Prediksi Intensitas dan Lokasi Gempa Bumi di Wilayah Sumatra Dengan Evolutionary Multi-Output Deep Learning Berbasis Algoritma Genetika

Prakosa, Himawan Adi (2025) Prediksi Intensitas dan Lokasi Gempa Bumi di Wilayah Sumatra Dengan Evolutionary Multi-Output Deep Learning Berbasis Algoritma Genetika. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003222015-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (3MB) | Request a copy

Abstract

Model Epidemic-Type Aftershock Sequence (ETAS) telah banyak digunakan untuk prediksi kejadian aftershock jangka pendek, namun seringkali cenderung menghasilkan prediksi yang lebih rendah daripada jumlah gempa bumi yang sebenarnya terjadi (underestimate). Hal ini dikarenakan model ETAS tidak dirancang untuk meramalkan, dan cenderung tidak memiliki kemampuan untuk menangkap efek kompleks dari data. Untuk mengatasi keterbatasan ini, penelitian ini tidak hanya mengintegrasikan teknik Deep Learning dengan ETAS tetapi juga mengusulkan metode multi-output berbasis Convolutional Neural Networks (CNN) dan Long Short-Term Memory (LSTM) yang dioptimalkan dengan Evolutionary Neural Architecture Search (ENAS) berbasis algoritma genetika. Sumatra dipilih sebagai wilayah studi karena memiliki sejarah aktivitas seismik yang signifikan dan kerentanan tinggi terhadap gempa bumi, menjadikannya area yang ideal untuk penerapan dan pengujian pendekatan ini. Sumatra adalah wilayah dengan sejarah aktivitas seismik yang signifikan, ditandai oleh banyak gempa bumi besar. Pada periode 2004 hingga 2023, tercatat sekitar 7.500 gempa bumi dangkal dan merusak di Sumatra, dengan 15% di antaranya memiliki magnitudo lebih dari 5.0. Penelitian ini membandingkan tiga arsitektur: Single-Output LSTM, Single-Output CNN, dan Multi-Output CNN-LSTM, untuk memprediksi intensitas maksimum gempa bumi dan lokasi episentrum. Multi-Output CNN-LSTM, yang dioptimalkan dengan ENAS, mengungguli model yang lain dengan mencapai akurasi tinggi (71.75% ± 0.37%) dan Mean Squared Error (MSE) yang rendah (0.3368 ± 0.0022) secara simultan. Temuan ini menyoroti efisiensi dan keandalannya untuk peramalan seismik.
==================================================================================================================================
The Epidemic-Type Aftershock Sequence (ETAS) model has been widely used for short-term aftershock prediction, but it often tends to underestimate the actual number of earthquakes. This is because ETAS models are not designed for forecasting, and tend not to capture the complex effects of the data. To overcome these shortcomings, this study not only integrates Deep Learning techniques with ETAS but also proposes a multi-output method to improve predictive performance. Specifically, this research utilizes Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM), optimized with Evolutionary Neural Architecture Search (ENAS) based on genetic algorithms. Sumatra is chosen as the study area due to its significant history of seismic activity and high vulnerability to earthquakes, making it an ideal region for the application and testing of this approach. Sumatra is a region with a significant history of seismic activity, marked by numerous major earthquakes. During the period from 2004 to 2023, approximately 7,500 damaging shallow earthquakes were recorded in Sumatra, with 15% of them having magnitudes greater than 5.0. This research compares three architectures: Single-Output LSTM, Single-Output CNN, and Multi-Output CNN-LSTM, for predicting maximum earthquake intensity and epicenter location. The Multi-Output CNN-LSTM, optimized with ENAS, outperforms others with achieving high accuracy (71.75% ± 0.37%) and low Mean Squared Error (MSE) (0.3368 ± 0.0022) simultaneously. These findings highlight its efficiency and reliability for seismic forecasting.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Algoritma Genetika, CNN, ENAS, LSTM, Model ETAS, Multi-Output Deep Learning
Subjects:	Q Science > QA Mathematics > QA402.5 Genetic algorithms. Interior-point methods. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Himawan Adi Prakosa
Date Deposited:	05 Feb 2025 08:12
Last Modified:	05 Feb 2025 08:12
URI:	http://repository.its.ac.id/id/eprint/118344

Actions (login required)

View Item