Penerapan Data Sains Untuk Klasifikasi Wilayah Yang Terdampak Kerusakan Gempa Bumi Dengan Metode C.45
Algoritma C4.5, Gempa bumi, Model klasifikasi, Mitigasi bencana
Abstract
Di Indonesia, gempa bumi sering terjadi karena interaksi plat tektonik. Energi seismik yang dicatat oleh seismograf diukur pada skala Richter (SR). Data dari BMKG dan BNPB selama semester pertama 2022 menunjukkan getaran energi seismik dari skala kecil hingga besar di sekitar Indonesia. Penelitian ini menggunakan metode C4.5 untuk klasifikasi dampak gempa, mengolah data historis mengenai wilayah, magnitudo, kedalaman, dan tingkat kerusakan. Proses penelitian mencakup pengumpulan data, pra-pemrosesan, pemilihan model, pelatihan model, dan penilaian kinerja menggunakan akurasi, presisi, recall, dan skor F1. Dataset berisi 62 catatan gempa dari BMKG dan dampak kerusakan di Jawa dari BNPB. Model C4.5 mencapai akurasi 62% pada tuning 8:2, meskipun menghadapi tantangan seperti variasi kondisi geografis, struktur bangunan, dan jumlah kejadian dalam satu hari. Hasil penelitian ini memberikan kontribusi berupa gabungan data bencana dari www.bmkg.go.id dan kerusakan dari https://gis.bnpb.go.id/. Selain itu, model C4.5 dapat dilakukan untuk skala kerusakan rumah akibat gempa bumi. Penelitian ini menghasilkan model prediksi yang akurat untuk mengklasifikasikan tingkat kerusakan bangunan, memberikan wawasan praktis untuk mitigasi bencana, dan mendukung pemerintah serta lembaga penanggulangan bencana dalam meningkatkan sistem peringatan dini dan distribusi bantuan.
Downloads
References
Cheng, Z., Peng, C., & Chen, M. (2023). Real-Time Seismic Intensity Measurements Prediction for Earthquake Early Warning: A Systematic Literature Review. In Sensors (Vol. 23, Issue 11). MDPI. https://doi.org/10.3390/s23115052
Ding, J., Zhang, J., Zhan, Z., Tang, X., & Wang, X. (2022). A Precision Efficient Method for Collapsed Building Detection in Post-Earthquake UAV Images Based on the Improved NMS Algorithm and Faster R-CNN. Remote Sensing, 14(3). https://doi.org/10.3390/rs14030663
Ghimire, S., Guéguen, P., Giffard-Roisin, S., & Schorlemmer, D. (2022). Testing machine learning models for seismic damage prediction at a regional scale using building-damage dataset compiled after the 2015 Gorkha Nepal earthquake. Earthquake Spectra, 38(4), 2970–2993. https://doi.org/10.1177/87552930221106495
Irawan, L., & Hermawan Hasibuan, L. (2020). ANALISA PREDIKSI EFEK KERUSAKAN GEMPA DARI MAGNITUDO (SKALA RICHTER) DENGAN METODE ALGORITMA ID3 MENGGUNAKAN APLIKASI DATA MINING ORANGE. Jurnal Teknologi Informasi : Jurnal Keilmuan Dan Aplikasi Bidang Teknik Informatika, 14(2), 189–201. https://doi.org/10.47111/JTI
K. Chaurasia, S. K. A. Y. V. K. S. B. S. R. D. (2019). Predicting Damage to Buildings Caused by Earthquakes Using Machine Learning Techniques. IEEE.
Kubo, H., Naoi, M., & Kano, M. (2024). Recent advances in earthquake seismology using machine learning. Earth, Planets and Space, 76(1). https://doi.org/10.1186/s40623-024-01982-0
Mangalathu, S., Sun, H., Nweke, C. C., Yi, Z., & Burton, H. V. (2020). Classifying earthquake damage to buildings using machine learning. Earthquake Spectra, 36(1), 183–208. https://doi.org/10.1177/8755293019878137
Miura, H., Aridome, T., & Matsuoka, M. (2020). Deep learning-based identification of collapsed, non-collapsed and blue tarp-covered buildings from post-disaster aerial images. Remote Sensing, 12(12). https://doi.org/10.3390/rs12121924
Mousavi, S. M., & Beroza, G. C. (2020). A Machine-Learning Approach for Earthquake Magnitude Estimation. Geophysical Research Letters, 47(1). https://doi.org/10.1029/2019GL085976
Oktarina, R., Bahagia, S. N., Diawati, L., & Pribadi, K. S. (2020). Artificial neural network for predicting earthquake casualties and damages in Indonesia. IOP Conference Series: Earth and Environmental Science, 426(1). https://doi.org/10.1088/1755-1315/426/1/012156
Sinaga, D. P. S., Rini Marwati, & Bambang Avip Priatna Martadiputra. (2023). Aplikasi Web Prediksi Dampak Gempa di Indonesia Menggunakan Metode Decision Tree dengan Algoritma C4.5. JMT : Jurnal Matematika Dan Terapan, 5(2), 97–108. https://doi.org/10.21009/jmt.5.2.5
SRIKANTH, Mr. PARUCHURU., SIVA SAI, Mr. N. H., & GOKULKRISHNAN, Mr. S. (2022). ANALYSIS AND PREDICTION OF EARTHQUAKE IMPACT-A MACHINE LEARNING APPROACH. INTERANTIONAL JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT, 06(03). https://doi.org/10.55041/ijsrem12008
Tantyoko, H., Kartika Sari, D., & Wijaya, A. R. (2023). PREDIKSI POTENSIAL GEMPA BUMI INDONESIA MENGGUNAKAN METODE RANDOM FOREST DAN FEATURE SELECTION. In Idealis: Indonesia Journal Information System (Vol. 6, Issue 2). http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/indexHenriTantyoko|http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index|
Wahyu Pratama, R., Herry Chrisnanto, Y., Abdillah Informatika, G., Jenderal Achmad Yani Cimahi Jl Terusan Jend Sudirman, U., Cimahi Sel, K., Cimahi, K., & Barat, J. (2024). KLASIFIKASI EFEK KERUSAKAN GEMPA BUMI BERDASARKAN SKALA MODIFIED MERCALLI INTENSITY MENGGUNAKAN ALGORITMA MULTICLASS SUPPORT VECTOR MACHINE. In Jurnal Mahasiswa Teknik Informatika (Vol. 8, Issue 2). https://www.bmkg.go.id/gempabumi/skala-
