Perpustakaan Digital ITB

Hasil pengolahan data mikroseismik bergantung pada kualitas picking gelombang P dan S yang umumnya dilakukan secara manual oleh praktisi geofisika, namun proses ini memakan waktu lama dan rentan terhadap subjektivitas manusia. Teknologi terbaru seperti deep learning dapat membantu mengurangi permasalahan subjektivitas dan meningkatkan efisiensi dalam pengolahan data mikroseismik. Pengembangan teknologi deep learning dalam bidang seismologi menunjukkan adanya peningkatan kinerja pemantauan kegempaan, terutama dalam menentukan waktu tiba gelombang P dan S. Akan tetapi, model-model deep learning tersebut dilatih menggunakan data gempa tektonik regional yang memiliki perbedaan karakteristik dengan mikroseismik di lapangan panas bumi. Adanya perbedaan karakteristik gempa akan mempengaruhi akurasi dan performa model deep learning tersebut. Penelitian tugas akhir ini bertujuan untuk melatih model automatic picker PhaseNet menggunakan data mikroseismik dan mengevaluasi performanya dengan membandingkan katalog waktu tiba yang terprediksi dengan katalog manual, serta menganalisisnya menggunakan konsep confusion matrix. Hasil pelatihan menghasilkan tiga model automatic picker yaitu: Model 1 yang hanya dilatih menggunakan data mikroseismik, dan Model 2 dan Model 3 yang dilatih menggunakan teknik transfer learning dari pre-trained model INSTANCE, dengan Model 3 menambahkan pembekuan pada lapisan arsitektur terdalam. Hasil analisis dari ketiga model menunjukkan adanya peningkatan peforma dibandingkan dengan model PhaseNet original, hal ini ditandai dengan F1 score fase P meningkat dari 0.62 menjadi rata-rata 0.93, dan F1 score fase S dari 0.62 menjadi rata-rata 0.77. Hasil ini membuktikan bahwa penggunaan model deep learning yang dilatih secara spesifik dengan data mikroseismik dapat meningkatkan peformanya dalam menentukan waktu tiba gelombang P dan S pada data mikroseismik panas bumi.