Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja Random Forest dan Long Short-Term Memory (LSTM) dalam memprediksi kedalaman hiposentrum gempa bumi di wilayah Maluku dan Laut Banda. Dataset yang digunakan adalah data historis gempa bumi dari United States Geological Survey (USGS) periode Januari 2020 hingga Januari 2026 sebanyak 5.264 data, dengan 3.145 data digunakan setelah proses pembersihan dan filtering data. Penelitian dilakukan menggunakan Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan business understanding hingga deployment. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Koefisien Determinasi (R2). Hasil penelitian menunjukkan bahwa Random Forest memiliki performa lebih baik dibandingkan model LSTM. Model Random Forest menghasilkan nilai MAE sebesar 31.94, RMSE sebesar 62.83, dan R2 sebesar 0.73. Sementara itu, model LSTM menghasilkan nilai MAE sebesar 69.35, RMSE sebesar 119.31, dan R2 sebesar - 0.11. Berdasarkan hasil tersebut, Random Forest dinilai lebih optimal dalam memprediksi kedalaman hiposentrum gempa bumi pada data seismik tabular di wilayah Maluku dan Laut Banda.

S12651

INF 0173 2026

Bekasi

Tersedia