Klasterisasi Daerah Rawan Gempa Bumi di Indonesia Menggunakan Algoritma K-Medoids
MALCOM: Indonesian Journal of Machine Learning and Computer Science · 2021
DOI: 10.57152/malcom.v1i1.61 ↗Kurz gefasst
Fachartikel in der Zeitschrift MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2021. Verfasst von Dilla Kurniati und 4 weiteren Autor:innen. Die Arbeit wurde bisher 2-mal zitiert (Crossref).
Abstract (Originalsprache)
Gempa bumi merupakan salah satu bencana alam yang sering terjadi di Indonesia dengan rata-rata 400 kali dalam sebulan. Gempa bumi disebabkan oleh pergerakan lempeng bumi atau disebabkan adanya aktivitas vulkanik gunung berapi. Penelitian ini menggunakan teknik Data Mining untuk klasterisasi wilayah rawan gempa di Indonesia dengan menerapkan metode K-Medoids. Data pada penelitian ini diambil dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) pada bulan November tahun 2017 dengan menggunakan 3 atribut sebagai acuan pengelompokan, yaitu magnitude, smin, dan depth. Hasil dari penelitian ini ialah didapatkannya suatu pola untuk menentukan daerah rawan gempa bumi di Indonesia. Kata kunci: BMKG, data mining, gempa bumi, K-Medoids, klasterisasi.
Zitieren
APA
Kurniati, D., Fauzi, M. Z., Ripangi, R., Falegas, A., & Indria, I. (2021). Klasterisasi Daerah Rawan Gempa Bumi di Indonesia Menggunakan Algoritma K-Medoids. MALCOM: Indonesian Journal of Machine Learning and Computer Science. https://doi.org/10.57152/malcom.v1i1.61
Vancouver
Kurniati D, Fauzi MZ, Ripangi R, Falegas A, Indria I. Klasterisasi Daerah Rawan Gempa Bumi di Indonesia Menggunakan Algoritma K-Medoids. MALCOM: Indonesian Journal of Machine Learning and Computer Science. 2021. doi:10.57152/malcom.v1i1.61
BibTeX
@article{Kurniati2021,
author = {Kurniati, Dilla and Fauzi, Muhammad Zakiy and Ripangi, Ripangi and Falegas, Alex and Indria, Indria},
title = {Klasterisasi Daerah Rawan Gempa Bumi di Indonesia Menggunakan Algoritma K-Medoids},
journal = {MALCOM: Indonesian Journal of Machine Learning and Computer Science},
year = {2021},
doi = {10.57152/malcom.v1i1.61}
}
EUVIMED