Penerapan Metode Resilient Backpropagation (RPROP) Untuk Prediksi Aktivitas Gempa Bumi Berdasarkan Skala Magnitudo

Bajeng Nurul Widyaningrum; Lingga  Kurnia Ramadhani

doi:10.37859/jf.v14i2.7296

Bajeng Nurul Widyaningrum Politeknik Bina Trada Semarang
Lingga Kurnia Ramadhani Politeknik Bina Trada Semarang

https://doi.org/10.37859/jf.v14i2.7296

Keywords: jaringan saraf tiruan, resilient backpropagation (RPROP), prediksi, aktivitas gempa bumi, skala magnitude

Abstract

Indonesia merupakan salah satu negara dengan tingkat gempa bumi yang cukup tinggi karena memiliki beberapa lempeng utama. Oleh karena itu, prediksi aktivitas gempa bumi menjadi hal yang penting untuk dilakukan guna mengurangi risiko dan kerugian yang ditimbulkan. Telah banyak penelitian terkait dengan prediksi gempa bumi dengan menggunkan beberapa metode. Salah satu metode yang digunakan adalah Metode Backpropagation. Melihat dari penelitian-penelitian sebelumnya, peneliti mengusulkan penerapan Jaringan Saraf Tiruan dengan Algoritma Resilient Backpropagatio untuk prediksi aktivitas gempa bumi berdasarkan nilai magnitudo di Indonesia. Data yang digunakan yaitu data aktivitas gempa bumi bulanan skala magnitudo 4,5 keatas dari periode waktu tahun 1992 hingga 2023 untuk memastikan keberagaman pola aktivitas gempa bumi yang terjadi di berbagai wilayah di Indonesia. Selain parameter skala magnitudo, informasi penting seperti lokasi episenter, dan waktu kejadian juga dimasukkan sebagai fitur input untuk jaringan saraf. Hasil penelitian menunjukkan bahwa prediksi gempa bumi menggunakan metode Jaringan Saraf Tiruan Resilient Backpropagation dengan model arsitektur 6-10-1 dan learning rate 0,6 menunjukkan tingkat akurasi RMSE 0,04778 dan MAE 0,03509. Hasil prediksi menunjukkan pada bulan Februari dengan 67 kejadian dan tertinggi pada bulan Desember dengan 185 kejadian dengan melihat aktifitas gempa bumi di wilayah Indonesia dengan skala magnitudo diatas 4,5. Penelitian ini menunjukkan bahwa model jaringan saraf tiruan dengan algoritma Backpropagation dengan optimasi Resilient mampu memberikan prediksi aktivitas gempa bumi dengan tingkat akurasi yang memuaskan

Downloads

Download data is not yet available.

References

W. Agwil, “Penerapan Jaringan Saraf Tiruan Pada Data Gempa Bumi Di Provinsi Bengkulu,” J. Stat. Univ. Muhammadiyah Semarang, vol. 8, no. 2, p. 152, 2020, doi: 10.26714/jsunimus.8.2.2020.152-158.

F. Anindya and P. P. Oktaviana, “Pemodelan Magnitude Gempa Bumi di Indonesia Menggunakan Generalized Extreme Value ( GEV ),” J. Sains Dan Seni Its, vol. 11, no. 6, 2022.

F. Firdausa, “Prediksi dan Analisis Data Gempa Bumi di Provinsi Bengkulu dengan Metode Artificial Neural Network,” Cantilever, vol. 8, no. 2, pp. 45–49, 2020, doi: 10.35139/cantilever.v8i2.5.

M. A. Permana and M. Faisal, “Uji Performa Prediksi Gempa Bumi di Jawa Timur dengan Artificial Neural Network,” Euler J. Ilm. Mat. Sains dan Teknol., vol. 11, no. 1, pp. 44–54, 2023, doi: 10.34312/euler.v11i1.19291.

O. Somantri, “Prediksi Kekuatan Gempa Bumi Indonesia Berdasarkan Nilai Magnitudo Menggunakan Neural Network,” Pros. Semin. Nas. Inform. Bela Negara, vol. 2, no. November 2021, pp. 203–207, 2021, doi: 10.33005/santika.v2i0.124.

N. Yulia, I. Ginting, A. Novianty, and A. L. Prasasti, “Estimasi Magnitudo Gempa Bumi Dari Sinyal Seismik Gelombang P Menggunakan Metode Regresi Polinomial Estimation of Earthquake Magnitude From P Wave Seismic Signals Using Polynomial Regression Method,” e-Proceeding Eng., vol. 7, no. 02, pp. 4633–4642, 2020.

B. Alankar, N. Yousf, and S. U. Ahsaan, “Predictive analytics for weather forecasting using back propagation and resilient back propagation neural networks,” Adv. Intell. Syst. Comput., vol. 1030, pp. 99–115, 2020, doi: 10.1007/978-981-13-9330-3_10.

D. D. Rumani, “A Prediction of the Number of Domestic Airplane Passengers Using Resilient Backpropagation Method during the Covid-19 Recovery Period,” vol. 1, no. 1, pp. 31–40, 2022.

Muhammad Thoriq, A. E. Syaputra, and Y. S. Eirlangga, “Prediksi Peningkatan Kunjungan Pasien Dimasa Mendatang Mengunakan Jaringan Saraf Tiruan Backpropagation,” J. Fasilkom, vol. 14, no. 1, pp. 34–40, 2024, doi: 10.37859/jf.v14i1.6068.

A. Wati, “Analisis Backpropagation Dengan Optimasi Metode Resilient Pada Prediksi IPM Berdasarkan Rata-Rata Lama Sekolah,” Semin. Nas. Sist. Inf. 2022, Fak. Teknol. Inf. – UNMER Malang, no. September, pp. 3158–3181, 2022.

“Earthquake Hazards Program.” https://www.usgs.gov/programs/earthquake-hazards.

Muhammad Thoriq, A. Eko Syaputra, and Y. Septi Eirlangga, “Perkiraan Kebutuhan Air Bersih Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” J. Fasilkom, vol. 13, no. 3, pp. 438–444, 2023, doi: 10.37859/jf.v13i3.6142.

O. Erkaymaz, “Resilient back-propagation approach in small-world feed-forward neural network topology based on Newman–Watts algorithm,” Neural Comput. Appl., vol. 32, no. 20, pp. 16279–16289, 2020, doi: 10.1007/s00521-020-05161-6.

W. Saputra, T. Tulus, M. Zarlis, R. W. Sembiring, and D. Hartama, “Analysis Resilient Algorithm on Artificial Neural Network Backpropagation,” J. Phys. Conf. Ser., vol. 930, no. 1, 2017, doi: 10.1088/1742-6596/930/1/012035.

Solikhun, M. Wahyudi, M. Safii, and M. Zarlis, “Resilient Algorithm in Predicting Fertilizer Imports by Major Countries,” IOP Conf. Ser. Mater. Sci. Eng., vol. 769, no. 1, 2020, doi: 10.1088/1757-899X/769/1/012038.