Afnan, Dzawata (2024) Pemanfaatan Satelit-8 OLI dalam Klasifikasi Wilayah Potensi Risiko Kerusakan Lahan Akibat Tsunami di Kota Cilegon dengan Metode ANN dan SVM. Other thesis, Institut Teknologi Sepuluh Nopember.
Text
5006201094_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (7MB) | Request a copy |
Abstract
Kota Cilegon merupakan pintu gerbang Pulau Jawa bagian barat yang menghubungkan Pulau Jawa dan Pulau Sumatera, berperan penting dalam pertumbuhan ekonomi, industri, dan pariwisata antar pulau. Namun, kota ini rawan tsunami yang disebabkan oleh aktivitas vulkanik Anak Krakatau. Tsunami adalah rangkaian gelombang laut yang menjalar dengan kecepatan tinggi akibat gangguan impulsif di dasar laut seperti letusan gunung berapi dan longsor. Salah satu mitigasi sebelum terjadinya tsunami adalah dengan mengetahui daerah yang memiliki risiko kerusakan lahan tinggi akibat tsunami menggunakan klasifikasi berdasarkan indeks vegetasi seperti NDVI, NDWI, NDBI, MNDWI, dan SAVI melalui metode Artificial Neural Network (ANN) dan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa model SVM terbaik yang diperoleh dari Grid Search adalah model SVM dengan kernel Radial Basis Function (RBF) dengan parameter ∁=100 dan γ=3.16227766016838, yang berhasil mengklasifikasikan risiko kerusakan lahan akibat tsunami di kelurahan Kota Cilegon dengan persentase klasifikasi benar sebesar 99,07%. Sementara itu, model ANN terbaik adalah model MLP (5-5-2), yang memiliki 5 input neuron, 5 hidden neuron, dan 2 output neuron, dengan persentase klasifikasi benar sebesar 97,02%. Berdasarkan nilai accuracy score dan cohen’s kappa, metode SVM adalah metode klasifikasi terbaik dengan accuracy score 99,07% dan nilai cohen’s kappa 97,6%, lebih tinggi dibandingkan metode ANN. Prediksi klasifikasi dengan metode terbaik mengidentifikasi 24 kelurahan di Kota Cilegon dengan risiko tinggi kerusakan lahan akibat tsunami, yaitu Bendungan, Rawaarum, Jombang Wetan, Ciwaduk, Ciwedus, Gunungsugih, Kedaleman, Cibeber, Ketileng, Tegalratu, Warnasari, Ramanuju, Samangraya, Sukmajaya, Lebakgede, Kepuh, Citangkil, Randakari, Panggungrawi, Masigit, Kubangsari, Kebonsari, dan Gedongdalem. Hasil penelitian ini diharapkan dapat menjadi acuan dalam mengenali daerah dengan risiko tinggi, mempermudah penentuan tindakan evakuasi, meminimalisir dampak kerusakan dan kerugian, serta memastikan tindakan efektif dalam menghadapi tsunami.
============================================================
The city of Cilegon serves as the gateway to the western part of Java Island, connecting Java and Sumatra. It plays a significant role in the economic, industrial, and tourism growth between the islands. However, the city is prone to tsunamis caused by volcanic activity from Anak Krakatau. A tsunami is a series of sea waves that travel at high speed and are caused by impulsive disturbances on the seabed, such as volcanic eruptions and underwater landslides. One form of mitigation before a tsunami occurs is identifying areas with a high risk of land damage using classification based on vegetation indices like NDVI, NDWI, NDBI, MNDWI, and SAVI through methods such as Artificial Neural Network (ANN) and Support Vector Machine (SVM). The research results show that the best SVM model obtained from Grid Search is the SVM model with Radial Basis Function (RBF) kernel, with parameters ∁=100 and γ=3.16227766016838. This model successfully classified land damage risk due to tsunamis in the sub-districts of Cilegon City with a correct classification percentage of 99.07%. Meanwhile, the best ANN model is the MLP (5-5-2) model, which has 5 input neurons, 5 hidden neuron, and 2 output neurons, with a correct classification percentage of 97.02%. Based on the accuracy score and Cohen’s kappa values, the SVM method is the best classification method, with an accuracy score of 99.07% and a Cohen’s kappa value of 97.6%, higher than the ANN method. The classification prediction with the best method identified 24 sub-districts in Cilegon City with a high risk of land damage due to tsunamis, namely Bendungan, Rawaarum, Jombang Wetan, Ciwaduk, Ciwedus, Gunungsugih, Kedaleman, Cibeber, Ketileng, Tegalratu, Warnasari, Ramanuju, Samangraya, Sukmajaya, Lebakgede, Kepuh, Citangkil, Randakari, Panggungrawi, Masigit, Kubangsari, Kebonsari, and Gedongdalem. The results of this study are expected to serve as a reference for identifying high-risk areas, facilitating evacuation planning, minimizing damage and losses, and ensuring effective actions in the event of a tsunami.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Artificial Neural Network, Indeks Vegetasi, Klasifikasi, Support Vector Machine, Tsunami, Classification, Tsunami, Vegetation Index |
Subjects: | G Geography. Anthropology. Recreation > G Geography (General) > G70.217 Geospatial data G Geography. Anthropology. Recreation > G Geography (General) > G70.5.I4 Remote sensing |
Divisions: | Faculty of Mathematics, Computation, and Data Science > Actuaria > 94203-(S1) Undergraduate Thesis |
Depositing User: | Dzawata Afnan |
Date Deposited: | 26 Jul 2024 06:34 |
Last Modified: | 26 Jul 2024 06:34 |
URI: | http://repository.its.ac.id/id/eprint/109074 |
Actions (login required)
View Item |