<![CDATA[Indonesia merupakan wilayah dengan aktivitas seismik tinggi sehingga estimasi intensitas guncangan gempa yang akurat menjadi komponen penting dalam mitigasi bencana. Persamaan empiris Ground Motion Prediction Equations (GMPE) banyak digunakan untuk mengestimasi intensitas guncangan, namun memiliki keterbatasan dalam merepresentasikan hubungan nonlinier antara parameter seismik dan kondisi lokal. Penelitian ini bertujuan mengembangkan model estimasi Modified Mercalli Intensity (MMI) berbasis physics-informed machine learning dengan mengombinasikan algoritma XGBoost dan GMPE. Dataset yang digunakan berasal dari arsip USGS ShakeMap wilayah Indonesia periode 2004–2025 yang mencakup 528 kejadian gempa dan 6.222 rekaman observasi. Tahapan penelitian meliputi pra-pemrosesan data, rekayasa fitur, perhitungan estimasi awal menggunakan GMPE, pelatihan model XGBoost, serta evaluasi menggunakan Group K-Fold Cross Validation melalui studi ablasi. Hasil penelitian menunjukkan bahwa model hibrida mampu mengatasi keterbatasan model machine learning murni sekaligus mempertahankan stabilitas pendekatan empiris. Model menghasilkan nilai Mean Absolute Error (MAE) 0,435 skala MMI, dengan prediksi GMPE sebagai fitur paling dominan berdasarkan analisis feature importance. Model terbaik selanjutnya diimplementasikan ke dalam prototipe berbasis ONNX yang mampu melakukan estimasi intensitas guncangan secara real-time. Hasil penelitian menunjukkan bahwa pendekatan hibrida berpotensi mendukung sistem peringatan dini dan pengambilan keputusan dalam mitigasi bencana gempa bumi.]]>
Copyrights © 2026
