MILA APRIANI
1906412841
1
KATA PENGANTAR
Puji syukur kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-
Nya sehingga saya dapat menyelesaikan tugas makalah yang berjudul “Penentuan
Prediksi Magnitudo Gempabumi Dalam Sistem Peringatan Dini Dengan Pendekatan
Machine Learning” ini tepat pada waktunya.
Adapun tujuan dari penulisan dari makalah ini adalah untuk memenuhi tugas
Bapak Efta Yudiarsah M.Si., Ph.D. pada mata kuliah Seminar. Selain itu, makalah ini
juga bertujuan untuk menambah wawasan tentang implementasi Machine Learning
dalam bidang ilmu Seismologi khususnya prediksi magnitude gempabumi dalam sistem
peringatan dini gempabumi bagi para pembaca dan juga bagi penulis.
Saya mengucapkan terima kasih kepada Bapak Efta Yudiarsah M.Si., Ph.D,
selaku dosen mata kuliah Seminar yang telah memberikan tugas ini sehingga dapat
menambah pengetahuan dan wawasan sesuai dengan bidang studi yang saya tekuni.
Saya juga mengucapkan terima kasih kepada semua pihak yang telah membagi sebagian
pengetahuannya sehingga saya dapat menyelesaikan makalah ini.
Saya menyadari, makalah yang saya tulis ini masih jauh dari kata sempurna.
Oleh karena itu, kritik dan saran yang membangun akan saya nantikan demi
kesempurnaan makalah ini.
Penulis
2
DAFTAR ISI
KATA PENGANTAR.......................................................................................................ii
DAFTAR ISI....................................................................................................................iii
BAB I PENDAHULUAN.................................................................................................1
1.1 Latar Belakang....................................................................................................1
1.2 Rumusan Masalah...............................................................................................2
1.3 Tujuan dan Manfaat Penulisan...........................................................................2
BAB II REVIEW PAPER PENELITIAN TERKAIT.......................................................3
2.1. Machine Learning in Seismology: Turning Data into Insights (Kong et al.,
2018)…………..............................................................................................................3
2.2. Artificial Neural Network Based Estimation of Moment Magnitude with
Relevance to Earthquake Early Warning (Kundu et al., 2017).....................................5
2.3. A Machine-Learning Approach for Earthquake Magnitude Estimation
(Mousavi et al., 2019)....................................................................................................6
2.4. Fast estimation of earthquake arrival azimuth using a single seismological
station and machine learning techniques (Ochoa et al., 2019)......................................7
2.5. Fault Parameters-Based Earthquake Magnitude Estimation Using Artificial
Neural Networks (Asim et al., 2019).............................................................................8
BAB III PENUTUP.........................................................................................................10
3.1 Kesimpulan.......................................................................................................10
DAFTAR PUSTAKA......................................................................................................11
3
BAB I PENDAHULUAN
4
meningkatkan akurasi prediksi pada penelitian lebih lanjut, didukung oleh kecerdasan
komputasi.
Pada makalah ini, penulis akan mereview paper dalam penelitian sebelumnya
terkait penentuan prediksi parameter gempabumi dengan pendekatan machine learning.
5
BAB II REVIEW PAPER PENELITIAN TERKAIT
Pada Bab 2 ini akan dibahas review paper terkait dengan penentuan prediksi
parameter gempabumi pada sistem peringatan dini dengan machine learning.
6
Kong et al. (2018) menklasifikasikan beberapa Aplikasi Machine Learning
dalam bidang Seismologi, yaitu:
a) Deteksi gempabumi dan pemilihan fase gelombang seismic
Selama dekade terakhir, telah ada ketertarikan yang tinggi dalam
menggunakan kesamaan bentuk waveform antara sumber gempabumi terdekat
untuk dideteksi gempa bumi yang sebelumnya tidak dikenal (Gibbons and
Ringdal, 2006; Shelly et al., 2007; Peng and Zhao, 2009; Kato et al., 2012; Ross
et al., 2018; Beaucé et al.,2018; Chamberlain et al., 2018). Metode pencocokan
waveform menggunakan algoritma CNN untuk mengklasifikasi kejadian
gempabumi dapat dilihat pada gambar 2.3
7
c) Penentuan Ground Motion Prediction menggunakan Supervised
Learning;
d) Studi Tomografi dan Struktur Geofisika dengan magnitude lokal;
e) Gempabumi dan Deformasi non inersia.
Kekuatan paper ini penulis membahas dengan lengkap terkait penelitian
dalam bidang sesimologi yang telah dilakukan dalam beberapa tahun terakhir
sehingga memudahkan pembaca untuk dapat mengikuti perkembangan penelitian
terkini dan membantu pembaca menemukan variabel lain yang dapat diteliti pada
penelitian selanjutnya. Kelemahan paper ini penulis tidak menuliskan akurasi atau
eror yang didapat dari yang telah dilakukan pada penelitian-pnelitian tersebut.
8
Hasil dari penelitian menunjukkan jumlah kejadian gempabumi menurun
dengan cepat dengan peningkatan kesalahan absolut dalam Mw, dapat dilihat pada
gambar 2.6. Angka tersebut juga menunjukkan bahwa Mw diestimasi dari
training ANN sekitar 73% kejadian gempabumi memiliki eror absolut kurang dari
0,1 dan untuk 100% kejadian gempabumi kurang dari 0,35.
Gambar 2.6. Grafik antara eror absolut dan jumlah kejadian gempabumi
Kekuatan pada penelitian adalah eror absolut yang rendah, sedangkan
kelemahan pada penelitian ini adalah input training berupa spektrum amplitudo
yang dalam pengolahannya memerlukan waktu untuk mengkonversi ke domain
frekuensi.
9
sebagai input training pada ANN, semua sinyal telah difilter dengan filter pass
band 1-40 Hz.
.
10
Data merupakan data hasil rekaman sensor Guralph CMG - T3E007 sensor
3 komponen dan digitizer Nanometrics RD3-HRD24. Data yang digunakan
merupakan 2164 event gempabumi dari periode 1 Januari 1998 sampai 27
Oktober 2008. Proses training menggunakan metode SVM. Data telah difilter
menggunakan filter high pass dengan cut off 0.075 Hz.
Hasil dari penelitian ini adalah eror yang diapatkan dari hasil perhitungan
estimasi azimuth gempa adalah 45.4 derajat, dapat dilihat pada gambar 2.8
Gambar 2.8. Kurva korelasi antara azimuth real dan hasil perhitungan
metode SVM
Hasil ini memang lebih rendah dibanding penelitian Allen et al. (2005)
tetapi dalam penelitian Allen menggunakan data dari beberapa stasiun. Eror 45.4
derajat merupakan peningkatan dari penelitian sebelumnya menggunakan single
station yaitu 49.0 dan 67.9 derajat.
Kekuatan pada paper ini model telah diuiikan berhasil untuk memprediksi
azimuth kedatangan gempabumi dari data sensor single station 3 komponen.
Kelemahan paper ini adalah akurasi derajat untuk azimuth hasil perhitungan
masih rendah, perlu dilakukan penelitian lanjutan untuk meningkatkan akurasi.
11
besarnya magnitude karena korelasi parameter nonlinear diabaikan. Untuk
mengatasi tersebut, Asim et al. (2019) melakukan dengan metode Artificial
Neural Network (ANN) untuk memperkirakan besarnya magnitude gempa bumi
secara simultan menggunakan semua parameter patahan yang tersedia seperti
sebagai panjang dan lebar rupture. Proses ANN menggunakan algoritma feed
forward neural network. Jumlah neuron pada input adalah sejumlah data
parameter patahan yang tersedia. Model ANN yang terlatih dapat memetakan
serangkaian parameter patahan yang diberikan,seperti L(panjang patahan),
W(lebar patahan), A(area rupture), dan S (slip maksimum, jika tersedia) terhadap
besarnya magnitude gempabumi dengan cara yang dioptimalkan dan kemudian
mampu memprediksi besarnya gempa untuk data yang tidak terlihat.
12
BAB III PENUTUP
3.1 Kesimpulan
1. Dari penelitian yang telah dilakukan review, dapat disimpulkan bahwa
penentuan estimasi magnitude dapat dilakukan dengan metode Machine
Learning, dengan algoritma Backpropagation Neural Network, Support
Vector Machine, dan Convolutional Neural Network.
2. Akurasi yang didapat dari algoritma Backpropagation neural network dan
Convolutional Neural Network cukup baik, dalam rentang 0.1 – 0.3 %.
3. Untuk penentuan azimuth kedatangan gempabumi dengan Algoritma
Support Vector Machine masih perlu peningkatan akurasi, karena eror yang
didapat sekitar 45.4 derajat.
13
DAFTAR PUSTAKA
Asim, Khawaja & Javed, Farhan & Hainzl, Sebastian & Iqbal, Talat. (2019). Fault
Parameters‐Based Earthquake Magnitude Estimation Using Artificial Neural
Networks. Seismological Research Letters.
Beaucé, E.,W. B. Frank, and A. Romanenko (2018). Fast matched filter (FMF):
An efficient seismic matched-filter search for both CPU and GPU architectures,
Seismol. Res. Lett. 89, no. 1, 165–172.
Gibbons, S. J., and F. Ringdal (2006). The detection of low magnitude seismic
events using array-based waveform correlation, Geophys. J. Int. 165, no. 1, 149–
166.
Kong, Qingkai & Trugman, Daniel & Ross, Zachary & Bianco, Michael &
Meade, Brendan & Gerstoft, Peter. (2018). Machine Learning in Seismology:
Turning Data into Insights. Seismological Research Letters. 90.
Kundu, Ajit & Bhadauria, Y & Basu, Saibal & Mukhopadhyay, S.N.. (2017).
Artificial Neural Network Based Estimation of Moment Magnitude with
Relevance to Earthquake Early Warning.
Ochoa, Luis & Nino, Luis Fernando & Vargas, Carlos. (2019). Fast estimation of
earthquake arrival azimuth using a single seismological station and machine
learning techniques. Earth Sciences Research Journal. 23. 103-109.
14
Ross, Z. E., M.-A. Meier, and E. Hauksson (2018). P-wave arrival picking and
first-motion polarity determination with deep learning, J. Geophys. Res. 123,
5120–5129.
15