<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="154385">
 <titleInfo>
  <title>PERBANDINGAN MODEL LSTM-AM, CNN-AM, DAN CNN-LSTM-AM DALAM MEMPREDIKSI FREKUENSI KEJADIAN DAN MAGNITUDO MAKSIMUM GEMPA BUMI DI PULAU SUMATRA</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>JEFRI MUNANDAR</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas MIPA Statistika</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Pulau Sumatra merupakan salah satu wilayah di Indonesia yang memiliki tingkat &#13;
aktivitas seismik yang tinggi akibat pertemuan lempeng-lempeng tektonik aktif. &#13;
Aktivitas gempa bumi yang terus berlangsung memerlukan upaya mitigasi yang &#13;
berbasis pada pemahaman pola historis kejadian gempa. Oleh karena itu, pemanfaatan &#13;
teknologi kecerdasan buatan khususnya deep learning, menjadi pendekatan yang &#13;
potensial dalam meningkatkan akurasi prediksi gempa bumi. Penelitian ini bertujuan &#13;
untuk membandingkan kinerja tiga model deep learning, yaitu Long Short-Term &#13;
Memory dengan Attention Mechanism (LSTM-AM), Convolutional Neural Network &#13;
dengan Attention Mechanism (CNN-AM), dan kombinasi keduanya (CNN-LSTM&#13;
AM) dalam memprediksi frekuensi kejadian dan magnitudo maksimum gempa bumi &#13;
per minggu di Pulau Sumatra. Data yang digunakan dalam penelitian ini merupakan &#13;
data sekunder yang diperoleh dari United States Geological Survey (USGS) dengan &#13;
periode waktu dari Januari 2008 hingga Desember 2024. Data diproses menjadi data &#13;
deret waktu mingguan, kemudian dilatih menggunakan ketiga model yang diuji. &#13;
Evaluasi performa model dilakukan dengan menggunakan metrik Mean Squared Error &#13;
(MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Symmetric &#13;
Mean Absolute Percentage Error (SMAPE), dan koefisien determinasi (R-square). &#13;
Hasil penelitian menunjukkan bahwa model CNN-LSTM-AM memiliki performa &#13;
terbaik dibandingkan model LSTM-AM dan CNN-AM dalam mempelajari pola data &#13;
seismik di Pulau Sumatra. Model CNN-LSTM-AM mencatat nilai R-square tertinggi, &#13;
yaitu sebesar 0,9994 untuk kasus frekuensi kejadian gempa bumi per minggu, dan &#13;
0,9992 untuk kasus magnitudo maksimum gempa bumi per minggu. Selain itu, nilai &#13;
MSE, RMSE, MAE, dan SMAPE yang dihasilkan model ini juga merupakan yang &#13;
terendah di antara ketiga model. Model CNN-LSTM-AM digunakan untuk &#13;
memprediksi data pada minggu pertama Bulan Januari 2025. Hasil yang didapatkan &#13;
adalah model memprediksi terjadinya tiga kejadian gempa bumi dengan magnitudo &#13;
maksimum sebesar 4,3 Mw. Nilai prediksi ini sangat mendekati data aktual yakni &#13;
empat kejadian gempa dengan magnitudo maksimum sebesar 4,5 Mw.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>154385</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-04-22 18:50:09</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-04-23 09:32:05</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>