PENERAPAN DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK UNTUK SISTEM AUTO PICKING SINYAL GEMPA MIKRO PADA DATA SEISMOGRAM PIGRAF

Razki Alfatah Khairu, Mahli (2026) PENERAPAN DEEP LEARNING CONVOLUTIONAL NEURAL NETWORK UNTUK SISTEM AUTO PICKING SINYAL GEMPA MIKRO PADA DATA SEISMOGRAM PIGRAF. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (218Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (7Mb) | Minta salinan
Preview	File PDF SKRIPSI TANPA PEMBAHASAN.pdf Download (5Mb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Energi panas bumi merupakan sumber energi terbarukan yang memerlukan pemantauan aktivitas gempa mikro untuk mendukung pengelolaan dan monitoring pada lapangan panas bumi yang telah beroperasi. Informasi aktivitas gempa mikro dapat diperoleh melalui proses phase picking untuk menentukan waktu kedatangan gelombang. Namun, metode phase picking secara manual memiliki beberapa keterbatasan dari sisi efisiensi, konsistensi, dan objektivitas. Penelitian ini bertujuan mengembangkan sistem auto picking berbasis Convolutional Neural Network (CNN) 1D untuk mendeteksi waktu kedatangan gelombang P dan S pada data gempa mikro. Model dilatih menggunakan dataset STanford EArthquake Dataset (STEAD) dan divalidasi menggunakan data gempa mikro riil lapangan panas bumi. Evaluasi model dilakukan menggunakan parameter akurasi, loss, dan Mean Absolute Error (MAE). Hasil pelatihan didapatkan akurasi sebesar 94% dengan nilai loss sebesar 0,1219. Pada pengujian data riil menggunakan 30 event gempa mikro, model berhasil mendeteksi 100% event gelombang P dengan MAE sebesar 26,42 ms serta 90% event gelombang S dengan MAE sebesar 312,67 ms. Hasil menunjukkan bahwa model memiliki performa yang baik dalam mendeteksi gelombang P, namun masih terbatas dalam mendeteksi gelombang S akibat kompleksitas karakteristik sinyal. Oleh karena itu, diperlukan pengembangan arsitektur model yang lebih optimal dalam menangkap pola temporal sinyal gempa mikro untuk meningkatkan akurasi deteksi gelombang S.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum > 005 Pemrograman komputer, program dan data 500 ilmu pengetahuan alam dan matematika > 550 Ilmu bumi dan geologi 600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	FAKULTAS TEKNIK (FT) > Prodi S1-Teknik Geofisika
Pengguna Deposit:	2605423235 Digilib
Date Deposited:	09 Jun 2026 07:15
Terakhir diubah:	09 Jun 2026 07:15
URI:	http://digilib.unila.ac.id/id/eprint/100044

Actions (login required)

Lihat Karya Akhir