APLIKASI WEB PREDIKSI DAMPAK GEMPA DI INDONESIA MENGGUNAKAN METODE DECISION TREE DENGAN ALGORITMA C4.5

• Main Author: Diory Pribadi Sinaga, - (Author)
• Format: Book
• Published: 2023-04-17.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/89841/1/S_MAT_1905589_Title.pdf; http://repository.upi.edu/89841/3/S_MAT_1905589_Chapter1.pdf; http://repository.upi.edu/89841/4/S_MAT_1905589_Chapter2.pdf; http://repository.upi.edu/89841/5/S_MAT_1905589_Chapter3.pdf; http://repository.upi.edu/89841/6/S_MAT_1905589_Chapter4.pdf; http://repository.upi.edu/89841/7/S_MAT_1905589_Chapter5.pdf; http://repository.upi.edu/89841/8/S_MAT_1905589_Appendix.pdf
• Keywords: L Education (General)

Prediksi merupakan hal yang sangat penting bahkah sangat dibutuhkan karena dapat mengurangi risiko bila diketahui terlebih dahulu. Prediksi dapat dilakukan dengan menggunakan data mining berupa klasifikasi ke dalam kelas yang sudah ditentukan. Decision Tree merupakan suatu metode klasifikasi yang dapat digunakan untuk melakukan suatu prediksi pada kasus tertentu. Dalam hal ini kasus yang diteliti yaitu berkaitan dengan prediksi dampak gempa yang dirasakan berdasarkan Skala Intensitas Gempabumi BMKG (SIG-BMKG). Decision Tree memiliki beberapa algoritma diantaranya ID3, CART, dan C4.5. Pada penelitian ini algoritma yang dipakai adalah algoritma C4.5 karena di samping mudah untuk digunakan, algoritma ini tahan terhadap missing value dan dapat menangani variabel kontinu. Penelitian ini mengkonstruksi dan menganalisis performa model Decision Tree dengan algoritma C4.5 pada kasus prediksi dampak gempa di Indonesia, serta mengembangkan aplikasi web yang dapat digunakan pengguna. Dalam proses pengembangan model, penelitian ini menggunakan metodologi CRISP-DM (Cross Industry Standard Process for Data Mining). Model yang dipakai dalam memprediksi adalah model dengan performa terbaik. Penelitian ini menggunakan teknik validasi Split Validation dan k-fold Cross Validation dalam menemukan model terbaik. Model yang terbaik diperoleh pada iterasi pertama 10-fold Cross Validation. Model terbaik tersebut digunakan pada aplikasi web untuk memprediksi dampak gempa di Indonesia. Prediction is very important even needed because it can reduce risk if known in advance. Predictions can be made using data mining in the form of classification into predetermined classes. Decision Tree is a classification method that can be used to make a prediction in a particular case. In this case, the case studied is related to the prediction of the impact of the earthquake felt based on the BMKG Earthquake Intensity Scale (SIG-BMKG). Decision Tree has several algorithms including ID3, CART, and C4.5. In this study, the algorithm used is the C4.5 algorithm because besides being easy to use, this algorithm is resistant to missing values and can handle continuous variables. This research constructs and analyzes the performance of the Decision Tree model with the C4.5 algorithm in the case of earthquake impact prediction in Indonesia, as well as developing a web application that can be used by users. Inthe model development process, this research uses the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology. The model used in predicting is the model with the best performance. This research uses Split Validation and k-fold Cross Validation validation techniques in finding the best model. The best model was obtained in the first iteration of 10-fold Cross Validation. The best model is used in a web application to predict the impact of earthquakes in Indonesia.