Evaluasi Kinerja Model RNN & LSTM untuk Prediksi Magnitude Gempa di Indonesia
DOI:
https://doi.org/10.61132/mars.v2i6.498Keywords:
Gempa Bumi, , Prediksi Magnitude, RNN, LSTM, Evaluasi ModelAbstract
Indonesia di kawasan Cincin Api Pasifik, yang dikenal memiliki aktivitas seismik yang sangat tinggi dengan ribuan gempa bumi yang terjadi setiap tahunnya. Penelitian ini bertujuan untuk menganalisis kinerja Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM) dalam memprediksi magnitudo gempa bumi menggunakan data historis yang diambil dari Kaggle. Data tersebut mencakup rentang waktu dari November 2008 hingga September 2022, yang telah melalui proses normalisasi serta perpecahan menjadi data pelatihan dan pengujian. Model evaluasi kinerja dilakukan dengan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Pada uji coba pertama, LSTM menunjukkan performa terbaik dengan nilai MAE 0.6226 dan RMSE 0.7731 pada data pengujian, lebih baik dibandingkan RNN yang mencatatkan MAE 0.6271 dan RMSE 0.7831. Sebaliknya, pada uji coba kedua, RNN unggul dengan nilai MAE 0.5583 dan RMSE 0.7008, sementara LSTM memiliki MAE 0.5822 dan RMSE 0.7132. Hasil ini menunjukkan bahwa LSTM lebih cocok untuk menangani pola data temporal yang kompleks, sedangkan RNN lebih andal pada dataset dengan pola yang lebih sederhana. Penelitian ini diharapkan dapat menjadi pijakan dalam pengembangan sistem prediktif untuk mitigasi risiko bencana gempa bumi di Indonesia.
References
Agwil, Winalia. 2020. “Penerapan Jaringan Saraf Tiruan Pada Data Gempa Bumi Di Provinsi Bengkulu.” Jurnal Statistika Universitas Muhammadiyah Semarang 8(2):152. doi: 10.26714/jsunimus.8.2.2020.152-158.
Berhich, Asmae, Fatima Zahra Belouadha, and Mohammed Issam Kabbaj. 2020. “LSTM-Based Models for Earthquake Prediction.” ACM International Conference Proceeding Series (August). doi: 10.1145/3386723.3387865.
Bhandarkar, Tanvi, Vardaan K, Nikhil Satish, S. Sridhar, R. Sivakumar, and Snehasish Ghosh. 2019. “Earthquake Trend Prediction Using Long Short-Term Memory RNN.” International Journal of Electrical and Computer Engineering (IJECE) 9(2):1304. doi: 10.11591/ijece.v9i2.pp1304-1312.
Bilal, Muhammad Atif, Yongzhi Wang, Yanju Ji, Muhammad Pervez Akhter, and Hengxi Liu. 2023. “Earthquake Detection Using Stacked Normalized Recurrent Neural Network (SNRNN).” Applied Sciences (Switzerland) 13(14). doi: 10.3390/app13148121.
Ercan, Doç Emre, and Nuh Muhammed Pişkin. 2019. “Earthquake Estimation with Lstm Network Model.”
Nurhopipah, Ade, and Cindy Magnolia. 2023. “Perbandingan Metode Resampling Pada Imbalanced Dataset Untuk Klasifikasi Komentar Program Mbkm.” Jurnal Publikasi Ilmu Komputer Dan Multimedia 2(1):9–22. doi: 10.55606/jupikom.v2i1.862.
Somantri, Oman. 2021. “Prediksi Kekuatan Gempa Bumi Indonesia Berdasarkan Nilai Magnitudo Menggunakan Neural Network.” Prosiding Seminar Nasional Informatika Bela Negara 2(November 2021):203–7. doi: 10.33005/santika.v2i0.124.
González, Jesús, Wen Yu, and Luciano Telesca. 2019. “Earthquake Magnitude Prediction Using Recurrent Neural Networks.” 22. doi: 10.3390/iecg2019-06213.
Irawan, Lukman, Liyando Hermawan Hasibuan, and Fauzi Fauzi. 2020. “Analisa Prediksi Efek Kerusakan Gempa Dari Magnitudo (Skala Richter) Dengan Metode Algoritma Id3 Menggunakan Aplikasi Data Mining Orange.” Jurnal Teknologi Informasi: Jurnal Keilmuan Dan Aplikasi Bidang Teknik Informatika 14(2):189–201. doi: 10.47111/jti.v14i2.1079.
Khoirunnisa Hamidah, and Apriade Voutama. 2023. “Analisis Faktor Tingkat Kebahagiaan Negara Menggunakan Data World Happiness Report Dengan Metode Regresi Linier.” Explore IT: Jurnal Keilmuan Dan Aplikasi Teknik Informatika 15(1):1–7. doi: 10.35891/explorit.v15i1.3874.
Mulyawan, Rifqi. 2024. “Vanishing Gradient Problem.”
Nilsen, Andrew. 2022. “Perbandingan Model RNN, Model LSTM, Dan Model GRU Dalam Memprediksi Harga Saham-Saham LQ45.” Jurnal Statistika Dan Aplikasinya 6(1):137–47. doi: 10.21009/jsa.06113.
Pontoh, Resa Septiani, Toni Toharudin, Budi Nurani Ruchjana, Farhat Gumelar, Fariza Alamanda Putri, Muhammad Naufal Agisya, and Rezzy Eko Caraka. 2022. “Jakarta Pandemic to Endemic Transition: Forecasting COVID-19 Using NNAR and LSTM.” Applied Sciences (Switzerland) 12(12). doi: 10.3390/app12125771.
Puteri, Dian Islamiaty. 2023. “Implementasi Long Short Term Memory ( LSTM ) Dan Bidirectional Long Short Term Memory ( BiLSTM ) Dalam Prediksi Harga Saham Syariah.” 11(1):35–43.
Rosca, Cosmina-mihaela, and Adrian Stancu. 2024. “Earthquake Prediction and Alert System Using IoT Infrastructure and Cloud-Based Environmental Data Analysis.”
Sadhukhan, Bikash, Shayak Chakraborty, Somenath Mukherjee, and Raj Kumar Samanta. 2023. “Climatic and Seismic Data-Driven Deep Learning Model for Earthquake Magnitude Prediction.” Frontiers in Earth Science 11(February):1–24. doi: 10.3389/feart.2023.1082832.
Swastikawati, Claudia, Muhamad Agoeng Pamoengkas, Alfian Cahyo Wahyudi, and Kusrini. 2024. “Penerapan Data Sains Untuk Klasifikasi Wilayah Yang Terdampak.” 7(2):390–402.
Tambunan, Holpan Torang B., Dedy Hartama, and Indra Gunawan. 2021. “Implementasi Jaringan Syaraf Tiruan ( JST ) Untuk Memprediksi Jumlah Penjualan Gas 3Kg Menggunakan Metode Backpropagation.” Tin: Terapan Informatika Nusantara 1(9):479–88.
Tita Lattifia, Putu Wira Buana, and NI Kadek Dwi Rusjayanthi. 2022. “Model Prediksi Cuaca Menggunakan Metode LSTM.” JITTER-Jurnal Ilmiah Teknologi Dan Komputer 3(1).
Wang, Xi, Zeyuan Zhong, Yuechen Yao, Zexu Li, Shiyong Zhou, Changsheng Jiang, and Ke Jia. 2023. “Applied Sciences Small Earthquakes Can Help Predict Large Earthquakes :”
Yunizar, Ahmad, Tedy Rismawan, and Dwi Marisa Midyanti. 2023. “Penerapan Metode Recurrent Neural Network Model Gated Recurrent Unit Untuk Prediksi Harga Cryptocurrency.” Coding Jurnal Komputer Dan Aplikasi 11(1):32. doi: 10.26418/coding.v11i1.58073.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Mars : Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
