Identifikasi wilayah rawan gempa di Provinsi sumatera barat menggunakan metode Spatio Temporal-Density based spatial Clustering of application with Noise (ST-DBSCAN)

Hasibuan, Siti Nurkholiza (2026) Identifikasi wilayah rawan gempa di Provinsi sumatera barat menggunakan metode Spatio Temporal-Density based spatial Clustering of application with Noise (ST-DBSCAN). Skripsi thesis, UIN Imam Bonjol Padang.

	Text (cover) Siti Nurkhaliza Hasibuan-2217010026-Cover-Daftar Isi.pdf - Published Version Download (2MB)
	Text (BAB I) BAB 1 SKRIPSI Siti Nurkhaliza Hasibuan.pdf - Published Version Download (238kB)
	Text (BAB III) BAB 3 SKRIPSI Siti Nurkhaliza Hasibuan.pdf - Published Version Download (223kB)
	Text (BAB V &DAFTAR PUSTAKA) SKRIPSI BAB 5 & DAFTAR PUSTAKA Siti Nurkhaliza Hasibuan.pdf - Published Version Download (639kB)
	Text (fulltext) Siti Nurkhaliza Hasibuan-2217010026-SKRIPSI FullText.pdf - Published Version Restricted to Repository staff only Download (4MB)

Abstract

Gempa bumi merupakan sebuah bencana alam yang sering terjadi di Provinsi Sumatera Barat akibat adanya aktivitas tektonik yang dipengaruhi oleh zona subduksi Indo-Australia dan Eurasia serta jalur sesar Sumatera. Aktivitas gempa bumi yang tinggi menyebabkan perlunya identifikasi wilayah rawan gempa untuk membantu upaya mitigasi bencana. Oleh karena itu, clustering merupakan salah satu upaya penting untuk megetahui wilayah rawan gempa. Clustering adalah salah satu metode yang digunakan dalam data mining yang bekerja dengan cara mencari dan mengelompokkan data yang memiliki suatu karakteristik yang ditentukan. Penelitian ini bertujuan untuk menganalisis hasil pengelompokan gempa bumi di Provinsi Sumatera Barat dengan metode Spatio Temporal-Density Based Spatial Clustering of Application with Noise (ST-DBSCAN) serta mengidentifikasi wilayah rawan gempa berdasarkan hasil clustering. Metode ST-DBSCAN adalah salah satu metode clustering dengan parameter spasial dan temporal yang digunakan mengelompokkan suatu data. Hasil penelitian ini menggunakan parameter terbaik yaitu ε_1=0,25, ε_2=7, dan MinPts=5 yang menghasilkan 3 cluster dan 373 titik noise dari 393 titik data dengan nilai Silhouette coefficient sebesar 0,9483276.

Actions (login required)

View Item