Pengembangan Sistem Prediksi

Gempa Bumi Real-time Berbasis

Data Seismik
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 seismik Bagaimana hasil Bagaimana sistem

mengidentifikasi memprediksi dapat diolah agar dapat prediksi dapat memprediksi
titik P-Arrival? hiposenter, mensimulasikan data divisualisasi? gempa bumi?
magnitude, dan real-time?
kedalaman?
 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, (Withers et al, 1998)
2020)
Earthquake Early Warning Earthquake transformer—an A comparison of select trigger
System Using N-check and Hard- attentive deep-learning model for algorithms for automated global
Shared Orthogonal Multi-target simultaneous earthquake detection seismic phase and event detection
Regression on Deep Learning and phase picking

MTR LSTM STA/LTA

Penelitian Kami
02
Metodologi
Pembagian Kerja
 Tahapan Penelitian

Requirement Daily
Literature Study Sprint Planning 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

endtime Waktu selesainya rekaman seismik

Data yang kami peroleh
setelah mengekstrasi npts Jumlah banyaknya data seismik
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 data Interpolasi data Data digunakan Output

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

Data raw Pick Ekstraksi Data logitudo, latitudo,

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 0.116 0.140 0.063 0.090 0.074
 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 API
Websocket
Method Endpoint Deskripsi
Method Endpoint Deskripsi
GET get_gmji_data/{nama mseed} Mendapatkan data seismik mseed , kebutuhan
GET get_GMJI/{nama mseed} Mendapatkan
frontend, Informasi
dan hasil mseed
prediksi berdasarkan
berdasarkan stasiun
stasiundan
GMJI GMJI danmseed
nama nama mseed

GET
GET get_JAGI/{nama mseed}
get_jagi_data/{nama mseed} Mendapatkan
Mendapatkan Informasi mseed
data seismik berdasarkan
mseed , kebutuhan
stasiun JAGI dan nama mseed
frontend, dan hasil prediksi berdasarkan stasiun
GMJI dan nama mseed
GET get_PWJI/{nama mseed} Mendapatkan Informasi mseed berdasarkan
stasiun PWJI dan nama mseed
GET get_pwji_data/{nama mseed} Mendapatkan data seismik 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 disimpan

data data data per stasiun pada Basis Data
menggunakan berdasarkan
Min-Max sampling rate
 Implementasi Websocket API

Awal Penyelarasan Pembuatan

GET data
pemanggilan data per Waktu
mseed
Endpoint sensor berdasarkan
berdasarkan
indeks data
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

WaktuP-Arrival
Jarak Komputasi STA/LTA
sampai S-Arrival 0.002 detik
21.53

Waktu
Sisa Prediksi MTR
waktu 1.23
15 detik
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 Admin

Pengguna
 Metode Implementasi Real-time
Chart
Panel
Informasi
Gempa
Tabel
Informasi
Gempa
Websocket
Lokasi Sumber
Gempa Pada Peta Lokasi Sumber
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
Antarmuka dapat memberi
Menggunakan data peringatan gempa bumi yang
langsung dari stasiun lebih menarik perhatian

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

Menyambungkan model Visualisasi hasil prediksi

Pemodelan Machine dengan data yang dalam bentuk web-based
Learning tersedia
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