Perpustakaan Digital ITB

Penelitian ini berhasil mengembangkan program Artificial Neural Network (ANN) untuk interpolasi data anomali Bouguer menggunakan Python yang dieksplorasi dengan 162 kombinasi hyperparameter untuk mengoptimalkan interpolasi data Anomali Bouguer, dengan variasi jumlah neuron (256, 512, 1024), fungsi aktivasi (ReLU dan Tangent Hiperbolik), ukuran batch (16, 32, 64), nilai learning rate (0,0001; 0,001; 0,01), serta jumlah iterasi (100, 500, 1000). Uji coba pada dua model sintetis sederhana menunjukkan bahwa ANN efektif menangkap pola non-linear, dengan hasil yang sangat dipengaruhi oleh pemilihan hyperparameter dan jumlah data pelatihan. Untuk model sintetis pertama dengan asumsi body berbentuk anomali pada lapisan kerak bumi dan mantel bagian atas, konfigurasi yang ANN terbaik diperoleh dengan learning rate 0,001, fungsi aktivasi ReLU, 1000 epoch, batch size 32, dan 512 neuron, serta menghasilkan RMSE (root mean square) sebesar 6,413055 dan R² (coefficient of determination) sebesar 0,989493. Sedangkan untuk model sintetis kedua dengan berupa dua body yang bersebrangan, konfigurasi yang terbaik menggunakan learning rate 0,001, fungsi aktivasi Tangent Hiperbolik, 1000 epoch, batch size 32, dan 1024 neuron, menghasilkan RMSE 0,06768 dan R² 0,9650693. Hasil penelitian ini juga membandingkan peneranpan metode ANN dengan metode Kriging. Metode Kriging menunjukan hasil yang lebih unggul dalam menangkap pola spasial lokal di area dengan keterkaitan spasial yang kuat. Pada model prediksi metode Kriging, model sintetis pertama memberikan RMSE 25,41172 dan R² 0,99799, sedangkan sintetis model kedua menghasilkan RMSE 0,04794 dan R² 0,9998. Meskipun hasil evaluasi RMSE dan R² antara ANN dan Kriging relatif serupa, ANN memberikan prediksi yang lebih bervariasi di luar rentang data observasi dengan hasil mendekati Kriging