Perpustakaan Digital ITB

Kondisi dan jumlah data gempa di dunia terus meningkat seiring dengan meningkatnya kapasitas dan jangkauan jaringan seismik global. Oleh karena itu, dibutuhkan adanya teknologi yang dapat mengakomodasi peningkatan jumlah data dan memprosesnya dengan cepat untuk membantu meningkatkan efisiensi pemrosesan data dalam mengidentifikasi fasa gelombang seismik. Hal ini dapat membantu pengembangan sistem yang lebih advanced¸ contohnya seperti sistem peringatan dini bencana di Indonesia. Dalam penelitian ini, peneliti menerapkan artificial intelligence, yaitu PhaseNet dan GaMMA, serta menerapkan probabilistic location determination dengan NonLinLoc dalam optimasi identifikasi gempa tektonik regional di Indonesia, khususnya di Pulau Jawa. Pada penelitian ini, digunakan data seismogram dari 50 gempa tektonik regional di Pulau Jawa, Indonesia pada tahun 2020 dengan rentang magnitudo 3,28 sampai 5,49. Hasil pengolahan data menggunakan PhaseNet menghasilkan pick gelombang P dan gelombang S dari data seismogram dengan 189 dari 569 (sebesar 33%) pick PhaseNet yang dibandingkan dengan katalog BMKG memiliki selisih waktu di bawah 3 detik, yang dianggap sebagai hasil yang cukup baik. GaMMa menghasilkan sejumlah 44 asosiasi event dari total 2207 pick dari 50 event (sebesar 88%) yang dihasilkan oleh PhaseNet. Waktu tiba dari 20 event diteruskan kepada NonLinLoc setelah dilakukan filtering berdasarkan diagram Wadati. Dari 20 event yang menjadi input, sebanyak 17 event terestimasi hiposenternya menggunakan NonLinLoc. Hasil perbandingan NonLinLoc dengan katalog BMKG menunjukkan bahwa selisih minimum, rata-rata, dan maksimum untuk penentuan lokasi hiposenter berturut-turut adalah 3,914213631 km; 206,2701712 km; dan 57,36959936 km; dengan sebanyak 58% event memiliki selisih dengan rentang 2035 km. Secara keseluruhan, dengan data input berkualitas baik, penerapan PhaseNet, GaMMa, dan NonLinLoc dapat mengoptimasi identifikasi gempa tektonik regional di Pulau Jawa.