Electronic Theses and Dissertation

Pulau Sumatra merupakan salah satu wilayah di Indonesia yang memiliki tingkat
aktivitas seismik yang tinggi akibat pertemuan lempeng-lempeng tektonik aktif.
Aktivitas gempa bumi yang terus berlangsung memerlukan upaya mitigasi yang
berbasis pada pemahaman pola historis kejadian gempa. Oleh karena itu, pemanfaatan
teknologi kecerdasan buatan khususnya deep learning, menjadi pendekatan yang
potensial dalam meningkatkan akurasi prediksi gempa bumi. Penelitian ini bertujuan
untuk membandingkan kinerja tiga model deep learning, yaitu Long Short-Term
Memory dengan Attention Mechanism (LSTM-AM), Convolutional Neural Network
dengan Attention Mechanism (CNN-AM), dan kombinasi keduanya (CNN-LSTM
AM) dalam memprediksi frekuensi kejadian dan magnitudo maksimum gempa bumi
per minggu di Pulau Sumatra. Data yang digunakan dalam penelitian ini merupakan
data sekunder yang diperoleh dari United States Geological Survey (USGS) dengan
periode waktu dari Januari 2008 hingga Desember 2024. Data diproses menjadi data
deret waktu mingguan, kemudian dilatih menggunakan ketiga model yang diuji.
Evaluasi performa model dilakukan dengan menggunakan metrik Mean Squared Error
(MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Symmetric
Mean Absolute Percentage Error (SMAPE), dan koefisien determinasi (R-square).
Hasil penelitian menunjukkan bahwa model CNN-LSTM-AM memiliki performa
terbaik dibandingkan model LSTM-AM dan CNN-AM dalam mempelajari pola data
seismik di Pulau Sumatra. Model CNN-LSTM-AM mencatat nilai R-square tertinggi,
yaitu sebesar 0,9994 untuk kasus frekuensi kejadian gempa bumi per minggu, dan
0,9992 untuk kasus magnitudo maksimum gempa bumi per minggu. Selain itu, nilai
MSE, RMSE, MAE, dan SMAPE yang dihasilkan model ini juga merupakan yang
terendah di antara ketiga model. Model CNN-LSTM-AM digunakan untuk
memprediksi data pada minggu pertama Bulan Januari 2025. Hasil yang didapatkan
adalah model memprediksi terjadinya tiga kejadian gempa bumi dengan magnitudo
maksimum sebesar 4,3 Mw. Nilai prediksi ini sangat mendekati data aktual yakni
empat kejadian gempa dengan magnitudo maksimum sebesar 4,5 Mw.

Sumatra Island is one of the regions in Indonesia characterized by a high level of seismic activity due to the convergence of active tectonic plates. The persistent occurrence of earthquakes necessitates mitigation efforts grounded in a comprehensive understanding of historical seismic patterns. In this context, the application of artificial intelligence, particularly deep learning, emerges as a promising approach to enhance the accuracy of earthquake prediction. This study aims to compare the performance of three deep learning models Long Short-Term Memory with Attention Mechanism (LSTM-AM), Convolutional Neural Network with Attention Mechanism (CNN-AM), and a hybrid model combining both architectures (CNN-LSTM-AM) in forecasting the weekly frequency and maximum magnitude of earthquakes on Sumatra Island. The employed dataset comprises secondary data obtained from the United States Geological Survey (USGS), covering the period from January 2008 to December 2024. The data were preprocessed into weekly time series and subsequently trained using the three aforementioned models. Model performance was evaluated using the Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Symmetric Mean Absolute Percentage Error (SMAPE), and the coefficient of determination (R-squared). The results indicate that the CNN-LSTM-AM model outperforms the LSTM-AM and CNN-AM models in capturing the seismic data patterns specific to Sumatra Island. The CNN-LSTM-AM model achieved the highest R-squared values 0.9994 for predicting the weekly frequency of earthquake occurrences and 0.9992 for predicting the maximum weekly earthquake magnitude. Additionally, it yielded the lowest MSE, RMSE, MAE, and SMAPE scores among all three models. This model was then employed to forecast seismic activity for the first week of January 2025. The prediction yielded three earthquake events with a maximum magnitude of Mw 4.3, closely aligning with the actual data, which recorded four events with a maximum magnitude of Mw 4.5.