Pengembangan Aplikasi Pendeteksi Potensi Bencana Gunung Berapi Menggunakan Pengklasifikasi Bayesian
##plugins.themes.academic_pro.article.main##
Abstract
Letak geografis Indonesia berada di pertemuan dua lempeng yaitu Asia dan Australia, menyebabkan banyak terdapat gunung berapi. Selain itu pegunungan di Indonesia didominasi oleh gunung yang aktif dan berpotensi meletus sewaktu-waktu. Kondisi tersebut mengharuskan warga negara Indonesia, khususnya yang tinggal di sekitar pegunungan berapi aktif tanggap akan bencana letusan gunung berapi. Berkembangnya sains dan teknologi informasi dapat memberi kontribusi dalam rangka mitigasi bencana geologi yang diakibatkan aktivitas vulkanik dalam bentuk aplikasi pendeteksi potensi bencana gunung berapi. Penelitian ini menghasilkan suatu aplikasi pendeteksi status gunung berapi. Data latih yang digunakan diambil dari situs Pusat Vulkanologi dan Mitigasi Bencana Gunung Berapi yang diklasifikasikan dalam tiga status yaitu normal, siaga, dan waspada. Pengklasifikasi Bayesian digunakan karena merupakan metode berbasis probabilitas yang sederhana namun handal. Berdasarkan hasil pengujian jumlah data latih terbesar mencapai tingkat akurasi 90%. Dengan demikian dapat dikatakan bahwa aplikasi pendeteksi potensi bencana gunung berapi memiliki performa yang baik dalam mengklasifikasi status gunung berapi.
##plugins.themes.academic_pro.article.details##
How to Cite
Liliana, D. Y. (2015). Pengembangan Aplikasi Pendeteksi Potensi Bencana Gunung Berapi Menggunakan Pengklasifikasi Bayesian. MULTINETICS, 1(1), 15–18. https://doi.org/10.32722/multinetics.v1i1.1030
References
- Lessy, M. Zonasi Gempa Bumi di Indonesia, http://www.academia.edu/4517794/Zonasi_Gempa_bumi_di_Indonesia diakses, 2 November 2013.
- Butaru, R. Posisi Indonesia dan Kerentanan terhadap Bencana. http://bulletin.penataanruang.net/upload/data_ artikel/posisi%20indonesia.pdf, diakses 1 November 2013.
- Duda, O. Richard, Hart, P. E, and Stork, D. G, “Pattern Classification (2nd ed)”, John Wiley & Sons, 2000
- Theodoridis, Sergios, Koutroumbras, Konstantin, Pattern Recognition (4th ed), Prentice Hall, 2005
- Zeng T; Zheng L; Yang Li; Chen X; Long T. Offline Performance Prediction of PDAF With Bayesian Detection for Tracking in Clutter. IEEE Transactions on Signal Processing. Year: 2013, Volume: 61, Issue: 3 Pages: 770 - 781
- Graham, Paul, 2003. Better Bayesian filtering. Downloaded at http://vvww.paulgraham.com/better.html Salib, Michael. 2002. "Meat Slicer: Spam Classification with Naive Bayes and Smart Heuristics ".
- Lingyan D; Yuqiao Wen; Jiang Ma. Dual tree complex wavelet transform and Bayesian estimation based denoising of poission-corrupted X-ray images. 2013 Fourth International Conference on Intelligent Control and Information Processing (ICICIP). Year: 2013 Pages: 598 – 603
- proxy.vsi.esdm.go.id/index.php, diakses tanggal 5 november 2013