Salim, Christopher (2020) Otomatisasi Analisis Fase Seismogram Gempa Mikro Di Lapangan “X” Menggunakan Algoritma Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
03411640000025-Undergraduate_Thesis.pdf Download (1MB) | Preview |
Abstract
Dalam menentukan fase seismogram gempa mikro dan menentukan waktu tiba gelombang P dan S, metode konvensional yang memerlukan picking manual seringkali digunakan oleh geofisikawan. Parameter waktu tiba ini kemudian digunakan untuk menghitung hiposenter dan melakukan monitoring pada manifestasi sumber panas bumi. Untuk meminimalkan subjektivitas pada proses picking, metode yang menggunakan kecerdasan buatan (artificial intelligence/AI) akan dilakukan pada penelitian ini. Algoritma yang akan digunakan adalah convolutional neural network (CNN), salah satu cabang dari deep learning. Algoritma ini seringkali digunakan untuk mengekstraksi fitur pada suatu gambar dan kemudian mempelajarinya untuk memberi label pada data lain yang memiliki fitur tersebut. CNN memerlukan data seismogram dalam jumlah banyak sebagai data training pada awalnya sebagai masukan. CNN yang sudah dilatih ini kemudian akan digunakan untuk menganalisis waktu tiba gelombang P dan S pada data seismogram di lapangan “X” secara otomatis. Fitur yang dipelajari dari data untuk membedakan antara gelombang P dan S adalah perbandingan amplitudo maksimum antara satu komponen dengan komponenpengukuran lainnya. Hasil accuracy dan loss dari proses training dan testing adalah rata-rata 0.95 dan 0.15. Sementara itu, ketika sudah diuji dengan data asli, hasil evaluasinya adalah nilai precision sebesar 0.80, nilai recall sebesar 0.26, dan nilai accuracy sebesar 0.91. Berdasarkan hasil tersebut, penelitian ini dapat berguna untuk mengotomatisasi proses awal evaluasi sumber panas bumi dan memberikan faktor objektivitas pada proses picking fase gelombang P dan S pada data seismogram.
====================================================================================================================================
In determining the phase of a microseismic and determining the arrival time of P and S waves, conventional methods that require manual picking are often used by geophysicists. The arrival time parameter is then used to calculate the
hypocenter and monitor the manifestation of geothermal sources. To minimize subjectivity in the picking process, methods that use artificial intelligence (AI) will be carried out in this study. The algorithm that will be used is convolutional neural network (CNN), one of the branches of deep learning. This algorithm is often used to extract features in an image and then learn them to label other data that have these features. CNN requires a large amount of seismogram data as training data initially as input. This trained CNN will then be used to analyze the P and S wave arrival time in the seismogram data in the "X" field automatically. The feature learned from the data to distinguish between P and S waves is the ratio of the maximum amplitude of one component to another measurement component. The results of accuracy and loss of the training and testing process are on average 0.95 and 0.15. Meanwhile, when tested with real data, the evaluation results are a precision value of 0.80, a recall value of 0.26, and an accuracy value of 0.91. Based on these results, this research can be useful to automate the initial process of evaluating geothermal sources and provide objectivity factors in the P and S wave phase picking process in seismogram data.
| Item Type: | Thesis (Other) |
|---|---|
| Additional Information: | RSGf 550 Sal o-1 2020 |
| Uncontrolled Keywords: | deep learning, waktu tiba, seismogram, convolutional neural network, panas bumi, arrival time, seismogram, convolutional neural network, geothermal |
| Subjects: | Q Science > Q Science (General) > Q325 GMDH algorithms. |
| Divisions: | Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis |
| Depositing User: | Christopher Salim |
| Date Deposited: | 10 Mar 2025 04:24 |
| Last Modified: | 10 Mar 2025 04:24 |
| URI: | http://repository.its.ac.id/id/eprint/74372 |
Actions (login required)
 |
View Item |