Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia 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%."

"Sistem Peringatan Dini Gempabumi atau Earthquake Early Warning System (EEWS) merupakan sistem peringatan yang memberikan informasi mengenai estimasi waktu tiba gelombang S yang berpotensi menimbulkan guncangan signifikan bahkan merusak dengan memanfaatkan informasi yang dibawa oleh gelombang P. Saat ini kemajuan teknologi dalam menganalisis data yang didukung dengan big data, interkoneksi antar jaringan dan sistem komputasi berkinerja tinggi pada era revolusi industri 4.0 mulai menyebabkan banyaknya penelitian tentang sistem peringatan dini gempa dengan menggunakan metode-metode machine learning dan deep learning. Kami menggunakan data historis raw seismogram sensor single station 3 komponen (2015-2020) yang tercatat pada stasiun PDSI Badan Meteorologi Klimatologi dan Geofisika (BMKG) untuk dilakukan proses pembelajaran dan pengujian melalui pendekatan Deep Neural network dan Random Forest, penulis akan melakukan klasifikasi kejadian gempabumi atau noise, menentukan akurasi pada setiap cluster lokasi episenter gempabumi di wilayah zona subduksi Sumatra bagian barat dan penentuan lokasi gempabumi. Hasil percobaan menunjukkan bahwa model yang dihasilkan saat proses pembelajaran bisa mendeteksi gempabumi dengan akurasi sebesar 90%, presisi 93 % dan menentukan lokasi gempabumi dengan akurasi 80%. Salah satu yang mempengaruhi hasil pengujian yaitu kualitas sinyal yang diperlihatkan dengan nilai SNR serta jarak sumber gempabumi ke stasiun pencatat.

---

wave arrival time, which can cause significant and destructive seismic energy using the information carried by the P wave. Technological advances in analyzing data supported by big data, the interconnection between networks, and high-performance computing systems in the era of the 4.0 industrial revolution have posed challenges to process and analyze earthquake early warning using modern seismological techniques. Early identification of earthquake events is the key to time efficiency to accelerate the dissemination of information. Here, we implement deep neural network for early earthquake detection and random forest for earthquake location using raw historical data from 3 component BMKG single station at PDSI station (2015 -2020) in the subduction zone of West Sumatra. Statistically, the results of training and testing show good and convergent performance. The signal quality indicated by the SNR value and the distance from the earthquake source to the recording station affect the prediction results."