ANALISIS PERSEBARAN HIPOSENTER GEMPA BUMI MENGGUNAKAN METODE AUTOPICKING BERBASIS MACHINE LEARNING PADA WILAYAH JAWA TENGAH (STUDI KASUS : GEMPA BUMI TAHUN 2021)

PRATAMA, HANDIKA PUTRA (2025) ANALISIS PERSEBARAN HIPOSENTER GEMPA BUMI MENGGUNAKAN METODE AUTOPICKING BERBASIS MACHINE LEARNING PADA WILAYAH JAWA TENGAH (STUDI KASUS : GEMPA BUMI TAHUN 2021). Skripsi thesis, UPN Veteran Yogyakarta.

[thumbnail of 1_Skripsi Full_115210009_Handika Putra Pratama.pdf] Text
1_Skripsi Full_115210009_Handika Putra Pratama.pdf
Restricted to Repository staff only
Download (35MB)
[thumbnail of 2_Cover_115210009_Handika Putra Pratama.pdf] Text
2_Cover_115210009_Handika Putra Pratama.pdf
Download (87kB)
[thumbnail of 3_Abstrak_115210009_Handika Putra Pratama.pdf] Text
3_Abstrak_115210009_Handika Putra Pratama.pdf
Download (228kB)
[thumbnail of 4_Halaman Pengesahan_115210009_Handika Putra Pratama.pdf] Text
4_Halaman Pengesahan_115210009_Handika Putra Pratama.pdf
Download (156kB)
[thumbnail of 5_Daftar Isi_115210009_Handika Putra Pratama.pdf] Text
5_Daftar Isi_115210009_Handika Putra Pratama.pdf
Download (551kB)
[thumbnail of 6_Daftar Pustaka_115210009_Handika Putra Pratama.pdf] Text
6_Daftar Pustaka_115210009_Handika Putra Pratama.pdf
Download (720kB)

Abstract

ABSTRAK
Analisis Persebaran Hiposenter Gempa Bumi Menggunakan
Metode Autopicking Berbasis Machine Learning Pada Wilayah
Jawa Tengah (Studi Kasus : Gempa Bumi Tahun 2021)
Oleh
Handika Putra Pratama
NIM: 115210009
(Program Studi Sarjana Teknik Geofisika)
Provinsi Jawa Tengah, yang terletak di persimpangan lempeng tektonik Eurasia,
Indo-Australia, dan Pasifik, memiliki tingkat kerawanan seismik yang tinggi, baik
dari zona subduksi maupun sesar darat aktif. Penelitian ini bertujuan untuk
meningkatkan kuantitas dan akurasi katalog gempa bumi di wilayah tersebut
dengan menerapkan alur kerja modern berbasis machine learning. Data waveform
dari 22 stasiun seismik selama periode 20 Oktober – 25 November 2021 diolah
menggunakan model deep learning PhaseNet untuk identifikasi fase gelombang P
dan S secara otomatis. Lokasi hiposenter awal ditentukan menggunakan metode
non-linear NonLinLoc dan selanjutnya direlokasi dengan metode Double
Difference untuk presisi yang lebih tinggi. Hasilnya, penelitian ini berhasil
mendeteksi 37 event gempa, dibandingkan 2 event yang tercatat dalam katalog
USGS pada periode yang sama. Hasil relokasi menunjukkan pengelompokan
hiposenter yang lebih rapat di zona subduksi selatan Jawa. Meskipun sangat efektif
untuk gempa tektonik, metode ini menunjukkan performa yang lebih rendah dalam
mendeteksi gempa swarm vulkanik di sekitar Ambarawa dibandingkan dengan
katalog BMKG, yang mengindikasikan perlunya retraining model PhaseNet
dengan data lokal. Studi ini menegaskan potensi besar metode otomatis untuk
pemantauan seismik regional namun juga menyoroti pentingnya penyesuaian
model untuk karakteristik seismik lokal yang spesifik.
Kata kunci: Gempa bumi, Jawa Tengah, PhaseNet, NonNinLoc, Double-Difference
vi
ABSTRACT
Analysis of Earthquake Hypocenter Distribution in Central Java
Using a Machine Learning Autopicking Method: A Case Study of
the 2021 Seismicity
By
Handika Putra Pratama
NIM: 115210009
(Geophysical Engineering Undergraduated Program)
Central Java Province, located in the intersection of Eurasian, Indo-Australian,
and Pacific tectonic plates, faces a high level of seismic hazard from both
subduction zones and active inland fault and this condition makes Central Jawa
have a high risk of earthquake. This study aims to enhance the quantity and
accuracy of earthquake catalog in this region by implementing a modern, machine
learning-based workflow. Waveform data from 22 seismic stations, recorded
between October 20 and November 25, 2021, were processed using the PhaseNet
deep learning model for automatic P- and S-wave phase identification. Initial
hypocenter locations were determined using the non-linear NonLinLoc method and
subsequently relocated with the Double-Difference method for higher precision.The
results demonstrate a significant increase in earthquake detection, identifying 37
events, compared to 2 events recorded in the USGS catalog for the same period.
The relocated hypocenters show a tighter clustering in the subduction zone south
of Java. While highly effective for tectonic earthquakes, the method showed lower
performance in detecting volcanic swarm earthquakes around Ambarawa
compared to the BMKG catalog. This indicates a need to retrain the PhaseNet
model with local data. This study confirms the substantial potential of automated
methods for regional seismic monitoring but also highlights the importance of
adapting models to specific local seismic characteristics.
Keywords: Earthquake, Central Java, PhaseNet, NonLinLoc, Double-Difference
vii

Item Type: Tugas Akhir (Skripsi)
Uncontrolled Keywords: Earthquake, Central Java, PhaseNet, NonLinLoc, Double-Difference
Subjek: Q Science > QE Geology
Divisions: Fakultas Teknologi Mineral dan Energi > (S1) Teknik Geofisika
Depositing User: Eko Yuli
Date Deposited: 17 Nov 2025 02:02
Last Modified: 17 Nov 2025 02:02
URI: http://eprints.upnyk.ac.id/id/eprint/45474

Actions (login required)

View Item View Item