Penerapan DBSCAN untuk mengelompokkan stasiun pemantau gempa berdasarkan frekuensi kejadian

Info proyek

• Bidang studiGeografi dan Kebencanaan
• JenjangTesis (S2)
• Jenis metodeKlasterisasi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn DBSCAN, NearestNeighbors, make_moons
• HargaRp 400.000 - Rp 2.450.000

Tujuan analisis

Mengelompokkan stasiun pemantau berdasarkan frekuensi gempa dan rata-rata magnitudo dengan DBSCAN, lalu menafsirkan karakteristik tiap kelompok yang terbentuk.

Variabel

Contoh hasil

• 3Clusters found
• 6.84Noise points %
• 0.439Silhouette (non-noise)
• 0.196eps
• 5min_samples
• 0.958ARI vs. true groups

DBSCAN (eps 0.20, min_samples 5) menemukan 3 klaster berbentuk bebas pada Stasiun pemantau dan Frekuensi gempa, dengan 6.8% titik sebagai noise.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang DBSCAN

DBSCAN mengelompokkan titik berdasarkan kepadatan sehingga dapat menemukan klaster berbentuk bebas dan menandai noise. Cocok untuk data spasial atau data dengan outlier dan klaster tidak bulat.

Langkah pengerjaan

1. 1Standarisasi fitur
2. 2Tentukan min_samples dari dimensi data
3. 3Pilih eps dengan grafik jarak k-tetangga terdekat
4. 4Jalankan DBSCAN
5. 5Hitung jumlah klaster dan titik noise
6. 6Plot hasil dengan noise ditandai

Asumsi yang perlu diperiksa

• Kepadatan klaster kurang lebih seragam
• Nilai eps dan min_samples dipilih dengan cermat
• Fitur berskala sebanding karena memakai jarak

Membaca dan melaporkan hasil

Laporkan eps, min_samples, jumlah klaster, dan persentase noise, lalu bahas sensitivitas terhadap parameter. Bandingkan dengan K-Means untuk menunjukkan kelebihan pada bentuk klaster tak beraturan.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.cluster import DBSCAN
from sklearn.neighbors import NearestNeighbors
from sklearn.preprocessing import StandardScaler

X, _ = make_moons(n_samples=400, noise=0.07, random_state=17)
X = StandardScaler().fit_transform(X)
earthquake_frequency = X[:, 0]
mean_magnitude = X[:, 1]

k = 5
dist, _ = NearestNeighbors(n_neighbors=k).fit(X).kneighbors(X)
kdist = np.sort(dist[:, -1])

db = DBSCAN(eps=0.25, min_samples=k).fit(X)
monitoring_station = db.labels_
n_clusters = len(set(monitoring_station)) - (1 if -1 in monitoring_station else 0)
print("Clusters:", n_clusters)
print("Noise points:", int((monitoring_station == -1).sum()), "of", len(monitoring_station))

fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].plot(kdist); ax[0].set_title("k-distance plot"); ax[0].set_ylabel("distance")
ax[1].scatter(earthquake_frequency, mean_magnitude, c=monitoring_station, cmap="viridis", s=15)
ax[1].set_title("DBSCAN (noise = -1)")
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum