digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan

BAB I - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan

BAB II - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan

BAB III - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan

BAB IV - Putri Khaerunnisa
Terbatas  Devi Septia Nurul
» Gedung UPT Perpustakaan

BAB V & Daftar Pustaka - Putri Khaerunnisa
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