Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penentuan waktu tiba gelombang seismik yang akurat dan cepat adalah salah satu tantangan utama dalam berbagai aplikasi seismologi, contohnya seperti aplikasi penentuan lokasi dan relokasi sumber gempa mikro. Dalam dekade terakhir, banyak metode picking otomatis bermunculan yang bertujuan untuk mempermudah dan mempercepat proses pekerjaan penentuan waktu tiba gelombang. Dalam penelitian ini penulis berupaya untuk membuat perangkat lunak picking otomatis waktu tiba gelombang menggunakan algoritma STA-LTA dan AMPA. Hasil dari 𝑡𝑝𝑖𝑐𝑘𝑖𝑛𝑔 menjadi masukan untuk menentukan lokasi hiposenter menggunakan metode GAD. Selanjutnya dihitung pembaharuan model kecepatan 1D menggunakan velest. Hasil dari penelitian ii adalah kita dapat menganalisa tomografi kecepatan dan dapat menganalisa zona rekahan di area panasbumi.

---

Picking time arrival of seismic wave fastly and accurately is one of the major challenges in seismological applications, for example in finding location and relocation of microeartquake event. In the last decade, many automatic picking methods released in order to make time arrival picking easier and faster. In this thesis, a writer tried to make an automatic picking time arrival software using STALTA and AMPA algorithm. The result of 𝑡𝑝𝑖𝑐𝑘𝑖𝑛𝑔 is using as an input for GAD mothod to locate a hypocenter. Then, a new 1D velocity model is calculated using Velest. The result of this research is we can analyze a velocity tomografi and to analyze a fracture zone in panasbumi area."

"Sistem peringatan dini gempa bumi bertujuan memberikan respons cepat segera setelah terdeteksi gelombang P, sebelum gelombang destruktif mencapai permukaan. Penelitian ini mengembangkan model klasifikasi gempa menggunakan arsitektur Convolutional Neural Network (CNN) 1D berbasis data seismometer dari Stanford Earthquake Dataset (STEAD). Deteksi awal kedatangan gelombang P dilakukan menggunakan metode Short-Term Average/Long-Term Average (STA/LTA), kemudian sinyal dipotong dalam beberapa variasi jendela waktu sebagai input model. Model dikembangkan dengan dua parameter ground motion sebagai label klasifikasi biner, yaitu Peak Ground Velocity (PGV) dan Peak Ground Acceleration (PGA), untuk membedakan gempa besar dan kecil. Hasil evaluasi menunjukkan bahwa jendela 3 detik setelah gelombang P memberikan performa terbaik, dengan akurasi sebesar 95,45% untuk PGV dan 94,95% untuk PGA. PGV menunjukkan stabilitas metrik yang lebih baik, terutama dalam mengenali gempa besar. Penelitian ini menunjukkan bahwa informasi pada fase awal sinyal cukup untuk mendukung klasifikasi cepat dan akurat. Penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan sistem peringatan dini gempa bumi berbasis deep learning.

---

Earthquake early warning systems aim to provide a rapid response immediately after the detection of P-waves, before destructive shaking reaches the surface. This study develops an earthquake classification model using a one-dimensional Convolutional Neural Network (1D CNN) architecture, based on seismometer data from the Stanford Earthquake Dataset (STEAD). The initial detection of P-wave arrivals is performed using the Short-Term Average/Long-Term Average (STA/LTA) method, followed by segmentation of the signal into several time window variations for model input. The model is trained using two ground motion parameters as binary classification labels, namely Peak Ground Velocity (PGV) and Peak Ground Acceleration (PGA), to differentiate between large and small earthquakes. Evaluation results show that the 3-second window after the P-wave arrival yields the best performance, with an accuracy of 95.45% for PGV and 94.95% for PGA. PGV demonstrates better metric stability, particularly in recognizing large earthquakes. These findings suggest that information from the early phase of seismic signals is sufficient to support fast and accurate classification. This study contributes to the advancement of deep learning-based earthquake early warning systems that are both efficient and reliable. "

"Gempa bumi merupakan fenomena alam yang memiliki potensi dalam meningkatkan risiko korban jiwa dan menghancurkan infrastruktur. Untuk mengurangi kerugian ini, deteksi fase P pada sinyal seismik menjadi langkah yang krusial, khususnya untuk keperluan sistem peringatan dini. Penelitian ini bertujuan untuk menerapkan algoritma XGBoost dalam mendeteksi kedatangan fase P pada data sinyal seismik. XGBoost adalah salah satu metode machine learning yang berbasis pohon keputusan. Dataset yang digunakan berasal dari data INSTANCE, mencakup rekaman gempa beserta metadatanya dengan tiga komponen kanal (E, N, Z). Setiap sinyal dipotong dalam window lima detik, dua detik sebelum dan tiga detik sesudah waktu kedatangan fase P. Fitur statistik seperti Root Mean Square (RMS), skewness, dan kurtosis diekstraksi dari tiap window sebagai input untuk model XGBoost. Selanjutnya data dipisah dengan rasio 70:30 untuk data latih dan uji. Performa algoritma XGBoost kemudian dievaluasi dengan selisih waktu prediksi fase P terhadap True Label. Kinerja model ini juga dibandingkan dengan metode konvensional STA/LTA.

---

Earthquake is a natural phenomena that has the potential to increase the risk of death and destroy infrastructure. To reduce these losses, P phase detection in seismic signals is a crucial step, especially for early warning systems. This study aims to apply the XGBoost algorithm to detect P phase in seismic signal data. XGBoost is a machine learning method based on decision trees. The dataset used comes from INSTANCE data, including earthquake recordings and their metadata with three channel components (E, N, Z). Each signal is cut into a five-second window, two seconds before and three seconds after the arrival of the P wave. Statistical features such as Root Mean Square (RMS), skewness, and kurtosis are extracted from each window as input for the XGBoost model. Furthermore, the data is split with a ratio of 70:30 for training and testing data. The performance of the XGBoost algorithm is then evaluated by the difference in the prediction time of the P phase to the True Label. This performance model is also compared with the conventional STA/LTA method. "