PRAKIRAAN KEMUNGKINAN TERJADINYA GEMPA BUMI MENGGUNAKAN METODE TIME SERIES FORECASTING DI PULAU SULAWESI DAN SEKITARNYA = The Relationship Between Knowledge of the Aesthetic Component of IOTN and Interest in Orthodontic Treatment Among Students of the Faculty of Dentistry, Hasanuddin University

Gempa bumi merupakan ancaman serius di Indonesia, khususnya di Pulau Sulawesi yang terletak di zona subduksi empat lempeng tektonik. Frekuensi tinggi gempa bumi di wilayah ini menuntut adanya upaya mitigasi yang efektif, salah satunya melalui prakiraan kejadian gempa. Pendekatan prediktif yang akurat sangat penting untuk meminimalkan dampak bencana. Oleh karena itu, penelitian ini fokus pada pengembangan model Long Short Term Memory (LSTM) untuk prakiraan gempa bumi di Pulau Sulawesi dan sekitarnya menggunakan data seismik historis. Tujuan dari penelitian ini adalah merancang dan membangun model LSTM yang mampu memprakirakan kejadian gempa bumi di Pulau Sulawesi, serta menganalisis hasil prakiraan dari model tersebut. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam meningkatkan pemahaman pada penggunaan model LSTM untuk prakiraan gempa, yang pada gilirannya dapat membantu otoritas dalam pengambilan keputusan mitigasi bencana. Metode penelitian melibatkan penggunaan data historis gempa bumi selama 15 tahun yang diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) serta United States Geological Survey (USGS). Data yang digunakan mencakup variabel lokasi (latitude dan longitude), kedalaman (depth), dan magnitudo (mag). Penelitian ini dilakukan dengan dua pendekatan. Pendekatan pertama menggunakan time series forecasting dengan model LSTM, dan pendekatan kedua menggunakan klasterisasi K-Means yang juga memanfaatkan model LSTM untuk memprakirakan kemungkinan terjadinya gempa bumi berdasarkan hasil klasterisasi wilayah. Evaluasi model dilakukan dengan metrik Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model LSTM yang dikembangkan dengan pendekatan time series memiliki nilai RMSE sebesar 1.576601. Kemudian, pendekatan klasterisasi memberikan hasil yang lebih baik, dengan rata-rata RMSE untuk semua region sebesar 0.882, yang termasuk kategori “baik” menurut Davtalab (2023). Grafik perbandingan antara data aktual dan prakiraan menunjukkan bahwa model mampu mereplikasi pola seismik dengan baik jika dibandingkan dengan kombinasi hyperparamter lainnya.