Sistem Identifikasi Sinyal Gempa Bumi Dengan Menggunakan Deep Neural Network

HAJAR NIMPUNO ADI, I Wayan Mustika, S.T., M.Eng., Ph.D; Ir. Sigit Basuki Wibowo, S.T., M.Eng., Ph.D., IPM.

2021 | Tesis | MAGISTER TEKNIK ELEKTRO

Gempa bumi adalah salah satu penyebab utama kehancuran dunia. Seismograf merupakan alat untuk merekam gerakan tanah (gempa bumi maupun sinyal seismik lain) dalam fungsi waktu. Dari catatan data seismograf selama dua puluh empat jam, sinyal seismik harus dapat dibedakan antara gempa bumi dan noise. Salah satu aplikasi Artificial Intelligence dapat digunakan untuk mengidentifikasi sinyal gempa dan non-gempa. Deep Neural Network dapat mengatasi kekurangan Multi Layer Perceptron (MLP) dalam menangani data kompleks dengan cara mentransformasi data input menjadi bentuk yang lebih mudah dimengerti oleh MLP. Dalam penelitian yang sudah ada algoritme yang digunakan berupa kombinasi CNN, LSTM dan fully connected layer untuk mengidentifikasi gempa bumi. Adanya rangkaian kejadian gempa pendahuluan (foreshock sequence) yang umumnya memiliki magnitudo yang kecil sebelum terjadinya gempa utama (mainshock) perlu di identifikasi. Dengan demikian, akurasi dari sistem identifikasi gempa yang sudah ada perlu ditingkatkan. Tujuan utama penelitian ini adalah mengembangkan metode ekstraksi fitur untuk meningkatkan nilai akurasi dalam sistem identifikasi gempa menggunakan pendekatan Deep Neural Network pada sebagian data STEAD. Dari data penelitian diperoleh rata-rata validation accuracy dari model adalah 98,43% (������±0,43) dan validation loss adalah 0,1476 (������±0,013)

Earthquakes is one of the main causes of world destruction. A seismogram is a time function recording of ground motion (earthquakes and other seismic signals. From this twenty-four-hour record of data, we must draw a distinction between earthquake and earthquake noise. One of artificial intelligence applications can be used to identify earthquake and non-earthquake signals. Deep Neural Networks can overcome the shortcomings of Multi Layer Perceptron (MLP) in handling complex data by transforming input data into a form that is easier for MLP to understand. In previous research, the algorithm used a combination of CNN, LSTM, and fully connected layer to identify earthquakes. The existence of a foreshock sequence that generally has a small magnitude before the mainshock occurs needs to be identified. Thus, the accuracy of the existing earthquake identification system needs to be improved. Our main goal is to develop a feature extraction method to increase the accuracy value in earthquake identification using Deep Neural Network approach to the Standford Earthquake Datasets (STEAD). From the research data, the average validation accuracy of the model is 98.43% (������±0.43) and the validation loss is 0.1476 (������±0.013)

Kata Kunci : Identifikasi sinyal gempa, Deep Neural Network, Spektrogram, CNN, Stridenet, LSTM