Penerapan Principal Component Analysis berbasis Clustering Data Gempa untuk Melabelkan Tingkat Guncangan

INDONESIA:

Indonesia memiliki tingkat kerentanan tinggi terhadap bencana alam, khususnya gempa bumi. Perbedaan tingkat guncangan gempa memerlukan upaya mitigasi berbasis teknologi untuk mendukung analisis data gempa. Penelitian ini bertujuan mengelompokkan data gempa menggunakan metode Principal Component Analysis (PCA) berbasis clustering. Data yang digunakan berupa data gempa harian tahun 2024 dari Badan Meteorologi, Klimatologi, dan Geofisika Stasiun Geofisika Kelas III Malang. PCA digunakan untuk mengekstraksi komponen utama yang merepresentasikan variasi dominan data. Hasil analisis menunjukkan bahwa komponen utama pertama (PC1) mampu menjelaskan 34.1% variasi data dan didominasi oleh variabel longitude serta magnitudo. Nilai PC1 digunakan sebagai dasar proses clustering untuk mengidentifikasi pola gempa berdasarkan kemiripan karakteristik. Pengujian Calinski Harabasz Index menghasilkan nilai sebesar 5626.0269. Berdasarkan hasil tersebut, data gempa dikelompokkan menjadi kategori dirasakan dan tidak dirasakan mengacu pada Skala Intensitas Gempabumi (SIG-BMKG). Hasil penelitian menunjukkan bahwa metode PCA mampu mengurangi kompleksitas data dan membantu pengelompokan tingkat guncangan gempa secara efektif dan efisien.

ENGLISH:

Indonesia is highly vulnerable to natural disasters, particularly earthquakes. This study aims to classify earthquake data using a clustering-based Principal Component Analysis (PCA) method. The Dataset consists of daily earthquake records in 2024 from the Badan Meteorologi, Klimatologi, dan Geofisika Geophysics Station Class III Malang. PCA was used to extract the main components representing dominant data variations. The results showed that the first principal component (PC1) explained 34.1% of the variance and was dominated by longitude and magnitude variables. PC1 values were then used for clustering based on earthquake characteristics similarity. The Calinski-Harabasz Index produced a value of 5626.0269. Based on the clustering results, earthquakes were categorized into felt and unfelt groups according to the Earthquake Intensity Scale (SIG-BMKG). The findings demonstrate that PCA effectively reduces data complexity and supports efficient earthquake shaking classification.

ARABIC:

تُعدّ إندونيسيا من الدول الأكثر عرضةً للكوارث الطبيعية، ولا سيما الزلازل. تهدف هذه الدراسة إلى تصنيف بيانات الزلازل باستخدام منهجية تحليل المكونات الرئيسية (PCA) القائمة على التجميع. تتكون مجموعة البيانات من سجلات الزلازل اليومية لعام ٢٠٢٤ الصادرة عن محطة الجيوفيزياء من الفئة الثالثة التابعة للهيئة الإندونيسية للأرصاد الجوية وعلم المناخ والجيوفيزياء (BMKG) في مالانغ.. استُخدم تحليل المكونات الرئيسية لاستخلاص المكونات الرئيسة التي تمثل التباينات السائدة في البيانات وأظهرت النتائج أن المكون الرئيسي الأول (PC1) فسّر ما نسبته ٣٤٫١٪ من إجمالي التباين، وكان متأثرًا بشكل رئيس بمتغيري خط الطول ومقدار الزلزال. ثم استُخدمت قيم المكون الرئيسي الأول في عملية التجميع اعتمادًا على تشابه خصائص الزلازل. وقد أسفر مؤشر كالينسكي-هاراباز (Calinski-Harabasz Index) عن قيمة بلغت ٥٦٢٦٫٠٢٦٩. وبناءً على نتائج التجميع، صُنِّفت الزلازل إلى مجموعتين: زلازل محسوسة وزلازل غير محسوسة، وذلك وفقًا لمقياس شدة الزلازل المعتمد من الهيئة الإندونيسية للأرصاد الجوية وعلم المناخ والجيوفيزياء (SIG-BMKG). وتُظهر نتائج الدراسة أن تحليل المكونات الرئيسية يُسهم .بفعالية في .تقليل تعقيد .البيانات، ويدعم عملية تصنيف مستويات الاهتزازات الأرضية الناتجة عن الزلازل بكفاءة.