Perpustakaan Digital ITB

Indonesia merupakan negara yang terletak pada pertemuan tiga lempeng tektonik aktif, yang menyebabkannya menjadi salah satu negara dengan aktivitas seismik yang tinggi. Hal ini menyebabkan destinasi wisata yang berlokasi di wilayah rawan bencana gempa sangat rentan terhadap dampak bencana. Sistem Peringatan Dini Gempa (EEWS) menjadi salah satu solusi untuk memitigasi risiko, terutama pada sektor pariwisata yang melibatkan tingginya konsentrasi pengunjung serta infrastruktur yang kritis. Penelitian ini mengembangkan sistem prediksi potensi bencana gempa dengan mengimplementasikan model berbasis machine learning berupa model random forest dan long short term memory (LSTM). Adapun model yang dikembangkan mencakup random forest regressor untuk memprediksi nilai magnitudo dan kedalaman gempa bumi, random forest classifier untuk mengklasifikasikan potensi bencana berupa rendah, sedang, atau tinggi, serta LSTM untuk meramalkan besar magnitudo gempa selama 7 hari ke depan. Setiap model dikembangkan melalui proses tuning hyperparameter supaya menghasilkan model yang optimal dan didukung oleh data historis gempa yang representative guna memastikan reliabilitas hasil prediksi. Evaluasi performa dari model menggunakan beberapa metrik, yaitu mean absolute error (MAE), akurasi toleransi, dan koefisien deterministik (R2) untuk model regresi, akurasi, presisi, recall, dan F-1 score untuk model klasifikasi, serta MAE dan R2 untuk model LSTM. Hasil pengujian menunjukkan performa yang bervariasi untuk setiap model. Pada model regresi, prediksi terhadap variabel magnitudo menunjukkan nilai metrik R 2 sebesar 0.42260246635881205 telah memenuhi constraint, sementara MAE sebesar 0.45266758773703053 masih belum memenuhi serta akurasi toleransi sebesar 62.93% hampir memenuhi dengan selisih hanya 0.07%. Namun, prediksi untuk variabel kedalaman dengan nilai akurasi toleransi sebesar 48.42% belum memenuhi constraint. Pada model regresi, akurasi awal yang telah tinggi menyebabkan ruang peningkatan relatif sempit, namun upaya optimasi tetap berhasil menghasilkan nilai akurasi yang semakin mendekati 1, yaitu senilai 0.9948 memenuhi constraint yang ditetapkan. Peningkatan kecil ini dianggap signifikan dalam konteks sistem peringatan dini yang menuntut presisi tinggi. Sementara itu, model LSTM yang dikembangk.an untuk peramalan magnitudo 7 hari ke depan memiliki hasil pengujian berupa nilai R2 sebesar 0.086786817325251065333 yang memenuhi syarat constraint, namun peningkatan nilai MAE pada hasil akhir dengan nilai MAE rata-rata sebesar 0.0861412350269336333 menyebabkan model tidak memenuhi constraint pada aspek tersebut. Pengujian sistem terintegrasi dilakukan dengan melakukan perhitungan peningkatan niat berkunjung wisatawan berdasarkan nilai SUS, CCI, dan TiAS yang diperoleh dari responden. Peningk.atan niat berkunjung kemudian digunakan untuk menghitung jumlah wisatawan yang tetap berkunjung dalam sebulan. Nilai potensi averted loss untuk setiap metrik diperoleh dengan mengalikan jumlah wisatawan yang tetap berkunjung dengan rata-rata pengeluaran per wisatawan. Berdasarkan perhitungan yang dilakukan, hasil SUS memiliki potensi untuk mencegah hilangnya devisa sebanyak Rp68.431.000.000, hasil CCI memiliki potensi untuk mencegah hilangnya devisa sebanyak Rp271.297.000.000, dan serta hasil TiAS memiliki potensi untuk mencegah hilangnya devisa sebanyak Rp362.540.000.000, dengan setiap nilai dihitung per bulan. Maka dari itu, sistem yang dikembangk.an dapat menghasilkan nilai averted loss sebesar Rp702.268.000.000 per bulan, yang jika dikonversi adalah sebesar USD42.985.964 menggunakan kurs Rp 16.338,29 per tanggal 25 Juli 2025. Dengan menggabungkan ketiga pendekatan, sistem menunjukkan potensi sebagai komponen prediktif dalam mendukung EEWS pada sektor pariwisata. Meskipun terdapat keterbatasan pada beberapa metrik evaluasi, hasil ini tetap menunjukkan arah pengembangan yang menjanjikan dalam meningkatkan kesiapsiagaan dan budaya siaga bencana di area rawan gempa.