Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seismometer adalah instrumen penting dalam memantau gempa bumi dan aktivitas seismik lainnya. Namun, kinerjanya dapat menurun seiring waktu karena berbagai faktor, seperti kondisi lingkungan, komponen yang menua, dan gangguan eksternal. Hal ini dapat menyebabkan pengumpulan data yang tidak akurat. Saat ini belum ada metode yang dapat digunakan untuk mengevaluasi kinerja seismometer. Dalam penelitian ini, mengembangkan metode diagnosis kesehatan seismometer yang berbasis pada analisis sinyal seismik.  Metode yang dikembangkan mengunakan model machine learning SVM dan random forest  berdasarkan feature korelasi silang dan  rasio amplitudo,  Metode ini menghasil kan 4 indikator kesehatan yaitu Excellent, Good, Fair dan Poor, Nilai korelasi silang dan rasio amplitudo di dapatkan  melalui korelasi antara 2 jenis sinyal seismik yaitu sinyal seismik target dan beberapa sinyal seismik referensi sehingga dapat diketahui bahwa seismometer yang dalam kondisi sangat bagus memiliki nilai korelasi silang dan rasio amplitudo ± 0.9 – 1. Metode yang digunakan sudah dievaluasi dengan mengunakan 6 event gempa teleseismik : Jepang 2024, Alaska Peninsula 2023, New Caledonia 2023, Turkey 2023, Tongga 2023 dan Solomon 2022 dengan model SVM dan Random Forest untuk mengklasifikasikan kesehatan seismometer didapatkan akurasi 95 % dna 88 %.

---

Seismometers are crucial instruments for monitoring earthquakes and other seismic activities. However, their performance can degrade over time due to various factors such as environmental conditions, aging components, and external disturbances. This can lead to inaccurate data collection. Currently, there is no method available to evaluate the performance of seismometers. In this study, we developed a seismometer health diagnosis method based on seismic signal analysis. The developed method uses SVM and random forest machine learning models based on cross-correlation features and amplitude ratios. This method produces four health indicators: Excellent, Good, Fair, and Poor. The cross-correlation values and amplitude ratios are obtained through the correlation between two types of seismic signals, namely the target seismic signal and several reference seismic signals. It can be known that seismometers in excellent condition have cross-correlation values and amplitude ratios of approximately 0.9 – 1. The method used has been evaluated using six teleseismic earthquake events: Japan 2024, Alaska Peninsula 2023, New Caledonia 2023, Turkey 2023, Tonga 2023, and Solomon 2022. Using SVM and Random Forest machine learning models to classify seismometer health, accuracies of 95% and 88% were obtained respectively."

"Penelitian ini menggunakan metode ambient noise tomography (ANT) untuk mengidentifikasi kondisi bawah permukaan di wilayah Cekungan Bandung. Data penelitian adalah seimic waveform yang terekam pada 15 stasiun, berasal dari gempa yang terjadi dari Januari 2022 hingga Juli 2022. Metodologi penelitian meliputi persiapan data tunggal, korelasi silang dan stacking, picking kurva dispersi, uji resolusi, pembuatan peta kecepatan grup gelombang Rayleigh, dan analisis hasil. Hasil yang diperoleh berupa peta distribusi kecepatan grup gelombang Rayleigh dengan periode antara 3 hingga 32 detik. Dari penelitian ini, didapatkan hasil bahwa pemodelan tomografi kecepatan gelombang Rayleigh di wilayah Cekungan Bandung dengan menggunakan metode ambient noise tomography menunjukkan variasi kecepatan grup antara 0,1 km/s hingga 3,5 km/s. Distribusi kecepatan gelombang Rayleigh pada hasil tomogram secara jelas mengidentifikasi beberapa struktur geologi seperti litologi batuan penyusun dan cekungan di wilayah tersebut. Penelitian juga menemukan adanya zona kecepatan rendah yang mencapai 18 detik, yang mengindikasikan keberadaan sedimentasi lapisan lunak yang sangat dalam dengan wilayah cakupan yang luas. Hasil penelitian ini menunjukkan bahwa metode ambient noise tomography efektif dalam mengidentifikasi model kecepatan grup gelombang bawah permukaan, memberikan wawasan mendalam tentang struktur geologi di Cekungan Bandung.

---

This study utilizes the ambient noise tomography (ANT) method to identify subsurface conditions in the Bandung Basin area. The research data consists of seismic waveforms recorded at 15 stations, originating from earthquakes occurring between January 2022 and July 2022. The research methodology includes single data preparation, cross-correlation and stacking, dispersion curve picking, resolution testing, Rayleigh wave group velocity mapping, and result analysis. The results obtained are in the form of a Rayleigh wave group velocity distribution map with periods ranging from 3 to 32 seconds. The study found that the Rayleigh wave velocity tomography modeling in the Bandung Basin area using the Ambient noise tomography method shows a group velocity variation between 0.1 km/s and 3.5 km/s. The distribution of Rayleigh wave velocities on the tomogram results clearly identifies several geological structures such as the composing rock lithology and the basin in the area. The study also identified a low-velocity zone reaching 18 seconds, indicating the presence of very deep and extensive soft sediment layers. These findings demonstrate that the Ambient noise tomography method is effective in identifying the subsurface Rayleigh wave group velocity model, providing in-depth insights into the geological structure of the Bandung Basin."