Eksplorasi dan Komparasi Model Klasifikasi Machine Learning untuk Prediksi Tsunami

Abstract

Tsunami merupakan salah satu bencana alam dengan potensi kerusakan besar sehingga membutuhkan sistem peringatan dini yang mampu memberikan informasi secara cepat dan akurat. Pendekatan tradisional berbasis model fisika kerap menghadapi keterbatasan dalam menangani data secara waktu nyata, sehingga machine learning menjadi alternatif yang lebih fleksibel dan efisien. Penelitian ini bertujuan menganalisis serta membandingkan kinerja lima algoritma machine learning yaitu Random Forest, Support Vector Machine (SVM), Gradient Boosting, XGBoost, dan LightGBM dalam memprediksi kemungkinan terjadinya tsunami menggunakan data geospasial dan parameter seismik. Dataset penelitian berasal dari platform Kaggle dengan cakupan data kejadian tahun 2001–2022. Proses penelitian mencakup tahapan preprocessing untuk menyiapkan data, Exploratory Data Analysis (EDA), rekayasa fitur, serta pembangunan model menggunakan kelima algoritma tersebut. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, F1-score, dan ROC-AUC. Hasil analisis menunjukkan bahwa model berbasis ensemble secara konsisten memberikan performa lebih baik dibandingkan SVM. Dari seluruh model yang diuji, Gradient Boosting menghasilkan performa terbaik dengan akurasi 96,17%, nilai ROC-AUC 0,967, dan recall sempurna pada data uji, menunjukkan kemampuannya dalam mendeteksi seluruh kejadian tsunami tanpa kesalahan klasifikasi. Temuan ini mengindikasikan bahwa Gradient Boosting memiliki kemampuan generalisasi yang kuat dan sensitivitas tinggi terhadap sinyal bahaya, sehingga sangat potensial untuk diterapkan dalam sistem peringatan dini tsunami yang lebih efektif dan responsif.