PENERAPAN MULTI-DOMAIN LOSS PADA CONVOLUTIONAL AUTOENCODER UNTUK EKSTRAKSI FITUR PADA KLASIFIKASI GEMPA VULKANIK

Abraar Jihaad Hibatullah, . (2026) PENERAPAN MULTI-DOMAIN LOSS PADA CONVOLUTIONAL AUTOENCODER UNTUK EKSTRAKSI FITUR PADA KLASIFIKASI GEMPA VULKANIK. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220109.pdf Download (151kB)
	Text Abstrak_123220109.pdf Download (113kB)
	Text Halaman Pengesahan_123220109.pdf Download (484kB)
	Text Daftar Isi_123220109.pdf Download (240kB)
	Text Daftar Pustaka_123220109.pdf Download (177kB)
	Text Fulltext_123220109.pdf Restricted to Repository staff only Download (4MB)

Abstract

Klasifikasi sinyal gempa vulkanik merupakan komponen penting dalam sistem pemantauan aktivitas gunung api karena setiap tipe gempa merepresentasikan proses fisik yang berbeda di bawah permukaan. Namun, pendekatan konvensional berbasis fitur manual masih memiliki keterbatasan dalam menangkap kompleksitas sinyal seismik yang bersifat tidak stasioner dan bising. Penelitian ini mengusulkan penerapan Convolutional Autoencoder (CAE) dengan multi-domain loss untuk mengekstraksi fitur seismik secara otomatis, yang selanjutnya diklasifikasikan menggunakan XGBoost. Multi-domain loss mengombinasikan informasi domain waktu dan domain frekuensi untuk mempertahankan karakteristik bentuk gelombang serta distribusi energi sinyal secara simultan. Eksperimen dilakukan menggunakan data seismik hasil pemantauan Gunung Merapi yang diperoleh dari BPPTKG pada periode September 2025, dengan tiga kelas gempa, yaitu Multiphase (MP), Rockfall, dan Volcano-Tectonic (VTB). Hasil pengujian menunjukkan bahwa model XGBoost berbasis fitur manual memperoleh akurasi sebesar 90,04%, sedangkan penerapan CAE dengan optimasi MSE meningkatkan akurasi menjadi 93,42%. Performa terbaik dicapai oleh model CAE-XGBoost dengan multi-domain loss, dengan akurasi sebesar 98,04%, disertai peningkatan nilai precision, recall, dan F1-score yang lebih seimbang pada seluruh kelas. Visualisasi t-SNE juga menunjukkan pemisahan klaster yang lebih jelas pada representasi fitur laten. Hasil ini menunjukkan bahwa integrasi informasi domain waktu dan frekuensi mampu meningkatkan separabilitas fitur dan kinerja klasifikasi sinyal gempa vulkanik secara signifikan.

Kata kunci: gempa vulkanik, convolutional autoencoder, multi-domain loss, ekstraksi fitur, XGBoost

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Abraar Jihaad Hibatullah (Penulis - 123220109) Awang Hendrianto Pratomo (Pembimbing 1) Andika Bayu Aji (Pembimbing 2)
Uncontrolled Keywords:	gempa vulkanik, convolutional autoencoder, multi-domain loss, ekstraksi fitur, XGBoost
Subjek:	Q Science > QE Geology T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	05 Feb 2026 06:15
Last Modified:	05 Feb 2026 06:15
URI:	http://eprints.upnyk.ac.id/id/eprint/46987

Actions (login required)

View Item