View/Open

Author

Date Published
16 Jul 2026

Advisor
Bilal Al Farishi, B.Sc(Hons)., M.Sc,
Rezki Naufan Hendrawan, S.T., M.T,

Subject
Teknik Geologi

Publisher

Pulau Sumatra merupakan wilayah dengan aktivitas tektonik tinggi akibat interaksi Lempeng Indo-Australia dan Eurasia, sehingga memiliki potensi kegempaan yang signifikan. Salah satu parameter penting dalam analisis bahaya gempa adalah Average Shear-Wave Velocity to 30 meters depth (Vs₃₀), yang digunakan untuk menentukan karakteristik tanah dan respon terhadap gelombang seismik. Di Indonesia, estimasi Vs₃₀ umumnya masih menggunakan pendekatan berbasis kemiringan lereng (slope-based approach) yang belum sepenuhnya merepresentasikan kondisi geologi bawah permukaan. Penelitian ini bertujuan menganalisis pengaruh topografi dan litologi terhadap variasi nilai Vs₃₀, membangun model koreksi berbasis Random Forest, serta membandingkan hasil pendekatan slope-based dengan model integrasi litologi. Penelitian dilakukan pada wilayah Sumatra bagian utara meliputi Provinsi Aceh, Sumatra Utara, Sumatra Barat, Riau, dan Kepulauan Riau dengan luas sekitar 269.623 km². Data yang digunakan berupa Vs₃₀ USGS dan peta geologi regional KESDM. Proses pengolahan meliputi random sampling, normalisasi Z-score, pembentukan variabel litologi, serta pemodelan menggunakan algoritma Random Forest. Hasil penelitian menunjukkan bahwa batuan metamorf, batuan beku, dan batuan piroklastik memiliki nilai Vs₃₀ lebih tinggi dibandingkan batuan sedimen dan endapan. Integrasi parameter litologi mampu memperbaiki distribusi spasial Vs₃₀ sehingga tidak hanya dipengaruhi topografi, tetapi juga karakteristik geologi regional. Hasil feature importance menunjukkan litologi endapan dan sedimen memberikan kontribusi paling besar terhadap model. Dibandingkan pendekatan slope-based, model Random Forest menghasilkan distribusi Vs₃₀ yang lebih realistis dengan koreksi terhadap nilai yang mengalami overestimate maupun underestimate. Penelitian ini menunjukkan bahwa integrasi data litologi dan metode machine learning dapat meningkatkan representativitas koreksi Vs₃₀ untuk kajian kegempaan regional.

URI
https://repo.itera.ac.id/depan/submission/SB2607260005

Keyword
Machine learning, gempa, random forest,Vs₃₀