Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seismometer mempunyai karakteristik seperti frekuensi natural, konstanta damping, bandwidth frekuensi dan sensitivitas. Nilai dari besaran-besaran tersebut berpengaruh dalam pengolahan data seismik, terutama parameter gempa bumi seperti magnitudo, olah karena itu diperlukan kalibrasi sehingga dihasilkan pengukuran yang valid. Kalibrasi seismometer adalah kalibrasi untuk mendapatkan nilai sensitivitasnya. Penelitian ini bertujuan untuk mendapatkan nilai paramater seismometer yaitu sensitivitas yang tertelusur ke satuan international, dengan merancang sistem kalibrasi seismometer secara relatif maupun absolut. Perancangan sistem kalibrasi dilakukan baik secara hardware maupun software. Pada hardware dirancang sistem low noise digitizer dengan ADC beresolusi 16 bit, sedangkan untuk pengolahan dan analisa data kalibrasi digunakan software builder LabVIEW. Dari data hasil kalibrasi tiga lokasi yang berbeda, kalibrasi relatif menggunakan signal sinus 1 Hz di dapat bahwa sensitivitas seismometer TDV-23S mempunyai nilai sebesar 1217,28 ± 3,42 V/m/s atau 0,25 % untuk nilai ketidakpastiannya pada setiap komponen dan nilai konstanta damping 0,49.

---

Seismometers have characteristics, such as natural frequencies, damping constants, frequencies bandwidth, and sensitivities. The values of the characteristics have very influential in determine of earthquake magnitude. Therefore, calibration of seismometers is needed to obtain validated measurement. This research is aimed to design calibration system either relative or absolute, in order to obtain the sensitivity value that traceable to international units. The calibration system design is done in hardware and software. On the hardware, is designed low noise digitizer system with 16 bit resolution, for the processing and calibration data analysis is used LabVIEW Software Builder. The calibration test data from this research are seismic signals which are recorded from three different locations. Results from testing on the entire seismic signals show that relative calibration which is used sine signal of 1 Hz, gives 1217,28 ±3,42 V/m/s sensitivity of TDV-23S seismometer is obtained, or uncertainty of each component of 0,25% and the damping constant of 0.49."

"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."

"Pemeliharaan prediktif pada stasiun pengamatan gempa bumi dan tsunami menjadi sangat penting sebagai kualitas kontrol atau pengendalian mutu. Saat ini penentuan kualitas stasiun pengamatan gempa bumi dan tsunami dilakukan secara pemeliharaan preventif dan pemeliharaan korektif dimana seorang pakar akan melakukan pemeliharaan secara berkala ataupun melakukan pemeliharaan apabila keadaan stasiun pengamatan gempa bumi dan tsunami mengalami kerusakan total. Pada penelitian ini pemeliharaan prediktif dilakukan pada seismometer dua stasiun yang berdekatan dengan menganalisis dalam domain frekuensi. Data yang digunakan adalah sinyal seismik pada rekaman seismometer tiga komponen (North-South, East-West, Z-Vertical) pada jaringan stasiun pengamatan gempa bumi dan tsunami. Rancangan penelitian ini yaitu rekaman sinyal seismik pada dua stasiun diubah dalam domain frekuensi menjadi power spectral density kemudian dilakukan cross spectral density dan mendapatkan nilai koherensi dari cross spectral density. Kemudian nilai tersebut menjadi feature untuk machine learning dan label untuk machine learning diberikan oleh pakar dari Badan Meteorologi Klimatologi dan Geofisika. Evaluasi dengan model machine learning berbasis data koherensi cross spectral density pada fault detection seismometer berdasarkan machine learning yang dipakai adalah random forest dan xgboost dengan memiliki akurasi 0,89 dan 0,91. Selain itu, waktu training untuk permodelan xgboost lebih cepat daripada random forest.

---

Predictive maintenance of earthquake and tsunami observation stations is very important for quality control. Currently, the determination of the quality of earthquake and tsunami observation stations is carried out by preventive maintenance and corrective maintenance, where an expert will perform regular maintenance or perform maintenance if the earthquake and tsunami observation station is completely damaged. In this research, predictive maintenance is carried out on the seismometers of two adjacent stations by analyzing in the frequency domain. The data used are seismic signals in three-component seismometer recordings (North-South, East-West, Z-Vertical) in the earthquake and tsunami observation station network. The design of this research is that seismic signal recordings at two stations are converted in the frequency domain into power spectral density, then cross spectral density is carried out and the coherence value of the cross spectral density is obtained. Then the value becomes a feature for machine learning and the label for machine learning is given by experts from the Meteorology Climatology and Geophysics Agency. Evaluation with machine learning models based on cross spectral density coherence data on seismometer fault detection based on machine learning used is random forest and xgboost with an accuracy of 0.89 and 0.91. In addition, the training time for xgboost modeling is faster than random forest."