PENERAPAN ARSITEKTUR EFFICIENTNET UNTUK KLASIFIKASI KEJADIAN GEOFISIKA MENGGUNAKAN METODE TRANSFER LEARNING CONVOLUTIONAL NEURAL NETWORK

Nasution, Dodi Al farisy (2024) PENERAPAN ARSITEKTUR EFFICIENTNET UNTUK KLASIFIKASI KEJADIAN GEOFISIKA MENGGUNAKAN METODE TRANSFER LEARNING CONVOLUTIONAL NEURAL NETWORK. Other thesis, UPN Veteran Yogyakarta.

	Text Cover_123200011_Dodi Al farisy Nasution.pdf Download (104kB)
	Text Abstrak_123200011_Dodi Al farisy Nasution.pdf Download (214kB)
	Text Halaman Pengesahan_123200011_Dodi Al farisy Nasution.pdf Download (283kB)
	Text Daftar Isi_123200011_Dodi Al farisy Nasution.pdf Download (138kB)
	Text Daftar Pustaka_123200011_Dodi Al farisy Nasution.pdf Download (206kB)
	Text Laporan_123200011_Dodi Al farisy Nasution.pdf Restricted to Repository staff only Download (7MB)

Abstract

Kejadian geofisika adalah kejadian atau peristiwa alam yang melibatkan proses fisika di dalam atau di atas permukaan bumi. Seismik adalah salah satu cara mendapatkan data dari kejadian geofisika, salah satu jenis data seismik adalah spektogram. Dunia memiliki sekitar seribu gunung berapi yang masih aktif. Banyak dari gunung berapi ini berada di dekat tempat tinggal, membuat penduduk di sekitarnya selalu berada dalam bahaya. Akibatnya untuk menilai bahaya dan pengembangan kontinjensi, sangat penting untuk memantau aktivitas gunung berapi, yang mencakup deformasi tanah, gas vulkanik, dan sinyal seismik. Kebutuhan yang terus meningkat untuk memantau sejumlah besar gunung berapi telah mendorong pengembangan sistem identifikasi otomatis yang menggunakan detektor kejadian gunung berapi atau sistem klasifikasi. Karena banyaknya gempa vulkanik yang memiliki karakteristik yang mirip, yang menghambat diskriminasi sinyal, merancang pengklasifikasian kejadian seismik adalah tugas yang sulit . Dalam mengatasi permasalahan penelitian ini, solusi yang akan digunakan adalah melakukan penerapan klasifikasi kejadian geofisika menggunakan metode transfer learning Convolutional Neural Network (CNN) dengan arsitektur EfficientNet-B0.

Penelitian ini melakukan pengujian dengan jenis-jenis model dari CNN dengan hyperparameter yang berbeda. Jenis-jenis model tersebut adalah model transfer learning CNN dengan arsitektur EfficientNet-B0, model CNN dengan arsitektur EfficientNet-B0 tanpa menggunakan metode transfer learning, dan model CNN tanpa menggunakan arsitektur. Pengujian dalam melakukan klasifikasi kejadian geofisika ini menggunakan data seismik kejadian geofisika seperti gempa, rock fall(jatuhan batu), dan gas burst(ledakan gas) dengan total data dalam bentuk data seismik yang telah dikonversi ke gambar spektogram berjumlah 5288 data spektogram dengan hasil akhir kelas berjumlah 4 yaitu gasburst, rockfall, gempa vulkano tektonik tipe-A (VTA) dan gempa vulkano tektonik tipe-A (VTB).

Hasil dari penelitian menunjukkan bahwa model dengan akurasi tertinggi dalam melakukan klasifikasi kejadian geofisika adalah model CNN arsitektur EfficientNet-B0 tanpa transfer learning dengan 20 epoch yang menghasilkan akurasi testing sebesar 92%. Model utama dalam penelitian ini yaitu transfer learning CNN dengan Arsitektur EfficientNet-B0 memiliki akurasi tertinggi pada 100 epoch pada data testing sebesar 89% yang menunjukkan akurasinya lebih rendah dibandingkan dengan model dengan akurasi tertinggi. Meskipun akurasi model ini lebih rendah, model ini memiliki keunggulan dalam kecepatan komputasi dalam melakukan pelatihan. Hasil dari model yang telah dilakukan pengujian ini menunjukkan bahwa kedua model transfer learning CNN arsitektur EfficientNet-B0 dan model CNN arsitektur EfficientNet-B0 tanpa transfer learning dapat melakukan klasifikasi kejadian geofisika dengan baik.

Kata Kunci : Kejadian Geofisika, Klasifikasi, Transfer Learning, EfficientNet-B0, Convolutional Neural Network.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kejadian Geofisika, Klasifikasi, Transfer Learning, EfficientNet-B0, Convolutional Neural Network.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	07 Nov 2024 02:01
Last Modified:	07 Nov 2024 02:01
URI:	http://eprints.upnyk.ac.id/id/eprint/41574

Actions (login required)

View Item