Komparasi Prediksi Gempa Bumi Menggunakan Modifikasi Multiresolusi Grid Quadtree dengan Preservasi Korelasi Spasial-Temporal

Ibnu Amri Thaher, Dr. Agfianto Eko Putra, M.Si

2026 | Tesis | S2 Ilmu Komputer

Penelitian ini mengusulkan penggunaan grid multiresolusi berbasis quadtree yang bertujuan meningkatkan performa prediksi magnitudo maksimum gempa bumi dibandingkan grid tetap, untuk horizon waktu 7 hari ke depan dengan klasifikasi biner, yaitu kelas 0 dan kelas 1. Quadtree dipilih karena dapat memberikan resolusi spasial tinggi pada area dengan aktivitas seismik intens dan menangkap precursor patterns yang lebih detail di zona earthquake-prone. Metodologi menggunakan data katalog gempa dari Indonesia (68.781 events, 1964-2023) dan dataset Iran (4.254 event, 1987-2023) sebagai perbandingan lintas wilayah. Segmentasi spasial dilakukan menggunakan grid tetap dengan ukuran 0,5°×0,5°, 1°×1°, 3°×3°, 5°×5°, 6°×6°, dan 7°×7°, serta quadtree adaptif yang membagi wilayah secara dinamis berdasarkan kepadatan data gempa. Fitur yang digunakan terdiri atas 16 parameter seismik dan 3 parameter geografis, dengan b-value dihitung pada setiap unit spasial sebagai dasar seleksi grid pada tahap selanjutnya. Algorima mechine learning yang digunakan sebagai model prediction yaitu SVM, DT, RF, SNN, dan DNN serta menggunakan accuracy, sensitifity, dan F1-score macro sebagai metrik evaluasi. Hasil penelitian menunjukkan bahwa pada metode grid konvensional, ukuran 6°×6° merupakan titik optimal yang memberikan keseimbangan terbaik antara stabilitas statistik dan detail fitur tektonik. Sebaliknya, grid resolusi tinggi 0,5°×0,5° menghasilkan noise akibat kelangkaan data per unit area, sementara grid yang terlalu besar 7°×7° menyebabkan degradasi performa akibat over-generalization. Inovasi utama penelitian ini adalah penggunaan metode quadtree yang dimodifikasi, yang terbukti menjadi solusi terbaik dengan nilai F1-score macro mencapai 84,0%. Strategi ini mampu mempertahankan resolusi tinggi di zona aktif tanpa memutus korelasi spasial-temporal antar-kejadian gempa. Validasi menggunakan dataset gempa Iran turut mengonfirmasi ketangguhan (robustness) metodologi ini dengan peningkatan akurasi uji yang signifikan pada struktur quadtree.

 

 

 

This study proposes the use of a quadtree-based multiresolution grid aimed at improving the performance of maximum earthquake magnitude prediction compared to a fixed grid, for a 7-day forecasting horizon using binary classification, namely class 0 and class 1. The quadtree is selected because it provides high spatial resolution in areas with intense seismic activity and captures more detailed precursor patterns in earthquake-prone zones. The methodology uses earthquake catalog data from Indonesia (68,781 events, 1964–2023) and the Iran dataset (4,254 events, 1987–2023) for cross-regional comparison. Spatial segmentation is performed using fixed grids with sizes of 0.5°×0.5°, 1°×1°, 3°×3°, 5°×5°, 6°×6°, and 7°×7°, as well as an adaptive quadtree that dynamically subdivides the region based on earthquake data density. The features consist of 16 seismic parameters and 3 geographical parameters, with the b-value calculated for each spatial unit as the basis for grid selection in the subsequent stage. The machine learning algorithms used as prediction models include SVM, DT, RF, SNN, and DNN, and accuracy, sensitivity, and macro F1-score are used as evaluation metrics. The results show that in the conventional grid method, the 6°×6° grid size is the optimal point, providing the best balance between statistical stability and tectonic feature detail. In contrast, the 0.5°×0.5° high-resolution grid produces noise due to data scarcity per unit area, while the overly large 7°×7° grid leads to performance degradation due to over-generalization. The main innovation of this study is the use of a modified quadtree method, which achieves the best performance with a macro F1-score of 84.0%. This strategy maintains high resolution in active zones without breaking the spatiotemporal correlation between earthquake events. Validation using the Iran earthquake dataset confirms the robustness of this methodology, with a significant improvement in test accuracy on the quadtree structure.

Kata Kunci : Prediksi gempa, quadtree, grid tetap, multiresolusi grid, machine learning