Pengembangan Sistem Pendeteksi Gelombang

Awal, Magnitude, Kedalaman, dan Lokasi Sumber

Gempa Bumi Secara Real-time menggunakan
Algoritma STA/LTA dan Multi-target Regression

Tugas Akhir
Aan Nur Wahidi 1806141100
Farrel Alfarabi Saleh 1806186622
Muhammad Dahlan Yasadipura 1806205193

Dosen Pembimbing: Ari Wibisono, S.Kom., M.Kom

01
Pendahuluan
Latar Belakang
 Gelombang Gempa Bumi

Ref: https://www.youtube.com/watch?v=Za_22xo7ZQQ
 Rumusan Masalah

Bagaimana Bagaimana Bagaimana data Bagaimana hasil Bagaimana

mengidentifikasi memprediksi seismik dapat prediksi sistem dapat
titik P-Arrival? hiposenter, diolah agar dapat divisualisasi? memprediksi
magnitude, dan mensimulasikan gempa bumi?
kedalaman? data real-time?
 Batasan Penelitian
Sampel
Penelitian

Data hanya mencakupi 3 stasiun

Tahun 2009 - 2017 Penelitian ini
(IA.GMJI, GE.JAGI, dan IA.PWJI)
merupakan Proof of
Concept (PoC).
 Posisi Penelitian
(A. Wibowo et al, 2021) (S. Mostafa Mousavi et al, 2020) (Withers et al, 1998)

Earthquake Early Warning Earthquake transformer—an A comparison of select

System Using N-check and attentive deep-learning trigger algorithms for
Hard-Shared Orthogonal model for simultaneous automated global seismic
Multi-target Regression on earthquake detection and phase and event detection
Deep Learning phase picking

MTR LSTM STA/LTA

Penelitian Kami
02
Metodologi
Pembagian Kerja
 Tahapan Penelitian

Requirement
Literature Study Sprint Planning Daily Sprint Review Deployment Evaluation
Gathering Standup
03
Implementasi Sains Data
Deskripsi Data
3 Stasiun
IA.GMJI, GE.JAGI,
dan IA.PWJI

Mseed dan Pick 2009-2017

File Data Tahun

1892 618
Set Data Kejadian
Deteksi Parrival dengan Algoritma STA/LTA
Short Time Average over Long Time Average
 Tahapan dalam Sains Data

Pemrosesan Machine
Validasi Evaluasi
Data Learning
 Alur Teknis Pemrosesan Data Seismik

Data raw Mseed Ekstraksi Data Butter Bandpass

Filter untuk
menghilangkan
noise
 Perolehan Fitur
fitur Deskripsi

id Nama file mseed

starttime Waktu dimulainya rekaman seismik

Data yang kami endtime Waktu selesainya rekaman seismik

peroleh setelah npts Jumlah banyaknya data seismik

mengekstrasi data
mseed dan pick. E WAVEFORM Data seismik pada sensor E yang berupa timeseries

N waveform Data seismik pada sensor N yang berupa timeseries

Z waveform Data seismik pada sensor N yang berupa timeseries

p arrival time Waktu P arrival tiba dalam bentuk data ke-n

s arrival time Waktu S arrival tiba dalam bentuk data ke-n

station Stasiun gempa yang beroperasi

sampling rate Banyak data perdetiknya

 Alur Teknis Pemrosesan Data Seismik

Normalisasi Interpolasi Data Output

data data digunakan
menggunakan berdasarkan untuk
Min-Max sampling rate men-train ML
 Alur Pemrosesan Data Target

Data raw Pick Ekstraksi Data latitudo,

longitudo,
magnitudo,
kedalaman, dan
time
Skenario
Berikut adalah ilustrasi data setelah diolah
Alur Implementasi Machine Learning
 Alur Evaluasi

Test Set Prediksi Hasil Evaluasi Model Terbaik Akan

Di-deploy
Skenario
Dari hasil evaluasi kami mencoba
model dan 3 skenario

Model: Skenario:
1. Conv1d 1. Jendela interval 10 detik
2. LSTM 2. Jendela interval 20 detik
3. Jendela interval 30detik
3. Conv1d + LSTM
 Hasil Evaluasi
Hasil dari model Conv1d

Interval input MAE lat MAE MAE MAE MAE time

long depth magnitude

30 detik 0.123 0.184 0.060 0.097 0.074

20 detik 0.162 0.188 0.063 0.101 0.091
10 detik 0.135 0.165 0.073 0.092 0.088
 Hasil Evaluasi
Hasil dari model LSTM

Interval input MAE lat MAE MAE MAE MAE time

long depth magnitude

30 detik 0.122 0.169 0.060 0.100 0.069

20 detik 0.113 0.163 0.063 0.092 0.085
10 detik 0.141 0.173 0.059 0.109 0.081
 Hasil Evaluasi
Hasil dari model Conv1d + LSTM

Interval input MAE lat MAE MAE MAE MAE time

long depth magnitude

30 detik 0.109 0.158 0.055 0.096 0.074

20 detik 0.110 0.140 0.061 0.088 0.069
10 detik 0.103 0.139 0.055 0.091 0.065
 Hasil Evaluasi
Skenario terbaik berada pada Conv1d + LSTM
Dengan interval jendela 10 detik

Interval input MAE lat MAE MAE MAE MAE time

long depth magnitude

10 detik 0.103 0.139 0.055 0.091 0.065

Catatan:
Data yang dihitung merupakan data sebelum
di-denormalisasi sehingga rentang data pada
hasil metode evaluasi MAE adalah (0-1)
Perbandingan Hasil Evaluasi dengan Penelitian Sebelumnya

Hasil Penelitian ini

Interval input MAE lat MAE MAE MAE MAE time
long depth magnitude

10 detik 0.103 0.139 0.055 0.091 0.065

Dengan lama prediksi = 0,6 detik

Hasil Penelitian Sebelumnya
Input MAE lat MAE MAE MAE MAE time
long depth magnitude

Foto 0.054 0.026 0.056 0.063 0.048

Dengan lama prediksi = 16 detik

Perbandingan Hasil Evaluasi dengan Penelitian Sebelumnya

Penggunaan model ini bukan hanya dikarenakan performa dari waktu prediksi saja.
Namun, juga memperhatikan performa dalam waktu preprocessing data

Alur proses data pada penelitian ini

Alur proses data pada penelitian sebelumnya

Foto
04
Implementasi Pemrograman
Back-end
 Tahapan Pemrograman Backend

Perancangan Implementasi Hasil Evaluasi

Endpoint Pemrograman
Backend
 Perancangan Endpoint
REST API
Websocket API
Method Endpoint Deskripsi
Method Endpoint Deskripsi
GET get_gmji_data/{nama Mendapatkan data seismik mseed ,
GET get_GMJI/{nama mseed}
mseed} Mendapatkan
kebutuhan Informasi
frontend, danmseed
hasil prediksi
berdasarkan stasiun GMJI dan nama
mseed

GET get_JAGI/{nama mseed}

get_jagi_data/{nama Informasi
Mendapatkan data mseed
seismik mseed ,
mseed} berdasarkan
kebutuhan stasiun dan
frontend, JAGIhasil
dan prediksi
nama
mseed
berdasarkan stasiun GMJI dan nama
mseed
GET get_PWJI/{nama mseed} Mendapatkan Informasi mseed
GET get_pwji_data/{nama berdasarkan stasiun
Mendapatkan PWJI dan
data seismik nama
mseed ,
mseed} mseed
kebutuhan frontend, dan hasil prediksi
berdasarkan stasiun GMJI dan nama
mseed
Alur Teknis Backend
 Implementasi REST API

Data raw Mseed Ekstraksi Data Butter Bandpass

Filter untuk
menghilangkan
noise
 Implementasi REST API

Normalisasi Interpolasi Penyelarasan Data

data data data per disimpan
menggunak berdasark stasiun pada Basis
an Min-Max an Data
sampling
rate
 Implementasi Websocket API

Awal Penyelaras Pembuatan

GET data
pemanggil an data per Waktu
mseed
an sensor berdasarkan
berdasarka
Endpoint indeks data
n stasiun
seismik
 Implementasi Websocket API
Pengiriman
ke frontend

Prediksi
pada
model
pada
Vertex AI

Pengiriman ke
model ML

Deteksi
P-Arrival Interpolasi
STA/LTA Data
 Evaluasi
Websocket API

Parameter Waktu rata-rata

Waktu Komputasi sebelum mengirim 0.26 detik

Total
data 6.5 detik

Jarak
WaktuP-Arrival
Komputasisampai S-Arrival
STA/LTA 21.53
0.002 detik

Sisa
Waktuwaktu
Prediksi MTR 15 detik
1.23 detik

Waktu untuk mulai Prediksi MTR 5 detik

Total 6.492 detik

05
Implementasi Pemrograman
Front-end dan Visualisasi Data
Wawancara dengan Pengguna
Tahapan Pemrograman Frontend

Pembuatan Halaman Pembuatan Halaman

Pengguna Admin
 Metode Implementasi
Real-time
Chart
Panel
Informasi
Gempa
Tabel
Informasi
Gempa
Websocket
Lokasi Sumber
Gempa Pada Lokasi Sumber
Peta Gempa Pada
Peta

Database
 Alur Penggunaan

Tidak

Halaman
Pengguna

Admin? Iya

Login Halaman
Admin
 Dynamic Line Chart

Amplitude P-Arrival Frame

Real-time
Streaming Data

Time Recorded
Peta Interaktif
Login
 Hasil Prediksi Halaman Pengguna

Hasil
Prediksi
 Hasil Prediksi Halaman Admin

Realtime
Chart

Hasil
Prediksi
Pengujian Fungsional
Skenario Hasil Test

Sistem dapat memuat dynamic line chart GMJI, JAGI, PWJI Sukses

Sistem dapat menghapus dynamic line chart GMJI, JAGI,

PWJI
Sukses

Sistem dapat mengubah mseed dan dynamic line chart

mengubah isi data secara dinamis
Sukses

Sistem dapat memuat data mseed 20090118_064750,

20090119_211141, 20100208_112154, 20120915_163224 Sukses
melalui websocket
06
Kesimpulan dan Saran
 Kesimpulan
Algoritma STA/LTA dapat memprediksi
P-Arrival secara terus menerus dengan
cepat. Model Conv1d + LSTM memiliki
akurasi paling baik dibandingkan model
lainnya untuk memprediksi hiposenter,
magnitude, dan kedalaman.
Sistem dapat memberi akses hasil
prediksi kepada masyarakat
menggunakan sebuah web framework
yang menampilkan visualisasi data
menggunakan dynamic line chart dan
peta web interaktif.
Pembuatan Websocket API dapat
membantu visualisasi data secara
realtime. Berdasarkan sistem yang
dibuat perkiraan waktu tersisa untuk
gempa dapat dirasakan adalah 15 detik.
Sistem memprediksi gempa
berdasarkan data seismik dari BMKG
menggunakan web framework yang
digunakan dari sisi back-end dan juga
front-end serta model machine learning
yang di-deploy sebagai API.
 Saran
Menggunakan data
langsung dari stasiun
Antarmuka dapat
memberi peringatan
gempa bumi yang lebih
menarik perhatian

Menggunakan model
Menambah
Membuat machine learning lain
data yang
aplikasi mobile untuk memprediksi
digunakan
P-Arrival
untuk training
Terima Kasih
 Tujuan Penelitian

Menyambungkan Visualisasi hasil

Pemodelan Machine model dengan data prediksi dalam
Learning yang tersedia bentuk web-based
Skenario
Ilustrasi input jendela interval 30 detik
Skenario
Ilustrasi input jendela interval 20 detik
Skenario
Ilustrasi input jendela interval 10 detik
Skenario
Berikut adalah ilustrasi data setelah diolah
 Pemrograman Frontend

Pembuatan
UI Halaman
Penentuan Admin
Requirement Tipe Uji Coba
Gathering Visualisasi Hasil
Data
Pembuatan
UI Halaman
Pengguna
Target Pengguna

Pengguna Umum Operator BMKG