Penerapan Algoritma Random Forest untuk Prediksi Jumlah Gempa Bulanan di Indonesia

Risda; Randi  Irwana; Mohammad  Shidiq Permana; Imam Rizki Saputra; Randy Oktaviana HErtland; Mohammad  Bayu Anggara

doi:10.52303/jb.v7i2.172

Risda Universitas Bale Bandung
Randi Irwana Universitas Bale Bandung
Mohammad Shidiq Permana Unversitas Bale Bandung
Imam Rizki Saputra Universitas Bale Bandung
Randy Oktaviana HErtland Universitas Bale Bandung
Mohammad Bayu Anggara Universitas Bale Bandung

DOI: https://doi.org/10.52303/jb.v7i2.172

Keywords: Prediksi Gempa Bumi, Random Forest, Pembelajaran Mesin, data Historis, Aplikasi Web

Abstract

Letak geografis Indonesia yang berada pada pertemuan tiga lempeng tektonik aktif menjadikannya salah satu negara dengan tingkat aktivitas gempa bumi yang sangat tinggi. Kondisi ini menuntut adanya sistem prediksi yang akurat guna mendukung upaya mitigasi risiko bencana secara efektif. Penelitian ini menganalisis penggunaan algoritma Random Forest dalam memprediksi frekuensi gempa bulanan bumi di wilayah Indonesia. Dataset yang digunakan diambil dari platform Kaggle dan mencakup data kejadian gempa dari tahun 2008 hingga 2022. Proses penelitian meliputi tahapan pra-pemrosesan data, pelatihan model, evaluasi kinerja menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE) , serta penyajian hasil dalam bentuk aplikasi berbasis web. Hasil evaluasi menunjukkan bahwa model memberikan performa yang cukup optimal, dengan nilai MAE bulanan sebesar 187,3 dan RMSE 274,53, serta MAE tahunan 1637,9 dan RMSE 1966,09. Temuan ini menunjukkan bahwa algoritma Random Forest dapat menjadi solusi alternatif yang andal untuk memprediksi jumlah gempa bumi di Indonesia.

References

Fakhrurrozi, F., Ratmana, D. O., Winarsih, N. A. S., Saraswati, G. W., Rohman, M. S., Saputra, F. O., Pramunendar, R. A., & Shidik, G. F. (2024). Prediksi Kerusakan Bangunan Pasca Gempa Bumi Menggunakan Metode Deep Neural Network. Jurnal Teknologi Sistem Informasi Dan Aplikasi, 7(1), 131–142. https://doi.org/10.32493/jtsi.v7i1.37181

Fauzan, A., & Ahmad, D. (2023). ANALISIS HASIL PREDIKSI MAGNITUDO GEMPA DI WILAYAH KOTA PADANG MENGGUNAKAN TEKNIK RANDOM FOREST. Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika Dan Statistika, 4(3), 1569–1576. https://doi.org/10.46306/lb.v4i3.450

Kubo, H., Naoi, M., & Kano, M. (2024). Recent advances in earthquake seismology using machine learning. Earth, Planets and Space, 76(1). https://doi.org/10.1186/s40623-024-01982-0

Kurniawan, M. A., Wijaya, S. K., & Hanifa, N. R. (2023). Convolutional Neural Network for Earthquake Ground Motion Prediction Model in Earthquake Early Warning System in West Java. Jurnal Penelitian Pendidikan IPA, 9(11), 1004–1010. https://doi.org/10.29303/jppipa.v9i11.3514

Maharani, R., Hutagaol, A., Tesalonika Lana, V., Dzunnurain, Z. A., & Kurniawan, R. (n.d.). Penerapan Machine Learning dalam Prediksi Klasifikasi Big Data Kedalaman Gempa Bumi di Indonesia Tahun 2015-2024. Seminar Nasional Sains Data, 2024.

Mignan, A., & Broccardo, M. (n.d.). Meta-Analytic Insight on their Limitations.

Mousavi, S. M., & Beroza, G. C. (2025). Machine Learning in Earthquake Seismology. 28, 15. https://doi.org/10.1146/annurev-earth-071822

Murwantara, I. M., Yugopuspito, P., & Hermawan, R. (2020). Comparison of machine learning performance for earthquake prediction in Indonesia using 30 years historical data. Telkomnika (Telecommunication Computing Electronics and Control), 18(3), 1331–1342. https://doi.org/10.12928/TELKOMNIKA.v18i3.14756

Novianty, A., Prasasti, A. L., & Saputra, R. E. (2023). Early Estimation of Earthquake Magnitude Using Machine Learning. IJAIT (International Journal of Applied Information Technology, 07(02). https://doi.org/10.25124/ijait.v7i02.5994

Roni Merdiansah, Khofifah Wulandari, Mentari Hasibuan, & Yuyun Umaidah. (2024). Perbandingan Kinerja Model RNN, LSTM, dan BLSTM dalam Memprediksi Jumlah Gempa Bulanan di Indonesia. Jurnal Penelitian Rumpun Ilmu Teknik, 3(1), 262–277. https://doi.org/10.55606/juprit.v3i1.3466

Salman, H. A., Kalakech, A., & Steiti, A. (2024). Random Forest Algorithm Overview. Babylonian Journal of Machine Learning, 2024, 69–79. https://doi.org/10.58496/bjml/2024/007

Tantyoko, H., Kartika Sari, D., & Wijaya, A. R. (2023). PREDIKSI POTENSIAL GEMPA BUMI INDONESIA MENGGUNAKAN METODE RANDOM FOREST DAN FEATURE SELECTION. In Idealis: Indonesia Journal Information System (Vol. 6, Issue 2). http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/indexHenriTantyoko|http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index|

Handayani, T., Wijayanto, A., Wijaya, A., Himantara, L., Saputro, A. H., & Djuhana, D. (2024). Machine learning implementation for estimation of earthquake magnitude using strong-motion data. In 2024 4th International Conference on Robotics, Automation, and Artificial Intelligence (RAAI 2024) (pp. 351–355). Institute of Electrical and Electronics Engineers (IEEE). https://doi.org/10.1109/RAAI64504.2024.10949525

Puspita, R. D., Steffi, S., Hoendarto, G., & Tjen, J. (2025). Random Forest analysis for predicting the probability of earthquake in Indonesia. Social Science and Humanities Journal, 9(1), 6295–6304. https://doi.org/10.18535/sshj.v9i01.1574

Wardhani, T. P. M., Tahir, Z., Warni, E., Bustamin, A., Imran Oemar, M. A. F., & Kayyum, M. A. (2025). Deep learning approach in seismology: Enhancing earthquake forecasting using K-means clustering and LSTM networks. Journal of Information and Communication Technology, 24(1), 29–51. https://doi.org/10.32890/jict

Titan, G. (2023). Indonesia Earthquake Data (2008–2022) [Dataset]. Kaggle. https://www.kaggle.com/datasets/greegtitan/indonesia-earthquake-data