Perbandingan Algoritma Machine Learning untuk Prediksi Potensi Tsunami di Pesisir Barat Lampung
Abstract
Indonesia has a high level of vulnerability to tsunami disasters due to seismic activity in subduction zones. This condition requires a fast and accurate tsunami potential prediction system to support effective disaster mitigation. This study aims to compare the performance of five machine learning algorithms in predicting tsunami potential along the West Coast of Lampung, namely Random Forest, K-Nearest Neighbor, Naïve Bayes, Neural Network, and Decision Tree. The dataset consists of 352 earthquake records from 2023–2024 obtained from BMKG, using parameters such as magnitude, depth, and epicentral distance. Model evaluation was conducted using a Confusion Matrix with performance metrics including accuracy, precision, recall, and F1-score. The results indicate that the Random Forest algorithm achieved the best performance with an accuracy of 100% and balanced precision, recall, and F1-score values. These findings are expected to support the development of a machine learning-based tsunami early warning system that is adaptive to local geophysical characteristics.
Keywords: Earthquake; Machine Learning; Random Forest; Tsunami prediction
Abstrak
Indonesia memiliki tingkat kerentanan yang tinggi terhadap bencana tsunami akibat aktivitas gempa bumi di zona subduksi. Kondisi ini menuntut tersedianya sistem prediksi potensi tsunami yang cepat dan akurat untuk mendukung mitigasi bencana. Penelitian ini bertujuan membandingkan kinerja lima algoritma machine learning dalam memprediksi potensi tsunami di Pesisir Barat Lampung, yaitu Random Forest, K-Nearest Neighbor, Naïve Bayes, Neural Network, dan Decision Tree. Data yang digunakan berupa 352 catatan gempa bumi periode 2023–2024 yang bersumber dari BMKG dengan parameter magnitudo, kedalaman, dan jarak episentrum. Evaluasi model dilakukan menggunakan Confusion Matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan tingkat akurasi 100% serta keseimbangan nilai presisi, recall, dan F1-score. Temuan ini diharapkan dapat mendukung pengembangan sistem peringatan dini tsunami berbasis machine learning yang adaptif terhadap karakteristik geofisika lokal.
Keywords
References
A. Angraeni, L. H. Lubis, Sugeng, and M. H. Ginting, “Analisis Kerentanan Seismik Gempa Bumi Berdasarkan Nilai PGA Menggunakan Metode Esteva Pada Wilayah Kepulauan Nias,” J. Geo Image, vol. 12, no. 120, pp. 141–147, 2023.
K. Sassa, K. Konagai, B. Tiwari, Ž. Arbanas, and S. Sassa, Progress in Landslide Research and Technology, Volume 1 Issue 1, 2022. in Progress in Landslide Research and Technology. 2022. [Online]. Available: https://books.google.co.id/books?id= p92mEAAAQBAJ
J. Selva et al., “Probabilistic tsunami forecasting for early warning,” Nat. Commun., vol. 12, no. 1, 2021, doi: 10.1038/s41467-021-25815-w.
E. I. Riyani and - Tamjuddin, “Tantangan Pengembangan Ekowisata Bahari Di Pulau Pisang Pesisir Barat Lampung,” EKOMBIS Rev. J. Ilm. Ekon. dan Bisnis, vol. 5, no. 1, pp. 16–24, 2017, doi: 10.37676/ekombis.v5i1.326.
D. Pratiwi and A. Fitri, “Analisis Potensial Penjalaran Gelombang Tsunami di Pesisir Barat Lampung, Indonesia,” J. Tek. Sipil ITP, vol. 8, no. 1, p. 5, 2021, doi: 10.21063/jts.2021.v801.05.
R. S. Oktari, Syamsidik, R. Idroes, H. Sofyan, and K. Munadi, “City resilience towards coastal hazards: An integrated bottom-up and top-down assessment,” Water (Switzerland), vol. 12, no. 10, 2020, doi: 10.3390/w12102823.
E. Mardiani et al., “Classification of Potential Tsunami Disaster Due to Earthquakes in Indonesia Based on Machine Learning,” Int. J. Softw. Eng. Comput. Sci., vol. 4, no. 1, pp. 13–23, 2024, doi: 10.35870/ijsecs.v4i1.2084.
A. P. Pratiwi and P. R. Arum, “Implementation of Random Forest Algorithm to Classify Earthquake in Indonesia,” Eig. Math. J., vol. 8, no. 1, pp. 25–33, 2025.
S. Sudarto and K. Kusrini, “Klasifikasi Tsunami Gempa Bumi dengan Teknik Stacking Ensemble Machine Learning,” J. Inform. Polinema, vol. 10, no. 4, pp. 511–520, 2024, doi: 10.33795/jip.v10i4.5655.
D. Irawan Saputra and D. Lukman Hakim, “Implementasi Algoritma Gaussian Naive Bayes Classifier Untuk Prediksi Potensi Tsunami Berbasis Mikrokontroler,” Epsil. J. Electr. Eng. Inf. Technol., vol. 2, pp. 122–138, 2022.
I. Maulita and A. M. Wahid, “Prediksi Magnitudo Gempa Menggunakan Random Forest, Support Vector Regression, XGBoost, LightGBM, dan Multi-Layer Perceptron Berdasarkan Data Kedalaman dan Geolokasi,” J. Pendidik. dan Teknol. Indones., vol. 4, no. 5, pp. 221–232, 2024, doi: 10.52436/1.jpti.470.
Muntiari Novita Ranti and Hanif Kharis Hudaiby, “Klasifikasi Penyakit Kanker Payudara Menggunakan Perbandingan Algoritma Machine Learning,” J. Ilmu Komput. dan Teknol., vol. 3, no. 1, pp. 1–6, 2022, [Online]. Available: http://creativecommons.org/licences/by/4.0/%0A http://ejournal.uhb.ac.id/index.php/IKOMTI
R. R. Santoso, R. Megasari, and Y. A. Hambali, “Implementasi Metode Machine Learning Menggunakan Algoritma Evolving Artificial Neural Network Pada Kasus Prediksi Diagnosis Diabetes,” J. Apl. dan Teor. Ilmu Komput., vol. 3, no. 2, pp. 85–97, 2020, [Online]. Available: https://ejournal.upi.edu/index.php/JATIKOM
H. K. Pambudi, P. G. A. Kusuma, F. Yulianti, and K. A. Julian, “Prediksi Status Pengiriman Barang Menggunakan Metode Machine Learning,” J. Ilm. Teknol. Infomasi Terap., vol. 6, no. 2, pp. 100–109, 2020, doi: 10.33197/jitter.vol6.iss2.2020.396.
R. Nisa, S. Amriza, and D. Supriyadi, “Komparasi Metode Machine Learning Dan Deep Learning Untuk Deteksi Emosi Pada Text Di Sosial Media,” Penelit. Ilmu dan Teknol. Komput., vol. 13, no. 2, pp. 130–139, 2021.
M. M. Mutoffar, M. Naseer, and A. Fadillah, “Klasifikasi Kualitas Air Sumur Menggunakan Algortima Random Forest,” vol. 04, no. 02, pp. 138–146, 2022.
B. Prasojo and E. Haryatmi, “Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 79–89, 2021, doi: 10.25077/teknosi.v7i2.2021.79-89.
Suci Amaliah, M. Nusrang, and A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 3, pp. 121–127, 2022, doi: 10.35580/variansiunm31.
A. Firdaus, “Aplikasi Algoritma K-Nearest Neighbor pada Analisis Sentimen Omicron Covid-19,” J. Ris. Stat., vol. 2, no. 2, pp. 85–92, 2022, doi: 10.29313/jrs.v2i2.1148.
M. N. Maskuri, K. Sukerti, and R. M. Herdian Bhakti, “Penerapan Algoritma K-Nearest Neighbor (KNN) untuk Memprediksi Penyakit Stroke Stroke Desease Predict Using KNN Algorithm,” J. Ilm. Intech Inf. Technol. J. UMUS, vol. 4, no. 1, pp. 130–140, 2022.
E. Nanda, Istikomah, N. A. Amari, and Y. Pristyanto, “Perbandingan Klasifikasi Algoritma K-Nn, Neural Network, Naïve Bayes, C 4.5 Untuk Mendeteksi Web Phising,” J. Inform. Komputer, Bisnis dan Manaj., vol. 16, no. 3, pp. 33–42, 2023, doi: 10.61805/fahma.v16i3.88.
S. K. M. K. Mira, S. K. M. K. Azriel Christian Nurcahyo, S. K. M. K. Candra Gudiato, S. K. M. K. Noviyanti. P, and S. K. M. K. Listra Frigia Missianes Horhoruw, Data Mining Mengeksplorasi Teknik-Teknik Data Mining dan Metode K-Means Teori, Konsep, Algoritma dan Studi Kasus. Uwais Inspirasi Indonesia, 2025. [Online]. Available: https://books.google.co.id/books?id=32BQEQAAQBAJ
E. Fauziningrum, M. Pd and M. P. Encis Indah Suryaningsih, S.T., “Evaluasi Dan Prediksi Penguasaan Bahasa Inggris Maritim Menggunakan Metode Decision Tree Dan Confusion Matrix (Studi Kasus Di Universitas Maritim Amni),” Angew. Chemie Int. Ed. 6(11), 951–952., pp. 5–24, 2021.
A. F. Anjani, D. Anggraeni, and I. M. Tirta, “Implementasi Random Forest Menggunakan SMOTE untuk Analisis Sentimen Ulasan Aplikasi Sister for Students UNEJ,” J. Nas. Teknol. dan Sist. Inf., vol. 9, no. 2, pp. 163–172, 2023, doi: 10.25077/teknosi.v9i2.2023.163-172.
How To Cite This :
Refbacks
- There are currently no refbacks.
