PEMETAAN DAN KLASIFIKASI WILAYAH RAWAN GEMPA DI INDONESIA DENGAN METODE K-MEANS DAN LIGHTGBM

Yudhi Selvina

doi:10.23960/jitet.v13i3S1.8152

Authors

Yudhi Selvina Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.23960/jitet.v13i3S1.8152

Abstract Views: 47 File Views: 30

Keywords:

pemetaan wilayah, k-means clustering, klasifikasi LightGBM

Abstract

Penelitian ini bertujuan untuk memetakan dan mengklasifikasikan wilayah rawan gempa di Indonesia dengan memanfaatkan algoritma K-Means dan LightGBM. Data historis gempa diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) sebagai dasar analisis. Algoritma K-Means digunakan untuk mengelompokkan wilayah berdasarkan parameter magnitudo dan kedalaman gempa, sedangkan LightGBM diterapkan untuk mengklasifikasikan gempa ke dalam kategori magnitudo tertentu. Hasil pengujian menunjukkan bahwa K-Means mampu mengelompokkan wilayah dengan baik dengan nilai Silhouette Score rata-rata mencapai 1.00, yang menandakan pemisahan cluster yang optimal. Sementara itu, model LightGBM memperoleh akurasi 95% dalam klasifikasi gempa, meskipun ditemukan kendala pada pengenalan gempa dengan magnitudo tinggi. Temuan ini menegaskan bahwa kombinasi metode K-Means dan LightGBM efektif dalam pemetaan serta klasifikasi gempa di Indonesia. Penelitian ini diharapkan dapat memberikan kontribusi bagi penyusunan peta rawan gempa yang lebih akurat, sehingga bermanfaat dalam upaya mitigasi bencana dan pengambilan keputusan kebijakan kebencanaan di masa mendatang.

Downloads

Download data is not yet available.

References

I. Cnn, “Ri Diguncang 8.000 Gempa Setahun, Megathrust Dan Sesar Aktif Mengancam ,” Cnn Indonesia. Accessed: Aug. 16, 2025. [Online]. Available: Https://Www.Cnnindonesia.Com/Teknologi/20241002150410-199-1150813/Ri-Diguncang-8000-Gempa-Setahun-Megathrust-Dan-Sesar-Aktif-Mengancam

A. Prasetio, M. Makmun, And M. N. Dwi, “Analisis Gempa Bumi Di Indonesia Dengan Metode Clustering,” Bulletin Of Information Technology (Bit), Vol. 4, No. 2, Pp. 338–343, 2023, Doi: 10.47065/Bit.V3i1.

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,” Jurnal Pendidikan Dan Teknologi Indonesia, Vol. 4, No. 5, Pp. 221–232, Dec. 2024, Doi: 10.52436/1.Jpti.470.

H. Tantyoko, D. Kartika Sari, And A. R. Wijaya, “Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection,” 2023. [Online]. Available: Http://Jom.Fti.Budiluhur.Ac.Id/Index.Php/Idealis/Indexhenritantyoko|Http://Jom.Fti.Budiluhur.Ac.Id/Index.Php/Idealis/Index|

Ferdy And Wahyuddin, “Aplikasi Game Edukasi Mitigasi Bencana Alam (Gempa Bumi Dan Tsunami) Menggunakan Metode Waterfall Berbasis Android,” Jsilog: Jurnal Sintaks Logika, Vol. 4, No. 1, 2024, [Online]. Available: Https://Jurnal.Umpar.Ac.Id/Index.Php/Sylog

B. K. Fajar, “Rancang Bangun Aplikasi Pemetaan Kejadian Bencana Kekeringan Di Kabupaten Banyumas Berbasis Android Menggunakan Metode Scrum,” Jurnal Informatika Dan Teknik Elektro Terapan, Vol. 12, No. 3, Aug. 2024, Doi: 10.23960/Jitet.V12i3.4478.

N. Yolanda Paramitha Et Al., “Klasifikasi Penyakit Stroke Menggunakan Metode Naïve Bayes,” 2023. [Online]. Available: Https://Www.Kaggle.Com/Datasets/Zzettrkalpakbal/Full-Filled-

A. Pebdika, R. Herdiana, And D. Solihudin, “Klasifikasi Menggunakan Metode Naive Bayes Untuk Menentukan Calon Penerima Pip,” 2023.

S. Setyaningtyas, B. Nugroho, And Z. Arif, “Tinjauan Pustaka Sistematis: Penerapan Data Mining Teknik Clustering Algoritma K-Means,” Jurnal Teknoif Teknik Informatika Institut Teknologi Padang, Vol. 10, No. 2, Pp. 52–61, Oct. 2022, Doi: 10.21063/Jtif.2022.V10.2.52-61.

P. S. Rizky, R. H. Hirzi, And Hidayaturrohman. Umam, “Perbandingan Metode Lightgbm Dan Xgboost Dalam Menangani Data Dengan Kelas Tidak Seimbang,” 2022. [Online]. Available: Www.Unipasby.Ac.Id

D. D. Rufo, T. G. Debelee, A. Ibenthal, And W. G. Negera, “Diagnosis Of Diabetes Mellitus Using Gradient Boosting Machine (Lightgbm),” Diagnostics, Vol. 11, No. 9, Sep. 2021, Doi: 10.3390/Diagnostics11091714.

I. B. F. Arafat, “Clustering Gempabumi Di Wilayah Regional Vii Menggunakan Metode Dbscan Dan K-Means,” Universitas Islam Negeri Maulana Malik Ibrahim, Malang, 2023.

Y. Y. Marawali, C. Ramadhani, L. A. Syamsul, And I. Akbar, “Pengelompokan Gempa Bumi Di Pulau Lombok Tahun 2018 Menggunakan Algoritma K-Means Clustering Earthquakes In Lombok Island In 2018 Using The K-Means Algorithm,” 2022. [Online]. Available: Http://Repogempa_Bmkg_Go.Id/

I. N. Abrar, A. Abdullah, And S. Sucipto, “Liver Disease Classification Using The Elbow Method To Determine Optimal K In The K-Nearest Neighbor (K-Nn) Algorithm,” Jurnal Sisfokom (Sistem Informasi Dan Komputer), Vol. 12, No. 2, Pp. 218–228, Jul. 2023, Doi: 10.32736/Sisfokom.V12i2.1643.

D. Normawati And S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” 2021.