Analisis Kelompok Data Gempa Bumi Di Indonesia Menggunakan Algoritma K-means Dan Algoritma Agglomerative Hierarchical K-means

Gustiana, Rina (2021) Analisis Kelompok Data Gempa Bumi Di Indonesia Menggunakan Algoritma K-means Dan Algoritma Agglomerative Hierarchical K-means. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 06111740007002_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (1MB) | Request a copy

Abstract

Gempa bumi merupakan getaran pada permukaan bumi yang terjadi akibat pelepasan energi secara tiba-tiba dan menciptakan gelombang seismik. Indonesia memiliki tingkat kegempaan yang tinggi karena berada di Cincin Api Pasifik yang menimbulkan banyak aktivitas tektonik. Gempa merupakan salah satu ancaman bencana terbesar karena terjadi tiba-tiba dan dapat menyerang wilayah padat penduduk. Disamping itu, gempa bumi dengan kekuatan 5 skala ritcher dapat terjadi setiap hari, sedangkan yang lebih dari itu juga banyak terjadi di beberapa daerah di Indonesia. Risiko dari gempa bumi bermacam-macam, antara lain kematian manusia, kerusakan bangunan, longsor, bahkan dapat menyebabkan tsunami.
Pada penelitian ini dilakukan pengelompokan gempa bumi berdasakan wilayah yang paling berisiko dengan menggunakan salah satu teknik data mining, yaitu clustering. Algoritma yang dipakai yaitu K-Means dan Agglomerative Hierarchical K-means. K-means digunakan untuk membagi sejumlah objek ke dalam k cluster dimana setiap objeknya adalah milik cluster dengan rata-rata terdekat. K-means memiliki kekurangan yaitu sensitif terhadap pencilan dan hasilnya bergantung dari pemilihan titik pusat awal yang dipilih secara acak. Agglomerative clustering yaitu metode yang membagi data ke dalam k kelompok sehingga data dengan karakteristik sama akan dikelompokan ke dalam kelompok sama. Agglomerative Hierarchical K-means merupakan algoritma hybrid (gabungan) yang menggunakan Agglomeartive Hierarchical untuk menemukan titik pusat cluster dan kemudian akan digunakan K-means.
Hasil dari penelitian tugas akhir ini adalah clustering yang tepat untuk data gempa bumi di Indonesia berdasarkan atribut yang digunakan adalah algoritma Agglomerative Hierarchical K-means. Pengelompokan ini menghasilkan tiga cluster dan dilakukan uji validasi dengan menggunakan silhouette coefficient.
=====================================================================================================
An earthquake is a vibration on the earth's surface that occurs due to the sudden release of energy and creates seismic waves. Indonesia has a high level of seismicity because it is located on the Pacific Ring of Fire which causes a lot of tectonic activity. Earthquakes are one of the biggest disaster threats because they occur suddenly and can strike densely populated areas. In addition, earthquakes with a magnitude of 5 on the Richter scale can occur every day, while those more than that also occur in many areas in Indonesia. The risks of earthquakes vary, including human death, damage to buildings, landslides, and can even cause a tsunami.
In this study, earthquakes were grouped based on the most at-risk areas using one of the data mining techniques, namely clustering. The algorithms used are K-means and Agglomerative Hierarchical K-means. K-means is used to divide the number of objects into k clusters where each object belongs to the cluster with the closest mean. K-means has the disadvantage that it is sensitive to outliers and the results depend on the selection of the initial center point which is chosen randomly. Agglomerative clustering is a method that divides data into k groups so that data with the same characteristics will be grouped into the same group. Agglomerative Hierarchical K-means is a hybrid algorithm (combined) that uses Agglomerative Hierarchical to find the center point of the cluster and then K-means will be used.
The result of this final project is the appropriate clustering for earthquake data in Indonesia based on the attributes used in the Agglomerative Hierarchical K-means algorithm. This grouping produces three clusters and validation tests are carried out using the silhouette coefficient.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	gempa bumi, data mining, k-means, agglomerative hierarchical k-means, silhouette coefficient
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA278.55 Cluster analysis
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Rina Gustiana
Date Deposited:	27 Aug 2021 08:24
Last Modified:	27 Aug 2021 08:24
URI:	http://repository.its.ac.id/id/eprint/90105

Actions (login required)

View Item