Perpustakaan Digital ITB

Sistem peringatan dini gempa bumi dan tsunami membutuhkan sub-sistem deteksi otomatis sinyal-P yang baik untuk menentukan waktu kedatangan gempa bumi. Sub-sistem ini memiliki masukan berupa sinyal gempa bumi dalam ranah waktu dan keluaran berupa waktu kedatangan gempa bumi. Ada beberapa metode umum untuk melakukan deteksi otomatis sinyal-P, salah satunya adalah metode ShortTerm Average/Long-Term Average (STA/LTA) yang dipadukan dengan metode Auto-Regressive Coefficient (AR-AIC). Walaupun metode ini praktikal dan realtime, akurasinya masih relatif rendah dengan galat waktu yang relatif besar juga. Dengan berkembangnya metode pembelajaran mesin dan memperhatikan kemiripan karakteristik antara sinyal gempa dengan sinyal citra, penggunaan metode Deep Learning dapat meningkatkan kinerja pada deteksi otomatis sinyal-P. Dengan menganggap jenis kanal seismogram sebagai tinggi citra dan sinyal-sinyal tiap waktunya dalam sebuah window tertentu sebagai lebar citra, sinyal gempa bumi dapat diilustrasikan sebagai sinyal citra. Sayangnya, sinyal gempa ini termasuk pada golongan dataset yang tak seimbang karena faktanya data yang mengandung sinyal- P jauh lebih sedikit dari data yang tidak mengandung sinyal-P. Diusulkan pada riset ini, sebuah deteksi otomatis sinyal-P dengan menggunakan Deep Learning pada ranah waktu dan frekuensi dengan metode oversampling SMOTE. Deep Learning digunakan sebab dapat melakukan generalisasi dengan baik untuk dataset yang luas akibat lapisan konvolusi dan lapisan pooling yang berada di dalam arsitekturnya. Selain itu, dengan menggunakan SMOTE, masalah ketidakseimbangan dataset dapat terselesaikan dengan cara memperbanyak data yang mengandung sinyal-P, namun tidak melalui duplikasi. Dengan menggunakan metode ini, akurasi sistem adalah 99.3 % dengan root mean square error hasil deteksi pada 0.202 detik pada dataset sinyal gempa berfrekuensi sampling 100 Hz. Selain itu, dengan menggunakan prosesor i7, waktu eksekusi maksimal dari metode ini adalah 0.17 detik dengan waktu periodik pada nilai 0.4 detik. Dengan hasil tersebut, sistem ini berhasil mendeteksi waktu nyata kedatangan sinyal gempa.