Penerapan Algoritma Klusterisasi Dan Klasifikasi Untuk Prediksi Tingkat Kerusakan Gempa Bumi Menggunakan Ensemble

Penerapan Algoritma Klusterisasi Dan Klasifikasi Untuk Prediksi Tingkat Kerusakan Gempa Bumi Menggunakan Ensemble

• By Prayogi, Kurnia;
• Tesis
• 144
• 1-83

Negara Indonesia terletak di wilayah “Ring of Fire”, sehingga menghadapi risiko tinggi terhadap gempa bumi akibat aktivitas seismik yang sangat aktif. Salah satu wilayah dengan risiko signifikan adalah Jawa Barat, seperti yang terjadi pada gempa magnitudo 5.6 di Kabupaten Cianjur pada 21 November 2022 akibat patahan Sesar Cugenang. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi tingkat kerusakan gempa bumi dengan memanfaatkan algoritma kecerdasan buatan berbasis deep learning. Model ensemble, seperti XGBoost dan Random Forest, digunakan untuk memodelkan data seismik dan dibandingkan dengan metode tradisional. Hasil evaluasi menunjukkan bahwa XGBoost memiliki performa terbaik dengan akurasi 97%, precision 97%, recall 98%, f1-score 98%, dan AUC 99%. Sementara itu, Random Forest mencapai akurasi 93% dan AUC 99%, sedangkan Decision Tree memiliki akurasi 89% dengan AUC 91%. Penggunaan StandardScaler menunjukkan variasi performa, dengan XGBoost dengan StandardScaler memperoleh akurasi 93% dan AUC 99%. Sistem berbasis web yang diusulkan dapat mempermudah akses bagi masyarakat untuk meningkatkan efektivitas mitigasi bencana. Penelitian ini diharapkan menjadi dasar untuk pengembangan model prediksi gempa bumi lebih lanjut dengan memanfaatkan data historis, epicenter, skala MMI, dan dampak guna mendukung kesiapsiagaan bencana yang lebih baik di Indonesia.

• Katakunci Gempa Bumi, Deep Learning, Prediksi Kerusakan, XGBoost, Random Forest
• URL https://ojs.unikom.ac.id/index.php/komputa/index
• Penerbit Universitas Nusa Mandiri, Jakarta DKI Jakarta

REFERENSI

[1] M. R. Purwanti, Z. K. Salsabila, and F. Liantoni, “Prediksi Gempa Bumi di Yogyakarta Berdasarkan Nilai Magnitudo, Kedalaman, dan Lokasi Gempa Menggunakan Naïve Bayes,” Petir, vol. 17, no. 1, pp. 122–132, 2024, [Online]. Available: https://doi.org/10.33322/petir.v17i1.2294
[2] Muhammad Haris Diponegoro, Sri Suning Kusumawardani, and Indriana Hidayah, “Tinjauan Pustaka Sistematis: Implementasi Metode Deep Learning pada Prediksi Kinerja Murid,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 10, no. 2, pp. 131–138, 2021, doi: 10.22146/jnteti.v10i2.1417.
[3] L. Irawan, L. H. Hasibuan, and F. Fauzi, “Analisa Prediksi Efek Kerusakan Gempa Dari Magnitudo (Skala Richter) Dengan Metode Algoritma Id3 Menggunakan Aplikasi Data Mining Orange,” J. Teknol. Inf. J. Keilmuan dan Apl. Bid. Tek. Inform., vol. 14, no. 2, pp. 189–201, 2020, doi: 10.47111/jti.v14i2.1079.
[4] Y. R. Amanda, M. N. Aini, M. Miyoze, and D. O. W. Nugroho, “Prediksi Gempa Bumi di Indonesia Menggunakan R-Shiny,” J. Sains dan Seni ITS, vol. 11, no. 3, 2022, doi: 10.12962/j23373520.v11i3.62562.
[5] A. Wibowo, “Prediksi Kekuatan Gempa Menggunakan Machine Learning Dengan Model Xgboost Sebagai Langkah Strategis Dalam Perencanaan Struktur Bangunan Tahan Gempadi Indonesia,” MESA J. Tek., vol. 6, no. 1, pp. 18–29, 2022.
[6] D. Bulo, Djayus, Supriyanto, and B. Hendrawanto, “Penentuan Titik Epicenter Dan Hypocenter Serta Parameter Magnitude Gempabumi Berdasarkan Data Seismogram,” J. Geosains Kutai Basin, vol. 3, no. 1, pp. 1–8, 2020.
[7] A. N. Abadi Nugroho, “Penerapan Metode Haversine Formula Untuk Penentuan Titik Kumpul pada Aplikasi Tanggap Bencana,” Metik J., vol. 4, no. 2, pp. 69–75, 2020, doi: 10.47002/metik.v4i2.190.
[8] S. A. Kumala, D. N. Huda, and M. C. Irawan, “Analisis PGA (Peak Ground Acceleration) Berdasarkan Data Gempa untuk Wilayah Jakarta Timur Menggunakan Software PSHA,” Fakt. Exacta, vol. 11, no. 4, p. 380, 2018, doi: 10.30998/faktorexacta.v11i4.2974.
[9] P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp. 12–21, 2020.
[10] B. Sunarko et al., “Penerapan Stacking Ensemble Learning untuk Klasifikasi Efek Kesehatan Akibat Pencemaran Udara,” Edu Komputika J., vol. 10, no. 1, pp. 55–63, 2023, doi: 10.15294/edukomputika.v10i1.72080.
[11] L. M. Cendani and A. Wibowo, “Perbandingan Metode Ensemble Learning pada Klasifikasi Penyakit Diabetes,” J. Masy. Inform., vol. 13, no. 1, pp. 33–44, 2022, doi: 10.14710/jmasif.13.1.42912.
[12] Yoga Religia, Agung Nugroho, and Wahyu Hadikristanto, “Klasifikasi Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 187–192, 2021, doi: 10.29207/resti.v5i1.2813.
[13] H. Tantyoko, D. K. Sari, and A. R. Wijaya, “Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection,” IDEALIS Indones. J. Inf. Syst., vol. 6, no. 2, pp. 83–89, 2023, doi: 10.36080/idealis.v6i2.3036.
[14] D. Kurmiati, M. Zakiy Fauzi, Ripangi, A. Falegas, and Indria, “Clustering of Earthquake Prone Areas in Indonesia Using K-Medoids Algorithm Klasterisasi Daerah Rawan Gempa Bumi di Indonesia Menggunakan Algoritma K-Medoids,” Indones. J. Mach. Learn. Comput. Sci. , vol. 1, no. 1, pp. 47–57, 2021.
[15] M. B. Arya Darmawan, F. Dewanta, and S. Astuti, “Analisis Perbandingan Algoritma Decision Tree, Random Forest, dan Naïve Bayes untuk Prediksi Banjir di Desa Dayeuhkolot,” TELKA - Telekomun. Elektron. Komputasi dan Kontrol, vol. 9, no. 1, pp. 52–61, 2023, doi: 10.15575/telka.v9n1.52-61.
[16] D. S. Lumbansiantar, “Analisa Data Bencana Alam Untuk Prediksi Dampak Yang Ditimbulkan Dengan Algoritma J48 (Studi Kasus : Palang Merah Indonesia),” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 25–29, 2019, doi: 10.30865/komik.v3i1.1562.
[17] A. Kharis Pratama, H. Ashaury, and F. Rakhmat Umbara, “Klasifikasi Data Gempa Bumi Di Pulau Jawa Menggunakan Algoritma Extreme Gradient Boosting,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 4, pp. 2923–2929, 2024, doi: 10.36040/jati.v7i4.7296.
[18] S. A. P. Perdana, T. Bharata Aji, and R. Ferdiana, “Aspect Category Classification dengan Pendekatan Machine Learning Menggunakan Dataset Bahasa Indonesia (Aspect Category Classification with Machine Learning Approach Using Indonesian Language Dataset),” J. Nas. Tek. Elektro dan Teknol. Inf. |, vol. 10, no. 3, pp. 229–235, 2021.
[19] S. Clara, D. Laksmi Prianto, R. Al Habsi, E. Friscila Lumbantobing, and N. Chamidah, “Implementasi Seleksi Fitur Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi Penghasilan Pada Adult Income Dataset,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. Jakarta-Indonesia, vol. 2, no. 1, pp. 741–747, 2021.
[20] W. I. Sabilla and C. Bella Vista, “Implementasi SMOTE dan Under Sampling pada Imbalanced Dataset untuk Prediksi Kebangkrutan Perusahaan,” J. Komput. Terap., vol. 7, no. 2, pp. 329–339, 2021, doi: 10.35143/jkt.v7i2.5027.
[21] M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.
[22] N. C. Sastya and I. Nugraha, “Penerapan Metode CRISP-DM dalam Menganalisis Data untuk Menentukan Customer Behavior di MeatSolution,” Unistek, vol. 10, no. 2, pp. 103–115, 2023, doi: 10.33592/unistek.v10i2.3079.
[23] R. Maharani, A. Hutagaol, V. T. Lana, Z. Azzahra, and R. Kurniawan, “Penerapan Machine Learning dalam Prediksi Klasifikasi Big Data Kedalaman Gempa Bumi di Indonesia Tahun 2015-2024,” vol. 2024, no. Senada, pp. 42–51, 2024.
[24] Roni Merdiansah, Khofifah Wulandari, Mentari Hasibuan, and Yuyun Umaidah, “Perbandingan Kinerja Model RNN, LSTM, dan BLSTM dalam Memprediksi Jumlah Gempa Bulanan di Indonesia,” J. Penelit. Rumpun Ilmu Tek., vol. 3, no. 1, pp. 262–277, 2024, doi: 10.55606/juprit.v3i1.3466.
[25] M. F. Al Halik and L. Septiana, “Analisa Data Untuk Prediksi Daerah Rawan Bencana Alam Di Jawa Barat Menggunakan Algoritma K-Means Clustering,” J. Inf. Syst. Applied, Manag. Account. Res., vol. 6, no. 4, pp. 856–870, 2022, doi: 10.52362/jisamar.v6i4.939.
[26] F. Firdausa, “Prediksi dan Analisis Data Gempa Bumi di Provinsi Bengkulu dengan Metode Artificial Neural Network,” Cantilever, vol. 8, no. 2, pp. 45–49, 2020, doi: 10.35139/cantilever.v8i2.5.
[27] J. Lasama, A. P. E.P, and A. Prasetiadi, “Prediksi Tsunami Pada Gempa Menggunakan Random Forest Classifier,” Conf. Electr. Eng. Telemat. Ind. Technol. Creat. Media 2019, pp. 32–39, 2019.
[28] A. A. Nurhalizah, Y. Cahyana, and Rahmat, “Model Prediksi Kekuatan Gempa Dengan Menggunakan Algoritma Linear Regression Dan Support Vector Regression (Studi Kasus BMKG),” vol. V, no. 2, p. 41, 2024, [Online]. Available:https://www.kaggle.com/datasets/kekavigi/earthquakes-in-ndonesia.
[29] S. Sudarto and K. Kusrini, “KLASIFIKASI TSUNAMI GEMPA BUMI DENGAN TEKNIK STACKING ENSEMBLE MACHINE LEARNING,” JIP (Jurnal Inform. Polinema), vol. 10, no. 4, pp. 511–520, 2024.
[30] O. Somantri, S. Purwaningrum, and R. Riyanto, “Model Support Vektor Machine (Svm) Berdasarkan Parameter Windows Untuk Prediksi Kekuatan Gempa Bumi,” JTT (Jurnal Teknol. Ter., vol. 8, no. 1, p. 17, 2022, doi: 10.31884/jtt.v8i1.352.
[31] R. Prathivi, “Optimasi Algoritme Naive Bayes Untuk Klasifikasi Data Gempa Bumi di Indonesia Berdasarkan Hiposentrum,” Telematika, vol. 13, no. 1, pp. 36–43, 2020, doi: 10.35671/telematika.v13i1.928.
[32] C. Swastikawati, M. A. Pamoengkas, A. C. Wahyudi, and K. Kusrini, “Penerapan Data Sains Untuk Klasifikasi Wilayah Yang Terdampak Kerusakan Gempa Bumi Dengan Metode C.45,” J. Econ. Manag. Account. Technol., vol. 7, no. 2, pp. 390–402, 2024.
[33] M. A. Permana and M. Faisal, “Uji Performa Prediksi Gempa Bumi di Jawa Timur dengan Artificial Neural Network,” Euler J. Ilm. Mat. Sains dan Teknol., vol. 11, no. 1, pp. 44–54, 2023, doi: 10.34312/euler.v11i1.19291.