Pendekatan Wavenet-Inspired Dan LSTM Untuk Prediksi Magnitudo Gempa Sebagai Upaya Transformasi Digital Mitigasi Bencana Di Indonesia
Keywords:
Prediksi Gempa, WaveNet-Inspired, LSTM, Deep Learning, Transformasi Digital..Abstract
Indonesia merupakan salah satu negara dengan aktivitas seismik tertinggi di dunia sehingga pengembangan sistem peringatan dini berbasis teknologi digital menjadi kebutuhan mendesak. Penelitian ini memanfaatkan pendekatan deep learning untuk mendukung transformasi digital dalam prediksi magnitudo gempa. Dua arsitektur dibandingkan, yaitu Long Short-Term Memory (LSTM) dan WaveNet-Inspired, menggunakan data katalog seismik Indonesia. Model LSTM dirancang dengan konfigurasi LSTM(128)–Dropout(0,3)–Dense(64), sedangkan WaveNet-Inspired memanfaatkan dilated causal convolution dan skip connection guna menangkap pola temporal yang kompleks. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil eksperimen menunjukkan bahwa WaveNet-Inspired memiliki performa lebih baik dengan RMSE 0,5494; MAE 0,4237; dan R² 0,5492 dibandingkan LSTM yang mencatat RMSE 0,8701; MAE 0,6888; dan R² –0,1369. Temuan ini menegaskan pentingnya transformasi digital melalui integrasi teknologi deep learning untuk meningkatkan akurasi sistem peringatan dini gempa di Indonesia
References
[1] I. O. Arissinta, I. D. Sulistiyawati, D. Kurnianto, and I. Kharisudin, “Pemodelan Time Series untuk Peramalan Web Traffic Menggunakan Algoritma Arima,” Prism. Pros. Semin. Nas. Mat., vol. 5, pp. 693–700, 2022, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/
[2] S. Susandri, S. Defit, and M. Tajuddin, “Enhancing Text Sentiment Classification with Hybrid CNN-BiLSTM Model on WhatsApp Group,” J. Adv. Inf. Technol., vol. 15, no. 3, pp. 355–363, 2024, doi: 10.12720/jait.15.3.355-363.
[3] C. Zoremsanga and J. Hussain, “Particle Swarm Optimized Deep Learning Models for Rainfall Prediction: A Case Study in Aizawl, Mizoram,” IEEE Access, vol. 12, no. April, pp. 57172–57184, 2024, doi: 10.1109/ACCESS.2024.3390781.
[4] P. Ayuningtyas, S. Khomsah, and S. Sudianto, “Pelabelan Sentimen Berbasis Semi-Supervised Learning menggunakan Algoritma LSTM dan GRU,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 3, pp. 217–229, 2024, doi: 10.14421/jiska.2024.9.3.217-229.
[5] M. I. K. Asmae Berhich, Fatima-Zahra Belouadha, “LSTM-based Models for Earthquake Prediction,” NISS ’20 Proc. 3rd Int. Conf. Networking, Inf. Syst. Secur. Artic., p. Pages 1-7, 2020, [Online]. Available: https://dl.acm.org/doi/10.1145/3386723.3387865?utm_source=chatgpt.com
[6] D. A. Hanan, A. Y. Husodo, and R. P. Rassy, “Sentiment Study of ChatGPT on Twitter Data with Hybrid K-Means and LSTM,” vol. 24, no. 2, pp. 273–284, 2025, doi: 10.30812/matrik.v24i2.4791.
[7] 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.
[8] M. Rizki, S. Basuki, and Y. Azhar, “Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory(LSTM) Untuk Prediksi Curah Hujan Kota Malang,” J. Repos., vol. 2, no. 3, pp. 331–338, 2020, doi: 10.22219/repositor.v2i3.470.
[9] 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.
[10] O. Somantri, J. Teknik Informatika, and P. Negeri Cilacap, “Seminar Nasional Informatika Bela Negara (SANTIKA) Prediksi Kekuatan Gempa Bumi Indonesia Berdasarkan Nilai Magnitudo Menggunakan Neural Network,” vol. 2, pp. 203–207, 2021.
[11] N. Mubarak MR, F. N. Salisah, M. Megawati, and F. Muttakin, “Perancangan Arsitektur Sistem Informasi Enterprise Menggunakan Togaf Pada Ma’Had Al Husna Indragiri,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 1, pp. 381–395, 2025, doi: 10.29100/jipi.v10i1.5828.
