Penelitian ini membandingkan performa beberapa model machine learning untuk data seismik gempa Indonesia dari stasiun gempa Indonesia yang diambil dari tahun 2009 sampai 2024. Task-task yang dibandingkan pada model adalah deteksi gempa, P-phase, S-phase, magnitudo, jarak episentral, dan back-azimuth. Evaluasi akan dilakukan pada setiap task-task tersebut dengan menambah evaluasi kecepatan inferensi dan EEWS. Berdasarkan evaluasi yang sudah dilakukan, dapat disimpulkan bahwa CREIME merupakan model yang terbaik dalam task deteksi gempa jika ingin menyeimbangkan antara false negative dan false positive (F1 Score 0.9466). PhaseNet Modified merupakan model yang terbaik dalam task deteksi gempa jika ingin memaksimalkan terdeteksinya gempa (Recall 0.9720). CREIME merupakan model yang terbaik dalam task P-phase (MAE 0.1803 s). EQTransformer merupakan model yang terbaik dalam task S-phase (MAE 0.2529 s). EQTransformer merupakan model yang terbaik dalam implementasi EEWS (Mean EEWS 0.9864). XGB merupakan model yang memiliki inferensi tercepat (0.0001 s/sampel). GPD merupakan model neural network yang memiliki inferensi tercepat (0.0016 s/sampel). Random Forest merupakan yang terbaik dalam task magnitudo (MAE 0.1918 mb). Model neural network terbaik pada task magnitudo adalah MagNet. SeisT merupakan model terbaik pada task jarak episentral (MAE 26.7578 KM). dan MagNet Modified merupakan model terbaik untuk task back-azimuth (MAE 67.7505◦ ).