Penelitian ini berfokus pada pengembangan dan evaluasi prototipe Earthquake Early Warning System (EEWS) yang dirancang untuk memenuhi kebutuhan sistem yang andal, cepat, dan mudah dioperasikan di wilayah dengan aktivitas seismik tinggi seperti Indonesia. Prototipe ini mencakup empat komponen utama yang meliputi model machine learning untuk phase picking, sistem pemrosesan data real-time melalui arsitektur backend–worker, penyimpanan data menggunakan basis data deret waktu, dan antarmuka web front-end untuk keperluan pemantauan. Model PhaseNet pretrained menunjukkan akurasi tinggi dalam deteksi fase gempa, sedangkan model U-Net 1D unggul dalam presisi dan recall. Kedua model dapat dipilih secara independen oleh pengguna sesuai dengan kebutuhan inferensi. Arsitektur backend–worker yang diimplementasikan mampu menghasilkan throughput yang lebih tinggi serta efisiensi sumber daya yang lebih baik dibandingkan pendekatan berbasis QuakeFlow. Dalam aspek penyimpanan data, TimescaleDB menunjukkan stabilitas performa dan efisiensi yang lebih unggul dibandingkan MongoDB, khususnya untuk skenario data seismik berkelanjutan. Evaluasi terhadap antarmuka pengguna menunjukkan tingkat usability yang tinggi berdasarkan pendekatan kuantitatif dan kualitatif. Hasil penelitian ini menyimpulkan bahwa sistem yang dikembangkan layak dijadikan fondasi bagi EEWS berskala nasional dengan potensi pengembangan lebih lanjut dalam hal skalabilitas, ketahanan sistem, dan kualitas interaksi pengguna.