Analisis Kinerja Algoritma Long Short-Term Memory (LSTM) untuk Prediksi Gempa Bumi di Aceh

miya amalia putri, Rivansyah Suhendra, Abdurrahman Ridho

Abstract


Aceh merupakan wilayah dengan tingkat aktivitas seismik tinggi karena berada di jalur subduksi aktif antara Lempeng Indo-Australia dan Eurasia. Prediksi gempa bumi di wilayah ini menjadi tantangan karena karakteristik data seismik yang kompleks, tidak linier, dan tidak stasioner. Penelitian ini bertujuan untuk mengembangkan model prediksi magnitudo gempa bumi harian menggunakan algoritma Long Short-Term Memory (LSTM). Data historis gempa dari United States Geological Survey (USGS) periode 2000 hingga 2025 diolah melalui tahap resampling harian, normalisasi, dan pembentukan data sekuensial menggunakan pendekatan sliding window. Sebanyak 72 kombinasi hyperparameter diuji untuk mengoptimalkan performa model. Evaluasi dilakukan menggunakan metrik RMSE, MAE, dan koefisien korelasi Pearson (r). Hasil terbaik diperoleh pada konfigurasi 64 units, batch size 16, learning rate 0.0005, dan 60 epoch dengan RMSE sebesar 0.16291, MAE sebesar 0.09046, dan r sebesar 0.83116. Hasil ini menunjukkan bahwa LSTM mampu mengenali pola temporal aktivitas seismik secara efektif. Penelitian ini mendukung pemanfaatan LSTM sebagai komponen dalam sistem mitigasi bencana dan peringatan dini berbasis data di wilayah rawan gempa seperti Aceh.

Full Text:

PDF

References


Daftar Pustaka

S. J. Hutchings and W. D. Mooney, “The Seismicity of Indonesia and Tectonic Implications,” Geochemistry, Geophysics, Geosystems, vol. 22, no. 9, Sep. 2021, doi: 10.1029/2021GC009812.

N. Ainun, L. Husna Lubis, and R. Sirait Fisika, “Pemetaan Tingkat Rawan Gempa Berdasarkan Nilai Pga (Peak Ground Acceleration) Menggunakan Metode Mc. Guirre R.K Dan Donovan,” Agustus, vol. 8, no. 3, pp. 75–79, Aug. 2023.

R. Tauladani, N. Ismail, and D. Sugianto, “Kajian Seismisitas Dan Periode Ulang Gempa Bumi Di Aceh,” Pascasarjana Universitas Syiah Kuala, vol. 7, no. 1, pp. 44–50, 2015.

I. Rusydy et al., “Shallow crustal earthquake models, damage, and loss predictions in Banda Aceh, Indonesia,” Geoenvironmental Disasters, vol. 7, no. 1, Dec. 2020, doi: 10.1186/s40677-020-0145-5.

W. Triyoso and D. P. Sahara, “Seismic Hazard Function Mapping Using Estimated Horizontal Crustal Strain Off West Coast Northern Sumatra,” Front Earth Sci (Lausanne), vol. 9, Apr. 2021, doi: 10.3389/feart.2021.558923.

Novita Sari, R). Mengenang & refleksi diri 19 tahun tsunami Aceh (2004–2023) . (2023, 27 Desember). Diakses pada 3 Maret 2025, dari https://lldikti13.kemdikbud.go.id/2023/12/27/mengenang-19-tahun-tsunami-aceh/

Syamsidik, Nugroho, A., Oktari, R. S., & Fahmi, M. (2019). Aceh pasca 15 tahun tsunami: Kilas balik dan proses pemulihan. Tsunami and Disaster Mitigation Research Center (TDMRC), Universitas Syiah Kuala. Diakses pada 3 Maret 2025, dari https://bpba.acehprov.go.id/media/2022.09/buku_aceh_pasca_lima_belas_tahun_tsunami1.pdf

X. Wang et al., “Small Earthquakes Can Help Predict Large Earthquakes: A Machine Learning Perspective,” Applied Sciences (Switzerland), vol. 13, no. 11, Jun. 2023, doi: 10.3390/app13116424.

S. Bloemheuvel, J. van den Hoogen, D. Jozinović, A. Michelini, and M. Atzmueller, “Graph neural networks for multivariate time series regression with application to seismic data,” Int J Data Sci Anal, vol. 16, no. 3, pp. 317–332, Sep. 2023, doi: 10.1007/s41060-022-00349-6.

S. Hochreiter and J. Schmidhuber, “LONG SHORT-TERM MEMORY,” 1997.

A. S. Albahri et al., “A systematic review of trustworthy artificial intelligence applications in natural disasters,” Computers and Electrical Engineering, vol. 118, Sep. 2024, doi: 10.1016/j.compeleceng.2024.109409.

R. Fazira, D. Yudistira, and L. Sofinah Harahap, “Evaluasi Kinerja Model RNN & LSTM untuk Prediksi Magnitude Gempa di Indonesia,” Mars : Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer, vol. 2, no. 6, pp. 62–75, Nov. 2024, doi: 10.61132/mars.v2i6.498.

M. A. Rusho, R. Azizova, D. Mykhalevskiy, M. Karyonov, and H. Hasanova, “Advanced Earthquake Prediction: Unifying Networks, Algorithms, And Attention-Driven Lstm Modelling,” International Journal of GEOMATE, vol. 27, no. 119, pp. 135–142, Jul. 2024, doi: 10.21660/2024.119.m2415.

Roni Merdiansah, Khofifah Wulandari, Mentari Hasibuan, and Yuyun Umaidah, “Perbandingan Kinerja Model RNN, LSTM, dan BLSTM dalam Memprediksi Jumlah Gempa Bulanan di Indonesia,” Jurnal Penelitian Rumpun Ilmu Teknik, vol. 3, no. 1, pp. 262–277, Feb. 2024, doi: 10.55606/juprit.v3i1.3466.

B. Sadhukhan, S. Chakraborty, S. Mukherjee, and R. K. Samanta, “Climatic and seismic data-driven deep learning model for earthquake magnitude prediction,” Front Earth Sci (Lausanne), vol. 11, 2023, doi: 10.3389/feart.2023.1082832.

C. Olah, “Understanding LSTM Networks,” colah’s blog, Aug. 27, 2015. [Online]. Available: https://colah.github.io/posts/2015-08-Understanding-LSTMs/




DOI: https://doi.org/10.35308/jti.v4i2.12921

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



Jurnal Teknologi Informasi
e-ISSN: 2829-8934  I  DOI: 10.35308
Jl. Alue Peunyareng, Ujong Tanoh Darat, Meureubo, Kabupaten Aceh Barat, Aceh 23681, Indonesia
(0655) 7110535
License Creative Commons is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License