Kerangka Kerja Komputasi Prakiraan Gempa Bumi Probabilistik Berbasis Prekursor Gas Radon

Wahyu Sukestyastama Putra, I Wayan Mustika, S.T., M.Eng., Ph.D. ; Prof. Ir. Sunarno, M.Eng., Ph.D., IPU.

2026 | Disertasi | S3 Teknik Elektro

Gempa bumi merupakan bencana alam yang berpotensi menimbulkan kerugian besar terhadap keselamatan jiwa, infrastruktur, serta stabilitas sosial dan ekonomi. Salah satu pendekatan yang dapat dikembangkan untuk mendukung sistem peringatan dini gempa bumi adalah pemanfaatan fluktuasi konsentrasi gas radon sebagai prekursor aktivitas seismik. Namun, prakiraan gempa bumi berbasis radon masih menghadapi tantangan berupa keterbatasan data, sifat nonstasioner sistem seismik, derau lingkungan, serta keterbatasan spasial stasiun pemantauan.

Penelitian ini bertujuan mengembangkan kerangka komputasi prakiraan gempa bumi berbasis prekursor radon yang mampu bekerja pada kondisi data terbatas, adaptif terhadap perubahan pola sistem, tahan terhadap derau, serta memberikan informasi spasial kejadian gempa. Metode yang dikembangkan meliputi deteksi anomali radon menggunakan Kalman Filter, prakiraan parameter gempa menggunakan Monte Carlo Aggregating (MCA) dan Real-Time Monte Carlo Aggregating (RTMCA), prakiraan waktu kejadian menggunakan LSTM–Kalman Filter, serta estimasi spasial menggunakan trilaterasi dan Markov Chain Monte Carlo (MCMC). Penelitian ini diuji menggunakan multi-dataset global (Jepang, Italia, dan Indonesia) untuk menunjukkan validitas model secara spasial.

Hasil penelitian menunjukkan bahwa MCA dapat digunakan untuk memprakirakan parameter gempa bumi berbasis prekursor radon pada kondisi data terbatas. MCA menghasilkan kinerja terbaik pada radius 300–400 km, serta memperoleh galat ternormalisasi terendah dan nilai fitness tertinggi, meskipun keunggulannya terhadap LR dan Bagging tidak selalu signifikan. RTMCA menghasilkan RMSE terendah pada magnitudo sebesar 0,5994 M dan waktu kejadian sebesar 50,3682 jam, tetapi MCA masih lebih baik pada jarak episenter. Kalman Filter meningkatkan persentase anomali radon yang diikuti gempa dari 61,68% menjadi 72,13% pada jendela kurang dari 3 minggu, dengan lead time 1–19 hari. LSTM–Kalman Filter menurunkan RMSE waktu kejadian menjadi 10,26 hari pada Jepang dan 10,93 hari pada Jawa. Trilaterasi berbasis MCA belum stabil, sehingga MCMC digunakan sebagai pelengkap estimasi spasial dengan success rate 65,23% di Indonesia dan 81,47% di Italia. Secara keseluruhan, kerangka ini mendukung prakiraan gempa probabilistik berbasis radon secara lebih adaptif, dengan mempertimbangkan ketidakpastian data pemantauan.

Earthquakes are natural disasters with the potential to cause substantial losses in human lives, infrastructure, and socio-economic stability. One viable approach to supporting earthquake early warning systems is leveraging radon gas concentration fluctuations as precursor indicators of seismic activity. However, radon-based earthquake forecasting continues to encounter significant challenges, including data scarcity, the non-stationary nature of seismic systems, environmental noise, and the spatial limitations of monitoring stations.

This research aims to develop a computational framework for radon precursor-based earthquake forecasting capable of functioning under data-scarce conditions, adapting to shifting system patterns, remaining resilient to noise, and providing spatial estimates of earthquake events. The proposed methodology encompasses radon anomaly detection using a Kalman Filter, earthquake parameter forecasting using Monte Carlo Aggregating (MCA) and Real-Time Monte Carlo Aggregating (RTMCA), event time forecasting using an LSTM–Kalman Filter, and spatial estimation via trilateration and Markov Chain Monte Carlo (MCMC). The framework was evaluated across global multi-datasets (Japan, Italy, and Indonesia) to demonstrate the spatial validity of the models.

The findings indicate that MCA effectively forecasts radon-precursor-based earthquake parameters under limited data conditions. MCA achieved optimal performance within a radius of 300–400 km, attaining the lowest normalized error and highest fitness score, although its superiority over LR and Bagging was not always statistically significant. RTMCA yielded the lowest RMSE for magnitude at 0.5994 M and event time at 50.3682 hours, whereas MCA demonstrated superior accuracy in estimating epicenter distance. The Kalman Filter increased the proportion of radon anomalies followed by seismic events from 61.68% to 72.13% within a window of less than three weeks, exhibiting a lead time of 1–19 days. The LSTM–Kalman Filter reduced the RMSE of event time forecasting to 10.26 days for Japan and 10.93 days for Java. While MCA-based trilateration exhibited instability, MCMC served as an effective complementary spatial estimator, securing success rates of 65.23% in Indonesia and 81.47% in Italy. Overall, this framework enhances adaptive, probabilistic earthquake forecasting driven by radon precursors while rigorously accounting for uncertainties in monitoring data.

Kata Kunci : Prekursor gas radon, prakiraan gempa bumi, Kalman Filter, LSTM--Kalman Filter, Monte Carlo Aggregating, Markov Chain Monte Carlo.