Publication Search

Indonesia di kawasan Cincin Api Pasifik, yang dikenal memiliki aktivitas seismik yang sangat tinggi dengan ribuan gempa bumi yang terjadi setiap tahunnya. Penelitian ini bertujuan untuk menganalisis kinerja Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM) dalam memprediksi magnitudo gempa bumi menggunakan data historis yang diambil dari Kaggle. Data tersebut mencakup rentang waktu dari November 2008 hingga September 2022, yang telah melalui proses normalisasi serta perpecahan menjadi data pelatihan dan pengujian. Model evaluasi kinerja dilakukan dengan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Pada uji coba pertama, LSTM menunjukkan performa terbaik dengan nilai MAE 0.6226 dan RMSE 0.7731 pada data pengujian, lebih baik dibandingkan RNN yang mencatatkan MAE 0.6271 dan RMSE 0.7831. Sebaliknya, pada uji coba kedua, RNN unggul dengan nilai MAE 0.5583 dan RMSE 0.7008, sementara LSTM memiliki MAE 0.5822 dan RMSE 0.7132. Hasil ini menunjukkan bahwa LSTM lebih cocok untuk menangani pola data temporal yang kompleks, sedangkan RNN lebih andal pada dataset dengan pola yang lebih sederhana. Penelitian ini diharapkan dapat menjadi pijakan dalam pengembangan sistem prediktif untuk mitigasi risiko bencana gempa bumi di Indonesia.

Penelitian ini bertujuan untuk mengimplementasikan metode K-Nearest Neighbors (K-NN) dalam klasifikasi minat calon siswa-siswi di Able Ballet berdasarkan profil mereka. Metode K-NN digunakan karena kemampuannya dalam mengklasifikasikan data dengan tingkat akurasi yang tinggi. Penelitian dilakukan dengan mengumpulkan data profil siswa baru dan menggunakan metode K-NN untuk memprediksi minat mereka terhadap berbagai program yang ditawarkan. Hasil penelitian menunjukkan bahwa metode K-NN dapat mencapai tingkat akurasi sebesar 90% dalam klasifikasi minat siswa. Hal ini menunjukkan bahwa metode ini efektif dalam mendukung pengambilan keputusan untuk penempatan program yang sesuai bagi siswa baru. Penelitian ini juga menyarankan penggunaan dataset yang lebih besar dan eksplorasi metode lain seperti Support Vector Machine (SVM) untuk meningkatkan akurasi model di masa depan.

Penelitian ini bertujuan untuk mengimplementasikan metode K-Nearest Neighbors (K-NN) dalam klasifikasi minat calon siswa-siswi di Able Ballet berdasarkan profil mereka. Metode K-NN digunakan karena kemampuannya dalam mengklasifikasikan data dengan tingkat akurasi yang tinggi. Penelitian dilakukan dengan mengumpulkan data profil siswa baru dan menggunakan metode K-NN untuk memprediksi minat mereka terhadap berbagai program yang ditawarkan. Hasil penelitian menunjukkan bahwa metode K-NN dapat mencapai tingkat akurasi sebesar 90% dalam klasifikasi minat siswa. Hal ini menunjukkan bahwa metode ini efektif dalam mendukung pengambilan keputusan untuk penempatan program yang sesuai bagi siswa baru. Penelitian ini juga menyarankan penggunaan dataset yang lebih besar dan eksplorasi metode lain seperti Support Vector Machine (SVM) untuk meningkatkan akurasi model di masa depan.