Perbandingan Algoritma Support Vector Machine Biasa dan Support Vector Machine berbasis Particle Swarm Optimization untuk Prediksi Gempa Bumi

Earthquakes are periodic natural phenomena that occur in all parts of the earth due to the tidal force that mainly comes from the sun and the moon. The purpose of this study was to analyze the results of earthquakes in North Sumara. The proposed method is to compare SVM and SVM-PSO using data from related institutions, especially in North Sumatra, each algorithm will be implemented using RapidMiner 5.1 Performance measurement is done by calculating the average error that occurs through the amount of Root Mean Square Error (RMSE ) The smaller the value of each of these performance parameters states the closer the predicted value to the actual value. Thus a more accurate algorithm can be found. Keyword: Earthquakes, RMSE Support vector machines, PSO PENDAHULUAN Gempa bumi merupakan suatu fenomena alam yang tidak dapat dihindari, tidak dapat diramalkan kapan terjadi dan berapa besarnya, serta akan menimbulkan kerugian baik harta maupun jiwa bagi daerah yang ditimpanya dalam waktu relatif singkat. Support vector machine(SVM) adalah metode pembelajaran mesin berdasarkan teori belajar statistik dan dapat memecahkan nonlinear yang tinggi, regresi, dll. di ruang sampel dan juga dapat digunakan sebagai alat identifikasi sistem prediksi. Dengan cara rekonstruksi ruang fase, itu menetapkan model SVM sampel input/output; dengan seri sampel limpasan kecil, set up model SVM prediksi. Hasil prediksi menunjukkan bahwa model SVM memiliki kemampuan generalisasi yang kuat dan hasil prediksi yang sangat memuaskan. Secara efektif memecahkan masalah seperti sampel kecil, lebih-learning, dimensi tinggi, minimum lokal dll. Prediksi masa depan tren limpasan evolusi dengan model ini akan memberikan dasar bagi prediksigempa bumi.( Y. P. Prihatmaji, 2007) Particle swarm optimization (PSO) adalah metode pencarian berbasis populasi dan diinisialisasi dengan populasi solusi acak yang disebut partikel (Abraham, 2006). PSO termotivasi dari perilaku burung atau ikan dan termasuk kedalam optimasi teknologi baru. Metode optimasi sangat mudah diterapkan dan ada beberapa parameter untuk menyesuaikannya. Penelitian menggunakan metode particle Jurnal Humaniora dan Teknologi p-ISSN: 2443-1842 Volume 4, Nomor 1, Oktober 2018 e-ISSN: 2614-3682 32 swarm optimization pernah dilakukan oleh J. Eberhart, 2012 (Eberhart, 2012) dengan hasil penelitian menunjukan metode particle swarm optimization (PSO) dan support vector machine (SVM) mampu mengoptimal-kan nilai akurasi yang baik. (S. Barat, 2013) Penelitian adalah suatu proses mencari sesuatu secara sistimatis dalam waktu tertentu dengan menggunakan metode ilmiah serta aturan yang berlaku. Dalam proses penelitian ini ditunjukan untuk lebih memahami proses pemecahan masalah yang berkaitan dengan prediksi dan penentuan prediksi pola pergerakan titik gempa bumi di Indonesia. Konseptualisasi proses tersebut kemudian dituangkan menjadi suatu metode penelitian lengkap dengan pola pengumpulan data yang diperlukan untuk melukiskan fenomena tersebut. Oleh karena itu metode yang digunakan dalam penelitian ini adalah backpropagation. (U. S. Utara, 2011) Gempa Bumi Gempa bumi adalah suatu peristiwa alam dimana terjadi getaran pada permukaan bumi akibat adanya pelepasan energi secara tiba-tiba dari pusat gempa. Energi yang dilepaskan tersebut merambat melalui tanah dalam bentuk gelombang getaran. Gelombang getaran yang sampai ke permukaan bumi disebut gempa bumi.[4] Support Vector Machine SVM adalah sebuah metode seleksi yang membandingkan parameter standar seperangkat nilai diskrit yang disebut kandidat set, dan mengambil salah satu yang memiliki akurasi klasifikasi terbaik (Dong, Xia, Tu, & Xing, 2007). SVM adalah salah satu alat yang paling berpengaruh dan kuat untuk memecahkan klasifikasi (Burges, 1998). Support Vector Machines (SVM) adalah seperangkat metode yang terkait untuk suatu metode pembelajaran, untuk kedua masalah klasifikasi dan regresi (Maimon, 2010). Dengan berorientasi pada tugas, kuat, sifat komputasi mudah dikerjakan, SVM telah mencapai sukses besar dan dianggap sebagai state-of-the-art classifier saat ini (Huang, Yang, King, & Lyu, 2008). Dua kelas data yang digambarkan sebagai lingkaran dan padat titik-titik yang disajikan di angka ini. Secara intuitif diamati, ada banyak keputusan hyperplanes yang dapat digunakan untuk memisahkan kedua kelompok data. Namun, yang digambarkan dengan angka ini dipilih sebagai yang menguntungkan memisahkan bidang, karena mengandung maksimal margin antara dua kelas. Karena itu, dalam tujuan fungsi svm, sebuah istilah regularization mewakili margin muncul. Apalagi seperti yang terlihat di angka ini, hanya mereka yang penuh poin disebut mendukung vektor terutama menentukan memisahkan bidang, sementara poin lain tidak memberi kontribusi untuk margin di semua. Dalam kata lain, hanya sejumlah titik penting untuk klasifikasi tujuan dalam kerangka svm dan dengan demikian harus diambil (Huang, Yang, King, & Lyu, 2008). Gambar 1 SVM Berusaha Menemukan Hyperplane Terbaik Yang Memisahkan Kedua Class Negatif Dan Positif 2 (Nugroho, 2008) Jurnal Humaniora dan Teknologi p-ISSN: 2443-1842 Volume 4, Nomor 1, Oktober 2018 e-ISSN: 2614-3682