UNIVERSITAS INDONESIA

TUGAS MAKALAH REVIEW PAPER

“PENENTUAN PREDIKSI MAGNITUDO GEMPABUMI DALAM
SISTEM PERINGATAN DINI DENGAN PENDEKATAN MACHINE
LEARNING”

MATA KULIAH SEMINAR

MILA APRIANI
1906412841

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

PROGRAM MAGISTER ILMU FISIKA
DEPOK
MEI 2020

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.

Bekasi, 10 Mei 2020

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

1.1 Latar Belakang

Sebagai Negara yang memiliki aktivitas kegempaan yang cukup tinggi,
dibutuhkan suatu Sistem Peringatan Dini Gempabumi yang bertujuan memberikan
informasi lebih dini sebelum gempa kuat melanda suatu daerah. Sistem Peringatan Dini
Gempabumi, tidak hanya bermanfaat bagi masyarakat agar dapat bertindak lebih cepat
menyelamatkan diri karena memberi informasi dini terkait gempabumi, sistem
peringatan dini gempabumi juga dapat mengamankan objek vital yang berbasis respon
instrument, seperti sistem transportasi cepat, MRT, penerbangan dan industri penting
dapat dinonaktifkan seketika (shut down), beberapa detik lebih awal sebelum gempa
menimbulkan guncangan dan kerusakan (BMKG, 2019). Penentuan ukuran kekuatan/
magnitudo gempabumi merupakan hal yang penting bagi Sistem Peringatan Dini
Gempabumi. Sistem Peringatan Dini Gempabumi memanfaatkan gelombang P
dibandingkan gelombang S dan surface, karena kecepatan gelombang lebih besar
(Kundu, 2017).
Banyak metode dan teknik telah dikembangkan untuk mendeteksi dan
mengkarakterisasi gempa bumi untuk mempelajari struktur bumi. Machine learning
dapat digunakan sebagai metode baru yang berbeda dari metode sebelumnya dan sangat
berguna dalam menyelesaikan masalah struktur bumi (Kong et al., 2018). Dalam
beberapa tahun terakhir, penggunaan Machine Learning dalam bidang seismologi dan
ilmu kebumian meningkat pesat. Kundu et al. (2017) meneliti tentang penentuan
estimasi magnitudo momen gempabumi menggunakan backward propagation neural
network pada wilayah Sumatera dan hasil estimasi magnitude mendapatkan eror absolut
0.1%. Mousavi et al. (2019) menggunakan pendekatan deep learning untuk
memprediksi magnitude gempabumi dari sinyal data raw seismogram single station.
Asim et al. (2019) menggunakan kami menggunakan artificial neural network untuk
memprediksi besarnya magnitudo gempa bumi secara simultan menggunakan semua
parameter patahan, seperti panjang dan lebar rupture. Kemudian Ochoa et al. (2019)
melakukan penelitian tentang estimasi cepat azimuth lokasi gempabumi dengan
menggunakan metode SVM dan eror yang didapat dari penelitian ini sekitar 45.4
derajat, penulis menyebutkan bahwa penting untuk menemukan cara untuk

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.

1.2 Rumusan Masalah

1. Bagaimana implementasi machine learning pada penentuan prediksi
parameter magnitudo gempabumi?
2. Bagaimana eror absolut dan akurasi dari berbagai metode yang
diimplementasikan pada pada penentuan prediksi parameter magnitudo
gempabumi ?

1.3 Tujuan dan Manfaat Penulisan

Tujuan dari penulisan makalah review paper yang akan dilakukan adalah:
1. Mereview implementasi machine learning pada penelitian sebelumnya
terkait penentuan prediksi parameter gempabumi.
2. Mengetahui akurasi dan eror yang didapat dari berbagai metode yang
diimplementasikan pada pada penentuan prediksi parameter gempabumi
pada penelitian sebelumnya.
3. Mendapatkan pemahaman yang lebih baik terkait topik penelitian yang akan
diteliti oleh penulis.
Manfaat dalam penulisan makalah review paper ini adalah untuk mengetahui
dan menganalisis penelitian yang sebelumnya diterbitkan oleh orang lain terkait topik
yang diteliti oleh penulis, dan mempermudah penulis dalam menentukan dan menyusun
sub topik dan metode yang dipilih dalam penelitian yang dilakukan.

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.

2.1. Machine Learning in Seismology: Turning Data into Insights (Kong et

al., 2018)
Dalam paper ini penulis menuliskan bahwa perkembangan penelitian
bidang Seismologi telah banyak dilakukan dengan pendekatan Machine Learning.
Aplikasi penelitian tersebut bervariasi, dengan aplikasi mulai dari
mengidentifikasi sinyal seismic dan pola yang tidak terlihat hingga mengekstraksi
fitur yang dapat meningkatkan pemahaman fisis kita terhadap objek yang diteliti.
Gambar 2.1 merupakan gambaran umum tentang jenis algoritma pada Machine
Learning.

Gambar 2.1 Gambaran Umum Algoritma pada Machine Learning

Pada Machine learning, umumnya diagram alir kerja memenuhi gambar
2.2

Gambar 2.2 Diagram alir umum pada 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

Gambar 2.3 Skematik CNN untuk deteksi pemilihan fase gelombang

b) Sistem peringatan dini gempabumi dan real time penentuan magnitudo

lokal;
Dalam bidang sistem peringatan dini gempabumi, aplikasi MyShake
merupakan upaya terbaru dengan menggunakan smartphone untuk mendeteksi
gempa bumi terdekat dan memberikan peringatan dini gempabumi kepada publik,
memiliki banyak aspek Machine Learning dan menunjukkan hasil yang
menjanjikan (Kong, Allen, dan Schreier, 2016). Gambar 2.4 merupakan diagram
alir Machine Learning pada aplikasi Myshake

Gambar 2.4 Algoritma neural network pada aplikasi Myshake dalam

memberikan peringatan dini gempabumi

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.

2.2. Artificial Neural Network Based Estimation of Moment Magnitude

with Relevance to Earthquake Early Warning (Kundu et al., 2017)
Penelitian yang mendukung penelitian kali ini berkaitan dengan penentuan
estimasi magnitude momen dengan menggunakan metode Artificial Neural
Network adalah penelitian Kundu et al. (2017) dimana menurutnya penentuan
magnitudo gempabumi menjadi masalah utama bagi Sistem Peringatan Dini
Gempabumi atau Earthquake Early Warning System (EEWS). Penentuan estimasi
magnitudo momen (Mw) dilakukan dengan mengambil data gelombang seismic
pada komponen Z (vertical) 1 stasiun 3 komponen menggunakan ANN algoritma
back propagation. Metode ANN ditraining dengan 62 event gempabumi yang
memiliki range magnitudo 6 – 9.1 Mw. Spektrum amplitudo dari seismogram
digunakan sebagai input untuk training dengan window gelombang P 3 detik dari
onset, dapat dilihat pada gambar 2.5.

Gambar 2.5 Spektrum amplitude gelombang yang digunakan untuk input

training

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.

2.3. A Machine-Learning Approach for Earthquake Magnitude

Estimation (Mousavi et al., 2019)
Penelitian lain yang berkaitan adalah penelitian Mousavi et al. (2019) yang
menyebutkan bahwa dalam penelitiannya digunakan metode yang cepat dan
andal untuk end-to-end estimasi magnitude gempa dari data raw seismogram yang
direkam di stasiun tunggal 3 komponen. Dalam paper ini, penulis ingin
memperkenalkan pendekatan Deep learning yang berhasil pertama kali untuk
memperkirakan secara langsung besarnya magnitudo dari sinyal seismik direkam
pada single station. Mousavi et al. (2019) menggunakan metode Convolutional
Neural Network dan Reccurent Neural Network, informasi amplitudo pada
waveform digunakan selama training dapat dilihat pada gambar 2.7. Jaringan
ANN terdiri dari layer konvolusional yang digunakan untuk ekstraksi fitur dan
pengurangan dimensi. 300.000 Rekaman seismogram 3 komponen digunakan

9
sebagai input training pada ANN, semua sinyal telah difilter dengan filter pass
band 1-40 Hz.
.

Gambar 2.7 Arsitektur Convolutional Neural Network dan Layer Long-

short Term-Memory yang digunakan pada penelitian Mousavi et al. (2019)
Hasil penelitian adalah model prediksi ANN dapat memprediksi
magnitude lokal dengan kesalahan rata-rata mendekati nol dan standar deviasi ~
0,2 berdasarkan waveform stasiun tunggal 3 komponen tanpa koreksi respons
instrumen.
Kekuatan dari paper ini adalah eror absolut hasil penelitian yang rendah,
sedangkan kelemahan dari paper ini hasil pada estimasi magnitude menggunakan
data dari stasiun permukaan memiliki tingkat level noise yang cukup tinggi,
sebaiknya pre-pemrosesan dilakukan berbeda untuk data dari stasiun permukaan
dan stasiun borehole.

2.4. Fast estimation of earthquake arrival azimuth using a single

seismological station and machine learning techniques (Ochoa et al.,
2019)
Penelitian selanjutnya adalah penelitian Gutierres et al. (2019) yang
dilatarbelakangi pada peristiwa gempabumi merusak, semua negara akan
menghadapi dampak sosial dan ekonomi yang buruk, ini sebabnya Sistem
Peringatan Dini Gempabumi sangat penting dibangun di sekitar Bogota (1/3
Populasi Kolombia tinggal di Bogota) estimasi azimuth datang gempabumi
menjadi salah satu parameter utama dalam sistem ini.

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.

2.5. Fault Parameters-Based Earthquake Magnitude Estimation Using

Artificial Neural Networks (Asim et al., 2019)
Dalam penelitian ini, metodologi dengan komputasi diusulkan untuk
memprediksi besarnya kekuatan gempabumi berdasarkan parameter patahan.
Sejauh ini, persamaan regresi log-linear digunakan secara terpisah untuk setiap
parameter patahan. Namun, ini memungkinkan terjadi ketidakkonsistenan prediksi

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.

Gambar 2.10. Performa ANN dan Metode Regresi yang digunakan

Hasil penelitian dengan menggunakan data gempa bumi M ≥ 5
menunjukkan bahwa prediksi dari metodologi yang diusulkan lebih baik prediksi
berbasis persamaan regresi dalam hal eror absolut sekitar 0.2% dan root mean
square error 0.3%.
Kekuatan paper ini adalah meningkatkan akurasi dari sebelumnya metode
konvensional ke metode komputasi secara ANN untuk memprediksi magnitudo
gempabumi. Kelemahan paper ini topologi arsitektur algoritma tidak diberikan
secara lengkap.

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.

Chamberlain, C. J., C. J. Hopp, C. M. Boese, E.Warren-Smith, D. Chambers, S.

X. Chu, K. Michailos, and J. Townend (2018). EQcorrscan: Repeating and near-
repeating earthquake detection and analysis in Python, Seismol. Res. Lett. 89, no.
1, 173–181.

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.

Kato, A., K. Obara,T. Igarashi, H. Tsuruoka, S. Nakagawa, and N. Hirata (2012).

Propagation of slow slip leading up to the 2011 Mw 9.0 Tohoku-Oki earthquake,
Science 335, no. 6069, 705–708.

Kong, Q., R. M. Allen, and L. Schreier (2016). MyShake: Initial observations

from a global smartphone seismic network, Geophys. Res. Lett. 43, no. 18, 9588–
9594.

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.

Mousavi, S.Mostafa & Beroza, Gregory. (2019). A Machine‐Learning Approach

for Earthquake Magnitude Estimation. Geophysical Research Letters.

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