Analisis Komparatif CNN 1D dan CNN 2D Menggunakan Data Waveform dan Spektrogram untuk Klasifikasi Gempa Vulkanik

Kevin, Farrelius (2026) Analisis Komparatif CNN 1D dan CNN 2D Menggunakan Data Waveform dan Spektrogram untuk Klasifikasi Gempa Vulkanik. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (943kB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (372kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (207kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (639kB)
	Archive (ZIP) 00000081783_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Klasifikasi gempa vulkanik menggunakan data seismik merupakan salah satu aspek penting dalam pemantauan aktivitas gunung api. Namun, proses klasifikasi masih menghadapi berbagai tantangan jika dilakukan secara manual karena kemiripan karakteristik antar jenis gempa serta volume data yang terus meningkat. Perkembangan metode Deep Learning, khususnya Convolutional Neural Network (CNN), memungkinkan proses klasifikasi dilakukan secara otomatis dengan memanfaatkan berbagai bentuk data seismik. Dalam penerapannya, data seismik dapat diolah dalam bentuk sinyal maupun spektrogram yang memiliki karakteristik informasi dan kebutuhan komputasi yang berbeda. Meskipun kedua pendekatan tersebut telah menunjukkan performa yang baik, penelitian yang membandingkan keduanya secara langsung dengan mempertimbangkan aspek performa klasifikasi dan efisiensi komputasi masih terbatas. Penelitian ini bertujuan melakukan analisis komparatif antara arsitektur SeismicNet berbasis CNN 1D yang menggunakan data sinyal dan VOISS-Net berbasis CNN 2D yang menggunakan data spektrogram untuk klasifikasi gempa vulkanik. Dataset yang digunakan terdiri atas empat kelas kejadian gempa, yaitu Long Period (LP), Tremor (TR), Volcano-Tectonic (VT), dan Tectonic (TC). Evaluasi dilakukan menggunakan Stratified K-Fold Cross Validation dengan skenario K=5 dan K=10. Performa model dievaluasi berdasarkan accuracy, macro precision, macro recall, macro F1-score, kompleksitas komputasi, waktu pelatihan, dan waktu inferensi. Hasil penelitian menunjukkan bahwa kedua arsitektur mampu menghasilkan performa klasifikasi yang tinggi, dengan nilai macro F1-score sebesar 95,5% pada VOISS-Net dan 95,4% pada SeismicNet. Selain itu, VOISS-Net menunjukkan stabilitas performa yang lebih baik serta membutuhkan kompleksitas komputasi, waktu pelatihan, dan waktu inferensi yang lebih rendah. Berdasarkan hasil tersebut, VOISS-Net dipilih sebagai arsitektur terbaik karena memberikan keseimbangan yang lebih baik antara performa klasifikasi dan efisiensi komputasi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Kevin, Farrelius (00000081783)
Contributors:	Wardhana, Ajie Kusuma
Keywords:	CNN 1D, CNN 2D, Gempa Vulkanik, Sinyal Seismik, Spektrogram.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:18
URI:	https://kc.umn.ac.id/id/eprint/48450

Actions (login required)

View Item