ABSTRAK Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
BAB I - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
BAB II - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
BAB III - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
BAB IV - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
BAB V & Daftar Pustaka - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan
Pulau Jawa memiliki seismisitas yang tinggi akibat pertemuan Lempeng IndoAustralia dan Lempeng Eurasia. Pertemuan lempeng tersebut menyebabkan adanya
tunjaman mengakibatkan terjadinya gempa dan terbentuk sesar-sesar aktif di Pulau
Jawa, salah satunya Sesar Cimandiri di Jawa Barat. Cianjur, yang terletak di Jawa
Barat, Indonesia, berada di sebelah utara segmen Rajamandala dari sesar Cimandiri
dengan mekanisme sesar geser, sehingga sangat rentan terhadap gempa bumi.
Penentuan fasa gelombang bodi dan lokasi hiposenter gempa bumi dengan cepat
dan akurat merupakan pekerjaan yang sangat penting dalam seismologi. Oleh
karena itu, dibutuhkan metode untuk mendeteksi fasa gelombang bodi yang mampu
memproses data yang besar dengan cepat, akurat, dan efisien. Penelitian ini
berfokus pada data gempa bumi dari wilayah Cianjur, khususnya gempa bumi
susulan dari gempa bumi Mw 5,6 tanggal 21 November 2022. Penelitian ini
bertujuan untuk mengidentifikasi fasa gelombang P dan S dari gempa susulan
Cianjur 2022 menggunakan program berbasis machine learning dengan
menggunakan dataset rekaman dari 19 seismometer (3-komponen) selama 30 hari
dari 22 November hingga 22 Desember 2022. Penelitian ini menggunakan
PhaseNet, sebuah metode deteksi fasa seismik berbasis deep learning untuk
mengidentifikasi fasa gelombang seismik dari gempa susulan, kemudian
diintegrasikan dengan asosiasi fasa gempa GaMMA untuk masing-masing event
kejadian gempa dan teknik penentuan lokasi hiposenter NonLinLoc untuk membuat
katalog gempa. Hasil penelitian menunjukkan PhaseNet mendeteksi lebih banyak
fasa seismik dibandingkan katalog hasil penentuan fasa seismik secara manual.
Sebanyak 421 event gempa teridentifikasi baik di PhaseNet dan Katalog dengan
gradien diagram Wadati sebesar 0.7245 (Vp/Vs=1.7245). Rata-rata selisih waktu
gempa antara hasil NonLinloc dan Katalog sebesar 0.874946 detik, dan rata-rata
selisih lintang, bujur, dan kedalaman masing-masing adalah 1.55332 km, 1.283005
km, dan 2.315193 km. Katalog gempa berbasis machine learning menawarkan
keuntungan yang signifikan dalam hal efisiensi, asosiasi seismik, dan deteksi lokasi
yang sangat bermanfaat untuk memproses data lebih cepat dan hasil katalog yang
lebih akurat
Perpustakaan Digital ITB