Penerapan Transformer Earthquake Alerting Model (TEAM) dan TEAM-Location and Magnitude untuk Peringatan Dini Gempa Bumi di Sumatra Barat

Sigit Eko Kurniawan, Dr. Theodosius Marwan Irnaka, S.Si., M.Sc.

2025 | Tesis | S2 Ilmu Fisika

Sumatra Barat merupakan wilayah dengan aktivitas seismik tinggi yang rentan terhadap dampak gempa bumi. Untuk memitigasi risiko gempa, dilakukan penelitian dengan mengimplementasikan Transformer Earthquake Alerting Model (TEAM) dan TEAM-Location and Magnitude (TEAM-LM) yang merupakan model deep learning untuk peringatan dini gempa bumi. Model dilatih ulang menggunakan data gempa dari jaringan BMKG dan dilakukan joint training dan transfer learning dari dataset gempa Jepang.

Hasil penelitian menunjukkan TEAM dan TEAM-LM dapat memberikan estimasi parameter gempa secara progresif sejak 0,5 detik setelah kedatangan gelombang P. Hasil estimasi magnitudo mencapai performa terbaik pada detik ke-10, dengan galat MAE 0,14 dan RMSE 0,18. Estimasi lokasi mengalami peningkatan signifikan setelah 22 detik dengan RMSE hiposenter mencapai 60,19 km. Prediksi percepatan puncak tanah (PGA) menunjukkan akurasi tertinggi pada detik ke-39 dengan nilai R² 0,58, MAE 0,49, dan RMSE 0,69. Estimasi magnitudo dan PGA cukup andal untuk gempa dengan magnitudo kecil dan intensitas rendah (1–5% g), namun performa menurun untuk gempa besar dengan PGA tinggi (10–20% g). Hal tersebut ditandai keterbatasan dalam menghasilkan waktu peringatan sebelum ambang batas PGA tercapai.

Secara keseluruhan model TEAM dan TEAM-LM menunjukkan keunggulan signifikan dalam kecepatan proses dibandingkan sistem operasional InaTEWS BMKG. Model mampu melakukan estimasi awal sejak 0,5 detik dan mencapai frekuensi pemrosesan maksimum pada 20–40 detik. Waktu proses ini tidak mencakup latensi sistem secara penuh, namun tetap menunjukkan efisiensi dibandingkan waktu keluaran katalog operasional InaTEWS yang umumnya berada pada rentang 60–120 detik. Pendekatan ini menunjukkan potensi untuk pengembangan EEW di wilayah rawan gempa seperti Sumatra Barat.

West Sumatra is a region with high seismic activity and is vulnerable to the impacts of earthquakes. To mitigate earthquake risk, this study implements the Transformer Earthquake Alerting Model (TEAM) and TEAM-Location and Magnitude (TEAM-LM), which are deep learning-based models for earthquake early warning (EEW). The models were retrained using earthquake data from the BMKG network, with joint training and transfer learning from a Japanese earthquake dataset.

The results show that TEAM and TEAM-LM can provide progressive estimates of earthquake parameters starting from 0.5 seconds after the arrival of the P-wave. Magnitude estimation achieved its best performance at 10 seconds, with a mean absolute error (MAE) of 0.14 and root mean square error (RMSE) of 0.18. Location estimation improved significantly after 22 seconds, reaching a hypocenter RMSE of 60.19 km. Peak ground acceleration (PGA) prediction reached its highest accuracy at 39 seconds, with an R² value of 0.58, MAE of 0.49, and RMSE of 0.69. Magnitude and PGA estimates were reliable for small earthquakes and low-intensity shaking (1–5% g), but performance declined for large events with high PGA (10–20% g), indicating limitations in generating timely positive warnings before threshold exceedance.

Overall, the TEAM and TEAM-LM models demonstrate a significant advantage in processing speed compared to the operational InaTEWS BMKG system. The models are capable of providing initial estimations as early as 0.5 seconds after the P-wave arrival and reach maximum processing frequency between 20–40 seconds. Although this processing time does not include the full system latency, it still indicates greater efficiency compared to the output times of the operational InaTEWS catalog, which generally range between 60–120 seconds. This approach shows strong potential for the development of EEW in earthquake-prone regions such as West Sumatra.

Kata Kunci : Peringatan Dini Gempa, TEAM, TEAM-LM, Transformer, Sumatra Barat