Penilaian Potensi Risiko Likuefaksi Berdasarkan Metode Decision Tree dan Random Forest Berdasarkan Data Pengukuran dan Sejarah di Kota Palu.
Kata Kunci:
Machine Learning, Likuefaksi, Decision Tree, Random Forest, Confusion MatrixAbstrak
Machine learning atau pembelajaran mesin merupakan sebuah metode yang sudah tidak asing lagi didengar. Akhir-akhir ini pembelajaran mesin sering digunakan untuk menyelesaikan masalah kebencanaan, khususnya pada pembuatan peta likuefaksi. Pembelajaran mesin akan memprediksi daerah-daerah yang memiliki potensi likuefaksi dari rendah hingga ke tinggi. Pada penelitian ini, metode pembelajaran mesin yang akan digunakan adalah Decision Tree dan Random Forest, dan beberapa algoritma lain sebagai pembanding dari 2 algoritma sebelumnya. Likuefaksi dipengaruhi oleh seismisitas atau magnitudo terjadinya gempa pada suatu wilayah. Pada penelitian ini digunakan 2 magnitudo sebagai pembanding yaitu magnitudo 6 dan magnitudo 7.5. Selain itu di penelitian ini digunakan 4 peta prediktor sebagai fitur-fitur input yaitu PGA (Peak Ground Acceleration), MAT (muka air tanah), Slope (kemiringan lereng) dan Vs30 (kecepatan gelombang geser). Penelitian ini mengambil 33 titik pengambilan sampel untuk melatih model pembelajaran mesin ini. Untuk nilai akurasi dari masing-masing algoritma yaitu menggunakan confusion matrix untuk membandingkan performa dari model DT dan RF.
Referensi
Kramer, S.L. (1996). Geotechnical Earthquake Engineeri. Prentice-Hall civil engineering
and mechanics series, 653 pages.
Gandomi dkk., (2013). Decision Tree Approach for Soil Liquefaction Assessment,
Hindawi Publishing Corporation, 8 pages.
Nejad dkk., (2018). Evaluation of Liquefaction Potential Using Random Forest Method
and Shear Wave Velocity Results. International Conference on Applied
Mathematics & Computational Science.
Ahmad, Abu. (2017). Mengenal Artificial Intelligence, Machine Learning, Neural
Network, dan Deep Learning
Kasih, Patmi. (2019). Pemodelan Data Mining Decision Tree Dengan Classification Error
Untuk Seleksi Calon Anggota Tim Paduan Suara.
Breiman, Leo., Friedman, Jerome H., Oshlen, Richard A., Stone, Charles J. 1996.
Classification and Regression Tree. Statistics Departement, University of
California
Kodoatie, Robert J dan Sarief Roestam., 2012. Pengelolaan Sumber Daya Air Terpadu.
Yogyakarta: Penerbit Andi.
Van Zuidam, R. A. 1985. Aerial Photo-Interpretation in Terrain Analysis and
Geomorphological Mapping. Smith Publisher, The Hague.
Kramer, S.L. (1996). Geotechnical Earthquake Engineeri. Prentice-Hall civil engineering
and mechanics series, 653 pages.
Linkimer. 2008. Relationship Between Peak Ground AccelerationAnd Modified Mercalli
Intensity In Costa Rica. Revista Geológica de América Central, 38ISSN: 0256-
Hal : 81-94
Indra dkk., (2018). ESTIMASI KECEPATAN GELOMBANG GESER BAWAH
PERMUKAAN PADA LAPISAN DANGKAL MENGGUNAKAN DATA
MIKROTREMOR DI DAERAH MAMBORO. Vol. 17. ISSN : 1412-2375
Iwasaki, T., Tokida, K., & Tatsuoka, F. (1981). Soil Liquefaction Potential Evaluation with
Use of the Simplified Procedure. Paper presented at the International
Conferences on Recent Advances in Geotechnical Earthquake Engineering
and Soil Dynamics.
Sukarasa, I Ketut. (2017). “ANALISA GEMPABUMI DENGAN MENGGUNAKAN DATA
PERCEPATAN GETARAN TANAH”. Fakultas Matematika dan Ilmu Pengetahuan Alam.
Universitas Udayana.
Bowles, J. E. (1984). Sifat-Sifat Fisis dan Geoteknis Tanah. Jakarta: Penerbit Erlangga.
Athanasius, Cipta dan Akhmad Solikhin. (2018). Pendugaan VS30 Berdasarkan Klasifikasi
Geomorfologi.https://www.researchgate.net/publication/322971554_Pendugaan_VS30_B
erdasarkan_Klasifikasi_Geomorfologi. Diakses pada 4 Juli 2021.
Unduhan
Diterbitkan
Cara Mengutip
Lisensi
Hak Cipta (c) 2024 Jurnal Geosains Terapan
Artikel ini berlisensi Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
