Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis kualitas data stasiun pengamatan gempabumi menjadi sangat penting sebagai kontrol kualitas atau pengendali mutu. Saat ini penentuan kualitas stasiun pengamatan gempabumi dilakukan secara manual dengan menganalisis parameter bentuk spektrum noise atau bentuk spektrum power spectral density (PSD) terhadap bentuk noise model pada suatu stasiun dengan rentang waktu 30 hari oleh seorang pakar. Pada penelitian ini diusulkan pendekatan metode baru berbasis deep learning untuk mengenali kualitas stasiun pengamatan gempabumi, yang didasarkan dari kemampuan pakar dalam menganalisis kualitas data stasiun pengamatan gempabumi. Data yang digunakan ialah waveform rekaman seismometer 3 komponen (North-South, East-West, Z-vertical) pada jaringan stasiun pengamatan gempabumi Indonesia Tsunami Early Warning System (InaTEWS). Model arsitektur dalam rancang bangun sistem pakar ini menggunakan Multiple Input Convolutional Neural Network (MICNN), dalam model MICNN ini terdapat 3 blok Convolutional Neural Network, yang berfungsi sebagai ekstraksi fitur tiap komponen waveform rekaman seismometer, hasil ekstraksi fitur tiap blok CNN kemudian digabungkan untuk dilakukan proses klasifikasi pada model arsitektur MICNN. Terdapat 3 kelas klasifikasi yang digunakan pada penelitian ini, yaitu Classified, Usable dan Unusable. Pengujian terhadap model MICNN ini menggunakan rekaman waveform seismometer dari 411 stasiun InaTEWS dengan panjang rekaman 30 hari selama 12 bulan, dan hasil pengujian model MICNN pada penelitian ini memiliki akurasi sebesar 99,4%

---

Analysis of the quality of the earthquake observation station data becomes very important as quality control. Currently, the determination of the quality of earthquake observation stations is done manually by analyzing the parameters of the shape of the noise spectrum or the form of the power spectral density (PSD) spectrum against the shape of the noise model at a station with a period of 30 days by an expert. This study proposes a new method approach based on deep learning to identify the quality of earthquake observation stations, which is based on the ability of experts to analyze the quality of earthquake observation station data. The data is a 3-component seismometer recording waveform (North-South, East-West, Z-vertical) on the Indonesian Tsunami Early Warning System (InaTEWS) earthquake observation station network. The architectural model in the design of this expert system uses Multiple Input Convolutional Neural Network (MICNN). In this MICNN model, 3 Convolutional Neural Network blocks function as feature extraction for each component of the seismometer recording waveform. Classification process on the MICNN architectural model. There are three classification classes used in this study, namely Classified, Usable and Unusable. The test of the MICNN model uses waveform seismometer recordings from 411 InaTEWS stations with a recording length of 30 days for 12 months, and the results of testing the MICNN model in this study have an accuracy of 99,4%."

"Kekuatan suatu struktur tidak hanya dipengaruhi oleh faktor usia tetapi juga pengaruh dari gaya eksternal yang dapat mempengaruhi kekuatan suatu bangunan. Getaran gempa dapat menyebabkan kegagalan bangunan struktur yang sangat berbahaya jika kerusakan pada struktur dapat menyebabkan bangunan runtuh dan menimbulkan korban jiwa. Pada penelitian ini dibuat sistem yang dapat mengevaluasi gedung berbasis getaran untuk mendeteksi respon struktural melalui parameter dinamis yang diambil dari pengukuran akselerasi. Selanjutnya penggunaan metode berbasis Deep Neural Network digunakan sebagai prediksi informasi apabila informasi dari data mentah tidak tersedia ataupun mengalami anomali. Menggunakan studi kasus gempabumi Sumur, analisis respon dinamis berupa rasio amplifikasi menunjukkan perbesaran hingga 7.2 kali, analisis floor spectra ratio menunjukkan frekuensi alami gedung sebesar 0.75 Hz dan analisis perubahan frekuensi natural gedung tidak menunjukkan adanya perubahan frekuensi alami gedung setelah gempa yaitu sebesar 0.84 Hz setelah terjadinya gempabumi tersebut. Penggunaan Deep Neural Network untuk prediksi respon struktur menunjukkan nilai performa MAE ; 0,00091, RMSE : 0,00150 dan MAPE :0,51048. Penggunaan machine learning ini juga dapat memberikan informasi respon struktur bangunan ketika sensor mengalami malfungsi pada kejadian gempa tersebut.

---

The strength of a structure is not only influenced by the age factor but also the influence of external forces that can affect the strength of a building. Earthquake vibrations can cause structural failure which is very dangerous if damage to the structure cause the building to collapse and cause casualties. In this research, a system that can evaluate buildings based on vibration is created to detect structural responses through dynamic parameters taken from acceleration measurements. Furthermore, the use of Deep Neural Network-based methods is used as information prediction if information from raw data is not available or experiences anomaly. Using the Sumur earthquake case study, the dynamic response analysis in the form of amplification ratios shows a magnification of up to 7.2 times, floor spectra ratio analysis shows the natural frequency of the building at 0.75 Hz and the analysis of changes in the natural frequency of the building does not show any change in the natural frequency of the building after the earthquake, which is 0.84 Hz after the earthquake. the earthquake. The use of Deep Neural Network for predicting structural response shows the value of MAE performance; 0.00091, RMSE : 0.00150 and MAPE : 0.51048. The use of machine learning can also provide information on the response of the building structure when the sensor malfunctions in the earthquake event."