Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kerawanan bencana gempa bumi di Indonesia membuat kebutuhan mengukur nilai (PGA) dan dampak (intensitas) dari gempa bumi diperlukan. Intensity meter konvensional memiliki harga yang tinggi untuk penerapan massal. Intensity meter menggunakan akselerometer MEMS sudah pernah dilakukan. Penelitian ini menggunakan komponen pasaran indonesia untuk membuat Low-cost intensity meter (LOITER) menggunakan microcontroller Raspberry PICO dan akselerometer MEMS ADXL345. Hasil FFT pengujian shake table untuk LOITER dengan akselerometer Titan menunjukan nilai RMSE maksimum sebesar 24.87% – 26.99% pada rentang 0-10 Hz. Intensitas pada nilai akselerasi maksimum terukur persentase error 3.66%. LOITER dapat mendeteksi getaran, tetapi sensor akselerometer tidak cocok untuk kebutuhan saintifik.

---

Vulnerability for earthquake in Indonesia creates a need for measuring PGA value and the impact (intensity) of earthquakes. Conventional intensity meter has a high cost for mass application. Intensity meter using MEMS accelerometer have already been done. This study uses component available on the Indonesian market to make a Low-cost intensity meter (LOITER) using a Raspberry PICO microcontroller and ADXL345 MEMS accelerometer. FFT of the Shake table test result for LOITER with the Titan accelerometer show maximum RMSE value 24.87% – 26.99% in the 0-10 Hz range. Intensity at maximum acceleration value measured percentage of error 3.66%. LOITER is capable at detecting vibration, but the accelerometer sensor is not adequate for scientific purposes."

"Pada bulan Juli dan Agustus 2018 terjadi serangkaian 4 gempa bumi dengan magnitude sebesar > 6 Mw. Peristiwa kejadian gempa bumi pertama terjadi pada tanggal 27 Agustus 2018 dengan magnitudo 6.4 Mw, peristiwa kejadian gempa bumi kedua terjadi pada tanggal 5 Agustus 2018 dengan magnitude 6.9 Mw, peristiwa ketiga dan keempat terjadi pada tanggal 19 Agustus 2018 dengan magnitude sebesar 6.3 Mw dan 6.9 Mw. Penelitian ini meneliti tentang kemungkinan munculnya tanah longsor yang terjadi akibat peristiwa gempa bumi dengan menggunakan metode Sistem Informasi Geografis dan PGA (Peak Ground Acceleration). Metode Penginderaan Jauh digunakan untuk mengetahui kejadian tanah longsor dan metode PGA digunakan untuk memperkirakan kemungkinan percepatan gerakan tanah maksimum yang terjadi. Penelitian ini menggunakan sumber data berupa katalog riwayat gempa bumi Pulau Lombok dari tahun 1980 – 2022, informasi karakteristik mengenai zona sesar di sekitar Pulau Lombok, factor-faktor pemicu terjadinya longsor dan nilai percepatan gerakan tanah maksimum yang terjadi. Hasil penelitian menunjukkan daerah terjadinya kejadian longsor cenderung berada di bagian selatan wilayah penelitian yaitu di kecamatan Kayangan, Gangga dan Bayan dengan litologi yang didominasi oleh endapan gunung berapi berumur Pleistosen

---

In July and August 2018 there were 4 earthquakes with a magnitude of > 6 Mw. The first earthquake occurred on 27 August 2018 with a magnitude of 6.4 Mw, the second earthquake occurred on 5 August 2018 with a magnitude of 6.9 Mw, the third and fourth events occurred on 19 August 2018 with a magnitude of 6.3 Mw and 6.9 Mw. The impact of damage can be minimized, it is necessary to mitigate the earthquake disaster on Lombok Island by conducting research on the possibility of landslides that occur due to earthquake events using the PGA (Peak Ground Acceleration) method. This method is used to estimate the maximum ground motion acceleration that occurs. This study uses data sources in the form of a catalog of the history of the Lombok earthquake, information on the characteristics of the fault zone around the island of Lombok, the triggering factors for landslides and the acceleration of the maximum ground acceleration that occurs. The results show that the area where landslides occur tends to be in the southern part of the study area, namely in Kayangan, Gangga and Bayan sub-districts with lithology dominated by Pleistocene volcanoes."

"

Kota Palu sebagai bagian Provinsi Sulawesi Tengah secara tektonik berada dekat dengan sumber gempa aktif crustal, yaitu sesar segmen Sulawesi Tengah. Sesar tersebut terdiri dari banyak segmen, diantaranya yang sudah dikenal adalah Sesar Besar Palu-Koro memanjang dari utara ke selatan. Di ujung selatan terhubung sesar Matano dan di utara terhubung dengan subduksi Utara Sulawesi (North Sulawesi Subduction) dan Selat Makasar bagian utara. Pembangunan infrastruktur berbasis mitigasi kegempaan di Indonesia merujuk Peraturan Bangunan Tahan Gempa berdasarkan Peta Bahaya Gempabumi SNI 1726 Tahun 2019. Kota Palu dan wilayah sekitar sesar segmen Sulawesi Tengah menjadi wilayah yang perlu dilakukan penelitian dengan mempertimbangkan efek kondisi site lokal. Parameter kondisi lokal meliputi jenis situs tanah, periode dominan tanah metode Horizontal to Vertical Spectral Ratio (HVSR) dan estimasi kedalaman bedrock menggunakan metoda Spatial Autocorrelation (SPAC) menjadi bagian parameter studi karakteristik ground motion di Kota Sulawesi Tengah. Penelitian ini menggunakan parameter gempa magnitudo gempa M_L 1,5-6,5. Pengolahan data ground motion menggunakan data hasil observasi sinyal 5 sensor Jaringan Strong motion Nasional BMKG sampling 100Hz, 5 sensor  jaringan strong motion terpasang sementara sampling 100Hz dan 25 sensor Jaringan Array Velocity Broadband dengan sampling 250 Hz. Jaringan khusus array ini hasil kerjasama BMKG dengan ANU (Australian National University) yang dipasang di sekitar Kota Palu dan dekat sesar segmen Sulawesi Tengah dalam durasi 3 bulan. Tujuan dalam studi ini adalah untuk mengkaji karakteristik dan pembangunan model ground motion segmen fault Sulawesi Tengah. Karakteristik ground motion model yang dibangun dikaji dari uji model regional dan lokal dengan katalog gempa utama (independent) dan gempa gabungan foreshock,mainshock dan aftershock (dependent). Hasilnya menunjukkan karakteristik ground motion hasil dependent mempunyai nilai hasil model yang lebih rendah dibandingan independent, fitting model regional menunjukkan hasil bervariasi tingkat kecocokannya terhadap data observasi masing-masing fault yaitu dengan melihat hasil garis korelasi terhadap data observasi dan hasil residualnya. Model tersebut diuji menggunakan data observasi gempa merusak 29 Mei 2017 Mw 6,6 dan gempa merusak 2018 magnitudo 7,4. Hasilnya menunjukkan model GMPE dependent mempunyai nilai estimasi GM-PGA model yang berada pada distribusi data observasi, sedangkan hasil model independent mempunyai tingkat kecocokan berada di atas sebaran data observasi. Sedangkan pengujian GMSA median M=3-4 dan M=4-5 model dependent dan independent terhadap dari data observasi M=3-4 dan M=4-5 di luar data pembangun model, menunjukkan hasil korelasi yang cukup baik terhadap dua model tersebut. Pemahaman kondisi site lokal menjadi sangat penting dan menjadi bagian dalam perhitungan GM-PGA dan dipertimbangkan dalam penentuan nilai estimasi tingkat goncangan dalam bagian desain infrastruktur mitigasi bencana gempa bumi.     

 

---

Palu City in one major city in Indonesia which has administratively is the part of Central Sulawesi Province. It has the potential to develop the big infrastructure which has to consider mitigation aspect, due to tectonically it has located close to earthquake active source, particularly segments crustal zone of Central Sulawesi. Central Sulawesi fault has the many faults segmentation, it is called The Active Major Fault System of Central Sulawesi, as well known Palu Koro Fault System zone. It was along the north to southward close to Palu Valley. Development of infrastructure with earthquake hazard mitigation accordance to SNI 1726:2019. Local site classification parameters using the dominant period HVSR (Horizontal Vertical Spectral Ratio), estimation deep of engineering bedrock using SPAC method (Spatial Auto Correlation) as well done. The understanding of the local seismic condition and seismotectonic mechanism based on seismicity data are significantly contributing to know earlier the possibility of the amplification, which have related PGA value with the distance. In this study used 5 National Strong motion Network Station of  BMKG in Palu, 25 Array Network Broadband Velocity Temporarily Station of BMKG-ANU and 5 Regional Strong motion Network Temporarily Station along the Palu-Koro fault and short period for the mini regional network. The purpose of this research to study the characteristics of the local ground motion GM-PGA model from multi fault in Central of Sulawesi, with considered the local site effect.  All these parameters contribute to play roles within the form of the GMPE model.The characteristics of ground motion in this research using independent (mainshock)-independent (foreshock, mainshock, aftershock) regional and local earthquake catalog. The result showed characteristics of ground motion dependent has the calculated value is lower than independent, and the regional model showed the fitting variated to micro fault observed data. It can be seen using correlated regression and residuals. Moreover, when compared with two devastating earthquakes, 29th May 2017 Mw 6.6 and Palu earthquake Mw 7.4 showed that the dependent model is fitted well with distribution of observed data, while for the independent model is overestimated. Meanwhile to calibrate GMSA has used Median GMSA for M=3-4 and M=4-5 to GMSA data observed of M=3-4 and M=4-5. The results showed that the well correlated between of Median GMSA to data observed distribution. The Understanding of local seismic is very important to asses the related PGA value with the distance in GM-PGA and GMSA in GMPE. The GMPE model could be used to be considered in detail engineering design process to determine the level of potential shaking when implement development mitigation based.    

"

"Gempa bumi berkekuatan 4,8 SR pernah terjadi pada 13 Juni 2018 pukul 20.06 WIB di Kabupaten Sumenep, Pulau Madura yang mengakibatkan ratusan rumah warga rusak akibat bencana ini. Agar dampak kerusakan dan kerugian jiwa hingga materiil dapat diminimalisir, diperlukan usaha mitigasi bencana gempa bumi di Pulau Madura dengan melakukan penelitian mengenai kemungkinan munculnya gempa bumi pada tingkat bahaya tertentu dengan metode PSHA (Probabilistic Seismic Hazard Analysis). Metode ini menggunakan mengkombinasikan karakteristik magnitudo, jarak, dan waktu dari riwayat gempa bumi di wilayah penelitian untuk memperkirakan kemungkinan percepatan gerakan tanah maksimum atau PGA yang mungkin terjadi dalam periode ulang tertentu (Dewi et al., 2018). Penelitian ini menggunakan sumber data berupa katalog riwayat gempa Pulau Madura, informasi karakteristik active fault, zona subduction, dan zona background di sekitar Pulau Madura, serta informasi fungsi atenuasi yang sesuai dengan daerah penelitian. Seluruh data telah diproses sedemikian rupa hingga menghasilkan 3 peta PGA di batuan dasar dalam masa guna bangunan 50 tahun dan 1 grafik respon SA dalam periode 4 detik di lokasi kejadian gempa 13 Juni 2018. Peta pertama dengan PoE 10% (periode ulang gempa 475 tahun) memiliki rentang nilai PGA 0,21 – 0,31 g. Peta kedua dengan PoE 5% (periode ulang gempa 975 tahun) memiliki rentang nilai PGA 0,23 – 0,34 g. Peta ketiga dengan PoE 2% (periode ulang gempa 2.475 tahun) memiliki rentang nilai PGA 0,25 – 0,4 g. Peningkatan rentang nilai PGA saat nilai PoE menurun disebabkan oleh semakin panjang periode ulang tahunnya maka semakin banyak gempa bumi dengan magnitudo yang lebih besar dapat muncul. Pada Pulau Madura, peta PGA dengan PoE 2% (periode ulang gempa 2.475 tahun) hasil penelitian memiliki rentang nilai PGA 0,25 – 0,27 g, sedangkan pada peta PGA dengan PoE yang sama milik SNI 1726:2019 memiliki rentang nilai 0,15 – 0,20 g. Jika nilai PGA dengan PoE 2% (periode ulang gempa 2.475 tahun) hasil penelitian di Pulau Madura dikonversi menjadi MMI, maka akan masuk ke intensitas VII (very strong) hingga VIII (severe). Lalu menurut grafik respon SA dalam periode 4 detik di lokasi kejadian gempa 13 Juni 2018, diperlukan revisi kode bangunan nasional SNI 1726:2019 di koordinat riwayat gempa bumi Sumenep pada 13 Juni 2018 dari percepatan tanah spektral tertinggi 0,45 g menjadi 0,61 g. Kedepannya, disarankan untuk melakukan penelitian lanjutan terhadap PGA di Pulau Madura menggunakan informasi kondisi batuan sebenarnya, melakukan pemutakhiran sumber-sumber gempa bumi di sekitar Pulau Madura, melakukan penelitian lanjutan terhadap PGA di Indonesia untuk perbaikan kode bangunan nasional SNI 1726:2019, dan diharapkan hasil penelitian ini dapat menjadi informasi tambahan bagi proses mitigasi bencana gempa bumi di Pulau Madura.

---

An earthquake of 4.8 Richter Scale occurred on June 13, 2018 at 20.06 WIB in Sumenep Regency, Madura Island, which damaged hundreds of residents' houses as a result of this disaster. To reduce the damage and loss of life to material, it’s necessary to mitigate the earthquake disaster on Madura Island by conducting research on the possibility of earthquakes occurring at a certain hazard level using the PSHA (Probabilistic Seismic Hazard Analysis) method. This method combines the characteristics of magnitude, distance, and time from the history of earthquakes in the study area to estimate the possible maximum ground motion acceleration or PGA that may occur within a certain return period (Dewi et al., 2018). This study uses data sources such as earthquake history catalog of the Madura Island, active faults, subduction zones, and background zones characteristics around Madura Island, and also attenuation function information related to the research area. All data has been processed and produced 3 PGA maps in bedrock with a 50 year building life and 1 SA response graph in a 4 second period at the site of the 13 June 2018 earthquake. The first map with 10% PoE (475 years earthquake return period) has a PGA value range of 0,21 – 0,31 g. The second map with 5% PoE (975 years earthquake return period) has a PGA value range of 0,23 – 0,34 g. The third map with a PoE of 2% (2.475 years earthquake return period) has a PGA value range of 0,25 – 0,4 g. The increase in the PGA range value when the PoE value decreases is caused by the longer the earthquake return period, the more earthquakes with a larger magnitude can occur. On Madura Island, the PGA map with a PoE of 2% (2.475 years earthquake return period) of this study have a PGA value range of 0,25 – 0.27 g, while the PGA map with the same PoE belonging to SNI 1726:2019 has a value range of 0,15 – 0,20 g. If the PGA value with a PoE of 2% (2.475 years earthquake return period) from the research on Madura Island is converted to MMI, the intensity will be VII (very strong) to VIII (severe). Then according to the graph of the SA response for a period of 4 seconds at the location of the 13 June 2018 earthquake, it is necessary to revise the national building code of SNI 1726: 2019 in the coordinates of the Sumenep earthquake history on 13 June 2018 from the highest spectral ground acceleration of 0,45 g to 0,61 g. In the future, it is recommended to carry out further research on PGA on Madura Island using information on actual rock conditions, update earthquake sources around Madura Island, conduct further research on PGA in Indonesia to improve the national building code SNI 1726:2019, and hope that this research can be additional information for the earthquake disaster mitigation process on Madura Island."

"Persaingan di Industri pengiriman barang di Indonesia semakin ketat seiring dengan pertumbuhan layanan jual beli barang melalui online (e-commerce). Pelayanan yang terbaik dan berkualitas kepada pelanggan secara berkelanjutan merupakan kunci untuk tetap bersaing dan berkembang di pasar yang semakin ketat. Penelitian ini bertujuan untuk menentukan faktor-faktor penting dalam 4 dimensi berkelanjutan yaitu dimensi ekonomi, dimensi lingkungan, dimensi sosial, dan dimensi konsumen. Sebuah model logistik berkelanjutan akan dibuat berdasarkan dimensi berkelanjutan yang telah diidentifikasi. Hasil dari kuisioner yang diberikan kepada 182 orang yang bekerja pada level manajerial dalam industri jasa logistik akan digunakan untuk membuat model ini. Sebelum menentukan variabel dan indikator pada logistik berkelanjutan, dilakukan 2 focus group discussion dan validasi oleh ahli. Indikator-indikator berkelanjutan yang telah ditentukan selanjutnya dianalisa menggunakan metode PCA (principal component analysis) dan LDA (linier discriminant analysis) untuk mengetahui faktor dan indikator yang paling mempengaruhi logistik keberlanjutan. Pengembangan model dilakukan dengan menggunakan metode SEM-PLS (Structural Equation Model Partial Least Square). Secara umum hasil penelitian menunjukkan dimensi ekonomi, lingkungan, sosiak dan konsumen memberikan pengaruh langsung dan signifikan terhadap logistik berkelanjutan dikarenakan nilai p-value <0,05 dan t-tabel > 1,96. Hal ini dapat disimpulkan apabila dimensi-dimensi berkelanjutan ditingkatkan, maka kinerja jasa logistik berkelanjutan akan semakin baik. Simulasi Model logistik berkelanjutan dengan menggunakan simulasi model dinamis, menghasilkan proyeksi valuasi model logistik berkelanjutan yang terus meningkat setiap tahunnya mulai dari 4,73% sampai dengan 13,05% dari tahun 2020 sampai 2040. Sehingga hubungan antar dimensi dan variabel dalam model logistik berkelanjutan sudah baik dalam menjaga keberlangsungan sustainabilitas perusahaan jasa logistik di Indonesia.

---

The expansion of online platforms for purchasing and selling goods (e-commerce) has resulted in increased competition within Indonesia's goods delivery sector. Managing competitiveness and expanding in an increasingly competitive market requires reliable and excellent customer service. The purpose of this study is to identify critical variables in the four sustainable dimensions of the economy, environment, society, and consumer. On the basis of the determined sustainable dimensions, a sustainable logistics model will be developed. This model will be developed using the responses to surveys provided to 182 managers in the logistics services sector. Two focus groups and expert validation were conducted prior to identifying factors and indicators in sustainable logistics. The sustainable indicators that have been determined are then analyzed using the PCA (principal component analysis) and LDA (linear discriminant analysis) methods to determine the factors and indicators that most influence sustainable logistics. Model development was carried out using the SEM-PLS (Structural Equation Model Partial Least Square) method. In general, the research results show that the economic, environmental, social and consumer dimensions have a direct and significant influence on sustainable logistics due to the p-value <0.05 and t-table > 1.96. It can be concluded if sustainable dimensions are improved, the performance of sustainable logistics services will be better. Through the use of dynamic model simulation, the sustainable logistics model is simulated and the result is a projected valuation that rises annually between 2020 and 2040, from 4.73% to 13.05%. Therefore, the relationship between the dependent variable and the independent variable in the logistic model is well-established in terms of assessing the sustainability of the logistics company in Indonesia."

"Kecamatan Maos di Kabupaten Cilacap pada tahun 1916 dan 1923 pernah mengalami gempa bumi yang mengakibatkan perekonomian lumpuh. Tidak menutup kemungkinan gempa bumi dapat terjadi kembali. Oleh sebab itu, perlu tindakan meminimalisir dampak gempa bumi dengan salah satu caranya membuat Peta Kawasan Rawan Gempa Bumi yang telah diatur melalui Peraturan Menteri PU No. 21/PRT/M/2007. Peraturan ini mengklasifikasikan kawasan rawan gempa bumi berdasarkan kajian tipologi informasi geologi. Informasi geologi diambil dari pemetaan geomorfologi pada Kecamatan Maos dimana diketahui bahwa litologi umum di Maos berupa batupasir dan tanah aluvium dengan tingkat kemiringan lereng dibawah 10 hingga 30% dimana terdapat sesar naik di sisi barat dan tenggara Maos serta sesar normal di barat laut Maos. Nilai kegempaan Maos dapat diketahui dari nilai PGAnya sebesar 0,6869 - 0,8764 g. Dari informasi geologi ini, dilakukan skoring dan pembobotan sehingga didapatkan nilai kestabilan wilayah Kecamatan Maos ada di rentang 33 hingga 51 dimana terdapat lima kelas klasifikasi tipologi di Kecamatan Maos yaitu Kelas A, Kelas B, Kelas C, Kelas D, dan Kelas E. Direkomendasikan bagi daerah yang berada di kawasan Kelas E untuk tidak membangun kawasan budidaya dan infrastruktur sebab di kawasan ini memiliki potensi bahaya tinggi jika terjadi bencana gempa bumi. 

---

Maos District in Cilacap Regency in 1916 and 1923 experienced an earthquake which resulted in the economy being paralyzed. It is possible that an earthquake could occur again. To anticipate that, action is needed to minimize the impact of an earthquake by making an Earthquake Hazard Map which has been regulated in Minister of Public Works Regulation No. 21/PRT/M/2007. This regulation classifies areas prone to earthquake disasters based on geological information typology. Geological information was taken from geomorphological mapping in Maos District where it is known that the general lithology in Maos is sandstone and alluvial soil with a slope level <= 10 - 30% where there are thrust faults on the west and southeast sides of Maos and normal faults on the northwest side of Maos. The seismicity value of Maos can be known from its PGA value of 0.6869 - 0.8764 g. From this geological information, scoring and weighting were carried out to obtain a regional stability value for Maos District in the range of 33 to 51 where there are five typological classification classes in Maos District, namely Class A, Class B, Class C, Class D and Class E. Recommended for areas in Class E are not to build cultivation areas and infrastructure because this area has a high potential for danger if an earthquake occurs."

"Sistem peringatan dini gempa bumi bertujuan memberikan respons cepat segera setelah terdeteksi gelombang P, sebelum gelombang destruktif mencapai permukaan. Penelitian ini mengembangkan model klasifikasi gempa menggunakan arsitektur Convolutional Neural Network (CNN) 1D berbasis data seismometer dari Stanford Earthquake Dataset (STEAD). Deteksi awal kedatangan gelombang P dilakukan menggunakan metode Short-Term Average/Long-Term Average (STA/LTA), kemudian sinyal dipotong dalam beberapa variasi jendela waktu sebagai input model. Model dikembangkan dengan dua parameter ground motion sebagai label klasifikasi biner, yaitu Peak Ground Velocity (PGV) dan Peak Ground Acceleration (PGA), untuk membedakan gempa besar dan kecil. Hasil evaluasi menunjukkan bahwa jendela 3 detik setelah gelombang P memberikan performa terbaik, dengan akurasi sebesar 95,45% untuk PGV dan 94,95% untuk PGA. PGV menunjukkan stabilitas metrik yang lebih baik, terutama dalam mengenali gempa besar. Penelitian ini menunjukkan bahwa informasi pada fase awal sinyal cukup untuk mendukung klasifikasi cepat dan akurat. Penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan sistem peringatan dini gempa bumi berbasis deep learning.

---

Earthquake early warning systems aim to provide a rapid response immediately after the detection of P-waves, before destructive shaking reaches the surface. This study develops an earthquake classification model using a one-dimensional Convolutional Neural Network (1D CNN) architecture, based on seismometer data from the Stanford Earthquake Dataset (STEAD). The initial detection of P-wave arrivals is performed using the Short-Term Average/Long-Term Average (STA/LTA) method, followed by segmentation of the signal into several time window variations for model input. The model is trained using two ground motion parameters as binary classification labels, namely Peak Ground Velocity (PGV) and Peak Ground Acceleration (PGA), to differentiate between large and small earthquakes. Evaluation results show that the 3-second window after the P-wave arrival yields the best performance, with an accuracy of 95.45% for PGV and 94.95% for PGA. PGV demonstrates better metric stability, particularly in recognizing large earthquakes. These findings suggest that information from the early phase of seismic signals is sufficient to support fast and accurate classification. This study contributes to the advancement of deep learning-based earthquake early warning systems that are both efficient and reliable. "

"Wilayah Pulau Jawa bagian barat merupakan wilayah dengan zona seismik aktif yang disebabkan oleh kondisi geologi kompleks akibat subduksi lempeng Indo-Australia terhadap lempeng Eurasia membuatnya rentan terjadi gempabumi. Oleh karena itu, penting untuk dibuatnya sistem Peringatan Dini Gempabumi (PDG) menggunakan kecerdasan buatan guna meningkatkan ketahanan terhadap bahaya seismik. Tujuan penelitian ini adalah membangun model machine learning beralgoritma SVR untuk memprediksi Peak Ground Acceleration (PGA) gempabumi, mengevaluasi performa model terhadap kombinasi variabel prediktor dengan enam parameter gelombang P, dan membuatnya sebagai model acuan untuk diimplementasikan dalam sistem PDG. Data yang digunakan berasal dari accelerometer milik Badan Metereologi, Klimatologi, dan Geofisika (BMKG) yang mencatat 485 kejadian gempabumi dengan magnitudo lebih dari 4 Skala Ritcher di Pulau Jawa bagian barat. Data diproses melalui tahap pra pemrosesan, preparasi, pelatihan model, dan evaluasi menggunakan metrik MSE untuk mengukur kesalahan pengukuran dan R2 sebagai koefisien determinasi yang menunjukkan akurasi model. Hasil akhir menunjukkan bahwa model memiliki performa cukup tinggi yang mampu memprediksi PGA dengan akurasi mencapai 92% dan tingkat kesalahan rendah dengan MSE sebesar 0,034. Model ini diharapkan dapat menjadi acuan dalam implementasi dan pengembangan sistem PDG guna memitigasi bencana gempabumi dan mempercepat langkah evakuasi pada masyarakat dan infrastruktur vital di Indonesia.

---

The western region of Java Island is an area with an active seismic zone caused by complex geological conditions due to the subduction of the Indo-Australian plate against the Eurasian plate, making it vulnerable to earthquakes. Therefore, it is important to create an Earthquake Early Warning (EWW) system using artificial intelligence to increase resilience to seismic hazards. The purpose of this study is to build a machine learning model with the SVR algorithm to predict earthquake Peak Ground Acceleration (PGA), evaluate the model's performance against a combination of predictor variables of six P-wave parameters, and make it a reference model to be implemented in the EWW system. The data used comes from the accelerometer belonging to the Meteorology, Climatology, and Geophysics Agency (BMKG) which recorded 485 earthquake events with a magnitude of more than 4 on the Richter Scale in western Java Island. The data is processed through the pre-processing, preparation, model training, and evaluation stages using the MSE metric to measure measurement error and R2 as the coefficient of determination indicating model accuracy. The final results show that the model has a fairly high performance that is able to predict PGA with an accuracy of 92% and low error rate with an MSE of 0.034. This model is expected to be a reference in the implementation and development of the PDG system to mitigate earthquake disasters and accelerate evacuation steps for communities and vital infrastructure in Indonesia."