Perpustakaan Digital ITB

Dalam beberapa tahun terakhir, jumlah data yang dihasilkan oleh seismogram semakin meningkat, terutama di area panas bumi. Hal ini menimbulkan tantangan besar dalam pengolahan data seismik, karena jumlah data yang harus dianalisis tidak sebanding dengan sumber daya manusia yang tersedia untuk melakukannya secara manual. Oleh karena itu, diperlukan algoritma atau alat yang mampu membantu proses pengolahan data secara efisien dan akurat. Salah satu algoritma yang banyak digunakan dalam analisis data seismik adalah PhaseNet, sebuah algoritma deep learning yang dirancang untuk mengidentifikasi waktu tiba gelombang P dan S pada gempa tektonik. Meskipun PhaseNet telah terbukti efektif dalam konteks gempa tektonik, penerapannya pada area panas bumi yang memiliki karakteristik seismik berbeda sering kali kurang optimal dalam hal akurasi prediksi. Hal ini disebabkan oleh perbedaan struktur bawah permukaan dan karakteristik gelombang seismik di area panas bumi dibandingkan dengan area tektonik .Penelitian ini bertujuan untuk meningkatkan performa algoritma PhaseNet dalam mendeteksi waktu tiba gelombang pada area panas bumi melalui training model yang lebih sesuai dengan karakteristik data mikroseismik dari lapangan panas bumi. Dalam penelitian ini, dilakukan perbandingan antara tiga model: model PhaseNet yang telah dilatih ulang dengan data mikroseismik, model transfer learning, dan model awal PhaseNet. Evaluasi hasil prediksi dari masing-masing model dilakukan dengan membandingkannya terhadap data katalog picking manual dari lapangan panas bumi “RR” untuk mendapatkan perbedaan performa prediksi. Selanjutnya, analisis menggunakan konsep confusion matrix dilakukan untuk menentukan model terbaik berdasarkan metrik evaluasi seperti precision, recall, dan F1 score. Dengan pendekatan ini, diharapkan penelitian ini dapat memberikan kontribusi dalam meningkatkan akurasi prediksi waktu tiba gelombang pada data seismik area panas bumi, serta mengurangi ketergantungan pada proses manual dalam analisis data seismik