Perpustakaan Digital ITB

Indonesia memiliki potensi panas bumi terbesar di dunia, sehingga monitoring aktivitas seismik menjadi sangat penting untuk eksplorasi dan pengelolaan sumber energi ini. Metode manual atau metode konvensional seperti STA/LTA memiliki keterbatasan dalam hal efisiensi dan akurasi, terutama dengan volume data yang besar. Penelitian ini mengimplementasikan model deep learning berbasis arsitektur transformer, yaitu EQTransformer versi STEAD, dikombinasikan dengan metode Grid Search untuk otomasi deteksi dan penentuan hiposenter kejadian gempa mikro di lapangan panas bumi. Data yang digunakan mencakup 406 seismogram mikroseismik yang berasal dari Lapangan “AW” dan Nevada. Tahapan prapemrosesan meliputi analisis spektral, bandpass filtering, padding, dan segmentasi dengan overlap ratio tinggi, sehingga memastikan sinyal yang berada di batas segmen tetap tertangkap. Hasil picking gelombang P dan S oleh EQTransformer menunjukkan MAE, RMSE dan F1 skor untuk setiap interval probabilitas atau threshold. MAE, RMSE dan F1 skor paling optimum yang berada pada threshold 0.3 dari kesulurahan data diperoleh secara berurutan sebesar; 0.08, 0.1433, 0.82 untuk gelombang P dan 0.13, 0.179, 0,.86 untuk gelombang S. Hasil ini menunjukkan performa model EQTransformer jauh lebih baik dibandingkan metode STA/LTA maupun picking manual. Asosiasi kejadian gempa berhasil dilakukan dengan metode DBSCAN, menghasilkan sepuluh kejadian gempa dari total 14 kejadian dalam katalog manual. Selanjutnya, penerapan Grid Search dalam proses inversi iteratif menghasilkan penentuan hiposenter yang konsisten dengan katalog manual, meskipun terdapat variasi yang cukup jauh. Dengan demikian, penelitian ini menunjukkan bahwa pendekatan deep learning EQTransformer dikombinasikan dengan Grid Search memiliki potensi untuk meningkatkan otomatisasi, kecepatan, serta akurasi pemrosesan data mikroseismik di lapangan panas bumi.