<![CDATA[Sumatera merupakan salah satu wilayah dengan aktivitas seismik tertinggi di dunia akibat interaksi konvergen Lempeng Indo-Australia dan Lempeng Eurasia serta keberadaan Sesar Besar Sumatera. Pemahaman terhadap pola kegempaan yang bersifat spatio-temporal menjadi penting sebagai dasar mitigasi bencana. Penelitian ini bertujuan mengidentifikasi pola pengelompokan gempa bumi di Sumatera menggunakan dua algoritma eksplorasi data yang berbeda paradigma, yaitu K-Means (berbasis partisi) dan DBSCAN (berbasis kepadatan). Data yang digunakan adalah katalog gempa United States Geological Survey (USGS) periode Januari 2015 hingga Desember 2025 pada rentang 6,5°LU–6,5°LS dan 94°–107°BT. Setelah praproses dan penerapan ambang kelengkapan magnitudo Mc = 4,0, diperoleh 2.834 kejadian. Lima fitur digunakan sebagai masukan clustering, yaitu lintang, bujur, waktu kejadian, kedalaman, dan magnitudo, yang seluruhnya distandardisasi menggunakan z-score. Jumlah klaster optimal K-Means ditentukan melalui Elbow Method dan Davies–Bouldin Index yang keduanya konvergen pada k = 6, sedangkan parameter DBSCAN ditetapkan melalui grafik k-distance dan penelusuran grid dua dimensi sehingga diperoleh ε = 0,7 dan minPts = 20. Hasil penelitian menunjukkan bahwa K-Means membagi kegempaan Sumatera menjadi enam klaster yang secara konsisten memisahkan segmen utara (Aceh–Simeulue) dan segmen selatan (Bengkulu–Lampung), masing-masing terpecah lagi menjadi dua periode waktu (2015–2020 dan 2020–2025), ditambah satu klaster zona Benioff berkedalaman menengah (rerata 173,7 km) dan satu klaster bermagnitudo tinggi (rerata 5,40). DBSCAN menghasilkan tiga klaster dengan 633 titik (22,3%) diklasifikasikan sebagai noise. Temuan paling menonjol adalah bahwa seluruh 27 gempa bermagnitudo M ≥ 6,0 diklasifikasikan sebagai noise oleh DBSCAN, dan magnitudo titik noise secara signifikan lebih besar dibandingkan titik terklaster (uji Mann–Whitney U, p < 0,001). Nilai Silhouette K-Means (0,260) lebih tinggi dibandingkan DBSCAN (0,214), namun DBSCAN unggul pada Davies–Bouldin Index (0,890 berbanding 1,207). Disimpulkan bahwa kedua metode bersifat komplementer: K-Means efektif untuk segmentasi zona seismik, sedangkan DBSCAN efektif sebagai detektor kejadian anomali yang berpotensi merusak.]]>
