Perpustakaan Digital ITB

Studi mengenai delineasi sesar pada data seismik post-stack 3D dengan implementasi algoritma convolutional neural network akan dilakukan dengan menggunakan arsitektur 3D U-Net. Tujuan dari penelitian adalah membangun arsitektur CNN dan membandingkan hasil identifikasi sesarnya dengan atribut variance. Metode yang digunakan dalam mengembangkan program delineasi sesar ini adalah CNN dengan core library Pytorch. Penyusunan dataset dilakukan dengan memanfaatkan 220 pasang data sintetik yang terdiri dari 200 pasang data train/test dan 20 pasang data validasi. Hasil yang diperoleh dalam proses training menunjukkan kurva loss function yang mengalami konvergensi yaitu sekitar di bawah 0.0154 untuk train dan sekitar di bawah 0.0308 untuk test, dimana konvergensi ini menandakan berhasilnya proses training. Secara kuantitatif estimasi delineasi sesar menggunakan model CNN yang dihasilkan menunjukkan nilai yang baik berdasarkan performance metrics yang digunakan yaitu precision, recall, dan f-1 score menggunakan data validasi yaitu berturut-turut sekitar 0.7, 0.8, dan 0.9. Secara kualitatif atau visual hasil estimasi delineasi sesar pada data sintetik validasi menggunakan model CNN mengungguli atribut variance, dimana pada atribut variance estimasi sesar yang dihasilkan tidak kontinyu dan masih banyak titiktitik yang meleset dalam estimasinya dibandingkan dengan model CNN. Untuk sementara hasil estimasi delinasi sesar menggunguli atribut variance dari sisi visual. Begitupun ketika model CNN yang telah melalui proses training diterapkan pada beberapa data lapangan. Hasil yang dicapai jika dilihat secara visual telah baik, dimana area yang terdapat sesar dapat terlihat dengan jelas, tetapi pada area dimana terdapat diskontinuitas yang komplek akan mengalami distorsi.