ADINDA NURHAYATI ADRIANSYAH (2025) KLASIFIKASI DURASI INSIDEN GLOBAL TERORISME MENGGUNAKAN ARSITEKTUR DEEP LEARNING RESNET-1D DAN VGG19-1D UNTUK DATA TABULAR. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (1MB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (626kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (352kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (225kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (185kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (487kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (186kB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (373kB)
[thumbnail of Bab VI] Text (Bab VI)
Bab VI.pdf
Restricted to Registered users only
Download (179kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (211kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (648kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (1MB)

Abstract

Terorisme masih menjadi ancaman global yang berdampak pada stabilitas politik, ekonomi, dan sosial. Salah satu faktor penting dalam tingkat keparahan suatu insiden terorisme adalah durasinya yang seringkali berkorelasi dengan jumlah korban. Penelitian ini bertujuan untuk mengklasifikasikan durasi insiden terorisme global ke dalam dua kategori: insiden yang berlangsung kurang dari 24 jam dan insiden yang berlangsung selama 24 jam. Dataset yang digunakan adalah Global Terorism Database (GTD) yang mencakup lebih dari 190.000 insiden dari tahun 1970 hingga 2020. Untuk melakukan klasifikasi durasi insiden, digunakan dua arsitektur deep learning yang telah diadaptasi untuk data tabular, yaitu VGG19-1D dan ResNet-1D. Dataset melalui proses preprocessing berupa konversi tanggal, encoding data kategori, normalisasi, serta pembagian data menjadi data latih (80%) dan data validasi (20%). Kedua model dilatih menggunakan optimizer Adam dengan early stopping dan penyesuaian learning rate untuk mencegah overfitting. Hasil eksperimen menunjukkan bahwa VGG19-1D memberikan performa terbaik dengan akurasi 99,54% dan F1-Score yang tinggi pada kedua kelas dan kestabilan pelatihan yang sangat baik tanpa indikasi overfitting. Sementara itu, ResNet-1D mencapai akurasi 99,49% dan memiliki keunggulan dalam kecepatan konvergensi awal serta nilai recall yang sedikit lebih tinggi untuk kelas minoritas (≥ 24 jam). Temuan ini menunjukkan bahwa VGG19-1D lebih unggul dalam hal kestabilan dan konsistensi performa serta arsitektur deep learning berbasis CNN 1D yang diadaptasi untuk data tabular dapat mengklasifikasikan durasi insiden terorisme secara efektif dan akurat.

Dosen Pembimbing: Slamet Riyadi, Ir., S.T., M.Sc., Ph.D. and Cahya Damarjati, S.T., M.Eng., Ph.D. | NIDN0509087801, NIDN0515038702
Item Type: Thesis (S1)
Uncontrolled Keywords: Terrorism, Deep Learning, ResNet-1D, VGG19-1D, Duration Classification, CNN 1D, Tabular Data
Divisions: Fakultas Teknik > S1 Teknologi Informasi
Depositing User: Bima
Date Deposited: 14 Jul 2025 01:46
Last Modified: 14 Jul 2025 01:46
URI: https://etd.umy.ac.id/id/eprint/51759

Actions (login required)

View Item View Item