ANALISIS PENGELOMPOKAN GEMPA BUMI DI SUMATRA INDONESIA MENGGUNAKAN METODE K-MEANS, DBSCAN, AGGLOMERATIVE CLUSTERING, DAN MEAN SHIFT
DOI:
https://doi.org/10.22437/jop.v10i3.44090Keywords:
clustering, earthquake, K-means, DBSCAN, Mean ShiftAbstract
Indonesia merupakan salah satu negara dengan tingkat aktivitas seismik tertinggi di dunia, yang dipengaruhi oleh keberadaan tiga lempeng tektonik aktif. Pulau Sumatra khususnya berada di atas zona subduksi dan patahan aktif, sehingga memiliki kerentanan tinggi terhadap bencana gempa bumi. Untuk memahami pola distribusi spasial gempa bumi di wilayah ini, diperlukan analisis berbasis data yang mampu mengidentifikasi zona-zona rawan secara lebih akurat. Penelitian ini bertujuan untuk menganalisis pola sebaran gempa bumi di Sumatra, Indonesia dengan menerapkan empat metode pengelompokan (clustering), yaitu K-Means, DBSCAN, Agglomerative Clustering, dan Mean Shift. Data gempa bumi diperoleh dari United States Geological Survey (USGS) untuk periode tahun 2019 hingga 2024, dengan parameter yang digunakan meliputi lintang, bujur, kedalaman, dan magnitudo. Seluruh data distandardisasi dan dianalisis menggunakan pendekatan berbasis unsupervised learning. Hasil penelitian menunjukkan bahwa metode K-Means dan DBSCAN mampu mengelompokkan data gempa secara efektif berdasarkan parameter spasial dan seismik, dengan klaster yang cenderung padat dan tersebar sesuai struktur geologis. Sementara itu, metode Agglomerative Clustering dan Mean Shift menghasilkan pola yang lebih kompleks dan menyiratkan potensi adanya konsentrasi aktivitas seismik di area tertentu. Beberapa klaster berhasil mengidentifikasi zona seismik penting seperti patahan Sumatra dan zona subduksi Indo-Australia. Temuan ini dapat dimanfaatkan untuk mendukung strategi mitigasi bencana dan perencanaan pembangunan berbasis risiko di wilayah rawan gempa di Sumatra, Indonesia
Downloads
References
Aprianti, A., Jufriansah, A., Donuata, P., Khusnani, A., & Ayuba, J. (2023). Comparison of K-Means Algorithm and DBSCAN on Aftershock Activity in the Flores Sea: Seismic Activity 2019-2022. Journal of Novel Engineering Science and Technology, 2, 77–82. https://doi.org/10.56741/jnest.v2i03.393
Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). (2018). Memahami Potensi, Mitigasi, dan Sistem Informasi Gempabumi Tsunami Di Indonesia, BMGK KMS, 2 Febuari 2018.
Badan Meteorologi, Klimatologi, dan Geofisika. (n.d.). Data gempabumi. https://data.bmkg.go.id/gempabumi/
Comaniciu, D., & Meer, P. (2002). Mean shift: A robust approach toward feature space analysis. IEEE Transactions on Pattern Analysis and Machine Intelligence. 24(5), 603–619.
Dewi, S., & Anggraini, S. (2020). Analisis clustering data gempa menggunakan DBSCAN. Jurnal Geomatika, 5.
Dwitiyanti, N., Ayu Kumala, S., & Dwi Handayani, S. (2023). PENERAPAN METODE K-MEANS PADA KLASTERISASI WILAYAH RAWAN GEMPA DI INDONESIA Implementation of K-Means Method in Classterization of Earthquake Prone Areas in Indonesia.
Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. In Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. www.aaai.org
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques 3rd Edition Solution Manual. Morgan Kaufmann.
Jain, A. (2010). Data Clustering: 50 Years Beyond K-Means. Pattern Recognition Letters, 31, 651–666. https://doi.org/10.1016/j.patrec.2009.09.011
Kononenko, I., & Kukar, M. (2007). Machine learning and data mining. Machine Learning and Data Mining. https://doi.org/10.1533/9780857099440
Lestari, N. I. D., & Madlazim. (2022). Analisis seismisitas dan potensi bahaya bencana seismik Pulau Sumatera berdasarkan data gempa 1970–2020. Jurnal Inovasi Fisika Indonesia (IFI), 11(2), 12–19. https://doi.org/10.26740/ifi.v11n2.p12-19
Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137. https://doi.org/10.1109/TIT.1982.1056489
Maulana, D., Yuniarto, M., & Kusuma, T. (2021). Implementasi DBSCAN dalam identifikasi outlier data gempa bumi. Jurnal Sistem Informasi, 18(4).
Murphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press.
Natawidjaja, D. H. (2007). The Sumatran Fault Zone—from Source to Hazard. Journal of Earthquake and Tsunami.
Priyono, P. (2019). Hierarchical clustering untuk data spasial gempa. Jurnal Statistika, 7(2).
Ramadhani, R. ,. (2020). Penerapan K-Means untuk analisis gempa di wilayah Sumatera Barat. Jurnal Informatika, 14(2).
Rifa, I. H., Pratiwi, H., & Respatiwulan, R. (2020). Clustering of earthquake risk in Indonesia using K-medoids and K-means algorithms. Media Statistika, .
Setiawan, B., & Hadi, L. (2021). Clustering techniques for earthquake analysis in Indonesia: A case study of Sumatra region. . Geophysics Journal International.
Setiawan, B., & Hadi, L. (2022). Penerapan Mean Shift untuk analisis kepadatan data gempa bumi. . Jurnal Teknologi Informasi dan Komputer, 9(1).
Tim Pusat Studi Gempa Nasional. (2017). PETA SUMBER DAN BAHAYA GEMPA INDONESIA TAHUN 2017.
Wati, R. K., Pratiwi, H., & Winita Sulandari. (2024). Perbandingan Algoritma Density-Based Spatial Clustering Algorithm with Noise (DBSCAN) dan Self-Organizing Map (SOM) untuk Clustering Data Gempa Bumi. Statistika, 24(2). https://doi.org/10.29313/statistika.v24i2.3645
Wicaksono, D., & Susetyo, Y. (2023). CLUSTERING ZONASI DAERAH RAWAN BENCANA ALAM DI PROVINSI SUMATERA BARAT MENGGUNAKAN ALGORITMA K-MEANS DAN LIBRARY GEOPANDAS. Jurnal Indonesia : Manajemen Informatika dan Komunikasi, 4, 426–438. https://doi.org/10.35870/jimik.v4i2.225
Widyantoro, S., & Natawidjaja, D. H. (2007). Subduction zone and earthquake characteristics in Sumatra, Indonesia: Evidence from seismological studies. Journal of Geophysical Research.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Alfikri Dwi Mauluda, Alvina Kusumadewi Kuncoro , Sri Aningsih
This work is licensed under a Creative Commons Attribution 4.0 International License.
