Perbandingan Gaussian Mixture Model dan Fuzzy C-Means dalam Klasterisasi Gempa Bumi di Indonesia

Abstract

Indonesia merupakan wilayah dengan aktivitas seismik tinggi sehingga diperlukan pemahaman pola kejadian gempa bumi untuk mendukung mitigasi bencana. Berbagai penelitian telah menerapkan metode klasterisasi pada data gempa, namun kajian yang secara khusus membandingkan pendekatan soft clustering berbasis probabilistik dan fuzzy pada data gempa bumi Indonesia masih terbatas. Penelitian ini bertujuan membandingkan metode Fuzzy C-Means (FCM) dan Gaussian Mixture Model (GMM) dalam klasterisasi 17181 data gempa bumi BMKG periode Januari 2025-Februari 2026. Variabel yang dianalisis meliputi lintang, bujur, kedalaman, magnitudo, phase count, dan azimuth gap. Penentuan jumlah klaster optimal dilakukan berdasarkan metrik evaluasi internal masing-masing algoritma yang menghasilkan dua klaster untuk FCM dan empat klaster untuk GMM. Selanjutnya, kedua model dievaluasi menggunakan Silhouette Score, Calinski-Harabasz Index (CHI), dan Davies-Bouldin Index (DBI), sedangkan tingkat kesamaan klaster diukur menggunakan Adjusted Rand Index (ARI) dan Normalized Mutual Information (NMI). Hasil menunjukkan FCM memiliki Silhouette Score dan CHI sedikit lebih tinggi, namun GMM unggul pada DBI yang mengindikasikan separasi antarklaster lebih baik pada data overlap. Selain itu, GMM menghasilkan struktur klaster yang lebih rinci dalam merepresentasikan variasi spasial dan seismik, termasuk perbedaan karakteristik kedalaman gempa. Dengan demikian, GMM dinilai lebih representatif untuk mendukung analisis risiko dan mitigasi bencana berbasis karakteristik kegempaan di Indonesia.