![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
ABSTRAK Bondan Febriarta.pdf
PUBLIC Devi Septia Nurul ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Cover Bondan Febriarta.pdf
PUBLIC Devi Septia Nurul ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Bab I Bondan Febriarta.pdf
PUBLIC Devi Septia Nurul ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Bab II Bondan Febriarta.pdf
PUBLIC Devi Septia Nurul ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Bab III Bondan Febriarta.pdf
PUBLIC Devi Septia Nurul ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Bab IV Bondan Febriarta.pdf
PUBLIC Devi Septia Nurul ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Bab V & Daftar Pustaka.pdf
PUBLIC Devi Septia Nurul
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.