Evaluasi Kinerja Estimasi Parameter Gempa Bumi pada Sistem Peringatan Dini Berbasis Ensemble Machine Learning: Analisis Durasi Masukan dan Pengaruh Lokasi Stasiun terhadap Generalisasi Mode

Ajam Jamaludin, Dr. Theodosius Marwan Irnaka, S.Si., M.Sc.

2026 | Skripsi | GEOFISIKA

Sistem Peringatan Dini Gempa Bumi berbasis machine learning seperti E3WS menawarkan kecepatan tinggi melalui pendekatan stasiun tunggal, tetapi kinerjanya belum dievaluasi secara mendalam dalam konteks seismotektonik Indonesia yang unik, khususnya terhadap gempa yang berada di luar kriteria data pelatihan E3WS, yaitu gempa dengan kedalaman > 100 km dan jarak episentralnya > 200 km. Penelitian ini bertujuan mengevaluasi kemampuan generalisasi E3WS di Indonesia serta mengidentifikasi konfigurasi durasi sinyal optimal untuk estimasi parameter sumber. Evaluasi dilakukan menggunakan 210 gempa periode 2020–2024 pada stasiun UGM dan SMRI, dengan data diklasifikasikan sebagai In-Distribution (ID) jika sesuai dengan kriteria data pelatihan, dan Out-of-Distribution (OOD) jika tidak sesuai dengan kriteria data pelatihan E3WS. Hasil menunjukkan bahwa kinerja E3WS sangat bergantung pada kesesuaian spasial terhadap domain pelatihan: estimasi magnitudo stabil (mean absolute error = 0,38) pada data ID, tetapi degradasi sistematis terjadi pada data OOD, terutama untuk kedalaman (mean absolute error > 70 km) dan lokasi (mean absolute error jarak > 100 km). Stasiun UGM, yang merekam 35,6?ta ID, menunjukkan kinerja lebih akurat dibanding SMRI (13,1% ID), disebabkan karena bias spasial terhadap zona subduksi. Durasi optimal bervariasi per parameter (3–10 s), dengan peningkatan akurasi marginal (< 13>

Machine learning-based Earthquake Early Warning Systems (EEWS) such as E3WS offer high-speed alerts through a single-station approach, yet their performance remains insufficiently evaluated in the unique seismotectonic context of Indonesia, particularly for earthquakes that fall outside E3WS’s training data criteria, namely events with depth > 100 km and epicentral distance > 200 km. This study evaluates the generalization capability of E3WS in Indonesia and identifies the optimal input signal duration for source parameter estimation. The evaluation uses 210 earthquakes from 2020–2024 recorded at UGM and SMRI stations, with events classified as In-Distribution (ID) if they meet E3WS’s global training criteria, and Out-of-Distribution (OOD) otherwise. Results show that E3WS performance critically depends on spatial alignment with the training domain: magnitude estimation is stable (mean absolute error = 0.38) for ID data, but systematic degradation occurs for OOD events, especially for depth (mean absolute error > 70 km) and location (epicentral distance mean absolute error > 100 km). UGM, which recorded 35.6% ID data, demonstrates significantly more accurate performance than SMRI (13.1% ID), due to a spatial bias towards subduction zones. Optimal durations vary by parameter (3–10 seconds), yielding only marginal accuracy gains (< 13>

Kata Kunci : peringatan dini gempa bumi, E3WS, machine learning, generalisasi model, XGBoost