@phdthesis{universitasamikomyogyakarta31372,
           title = {PERBANDINGAN ALGORITMA RANDOM FOREST DAN XGBOOST REGRESSOR DALAM KASUS REGRESI UNTUK MEMPREDIKSI KEKUATAN GEMPA},
           month = {July},
          school = {Universitas AMIKOM Yogyakarta},
          author = {Andrian Pradana},
            year = {2025},
             url = {https://eprints.amikom.ac.id/id/eprint/31372/},
        keywords = {Gempa Bumi, Machine Learning, Random Forest, Gradient Boosting, Prediksi},
        abstract = {Indonesia merupakan salah satu negara dengan tingkat aktivitas seismik
tertinggi di dunia karena berada di pertemuan tiga lempeng tektonik utama.
Akibatnya, gempa bumi kerap terjadi dan menimbulkan dampak serius terhadap
masyarakat, infrastruktur, dan lingkungan. Tantangan utama dalam penanggulangan
bencana gempa bumi adalah kesulitan dalam memprediksi kekuatan gempa secara
akurat, mengingat kompleksitas data seismik yang tinggi. Oleh karena itu,
dibutuhkan metode yang mampu mengolah data dengan baik dan menemukan pola
tersembunyi untuk membantu dalam proses prediksi.
Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan
dua algoritma machine learning, yaitu Random Forest dan Gradient Boosting,
dalam melakukan prediksi kekuatan gempa bumi. Langkah-langkah yang dilakukan
meliputi pengumpulan data gempa dari sumber terbuka, pembersihan data (data
cleaning), analisis data secara eksploratori, normalisasi, pemisahan data latih dan
uji, pelatihan model menggunakan kedua algoritma, serta evaluasi kinerja model
menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE),
dan koefisien determinasi (R?).
Penelitian ini diharapkan dapat memberikan kontribusi dalam
pengembangan sistem prediksi kekuatan gempa berbasis data historis. Hasil dari
penelitian ini dapat dimanfaatkan oleh para peneliti, institusi kebencanaan, serta
pengembang sistem mitigasi bencana untuk mendukung pengambilan keputusan
yang lebih tepat. Penelitian lebih lanjut disarankan untuk mempertimbangkan
variabel tambahan seperti struktur geologi dan jenis patahan guna meningkatkan
akurasi model.}
}