PENGEMBANGAN SISTEM ALAT DETEKSI GEMPA BUMI DENGAN KLASIFIKASI DATA MENGGUNAKAN RECURRENT NEURAL NETWORK (RNN)

Indonesia merupakan wilayah yang rentan terhadap gempa bumi karena lokasinya
berada di pertemuan tiga lempeng benua dan dikelilingi oleh Cincin Api (Ring of
Fire). Pada penelitian ini akan dirancang sistem deteksi gempa dengan
menggunakan sensor akselerometer yang bekerja dengan mengukur percepatan
atau getaran dalam 3 sumbu (X, Y, Z). Neural Network (RNN) diterapkan sabagai
klasifikasi data dari hasil pembacaan sensor Accelerometer. Data gempa dilakukan
pengelompokan ke dalam skala Modified Mercalli Intensity (MMI). penelitian ini
untuk merancang dan mengimplementasikan sistem deteksi gempa bumi dengan
metode Recurrent Neural Network (RNN) yang dapat mengklasifikasikan kekuatan
dan kategori gempa. Hasil pengujian model RNN-LSTM menunjukkan performa
klasifikasi yang sangat baik pada data uji, di mana kelas MMI I, IV, V, dan VI
mencapai akurasi dan presisi 100%. Kelas MMI II dan III juga mempertahankan
akurasi di atas 96% dengan presisi di atas 83%. Dalam pengujian komparasi
lapangan menggunakan pemicu buatan (hentakan) terhadap intensity meter BMKG
(28 data uji valid). RNN terbukti sangat efektif dalam mengenali pola sinyal getaran
untuk klasifikasi MMI. Prototipe alat berhasil berfungsi pada tingkat fungsional
untuk mendeteksi getaran dan memberikan estimasi intensitas secara kasar,
meskipun belum setara dengan standar operasional BMKG untuk pelaporan
intensitas yang presisi.
Kata Kunci: Accelerometer, Deteksi Gempa bumi, Recurrent Neural Network
(RNN).