PREDIKSI MAGNITUDO GEMPA BUMI DI PULAU JAWA MENGGUNAKAN ALGORITMA RANDOM FOREST

Salsa Anisa; Akhmad Rizal Dzikrillah;

ABSTRAK

Prediksi Magnitudo Gempa Bumi Di Pulau Jawa Menggunakan Algoritma Random Forest

Salsa Anisa

Gempa bumi merupakan salah satu bencana alam yang memiliki dampak signifikan terhadap
keselamatan manusia dan infrastruktur, khususnya di wilayah rawan seperti Pulau Jawa. Penelitian
ini bertujuan untuk mengembangkan sistem prediksi magnitudo gempa bumi berbasis data historis
dengan menggunakan algoritma Random Forest. Data yang digunakan bersumber dari BMKG
melalui platform Kaggle, dengan rentang waktu 2014 hingga 2024. Fitur yang digunakan meliputi
latitude, longitude, depth, phase count, azimuth gap, serta informasi waktu berupa tahun, bulan, dan
hari. Sistem dikembangkan dalam bentuk aplikasi web menggunakan framework Flask, dengan
model yang telah dilatih terlebih dahulu dan disimpan menggunakan pickle. Evaluasi kinerja model
dilakukan menggunakan metode Mean Absolute Percentage Error (MAPE), di mana model dengan
seluruh fitur menghasilkan nilai rata-rata MAPE sebesar 6,83%, menunjukkan tingkat akurasi yang
cukup baik. Uji konfigurasi fitur juga dilakukan dengan menghilangkan fitur waktu dan lokasi, yang
menunjukkan adanya penurunan akurasi, sehingga kedua fitur tersebut terbukti berkontribusi
signifikan terhadap performa model
.
Kata kunci: Gempa Bumi, Machine learning, MAPE, Prediksi, Random Forest.

Earthquake Magnitude Prediction in Java Island Using the Random Forest Algorithm

Salsa Anisa

Earthquakes are one of the natural disasters that have a significant impact on human safety and
infrastructure, especially in high-risk areas such as Java Island. This study aims to develop an
earthquake magnitude prediction system based on historical data using the Random Forest
algorithm. The data used was obtained from the BMKG through the Kaggle platform, covering the
period from 2014 to 2024. The features used include latitude, longitude, depth, number of phases,
azimuth difference, and time information in the form of year, month, and day. The model was
developed as a web application using the Flask framework, with the trained model stored using
pickle. Model performance evaluation was conducted using the Mean Absolute Percentage Error
(MAPE) method, where the model with all features produced an average MAPE value of 6.83%,
indicating a fairly good level of accuracy. Feature configuration testing was also conducted by
removing the time and location features, which showed a decrease in accuracy, thereby confirming
that these two features significantly contribute to the model's performance.

Keywords: Earthquakes, Machine learning, MAPE, Prediction, Random Forest.