Prediksi Peak Ground Acceleration (PGA) di Pulau Jawa menggunakan metode Artificial Neural Network

INDONESIA :

Pulau Jawa memiliki tingkat seismisitas yang tinggi akibat pengaruh zona subduksi Lempeng Samudra Hindia–Eurasia serta keberadaan berbagai sesar aktif di daratan. Data BMKG periode 2009–2024 menunjukkan tren peningkatan aktivitas gempa bumi, yang berdampak pada meningkatnya potensi risiko bencana. Dalam konteks mitigasi, Peak Ground Acceleration (PGA) merupakan parameter penting dalam perencanaan bangunan tahan gempa, sehingga diperlukan metode prediksi yang akurat. Penelitian ini bertujuan untuk mengevaluasi strategi terbaik dalam memprediksi nilai Peak Ground Acceleration (PGA) berdasarkan metode Artificial Neural Network (ANN), serta menganalisis pengaruh variasi arsitektur jaringan, jumlah neuron pada hidden layer dan pemilihan fungsi aktivasi terhadap performa model. Parameter input yang digunakan adalah magnitudo, jarak hiposenter dan Vs30. Hasil menunjukkan bahwa ANN dua hidden layer memberikan performa terbaik dengan nama pelatihan HL2-A9. Arsitektur ini memiliki konfigurasi neuron (75–75) dan fungsi aktivasi ReLU dengan nilai MSE 0.2260 serta koefisien korelasi 0,699 yang menunjukkan hubungan linear positif cukup kuat antara PGA aktual dan prediksi.

ENGLISH :

Java Island has a high level of seismicity due to the influence of the Indo-Australian–Eurasian oceanic plate subduction zone and the presence of various active faults on land. BMKG data from 2009–2024 indicate an increasing trend in earthquake activity, which in turn elevates potential disaster risk. In the context of mitigation, Peak Ground Acceleration (PGA) is an important parameter in earthquake-resistant building design, making accurate prediction methods essential. This study aims to evaluate the optimal strategy for predicting Peak Ground Acceleration (PGA) using the Artificial Neural Network (ANN) method, as well as to analyze the effects of varying network architectures, numbers of neurons in hidden layers, and activation function selection on model performance. The input parameters used are magnitude, hypocenter distance, and Vs30. The results show that the ANN with two hidden layers provides the best performance, specifically the HL2-A9 training model. This architecture employs a (75–75) neuron configuration and the ReLU activation function, producing an MSE value of 0.2260 and a correlation coefficient of 0.699, indicating a moderately strong positive linear relationship between actual and predicted PGA values.

ARABIC :

تمتلك جزيرة جاوى مستوى عالٍ من النشاط الزلزالي نتيجة لتأثير منطقة اندساس صفيحة المحيط الهندي–أوراسيا وكذلك وجود العديد من الصدوع النشطة على اليابسة. تظهر بيانات وكالة الأرصاد الجوية والمناخ والجيوفيزياء (BMKG) للفترة 2009–2024 اتجاهًا لزيادة نشاط الزلازل، مما يؤثر على ارتفاع احتمالية خطر الكوارث. في سياق التخفيف، تُعتبر ذروة تسارع الأرضي (PGA) من المعايير المهمة في تخطيط المباني المقاومة للزلازل، وبالتالي هناك حاجة إلى طرق تنبؤية دقيقة. تهدف هذه الرسالة إلى تقييم أفضل الاستراتيجيات في التنبؤ بقيمة ذروة التسارع الأرضي بناءً على طريقة الشبكة العصبية الاصطناعية (ANN)، وكذلك تحليل تأثير اختلافات بنية الشبكة وعدد الخلايا العصبية في الطبقات المخفية واختيار وظيفة التنشيط على أداء النموذج. تشمل معلمات الإدخال المستخدمة: المقدار وعمق البؤرة وVs30. أظهرت النتائج أن الشبكة العصبية ذات طبقتين مخفيتين تقدم أفضل أداء باسم تدريب HL2-A9. تمتلك هذه الهندسة العصبية تكوينًا للخلية العصبية (75–75) ووظيفة تنشيط ReLU بقيمة MSE تبلغ 0.2260 ومعامل ارتباط 0.699 مما يشير إلى وجود علاقة خطية موجبة قوية نسبيًا بين ذروة التسارع الأرضي الفعلي والتنبئي.