - Accepted Version
Restricted to Registered users only

Download (1MB)
[img]
Preview
Text
BAB V.pdf - Accepted Version

Download (8kB) | Preview
[img]
Preview
Text
DAFTAR PUSTAKA.pdf - Accepted Version

Download (78kB) | Preview

Abstract

Gempabumi juga merupakan salah satu bencana yang sering terjadi dimana saja dan kapan saja. Dampak dari gempabumi telah menimbulkan banyak korban jiwa. Memprediksi kapan, dimana dan besarnya gempabumi berikutnya dalam wilayah atau waktu tampaknya cukup sulit. Selama lebih dari 100 tahun, para ilmuwan telah mencari metode yang baik untuk prediksi gempa bumi. Akan tetapi, terdapat suatu alternatif untuk prediksi menggunakan machine learning yang dapat membantu memperkirakan terjadinya gempa. Machine learning juga dipakai untuk outlier dan clustering. Outlier digunakan untuk penghapusan data abnormal seperti anomali gempabumi. Clustering yang digunakan adalah K-Means dan Density based Clustering of Application with Noise (DBSCAN). Clustering digunakan untuk mengelompokan gempabumi secara otomatis seperti magnitude dengan depth dan longitude dengan latitude. Setelah dataset dikelompokan, selanjutnya yaitu melakukan prediksi menggunakan algoritma Huber Regressor, Linear Regression, Ridge, Lasso, Bayesian Ridge, dan RANSAC Regressor. Hasilnya adalah untuk latitude pada algoritma Huber Regressor, Linear Regression, Ridge, dan Lasso lebih mendekati prediksi nilai asli. Kata kunci: Gempabumi, Prediksi, Machine learning, Linear model

Item Type: Thesis (Undergraduate Thesis)
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Informatics > Informatics Engineering
Depositing User: pustakawan ittp
Date Deposited: 30 Jul 2021 05:57
Last Modified: 30 Jul 2021 05:57
URI: http://repository.ittelkom-pwt.ac.id/id/eprint/6289

Actions (login required)

View Item View Item