Metode K-Means Clustering mengidentifikasi tiga klaster gempa bumi vulkanik yang berbeda di Anak Krakatau berdasarkan karakteristik bentuk gelombang dan frekuensi.Karakteristik klaster tersebut adalah:
- Klaster 1: Peningkatan amplitudo yang cepat, kemudian penurunan bertahap; rentang frekuensi dominan 4-4,7 Hz.
- Klaster 2: Peningkatan amplitudo bertahap, kemudian penurunan bertahap; rentang frekuensi dominan 6-6,5 Hz.
- Klaster 3: Peningkatan amplitudo bertahap dengan durasi lebih lama, kemudian penurunan bertahap; rentang frekuensi dominan 7-7,5 Hz.
Klaster tersebut masing-masing mengandung 66, 25, dan 9 kejadian, menunjukkan penerapan K-Means Clustering dalam analisis gempa bumi vulkanik.
Berdasarkan hasil yang didapat maka dapat diinterpretasi karakteristik bentuk gelombang sebagai berikut.
- Klaster 1: Peningkatan amplitudo yang cepat,kemudian penurunan bertahap,dengan frekuensi dominan sekitar 4,6 Hz.; kemungkinan sesuai dengan peristiwa Ledakan Vulkanik.
- Klaster 2: Peningkatan amplitudo bertahap, kemudian penurunan bertahap, dengan frekuensi dominan sekitar 6,06 Hz.; kemungkinan sesuai dengan peristiwa Vulkanik-Tektonik kedalaman dangkal (VT-B).
- Klaster 3: Peningkatan amplitudo bertahap dengan durasi lebih lama, kemudian penurunan bertahap, dengan frekuensi dominan sekitar 7,3 Hz; kemungkinan sesuai dengan peristiwa Hibrida.
Selama Juni-Juli 2014, dilaporkan terjadi 50-60 ledakan vulkanik per bulan, bersamaan dengan berbagai gempa bumi vulkanik.Skor siluet yang tinggi (0,84) menunjukkan klaster yang terpisah dengan baik dengan karakteristik yang serupa dalam setiap klaster.Klasifikasi otomatis peristiwa vulkanik menggunakan pembelajaran mesin meningkatkan efisiensi dan akurasi dalam pemantauan gunung berapi, membantu dalam pengurangan risiko dan kesiapsiagaan.
Studi ini menganalisis data seismik dari Gunung Anak Krakatau (1 Juni - 30 Juli 2014) menggunakan pengelompokan K-means untuk mengklasifikasikan gempa bumi vulkanik. Tiga kluster teridentifikasi dengan karakteristik bentuk gelombang dan frekuensi yang berbeda:
- Klaster 1: Peningkatan cepat pada 1-1,5 Hz, frekuensi dominan 4-4,7 Hz.
- Klaster 2: Peningkatan bertahap pada 1-2 Hz, frekuensi dominan 6-6,5 Hz.
- Klaster 3: Peningkatan bertahap pada 2-2,5 Hz, durasi lebih lama, frekuensi dominan 7-7,5 Hz.
Klaster kemungkinan sesuai dengan peristiwa vulkanik yang berbeda: Ledakan Vulkanik, peristiwa VT-B, dan peristiwa Hibrida. Studi ini membantu dalam klasifikasi otomatis peristiwa vulkanik, meningkatkan pemahaman dan mitigasi bahaya. Analisis lebih lanjut selama durasi yang lebih lama diperlukan untuk pengelompokan peristiwa yang lebih akurat.
Dari hasil studi ini machine learning dapat membantu upaya mitigasi bencana di Indonesia khususnya dalam bidang vulkanologi dengan mempermudah pekerjaan dalam jumlah data yang banyak.
Referensi
Hariyono, E., & S, L. (2018). The Characteristics of Volcanic Eruption in Indonesia. InTech. doi: 10.5772/intechopen.71449
Carniel, R., & Raquel Guzmn, S. (2021). Machine Learning in Volcanology: A Review. IntechOpen. doi: 10.5772/intechopen.94217
Hasib, M., Nur, B.A.A., Baith, H.M.A., Muflih, A.M., Suhendi, C., Ghifari, B.F., et al. (2023). Event classification of volcanic earthquakes based on K-Means clustering: Application on Anak Krakatau Volcano, Sunda Strait. IOP Conference Series: Earth and Environmental Science.1314 (2024) 012045. doi:10.1088/1755-1315/1314/1/012045
