Indonesia merupakan salah satu negara dengan aktivitas seismik tertinggi di dunia sehingga pengembangan sistem peringatan dini berbasis teknologi digital menjadi kebutuhan mendesak. Penelitian ini memanfaatkan pendekatan deep learning untuk mendukung transformasi digital dalam prediksi magnitudo gempa. Dua arsitektur dibandingkan, yaitu Long Short-Term Memory (LSTM) dan WaveNet-Inspired, menggunakan data katalog seismik Indonesia. Model LSTM dirancang dengan konfigurasi LSTM(128)–Dropout(0,3)–Dense(64), sedangkan WaveNet-Inspired memanfaatkan dilated causal convolution dan skip connection guna menangkap pola temporal yang kompleks. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil eksperimen menunjukkan bahwa WaveNet-Inspired memiliki performa lebih baik dengan RMSE 0,5494; MAE 0,4237; dan R² 0,5492 dibandingkan LSTM yang mencatat RMSE 0,8701; MAE 0,6888; dan R² –0,1369. Temuan ini menegaskan pentingnya transformasi digital melalui integrasi teknologi deep learning untuk meningkatkan akurasi sistem peringatan dini gempa di Indonesia.
SEMASTER: Seminar Nasional Teknologi Informasi & Ilmu Komputer; Vol. 4 No. 1 (2025): Prosiding SEMASTER: Seminar Nasional Teknologi Informasi & Ilmu Komputer; 519-526
Penerbit: Fakultas Ilmu Komputer