ANALISIS PERBANDINGAN ELLIPTIC ENVELOPE, ISOLATION FOREST, ONE-CLASS SVM DAN LOCAL OUTLIER FACTOR DALAM MENDETEKSI STATUS ANOMALI PADA GEMPA BUMI MENGGUNAKAN OUTLIER DAN NOVELTY

Usman, Nasir (2023) ANALISIS PERBANDINGAN ELLIPTIC ENVELOPE, ISOLATION FOREST, ONE-CLASS SVM DAN LOCAL OUTLIER FACTOR DALAM MENDETEKSI STATUS ANOMALI PADA GEMPA BUMI MENGGUNAKAN OUTLIER DAN NOVELTY. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 20.55.1350 Nasir Usman.pdf Download (5MB)

Abstract

Indonesia sering mengalami gempa bumi besar karena lokasinya yang berada di atas tiga lempeng tektonik aktif yang menyebabkan rekahan dan parit pada dasar darat dan laut. Sejak tahun 1900, lebih dari 1.250 gempa besar terjadi di Indonesia, sesuai dengan data dari BMKG Indonesia, sebanyak 12.351 gempa telah tercatat hingga tahun 2021. Meskipun banyak gempa terjadi, tidak semuanya memiliki dampak fatal dan banyak dianggap sebagai gempa umum. Dalam penelitian ini, penulis membandingkan empat algoritma deteksi anomali, yaitu Elliptic Envelope (EE), Isolation Forest (IF), One-Class SVM (OCSVM) dan Local Outlier Factor (LOF), untuk mengidentifikasi gempa bumi yang tidak normal atau jarang terjadi dengan menggunakan konsep outlier dan novelty. Algoritma akan diuji melalui dua tahap pengujian; pertama, dengan menggunakan parameter default, dan kedua, dengan mengoptimalkan parameter Contamination/nu sebesar 0,025 atau 2,5%. Contamination/nu menunjukkan persentase data yang dianggap anomali. Pada pengujian deteksi anomali menggunakan novelty, hanya menggunakan parameter default. Hasil yang akan diamati meliputi Accuracy, Recall, Precision, F1-Score, AUC, dan Specificity. Eksperimen telah menunjukkan bahwa Algoritma Isolation Forest memiliki nilai yang lebih tinggi daripada semua eksperimen lain dalam mendeteksi status anomali gempa bumi menggunakan outlier. Dalam membandingkan performa menggunakan parameter default, Isolation Forest memiliki precision 13,02%, recall (sensitivity) 99,35%, specificity 82,80%, accuracy 83,24%, AUC 91,08%, dan F1score 23,03%. Setelah melakukan tuning hyperparameters, performa setiap model meningkat, dengan Isolation Forest memiliki precision 37,21%, recall (sensitivity) 36,85%, specificity 98,41%, accuracy 98,42%, AUC 67,63%, dan F1-score dari 37,03%. Sedangkan untuk Novelty, hasil evaluasi menunjukkan bahwa model Isolation Forest memiliki kinerja terbaik dalam kategori precision dan AUC, serta memiliki nilai tinggi dalam kategori Specificity.

Actions (login required)

View Item