IRPIIRPI

MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science

Gempa bumi merupakan salah satu bencana alam yang sering terjadi di Indonesia dengan rata-rata 400 kali dalam sebulan. Gempa bumi disebabkan oleh pergerakan lempeng bumi, atau disebabkan karena adanya aktivitas vulkanik gunung berapi. Berbagai macam dampak yang disebabkan oleh gempa bumi seperti korban jiwa dan kerugian secara material mendorong berbagai pihak untuk dapat siaga terhadap potensi apapun yang diakibatkan dari banyaknya gunung berapi aktif di Indonesia. Salah satu dari langkah awal yang dapat dilakukan adalah dengan menentukan daerah yang memiliki potensi rawan gempa bumi di Indonesia. Adapun yang dapat dilakukan yaitu dengan mengelompokkan data gempa bumi sesuai dengan informasi pada data, sehingga dapat diketahui potensi daerah rawan gempa bumi. Proses pengelompokkan ini dilakukan dengan menggunakan metode clustering, salah satunya yaitu metode K-Medoids. Data pada penelitian ini diambil dari data Badan Meteorologi Klimatologi dan Geofisika (BMKG) yang terdiri dari tiga atribut sebagai acuan pengelompokan, yaitu Magnitude, Smin dan Depth. Hasil dari penelitian ini adalah daerah rawan gempa bumi berdasarkan pada waktu terjadinya dan titik acuan yang telah ditentukan, yaitu pada wilayah Banda Sea, Southem Molluca Sea, Taulud Island, Halmahera, Minahassa Peninsula, Irian Jaya, Philiphine, Savu Sea, Tanimbar Islands, Sumba, Java, South of Java, Flores dengan kekuatan berkisar antara 3 SR sampai dengan 5,7 SR.

Berdasarkan hasil dan analisis dari penelitian dapat diambil kesimpulan bahwa daerah rawan gempa berdasarkan pada waktu terjadinya dilihat dari Magnitude, Smin, dan Depth adalah pada wilayah Banda Sea, Southern Molucca Sea, Taulud Island, Halmahera, Minahassa Peninsula, Irian Jaya, Philippine, Savu Sea, Tanimbar Islands, Sumba, Java, South of Java, dan Flores dengan kekuatan berkisar antara 3 SR sampai dengan 5,7 SR.

Penelitian lanjutan dapat dilakukan dengan memperluas cakupan data kejadian gempa bumi yang digunakan untuk clustering, sehingga pola sebaran gempa bisa lebih akurat dan mencakup lebih banyak wilayah. Selain itu, penelitian berikutnya dapat mengembangkan metode klasterisasi dengan menggabungkan algoritma lainnya seperti DBSCAN atau gabungan K-Medoids dan machine learning lainnya untuk membandingkan akurasi dan efektivitas clustering daerah rawan gempa. Terakhir, saran penelitian yang perlu dilakukan adalah menambahkan parameter baru dalam klasterisasi seperti jarak dari pusat gempa ke daratan, jenis lempeng tektonik, atau histori kejadian tsunami, agar hasil klasterisasi lebih representatif dan bermanfaat dalam mitigasi bencana.

File size802.58 KB
Pages11
DMCAReportReport

ads-block-test