Tingginya aktivitas vulkanik di Indonesia menuntut adanya sistem klasifikasi yang akurat untuk mendukung mitigasi bencana. Penelitian ini bertujuan untuk membandingkan performa dua model machine learning, Extreme Gradient Boosting (XGBoost) dan Random Forest, dalam mengklasifikasikan tingkat aktivitas gunung api di Indonesia. Metode penelitian yang digunakan adalah pendekatan kuantitatif komparatif dengan memanfaatkan data historis letusan dari sumber resmi seperti Volcanism Program (GVP) dan BMKG. Kedua model dilatih menggunakan fitur seperti Volcanic Explosivity Index (VEI), lokasi geografis, dan tahun kejadian, kemudian dievaluasi kinerjanya menggunakan metrik akurasi dan confusion matrix. Hasil penelitian menunjukkan bahwa model Random Forest menunjukkan performa yang lebih unggul dengan tingkat akurasi mencapai 54,52%, sementara model XGBoost mencapai akurasi sebesar 50,17%. Disimpulkan bahwa Random Forest lebih efektif dan direkomendasikan untuk tugas klasifikasi ini, meskipun tantangan seperti ketidakseimbangan data perlu diatasi untuk optimasi lebih lanjut.

Indonesia's high volcanic activity demands an accurate classification system to support disaster mitigation. This study aims to compare the performance of two machine learning models, Extreme Gradient Boosting (XGBoost) and Random Forest, in classifying volcanic activity levels in Indonesia. The research method used is a quantitative comparative approach utilizing historical eruption data from official sources such as PVMBG and BMKG. Both models were trained using features like the Volcanic Explosivity Index (VEI), geographical location, and year of occurrence, with their performance evaluated using accuracy metrics and a confusion matrix. The results indicate that the Random Forest model demonstrated superior performance, achieving an accuracy rate of 54.52%, whereas the XGBoost model reached an accuracy of 50.17%. It is concluded that Random Forest is more effective and recommended for this classification task, although challenges such as data imbalance need to be addressed for further optimization.