Penerapan Model Ensemble Learning dengan Random Forest dan Multi-Layer Perceptron untuk Prediksi Gempa
DOI:
https://doi.org/10.52436/1.jpti.667Keywords:
data seismik, model ensemble, multi-layer perceptron, prediksi gempa bumi, random forestAbstract
Penelitian ini mengusulkan model hybrid yang menggabungkan metode Random Forest (RF) dan Multi-Layer Perceptron (MLPRegressor) untuk memprediksi magnitudo gempa bumi. Model ini bertujuan untuk meningkatkan akurasi prediksi dengan memanfaatkan kekuatan kedua algoritma tersebut, yang masing-masing memiliki keunggulan dalam menangani hubungan non-linier dan mengenali pola kompleks dalam data seismik. Evaluasi model menggunakan tiga metrik utama, yaitu Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R-squared (R²). Hasil evaluasi menunjukkan bahwa model hibrida ini mampu memprediksi magnitudo gempa dengan akurasi yang cukup baik, dengan MAE sebesar 0,0738, RMSE 0,1078, dan R² 0,4204. Penerapan praktis dari model ini sangat relevan untuk sistem peringatan dini gempa bumi yang dapat membantu masyarakat untuk mengambil langkah-langkah pencegahan, seperti evakuasi dan penguatan infrastruktur di wilayah yang berisiko tinggi. Penelitian ini juga membuka peluang untuk mengembangkan model lebih lanjut dengan memperkenalkan data seismik real-time, algoritma pembelajaran mesin yang lebih canggih, dan penggunaan data geofisik serta pengamatan satelit untuk meningkatkan akurasi prediksi gempa bumi di masa depan. Dengan terus melakukan inovasi, ada potensi untuk mengembangkan sistem prediksi gempa bumi yang lebih akurat dan dapat diandalkan, yang pada akhirnya dapat meningkatkan kesiapsiagaan dan ketahanan terhadap bencana alam.
Downloads
References
A. Gupta, “Forecast of Earthquake Magnitude for North-West (NW) Indian Region Using Machine Learning Techniques,” 2023, doi: 10.31223/x5md51.
N. Agarwal, “A Novel Approach for Earthquake Prediction Using Random Forest and Neural Networks,” Eai Endorsed Transactions on Energy Web, vol. 10, 2023, doi: 10.4108/ew.4329.
X. Huang, M. Luo, and H. Jin, “Application of Improved ELM Algorithm in the Prediction of Earthquake Casualties,” Plos One, vol. 15, no. 6, p. e0235236, 2020, doi: 10.1371/journal.pone.0235236.
N. F. I. Zulhamidi, M. Abdullah, N. S. A. Hamid, K. A. Yusof, and S. A. Bahari, “Investigating Short-Term Earthquake Precursors Detection Through Monitoring of Total Electron Content Variation in Ionosphere,” Frontiers in Astronomy and Space Sciences, vol. 10, 2023, doi: 10.3389/fspas.2023.1166394.
D. Zhai, X. Zhang, and P. Xiong, “Detecting Thermal Anomalies of Earthquake Process Within Outgoing Longwave Radiation Using Time Series Forecasting Models,” Annals of Geophysics, vol. 63, no. 5, 2020, doi: 10.4401/ag-8057.
P. Kavianpour, M. Kavianpour, E. Jahani, and A. Ramezani, “A CNN-BiLSTM Model With Attention Mechanism for Earthquake Prediction,” 2021, doi: 10.48550/arxiv.2112.13444.
J. A. Bayona, W. Savran, D. A. Rhoades, and M. J. Werner, “Prospective Evaluation of Multiplicative Hybrid Earthquake Forecasting Models in California,” Geophysical Journal International, vol. 229, no. 3, pp. 1736–1753, 2022, doi: 10.1093/gji/ggac018.
X. Li, “Electromagnetic Short-Term to Imminent Forecast Indices for M ? 5.5 Earthquakes in the Gansu–Qinghai–Sichuan Region of China,” Sensors, vol. 24, no. 12, p. 3734, 2024, doi: 10.3390/s24123734.
Y. Ma, “Seismic Activity Characteristics of the Chinese Continent Based on a ‘Hybrid’ Probability Forecasting Model,” 2024, doi: 10.21203/rs.3.rs-4133756/v1.
G. C. Beroza, M. Segou, and S. M. Mousavi, “Machine Learning and Earthquake Forecasting—next Steps,” Nature Communications, vol. 12, no. 1, 2021, doi: 10.1038/s41467-021-24952-6.
K. M. Asim et al., “Multi-Resolution Grids in Earthquake Forecasting: The Quadtree Approach,” Bulletin of the Seismological Society of America, vol. 113, no. 1, pp. 333–347, 2022, doi: 10.1785/0120220028.
H. Tanaka, “A Bayesian Inference Method for a Large Magnitude Event in a Spatiotemporal Marked Point Process Representing Seismic Activity,” Journal of the Physical Society of Japan, vol. 92, no. 11, 2023, doi: 10.7566/jpsj.92.113001.
I. Maulita, S. Sugito, and L. S. P. Boli, “Spatiotemporal Analysis of B-Value at Mount Slamet (2014–2023),” Jurnal Fisika Flux: Jurnal Ilmiah Fisika FMIPA Universitas Lambung Mangkurat, vol. 21, no. 3, pp. 255–268, Jan. 2025, doi: 10.20527/flux.v21i3.20718.
I. Maulita and A. M. Wahid, “Predicting Post-Earthquake Building Damage Using Random Forest and Gradient Boosting Algorithms: A Data Mining Approach on the 2015 Nepal Earthquake Dataset,” in Prosiding Seminar Nasional Ilmu Komputer 2024, 2024, pp. 84–94.
I. Maulita and A. M. Wahid, “Prediksi Magnitudo Gempa Menggunakan Random Forest, Support Vector Regression, XGBoost, LightGBM, dan Multi-Layer Perceptron Berdasarkan Data Kedalaman dan Geolokasi,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 4, no. 5, Art. no. 5, Dec. 2024, doi: 10.52436/1.jpti.470.
I. Maulita, C. R. A. Widiawati, and A. M. Wahid, “Analisis Komparatif Linear Regression, Random Forest, dan Gradient Boosting untuk Prediksi Banjir,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 4, no. 8, Art. no. 8, 2024, doi: 10.52436/1.jpti.599.
T.-Y. Hsu et al., “Comparing the Performance of the NEEWS Earthquake Early Warning System Against the CWB System During the 6 February 2018 Mw 6.2 Hualien Earthquake,” Geophysical Research Letters, vol. 45, no. 12, pp. 6001–6007, 2018, doi: 10.1029/2018gl078079.
R. K. Tiwari and H. Paudyal, “Seismic Phases of 25 April 2015 (Mw 7.8) Earthquake and 12 May 2015 (Mw 7.3) Earthquake Predicted by AK135 Model - A Comparison,” Journal of Nepal Physical Society, vol. 7, no. 2, pp. 58–64, 2021, doi: 10.3126/jnphyssoc.v7i2.38623.
U. Buttar, “Significant Earthquakes, 1900-Present.” Kaggle, 2024. [Online]. Available: https://www.kaggle.com/datasets/usamabuttar/significant-earthquakes
