Perpustakaan Digital ITB

Tsunami adalah gelombang air laut yang merambat ke segala arah dan terjadi karena adanya gangguan impulsif pada dasar laut. Sebagian besar tsunami yang terjadi di Indonesia dipicu oleh terjadinya gempa bumi tektonik. Tidak semua gempa bumi tektonik mengakibatkan tsunami, tetapi sebagian besar tsunami disebabkan oleh gempa bumi tektonik. Indonesia termasuk negara yang rawan terhadap bencana tsunami jarak dekat atau tsunami lokal karena sebagian daerah pantainya dekat dengan sumber tsunami. Hal ini menyebabkan bencana tsunami dapat terjadi kurang dari 30 menit setelah gempa bumi terjadi. Itu sebabnya sistem peringatan dini terhadap tsunami (Tsunami Early Warning System – TEWS) menjadi sesuatu yang penting untuk dibangun dan dikembangkan khususnya di Indonesia. Salah satu bagian penting di dalam TEWS adalah bagian penentu keputusan peringatan dini yang bertugas untuk memprediksi potensi terjadinya tsunami dari sebuah peristiwa gempa bumi. Ketika gempa bumi terjadi, maka bagian penentu keputusan ini akan melakukan proses prediksi tsunami dan mengeluarkan keputusan gempa bumi tersebut berpotensi menyebabkan terjadinya tsunami atau tidak. Dua isu penting di dalam sistem peringatan dini tsunami khususnya pada bagian penentu keputusan peringatan dini adalah akurasi prediksi dan waktu komputasi yang berpengaruh pada waktu terbit peringatan pertama. Beberapa penelitian yang telah dilakukan dalam hal prediksi tsunami menunjukkan belum optimalnya akurasi prediksi dan waktu komputasi yang dicapai. Secara umum, penelitian ini bertujuan untuk meningkatkan kinerja sistem prediksi potensi tsunami dari sebuah kejadian gempa bumi dalam hal akurasi dengan waktu komputasi yang masih dapat diterima untuk keperluan peringatan dini tsunami menggunakan pendekatan metodologi yang baru, yaitu pendekatan pembelajaran mesin dan fusi sensor di dalam inferensi atau pengambilan keputusannya. Penelitian disertasi ini didasarkan pada hipotesis awal bahwa penggunaan pendekatan fusi sensor di dalam penyediaan input pembelajaran mesin dalam bentuk penggabungan fitur seismik yang diperoleh dari data seismometer berupa durasi robekan (rupture), periode dominan sinyal P, diskriminan durasi-periode, magnitudo momen, dan informasi terkait posisi stasiun seismometer dengan fitur ii seismik yang diperoleh dari data deret waktu Global Positioning System (GPS) berupa informasi terkait mekanisme fokal seperti arah pergeseran bidang gempa, diharapkan dapat mengoptimasi performansi prediksi tsunami dalam hal akurasi dengan waktu komputasi yang masih dapat diterima untuk keperluan peringatan dini tsunami. Penelitian ini dilakukan dalam empat tahapan penelitian. Tahap pertama difokuskan pada dua pekerjaan mendasar yaitu perancangan model set fitur beserta data set yang mengimplementasikannya yang akan digunakan untuk keperluan pembelajaran mesin dan merancang proses ekstraksi ciri untuk menghasilkan fitur dari sinyal seismik. Tahap kedua difokuskan pada eksperimen pembelajaran mesin untuk melakukan klasifikasi gempa bumi menggunakan beberapa metode pengklasifikasi yaitu K-Nearest Neighbor (KNN), Decision Tree, Random Forest, Support Vector Machine (SVM), dan Artificial Neural Network (ANN) beserta analisis kinerja masing-masing algoritma dalam melakukan prediksi. Selanjutnya di tahap ketiga penelitian, dilakukan pengembangan Model Inversi Okada menggunakan Algoritma Genetika (AG) untuk mengestimasi beberapa parameter sumber gempa dan magnitudo momen gempa bumi. Proses inversi Model Dislokasi Okada menggunakan AG ini sekaligus menjadi proses ekstraksi fitur dari data deret waktu GPS untuk menghasilkan fitur seismik pelengkap dari fitur yang dihasilkan sebelumnya. Pada tahap akhir penelitian dilakukan eksplorasi berbagai model fusi sensor antara sensor seismometer dan sensor GPS untuk mengoptimasi kinerja prediksi sistem dalam hal akurasi maupun waktu komputasi. Beberapa kontribusi orisinal dan bersifat kebaruan yang dihasilkan dari penelitian ini di antaranya yaitu model himpunan fitur seismik yang spesifik untuk keperluan prediksi potensi tsunami, model inversi Okada-AG untuk mengestimasi parameter sumber gempa dan magnitudo momen, dan model fusi sensor kondisional yang melibatkan sensor seismometer dan sensor GPS untuk meningkatkan kinerja prediksi. Di akhir penelitian diperoleh capaian kinerja prediksi potensi tsunami yang baik hingga mencapai akurasi lebih dari 95% dan waktu komputasi yang dapat diterima sesuai dengan kebutuhan sistem peringatan dini.