001 Hak Akses (open/membership)membership
700 Entri Tambahan Nama OrangSastra Kusuma Wijaya, supervisor; Daryono, supervisor; Djati Handoko, examiner; Prawito Prajitno, examiner; Suko Prayitno Adi, examiner
336 Content Typetext (rdacontent)
264b Nama PenerbitFakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia
710 Entri Tambahan Badan KorporasiUniversitas Indonesia. Fakultas Matematika dan Ilmu Pengetahuan Alam
504 Catatan Bibliografipages 65-70
049 No. Barkod15-25-05838202
852 LokasiPerpustakaan UI
338 Carrier Typeonline resource (rdacarrier)
590 Cat. Sumber Pengadaan KoleksiDeposit;Deposit;Deposit;Deposit
903 Stock Opname
534 Catatan Versi Asli
Tahun Buka Akses2021
053 No. Induk15-25-05838202
653 Kata Kuncigempabumi; magnitudo gempabumi; machine learning; deep neural network; gelombang p
040 Sumber PengataloganLibUI ind rda
245 Judul UtamaEstimasi Nilai Magnitudo Gempabumi Berbasis Deep Neural Network: Aplikasi pada Sistem Peringatan Dini Gempabumi = Earthquake Magnitudo Estimation Based on Deep Neural Network: Application to Earthquake Early Warning System
264c Tahun Terbit2021
650 Subyek TopikEarthquakes--Data processing; Neural networks (Computer science); Earthquake prediction
850 Lembaga PemilikUniversitas Indonesia
520 Ringkasan/Abstrak/IntisariIndonesia memiliki tingkat aktivitas seismik yang tinggi, sehingga penentuan magnitudo gempabumi penting dalam Sistem Peringatan Dini Gempabumi. Dalam Sistem Peringatan Dini Gempabumi, besaran parameter magnitudo gempabumi harus diperkirakan lebih awal, sehingga peringatan dini dapat disebarluaskan sebelum gelombang S dan surface datang. Dalam studi sebelumnya, teknologi Machine learning dapat digunakan untuk mengenali peristiwa gempa bumi dan mengekstrak informasi tersembunyi dengan kumpulan data yang besar. Penelitian ini merupakan penelitian pendahuluan, mengusulkan metode alternatif untuk menghitung magnitudo gempa secepat mungkin, datanya 1 detik sebelum dan 3 detik setelah gelombang P dari data historis raw seismogram stasiun tunggal 3 komponen, stasiun BLJI, Indonesia, serta dikembangkan dengan deep neural network (DNN) tipe regresi dan deep neural network (DNN) tipe klasifikasi. Hasil dari penelitian, penulis menghitung estimasi nilai magnitudo momen broadband di wilayah Indonesia, dan menunjukkan model alternatif terbaik yang dapat digunakan untuk perhitungan magnitudo secara cepat pada stasiun seismik BLJI adalah dengan menggunakan deep neural network regresi dengan akurasi 93.33% dan MAPE 6.67%. ......Indonesia has a high level of seismic activity, so determining earthquake magnitudo is important in the Earthquake Early Warning System. In the Earthquake Early Warning System, the magnitudo of the parameter magnitudo must be estimated earlier, so that warnings can be issued before the S waves and the surface arrive. In previous studies, machine learning technology could be used to recognize earthquake events and extract hidden information with large data sets. This research was a preliminary study, proposing an alternative method to calculate the earthquake magnitudo as quickly as possible, the data was 1 second before and 3 seconds after the P wave from historical data of raw seismograms for single 3-component stations, BLJI stations, Indonesia, and developed with regression and classification type deep neural network (DNN). The results of the research, were an estimated magnitudo value of the moment of broadband in the territory of Indonesia, and shows the best alternative model that can be used for rapid magnitude at the BLJI seismic station was deep neural network regression with an accuracy of 93.33% and MAPE 6.67%.
904b Pemeriksa Lembar Kerja
090 No. Panggil SetempatT-pdf
d-Entri Utama Nama Orang
500 Catatan UmumTidak dapat diakses di UIANA, karena: akan diterbitkan pada Jurnal Nasional yaitu yang diprediksi akan dipublikasikan pada bulan tahun
d-Entri Tambahan Nama Orang
337 Media Typecomputer (rdamedia)
526 Catatan Informasi Program StudiIlmu Fisika
100 Entri Utama Nama OrangMila Apriani, author
264a Kota TerbitDepok
300 Deskripsi Fisikxiv, 70 pages : illustration + appendix
904a Pengisi Lembar Kerjatanti-Agustus2025
Akses Naskah Ringkas
856 Akses dan Lokasi Elektronik
502 Catatan Jenis KaryaTesis
041 Kode Bahasaind