Klasifikasi Resiko Tsunami di Daerah Pantai Selatan Jawa Tengah dengan Menerapkan Algoritma SVM (Studi Kasus Kab. Kebumen)

Puteri Justia Kardia Momuat Wahani, Sri Yulianto Joko Prasetyo

Abstract


Tsunami adalah salah satu bencana alam yang dapat terjadi kapan saja yang keberadaannya tidak dapat dihindari. Kabupaten Kebumen adalah salah satu daerah yang bertempat di bagian pantai selatan Provinsi Jawa Tengah yang memiliki risiko terkenanya bencana tsunami. Hal ini terjadi akibat lokasi dari kabupaten kebumen yang berada dekat dengan perairan dan memiliki banyak luas wilayah pada dataran rendah. Penelitian ini dilakukan agar dapat memberikan informasi mengenai risiko yang dapat terjadi pada wilayah tersebut dengan melakukan prediksi dan klasifikasi dengan menggunakan data dari Citra Landsat-8 OLI yang diambil dari USGS serta memanfaatkan 5 indeks vegetasi yaitu NDVI, NDBI, NDWI, MNDWI, dan WI dengan penerapan metode Support Vector Machine (SVM) yang merupakan salah satu metode machine learning yang digunakan untuk klasifikasi. Pada penelitian ini didapatkan ada 11 desa yang diprediksi berisiko tinggi terkena tsunami dengan nilai akurasi yang didapatkan sebesar 0.945 dan nilai kappa sebesar 0.914 dimana semakin tinggi nilai yang didapatkan maka semakin tinggi juga ketepatan hasil prediksi yang diperoleh.


Keywords


Tsunami, Vegetation Index, Support Vector Machine (SVM)

References


Badan, S., & Penanggulangan, N. (2020). Tanah Longsor dan Banjir Bencana yang Mematikan di Indonesia ( Data Tahun 2008-2017 ) Pendahuluan Pertumbuhan Penduduk Indonesia. 1 13.

Wiga Maulana Baihaqi, Muliasari Pinilih, Miftakhul Rohma. 2020. Kombinasi K-MEANS dan Support Vector Machine (SVM) Untuk Memprediksi Unsur Sara pada Tweet . Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK). Vol.7, No.3, Juni 2020, Halaman 501-510.

Amanda Febrianti, Arini, S.T., M.T., Feri Fahrianto, M.Sc. Penerapan Metode K-Means Clustering dan Support Vector Machine (SVM) Dalam Identifikasi Api Pada Citra Warna Digital . Jurnal CoreIT. Vol. 6, No.1, Juni 2020, Halaman 45-49.

Maria Chrisntina Endarwati, Widiyanto Hari Subagyo Widodo, Annisa Hamidah Imadudinna. Identifikasi Zona Kerentanan Penggunaan Lahan Terhadap Bencana Tsunami di Kabupaten Banyuwangi . Jurnal Manajemen Bencana (JMB). Vol.7, No.2, November 2021, Halaman 99-108.

Rais Yufli Xavierullah, Murman Dwi Prasetio, Denny Sukma Eka Atmaja. Rancang Bangun Klasifikasi Cacat pada Genting Menggunakan Metode Support Vector Machine (SVM) . Jurnal Rekayasa Sistem dan Industri (JRSI). Vol.7, No.2, Desember 2020, Halaman 116-119.

Iqbal Fahmi Abdillah, Firman Farid Muhsoni. Pemetaan Risiko Tsunami Berdasarkan Skenario Ketinggian Tsunami di Kecamatan Pasirian Kabupaten Lumajang Provinsi Jawa Timur . Jurnal Trunojoyo. Vol.1, No.4, Desember 2020, Halaman 486-497.

V. K. S. Que, S. Y. J. Prasetyo, dan C. Fibriani, Analisis Perbedaan Indeks Vegetasi Normalized Difference Vegtation Index (NDVI) dan Normalized Burn Rati (NBR) Kabupaten Pelawan Menggunakan Citra Satelit Landsat 8 , J. Comput. Model., Vol.1, No.1, Juni 2019, Halaman 1-7.




DOI: http://dx.doi.org/10.26623/transformatika.v20i1.5297

Refbacks

  • There are currently no refbacks.


| View My Stats |

Jurnal Transformatika : Journal Information Technology  by  Department of Information Technology, Faculty of Information Technology and Communication, Semarang University  is licensed under a  Creative Commons Attribution 4.0 International License.