1 BAB 1 PENDAHULUAN 1.1. Latar Belakang

BAB 1 PENDAHULUAN

1.1.

Latar Belakang Masalah Support Vector Machine (SVM) merupakan suatu metode yang dikembangkan oleh Boser, Guyon, dan Vapnik. Pertama kali metode ini di representasikan pada tahun 1992. Metode SVM ini sebenarnya merupakan kombinasi dari teori-teori komputasi yang telah ada puluhan tahun sebelumnya, seperti margin hyperplane, kernel, lagrange. Ide dasar dari SVM ini adalah membuat suatu fungsi pemisah (hyperplane) untuk memisahkan dua kelas secara linear (William, 2011). Seiring waktu metode SVM ini dikembangkan menjadi bukan hanya dapat menyelesaikan masalah klasifikasi secara linear namun juga dapat menyelesaikan masalah klasifikasi non linear dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi atau disebut feature space. SVM juga dapat digunakan untuk regresi dimana output berupa bilangan riil atau kontinue, yang dinamakan Support Vector Regression (SVR). Metode SVR ini dapat digunakan untuk melakukan prediksi (Smola dan Scholkopf, 2004). Support

Vector

Machine

menggunakan

kernel

untuk

mentransformasikan ruang input ke feature space atau mengimplementasikan model ke dimensi yang lebih tinggi sehingga kasus non lineary separable pada ruang input menjadi lineary separable pada feature space. Fungsi kernel ini memiliki banyak jenis diantaranya kernel Radial Basis Function (RBF), kernel Linear, dan kernel Polynomial. Perbedaan ketiga fungsi kernel tersebut terdapat pada fungsi pemetaannya ke dalam feature space, dan masingmasing kernel memiliki kelebihan dan kekurangan pada setiap kasus tertentu sehingga perlu diadakannya percobaan dalam mencari fungsi kernel terbaik yang digunakan dalam sebuah kasus (Murfi, 2014). Metode Support Vector Machine ini telah banyak digunakan di berbagai penelitian, diantaranya Alamili (2011) untuk memprediksi arah pergerakan harga harian valuta asing yang outputnya berupa kategorik sehingga SVM pada kasus ini digunakan untuk klasifikasi. Adapula Samui

1

2 dan Sitharam (2010) untuk memprediksi kedalaman bebatuan dengan metode SVR dengan Least Square. Gempa bumi adalah peristiwa berupa bergetarnya permukaan bumi. Hal ini disebabkan karena adanya pelepasan energi didalam bumi secara tibatiba menciptakan gelombang seismik, yang ditandai dengan patahan lapisan batuan pada kerak bumi. Proses gempa bumi dapat terjadi berulang ulang pada satu tempat yang sama, oleh karena itu daerah yang pernah mengalami gempa pasti akan mengalami lagi di waktu yang akan datang. Sekarang ini sudah banyak metode yang dapat digunakan untuk memprediksi besarnya gempa yang akan terjadi di suatu daerah, salah satunya Theodorick (2013) yang menggunakan metode kriging untuk menginterpolasi nilai PGA. Pulau Sumatera khususnya kota Banda Aceh adalah salah satu daerah yang rawan atau sering terjadi gempa. Hal tersebut dikarenakan posisinya yang dekat dengan jalur tabrakan dua lempeng bumi. Salah satu indikator dalam perhitungan kekuatan gempa adalah Peak Ground Acceleretion (PGA). Studi Probability Seismic Hazard Analysis (PSHA) menyatakan untuk nilai PGA daerah Aceh 0,3g-0,4g. Angka ini sangat tinggi dan berpotensi terjadi gempa kembali sehingga perlu dilakukan prediksi untuk mengetahui potensi gempa yang dapat terjadi. Berdasarkan permasalahan yang telah dibahas maka tujuan penelitian ini adalah untuk memprediksi besaran PGA di Banda Aceh berdasarkan titik titik lokasi yang dikehendaki. Metode yang digunakan adalah Support Vector Regression dengan fungsi kernel RBF, Linear, dan Polynomial. Selain itu untuk dapat memudahkan perhitungan Support Vector Regression, maka penelitian ini akan menghasilkan sebuah aplikasi software hitung, dimana hanya perlu memasukan nilai Latitude, Longitude dan PGA actual sebagai pembanding dengan PGA prediksi.

1.2.

Rumusan Masalah Perumusan masalah dipenelitian ini diantaranya: 1. Bagaimana prediksi PGA melalui metode SVR dengan kernel Radial Basis Function? 2. Bagaimana prediksi PGA melalui metode SVR dengan kernel Linear?

3 3. Bagaimana prediksi PGA melalui metode SVR dengan kernel Polynomial? 4. Fungsi kernel apa yang terbaik dalam prediksi nilai PGA?

1.3.

Ruang Lingkup Agar penelitian tidak meluas dan menyimpang dari pembahasan maka perlu diberikan suatu pembatasan masalah. Pembatasan masalahnya sebagai berikut: 1. Data yang digunakan adalah data gempa yang memiliki kekuatan lebih dari 5rch. 2. Hanya menggunakan data dari tahun 2006 hingga 2008. 3. Untuk menghasilkan sebuah aplikasi software hitung yang membantu mempermudah pengaplikasian statistik, 4. Menggunakan software R language dan menggunakan Java programming untuk interface.

1.4.

Tujuan dan Manfaat Tujuan dari penelitian ini adalah untuk: 1. Mendapatkan nilai PGA prediksi menggunakan metode SVR dengan kernel Radial Basis Function. 2. Mendapatkan nilai PGA prediksi menggunakan metode SVR dengan kernel Linear. 3. Mendapatkan nilai PGA prediksi menggunakan metode SVR dengan kernel Polynomial. 4. Mendapatkan fungsi kernel yang terbaik dari ketiga kernel digunakan dalam metode SVR. Manfaat dari penelitian ini adalah 1. Bagi peneliti lain: Sebagai referensi dalam mengunakan metode SVR untuk prediksi PGA gempa 2. Bagi pembaca: Menambah wawasan dalam pengaplikasian metode SVR 3. Bagi Instasi terkait: (BMKG), untuk membantu prediksi nilai PGA dari data gempa bumi