Perpustakaan Digital ITB

Pendekatan baru yang lebih efisien dan otomatis dalam analisis data gempabumi sangat penting untuk mengurangi intervensi manual yang intensif dalam penentuan fase gelombang seismik. Penelitian ini berfokus pada pengembangan dan analisis performa penentuan fase gelombang seismik otomatis menggunakan pendekatan deep neural network, khususnya di wilayah Sumatera, Indonesia. Data yang digunakan berasal dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) untuk tahun 2009?2020, mencakup 131 stasiun perekaman yang mencatat 1356 peristiwa seismik dengan magnitudo lebih dari 1.8. Tiga jenis model berbasis arsitektur PhaseNet digunakan berupa model pre-trained, model Sumatera, dan model transfer learning. Model pre-trained menunjukkan performa yang bervariasi dengan F1-Score 0.095?0.717 untuk fase P dan 0.033?0.485 untuk fase S. Selanjutnya, dilakukan pelatihan ulang model dengan ±6000 data waveform dasar yang kemudian diaugmentasi untuk melatih model Sumatera. Model ini meningkatkan F1-Score menjadi 0.728 untuk fase P dan 0.388 untuk fase S. Selanjutnya, dilakukan percobaan dengan memodifikasi arsitektur PhaseNet melalui penambahan mekanisme attention gate, LSTM, Bi-LSTM, dan self-attention layer. Modifikasi arsitektur PhaseNet lebih lanjut meningkatkan F1-Score hingga 0.749 untuk fase P dan 0.454 untuk fase S. Penggunaan transfer learning melalui fine-tuning atau pembekuan layer model pre-trained menghasilkan F1-Score yang lebih baik, yaitu 0.709?0.774 untuk fase P dan 0.488?0.599 untuk fase S. Dari hasil tersebut, disimpulkan bahwa penggunaan transfer learning lebih menguntungkan dari segi waktu, jumlah data, dan performa. Pelatihan model secara penuh dapat dilakukan jika data pelatihan yang tersedia cukup banyak dan memiliki variabilitas yang baik, sehingga model dapat belajar dengan lebih akurat. Pengembangan lebih lanjut perlu dilakukan melalui peningkatan jumlah data, penggunaan arsitektur model lain, serta modifikasi lebih lanjut pada arsitektur PhaseNet.