📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenPEMODELAN SEMIVARIOGRAM ANISOTROPIK GEOMETRI 3D DENGAN JARAK HAVERSINE BERBASIS DEEP NEURAL NETWORK (STUDI KASUS: DATA GEMPA MEGATHRUST JAWA)
Gempa bumi megathrust di selatan Pulau Jawa memiliki pola spasial kompleks akibat aktivitas subduksi lempeng Indo-Australia dan Eurasia. Penelitian ini bertujuan membangun model semivariogram anisotropik geometri 3D berbasis jarak Haversine serta membandingkan pendekatan semivariogram teoretis dan semivariogram nonparametrik berbasis Deep Neural Network (DNN) dalam interpolasi magnitudo menggunakan Ordinary Kriging (OK). Data yang digunakan merupakan data gempa bumi megathrust Jawa dan aftershock tahun 1990–2024 yang diperoleh dari katalog United States Geological Survey (USGS). Analisis dilakukan melalui pembentukan semivariogram eksperimental Cressie-Hawkins, identifikasi anisotropi berdasarkan arah azimuth dan dip, fitting model semivariogram teoretis spherical, serta penaksiran parameter semivariogram menggunakan DNN. Hasil penelitian menunjukkan bahwa model semivariogram anisotropik mampu menangkap perbedaan kontinuitas spasial antar arah pada data gempa bumi megathrust Jawa. Pendekatan semivariogram teoretis menghasilkan pola interpolasi yang lebih halus, stabil, dan terkontrol, sedangkan pendekatan DNN lebih adaptif dan fleksibel dalam merepresentasikan variasi lokal dan heterogenitas spasial. Visualisasi 3D dan kontur 2D menunjukkan bahwa zona magnitudo tinggi cenderung mengikuti arah memanjang dari barat ke timur, selaras dengan jalur subduksi di selatan Pulau Jawa.
ANALISIS PERFORMANSI DEEP NEURAL NETWORK UNTUK OTOMATISASI PENENTUAN FASE GELOMBANG SEISMIK DI AREA SUMATERA
Pendekatan baru yang lebih efisien dan otomatis dalam analisis data gempabumi sangat penting untuk mengurangi intervensi manual yang intensif dalam penentuan fase gelombang seismik. Penelitian ini berfokus pada pengembangan dan analisis performa penentuan fase gelombang seismik otomatis menggunakan pendekatan deep neural network, khususnya di wilayah Sumatera, Indonesia. Data yang digunakan berasal dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) untuk tahun 2009?2020, mencakup 131 stasiun perekaman yang mencatat 1356 peristiwa seismik dengan magnitudo lebih dari 1.8. Tiga jenis model berbasis arsitektur PhaseNet digunakan berupa model pre-trained, model Sumatera, dan model transfer learning. Model pre-trained menunjukkan performa yang bervariasi dengan F1-Score 0.095?0.717 untuk fase P dan 0.033?0.485 untuk fase S. Selanjutnya, dilakukan pelatihan ulang model dengan ±6000 data waveform dasar yang kemudian diaugmentasi untuk melatih model Sumatera. Model ini meningkatkan F1-Score menjadi 0.728 untuk fase P dan 0.388 untuk fase S. Selanjutnya, dilakukan percobaan dengan memodifikasi arsitektur PhaseNet melalui penambahan mekanisme attention gate, LSTM, Bi-LSTM, dan self-attention layer. Modifikasi arsitektur PhaseNet lebih lanjut meningkatkan F1-Score hingga 0.749 untuk fase P dan 0.454 untuk fase S. Penggunaan transfer learning melalui fine-tuning atau pembekuan layer model pre-trained menghasilkan F1-Score yang lebih baik, yaitu 0.709?0.774 untuk fase P dan 0.488?0.599 untuk fase S. Dari hasil tersebut, disimpulkan bahwa penggunaan transfer learning lebih menguntungkan dari segi waktu, jumlah data, dan performa. Pelatihan model secara penuh dapat dilakukan jika data pelatihan yang tersedia cukup banyak dan memiliki variabilitas yang baik, sehingga model dapat belajar dengan lebih akurat. Pengembangan lebih lanjut perlu dilakukan melalui peningkatan jumlah data, penggunaan arsitektur model lain, serta modifikasi lebih lanjut pada arsitektur PhaseNet.
INVESTIGASI NILAI LAJU GERAK SESAR DI INDONESIA BERDASARKAN EARTHQUAKE-SCALING RELATIONSHIP
Tatanan tektonik Indonesia membuat negara ini memiliki risiko kejadian gempa bumi yang tinggi. Dari data yang dirilis USGS, setidaknya telah terjadi 5072 gempa bumi dalam rentang 2020 – 2022. Bencana gempa bumi di Indonesia dikategorikan sebagai bencana yang memberikan kerugian signifikan. Dengan keadaan ini, mitigasi adalah upaya yang krusial untuk dilakukan. Salah satu upaya mitigasi yang dapat dilakukan adalah melakukan pemodelan sumber gempa bumi sesar menggunakan metode Probabilistic Seismic Hazard Assessment (PSHA). Data laju gerak (slip-rate) sesar yang diperoleh dari perata-rataan nilai laju gerak sesar geologi dan geodesi adalah salah satu data masukan yang diperlukan untuk membuat model PSHA. Sayangnya, sekitar 60% dari sesar di Indonesia belum memiliki nilai laju gerak sesar geologi dan/atau geodesi. Penelitian ini dimaksudkan untuk memperoleh dan menganalisis nilai laju gerak sesar yang belum diobservasi secara geologi dan/atau geodesi. Penelitian dilakukan dengan mengaplikasikan persamaan-persamaan yang berkaitan dengan earthquakescaling relationship. Data yang digunakan dalam penelitian ini diambil dari Peta Sumber dan Bahaya Gempa Indonesia (PuSGeN) Tahun 2017. Dari pengolahan data yang dilakukan, didapatkan rentang nilai magnitudo dan laju sesar di Indonesia. Rentang nilai magnitudo momen sesar di Indonesia berturut-turut dari data PuSGeN, hasil perhitungan dengan formula Cheng dkk., dan hasil perhitungan dengan formula Gunawan: 6.1 – 8.2; 5.8 – 8.2; dan 6.3 – 8.0. Berikutnya, nilai laju gerak sesar di Indonesia berturut-turut dari data PuSGeN, hasil perhitungan dengan formula Cheng dkk., dan hasil perhitungan dengan formula Gunawan berada pada rentang: 0.05 – 35.00; 0.05 – 22.87; dan 0.05 – 19.98. Selisih antara ketiga jenis magnitudo momen tidak terlalu signifikan dengan nilai selisih tertinggi 1.4, sedangkan selisih antara ketiga jenis laju gerak cukup signifikan dengan nilai selisih tertinggi 34.92. Adapun nilai magnitudo momen dan laju gerak hasil perhitungan menggunakan metode Cheng dkk. dan Gunawan memiliki tingkat kemiripan paling tinggi.