Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Lorna Yertas Baisa
Universitas Kristen Satya Wacana
Computer Science & IT Education

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Klasterisasi Kerawanan Gempa Bumi di Provinsi Papua Menggunakan Algoritma Invasive Weed Optimization (IWO) Lorna Yertas Baisa; Danny Manongga; Yessica Nataliani
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 9, No 2 (2023): Volume 9 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v9i2.65312

Abstract

Gempa bumi adalah fenomena alam yang sering terjadi di Indonesia, termasuk di Provinsi Papua. Untuk mengurangi risiko dampak gempa bumi, diperlukan analisis untuk mengidentifikasi daerah-daerah yang rawan terha  dap gempa bumi. Penelitian ini bertujuan untuk menganalisis klasterisasi kerawanan gempa di Provinsi Papua menggunakan algoritma Invasive Weed Optimization (IWO). Metode ini dipilih karena dapat menghasilkan klaster yang lebih baik dibandingkan dengan algoritma klasterisasi lainnya. Data yang digunakan adalah data kejadian gempa di Provinsi Papua yang terdiri dari atribut latitude, longitude, magnitude, dan depth mulai tahun 2018 sampai Februari 2023 yang diperoleh dari website Badan Geologi Amerika Serikat yaitu United States Geological Survey (USGS). Tahapan penelitian meliputi normalisasi data, klasterisasi menggunakan algoritma IWO, dan evaluasi hasil klasterisasi menggunakan SSE dan F-Measure. Jumlah klaster terbaik yang dihasilkan oleh metode Elbow yaitu sebanyak enam klaster kerawanan gempa di Provinsi Papua, yang diberi label Sangat Tidak Rawan, Tidak Rawan, Kurang Rawan, Cukup Rawan, Rawan dan Sangat Rawan. Dengan nilai parameter sinitial sebesar 8, algoritma IWO menghasilkan nilai SSE dan F-Measure terkecil dibanding nilai parameter sinitial lainnya, yaitu masing-masing sebesar 19.1002 dan 0.5137. Evaluasi hasil klasterisasi menggunakan SSE menunjukkan nilai yang baik dari 30 kali percobaan, dengan rata-rata SSE sebesar 19.218, lebih kecil dibanding dengan rata-rata SSE hasil metode k­-Means dan DBSCAN yaitu masing-masing sebesar 19.307 dan 59.910.
Co-Authors Danny Manongga Yessica Nataliani