Clustering Gempabumi di Wilayah Regional VII Menggunakan Pendekatan DBSCAN

Abstract

Wilayah Regional VII meliputi Jawa Tengah, Yogyakarta, dan Jawa Timur merupakan wilayah tektonik yang aktif karena terletak di wilayah zona subduksi lempeng Indo-Australia dan Eurasia serta terdapat beberapa patahan aktif di daratan. Oleh karena itu, perlu dilakukan klasifikasi gempabumi untuk memetakan zona rawan gempabumi berdasarkan sumbernya di wilayah Regional VII berdasarkan kesamaan atribut salah satunya adalah berdasarkan karakteristik gempabumi dari sumber yang sama. Pada penelitian ini digunakan pendekatan algoritma Unsupervised Learning Clustering berbasis kepadatan yaitu, Density Based Spatial Clustering of Application with Noise atau DBSCAN, algoritma ini membutuhkan parameter input epsilon (ε) dan MinPts. Data yang digunakan pada penelitian ini adalah data gempabumi wilayah Regional VII tahun 2017 hingga 2021 yang diperoleh dari BMKG. Selanjutnya, proses clustering dilakukan dengan membagi data gempabumi berdasarkan periode yaitu periode tahunan dan periode lima tahun dengan tujuan untuk mengetahui pola cluster berdasarkan periode waktu. Hasil yang terbentuk selanjutnya dievaluasi menggunakan Silhouette Coefficient serta dibandingkan dengan peta Seismisitas Jawa yang telah ada dari katalog PuSGeN 2017. Hasil clustering menggunakan DBSCAN diperoleh jumlah cluster sebanyak 2 hingga 6 cluster dengan nilai Silhouette Coefficient terendah sebesar 0.270 untuk periode T5_2017-2021 dan tertinggi sebesar 0.499 untuk periode T1_2020. Abstract Regional VII area covering Central Java, Yogyakarta and East Java is an active tectonic region because it is located in the subduction zone of the Indo-Australian and Eurasian plates and there are several active faults on land. Therefore, it is necessary to classify earthquakes to map earthquake-prone zones based on their sources in Regional VII area based on the similarity of attibutes, based on the characteristics of earthquakes from the same source. In this study, a density-based Unsupervised Learning Clustering algorithm approach was used namely, Density Based Spatial Clustering of Application with Noise or DBSCAN, this algorithm requires the input parameters epsilon (ε) and MinPts. The data used in this study are earthquake data for Regional VII from 2017 to 2021 obtained from the BMKG. Then, the clustering process is carried out by dividing earthquake data based on the period, namely the annual period and the five-year period with the aim of knowing the pattern of cluster based on the time period. The results are then evaluated using the Sillhouette Coefficient and compared with the existing Java Seismicity map from the 2017 PuSGeN catalog. Clustering results using DBSCAN obtained a number of clusters of 2 to 6 clusters with the lowest Silhouette Coefficient value is 0.270 for the T5_2017-2021 period and the highest is 0.499 for the T1_2020 period.