Bagaimana kecerdasan buatan membantu peneliti memahami rekaman gempa, mengenali pola, dan mengajukan pertanyaan yang lebih baik. Dari seismogram mentah sampai proposal tesis untuk jaringan seismik BMKG.
Model yang baik bukan hanya memberi jawaban. Ia juga membantu kita memeriksa mengapa jawaban itu masuk akal.
PRINSIP EDITORIAL
Halaman profil
Tentang Saya.
Kenali orang di balik catatan ini, minat belajarnya, dan pertanyaan yang sedang ia telusuri.
Salam kenal
Teknologi paling menarik saat ia membantu kita melihat lebih jelas.
Halo, saya Slamet Wijaya, mahasiswa Program Studi Teknik Informatika S-2 di Universitas Pamulang. Halaman ini menjadi ruang untuk mendokumentasikan proses belajar saya tentang computer vision dan penerapannya dalam seismologi.
Saya tertarik pada bagaimana komputer dapat menemukan pola dalam data yang terlalu besar atau rumit untuk diperiksa satu per satu. Dalam seismologi, pola itu hadir sebagai getaran tanah yang direkam terus-menerus oleh stasiun seismik. Dari rekaman tersebut, peneliti berusaha mengenali kedatangan gelombang, membedakan gempa dari derau, dan memahami karakter sumbernya.
“Belajar membaca sinyal adalah belajar menghargai detail yang sering luput dari pandangan.”
Melalui blog ini saya ingin membahas riset-riset tersebut dengan bahasa yang mudah diikuti, tetapi tetap menyebut metode, bukti, keterbatasan, dan sumber aslinya. Penjelasan yang baik tidak menyederhanakan sains secara berlebihan; ia memberi pembaca pijakan untuk bertanya lebih jauh.
Yang sedang saya pelajari
01
Model AI untuk seismogram
Phase picking, deteksi gempa, dan denoising dengan jaringan saraf.
02
Explainable AI
Cara menguji mengapa model memberi prediksi tertentu, bukan sekadar menerimanya.
03
Generalisasi lintas wilayah
Apakah model dari satu wilayah tetap andal di wilayah lain, misalnya di Indonesia.
Proyek utama saat ini
Proposal tesis
Evaluasi transportabilitas dan transfer learning model DeepDenoiser untuk mitigasi noise pada jaringan seismik BMKG.
Setiap catatan dimulai dari masalah nyata yang ingin dipecahkan, bukan dari istilah teknis.
02
Sebut bukti dan batasnya
Hasil riset ditulis bersama konteks datasetnya, supaya tidak berlebihan menggeneralisasi.
03
Cantumkan sumber asli
Pembaca selalu bisa menelusuri paper yang dirujuk.
Esai riset · 16 menit membaca
Computer Vision in Seismology
Cara kerja computer vision pada rekaman gempa, mengapa seismogram bisa diperlakukan seperti gambar, dan apa saja yang sudah dikerjakan dengannya: deteksi, picking, denoising, sampai estimasi parameter gempa.
SWOleh Slamet Wijaya Catatan kuliah · Oktober 2026
Seismolog selama puluhan tahun membaca rekaman gempa dengan mata: mencari bentuk, pola, dan perubahan mendadak pada garis gelombang. Computer vision mengajarkan mesin melakukan hal yang sama. Seismogram memang bukan foto, tetapi ia kaya struktur lokal seperti tepi, tekstur, dan pola berulang, tepat jenis hal yang dikuasai jaringan konvolusional.
01Gagasan dasar: mengapa visi komputer cocok untuk seismogram
Computer vision adalah cabang AI yang belajar mengenali pola visual: apakah ini kucing, di mana batas jalan, bagian mana yang noise. Tiga sifat gambar membuatnya relevan untuk seismologi:
STRUKTUR LOKAL
Tepi & onset
Pada gambar, tepi objek menandai batas. Pada seismogram, kedatangan gelombang P adalah “tepi” saat amplitudo mendadak berubah.
TEKSTUR
Pola frekuensi
Gempa, derau lalu lintas, dan ombak punya “tekstur” berbeda pada spektrogram, seperti kain berbeda motif.
PERGESERAN
Tak peduli posisi
Kucing tetap kucing di sudut mana pun. Gempa tetap gempa di menit berapa pun. Konvolusi memang dirancang untuk sifat ini.
GAMBAR 1Gelombang P dan S berangkat bersamaan tetapi tiba pada waktu berbeda. Tugas pembaca (manusia atau model) adalah menemukan kedua “tepi” itu pada rekaman.
Gagasan utama
Model tidak “melihat gempa” secara ajaib. Ia belajar hubungan statistik antara contoh rekaman berlabel dan keluaran yang diharapkan.
02Tiga cara “melihat” data seismik
Istilah computer vision pada seismologi punya dua tafsir: memperlakukan data sebagai gambar, atau memakai arsitektur yang lahir dari visi komputer (CNN, U-Net, Transformer) pada deret waktu. Keduanya dipakai.
GAMBAR 2Isi rekaman sama, bentuk penyajiannya berbeda. Spektrogram diperoleh dengan STFT, sehingga seismogram menjadi gambar untuk CNN 2D.
A · DERET WAKTU 1D
Waveform langsung
Tiga kanal Z, N, E sebagai urutan angka. Dipakai PhaseNet dan EQTransformer dengan konvolusi 1D. Paling umum untuk deteksi dan picking.
B · CITRA 2D
Spektrogram
STFT mengubah sinyal menjadi gambar waktu-frekuensi, lalu diproses konvolusi 2D seperti pada foto. Dipakai DeepDenoiser.
C · GAMBAR SUNGGUHAN
Citra & array
Penampang seismik, array padat, dan DAS (distributed acoustic sensing) yang menghasilkan ribuan kanal berdekatan sehingga benar-benar berbentuk gambar.
03Bagaimana CNN membaca seismogram
Jaringan konvolusional (CNN) memeriksa sinyal dengan filter kecil yang digeser di sepanjang rekaman, seperti senter kecil yang menyisir sebuah lorong panjang. Setiap filter peka terhadap satu pola, misalnya “naik tajam mendadak”. Hasilnya adalah peta fitur: seberapa kuat pola itu muncul di tiap waktu.
GAMBAR 3Satu filter menghasilkan satu peta fitur. Jaringan memiliki puluhan sampai ratusan filter yang dipelajari dari data, bukan dirancang manual.
01
Konvolusi
Filter menyisir sinyal dan menandai bagian yang cocok dengan polanya.
02
Pooling / down-sampling
Resolusi waktu diperkecil sehingga model melihat konteks lebih luas (medan pandang, receptive field, membesar).
03
Lapisan dalam
Fitur sederhana digabung menjadi pola kompleks: “ada P, lalu S sekitar 8 detik kemudian”.
04
Decoder & skip connection (U-Net)
Resolusi dipulihkan, dan detail halus dari awal jaringan disalin agar waktu tiba tidak kabur.
05
Keluaran
Label, probabilitas per titik waktu, atau mask, tergantung tugasnya.
Arsitektur U-Net (Ronneberger dkk., 2015) awalnya dibuat untuk segmentasi citra biomedis, tetapi bentuknya sangat cocok untuk seismologi: ia memberi keluaran untuk setiap titik masukan.
04Peta tugas: dari visi komputer ke seismologi
Banyak masalah seismologi punya kembaran di dunia visi komputer. Itulah mengapa metode yang sudah matang dapat dipinjam.
TUGAS DI COMPUTER VISIONPADANANNYA DI SEISMOLOGI
Klasifikasi citra
“Gambar ini berisi apa?”
→
Deteksi & klasifikasi peristiwa
“Jendela ini gempa, derau, atau ledakan?”
Segmentasi semantik
Label per piksel.
→
Phase picking
Label per titik waktu: P, S, atau derau (PhaseNet).
Restorasi / denoising citra
Membersihkan foto berderau.
→
Denoising seismogram
Memisahkan sinyal gempa dari derau (DeepDenoiser).
Regresi dari citra
Memperkirakan nilai (usia, jarak).
→
Estimasi parameter
Magnitudo, jarak episentral, back-azimuth (SeisT).
Model pralatih & fine-tuning
Mulai dari model ImageNet.
→
Transfer learning antarjaringan
Mulai dari model global, setel dengan data lokal.
Augmentasi gambar
Putar, potong, tambah derau.
→
Augmentasi sinyal
Geser jendela, tambah derau, hilangkan kanal.
05Penerapan 1: mendeteksi gempa
Masalah. Stasiun merekam tanpa henti. Dari ribuan jam rekaman, mana yang berisi gempa? Algoritma klasik seperti STA/LTA membandingkan energi jangka pendek dengan jangka panjang, tetapi mudah terpicu oleh derau dan cenderung melewatkan gempa kecil.
Pendekatan CNN. Rekaman dipotong menjadi jendela, dan CNN mengklasifikasikan tiap jendela. ConvNetQuake (Perol dkk., 2018) memakai CNN pada waveform untuk mendeteksi dan menglokalisasi gempa secara kasar di Oklahoma. Ross dkk. (2018) melatih CNN untuk mengklasifikasikan fase P, fase S, dan derau pada data Southern California.
Mengapa membantu. Model dapat belajar bentuk gempa kecil yang halus, sehingga katalog menjadi lebih lengkap. Katalog yang lebih lengkap membantu memahami aktivitas sesar dan swarm.
06Penerapan 2: phase picking sebagai segmentasi
Masalah. Lokasi gempa dihitung dari selisih waktu tiba P dan S di banyak stasiun, sehingga kesalahan picking langsung menjadi kesalahan lokasi. Picking manual lambat dan bervariasi antaranalis.
Pendekatan. PhaseNet (Zhu & Beroza, 2019) memperlakukan picking seperti segmentasi gambar: U-Net menerima tiga komponen dan memberi tiga kurva, yaitu probabilitas P, S, dan derau di setiap titik waktu. Puncak kurva menjadi waktu tiba.
GAMBAR 4Analogi segmentasi gambar: alih-alih memberi label pada piksel, model memberi “peluang” pada setiap titik waktu.
EQTransformer (Mousavi dkk., 2020) memperluas ide ini dengan mekanisme attention dan menggabungkan deteksi dengan picking dalam satu model. Benchmark SeisBench dan studi Münchmeyer dkk. (2022) membandingkan banyak model pada beragam dataset, dan menunjukkan bahwa performa tergantung kuat pada kecocokan data latih dengan data target.
07Penerapan 3: denoising, dari foto berderau ke seismogram bersih
Pada citra, denoising membersihkan foto yang berbintik. Pada seismologi, tujuannya serupa: memisahkan sinyal gempa dari derau lalu lintas, ombak, atau angin. DeepDenoiser (Zhu dkk., 2019) menjalankan ini di bidang spektrogram.
Jaringan belajar memberi nilai 0 sampai 1 pada setiap piksel, yaitu seberapa besar piksel itu milik sinyal. Nilai ini disebut mask. Mengalikan mask dengan spektrogram berderau menghasilkan spektrogram bersih, lalu ISTFT mengembalikannya menjadi waveform.
GAMBAR 5Derau memenuhi seluruh gambar, mask menandai bagian milik sinyal, dan hasil perkalian menyisakan sinyal.
Coba sendiri: mengapa derau mempersulit picking
Geser tingkat derau dan lihat bagaimana onset P (garis putus) makin sulit ditentukan. Ini simulasi konsep, bukan keluaran model.
Dibanding filter bandpass biasa yang hanya membuang rentang frekuensi, pendekatan mask bekerja per piksel waktu-frekuensi sehingga dapat memilah sinyal dan derau yang tumpang-tindih, asalkan model dilatih pada derau yang mirip lingkungan target. Studi Yang dkk. (2022) menunjukkan manfaat denoising untuk pemantauan gempa di lingkungan perkotaan yang bising.
08Penerapan lain: dari magnitudo sampai fiber optik
ESTIMASI PARAMETER
Magnitudo, jarak, arah
SeisT dan model sejenis memakai satu tulang punggung untuk memperkirakan magnitudo, jarak episentral, back-azimuth, dan polaritas.
ASOSIASI & LOKASI
Menyatukan pick lintas stasiun
Hasil picking dari banyak stasiun harus dikelompokkan menjadi kejadian yang sama sebelum lokasi dihitung. Kualitas pick yang baik mempermudah langkah ini.
DAS & ARRAY
Serat optik sebagai seismometer
DAS menghasilkan rekaman ribuan kanal yang tampak seperti gambar waktu-jarak, sangat alami untuk CNN dan segmentasi.
VULKANO & INDUKSI
Sinyal non-tektonik
Model juga dipakai pada seismisitas gunung api dan gempa terinduksi. Transfer learning terbukti membantu saat data lokal sedikit.
Konteks Indonesia
Jaringan padat dengan derau beragam (kota, laut, tanah lunak) menjadikan Indonesia uji yang menarik bagi denoising dan transfer learning. Lihat tab Thesis Proposal untuk rencana riset saya.
09Garis waktu riset terkini
Berikut tonggak yang mewakili evolusi metode, bukan peringkat mutlak seluruh literatur.
2015–2018 · FONDASI
U-Net, ConvNetQuake, dan deteksi fase umum
U-Net lahir dari segmentasi citra. Perol dkk. dan Ross dkk. menunjukkan CNN dapat belajar langsung dari waveform untuk deteksi dan klasifikasi fase.
Dataset besar rekaman gempa dan derau yang menjadi bahan latih banyak model. Kelemahannya, sebaran wilayahnya tidak merata sehingga wilayah tertentu kurang terwakili.
Chai dkk. memanfaatkan transfer learning agar picker dapat menjembatani skala berbeda, sedangkan Lapins dkk. menunjukkan sedikit data lokal dapat cukup untuk menyetel picker pada gunung api Nabro.
Model bagus di satu tempat belum tentu bagus di tempat lain
Tibi dkk. menguji denoising deep learning pada data regional di Utah, dan Münchmeyer dkk. membandingkan berbagai picker pada beragam dataset. Yang dkk. menunjukkan denoising yang disesuaikan untuk lingkungan kota membantu pemantauan gempa.
SeisBench menyediakan perangkat terbuka untuk membangun dan membandingkan model. Mousavi dan Beroza menulis tinjauan di Science yang merangkum capaian dan tantangan bidang ini.
Angka dari eksperimen berbeda tidak bisa langsung diadu: data, pemisahan train-test, ambang, dan metrik mungkin berbeda.
10Membuka kotak hitam: explainable AI
Model akurat belum tentu mudah dipercaya. Explainable AI (XAI) membantu menyelidiki mengapa model memberi prediksi tertentu, tetapi visualisasi penjelasan tidak otomatis membuktikan sebab-akibat.
Tampilkan skor di sepanjang waktu
Plot probabilitas P, S, dan derau terhadap waktu, seperti keluaran PhaseNet (Gambar 4). Mudah diperiksa mata. Batasnya: ini hasil akhir model, bukan penjelasan fitur internalnya.
Saliency dan Integrated Gradients
Mengestimasi bagian input yang paling memengaruhi skor, seperti menyorot kata kunci dalam kalimat. Peta atribusi sensitif terhadap metode dan titik acuan, jadi bandingkan beberapa metode.
Occlusion test
Tutup sebagian sinyal (misalnya jendela di sekitar onset P) lalu ukur perubahan prediksi. Jika skor runtuh saat onset ditutup, model memang bergantung pada onset.
Kasus gagal dan kalibrasi
Periksa alarm palsu, gempa terlewat, dan apakah skor keyakinan sesuai akurasi nyata. Model yang yakin namun salah lebih berbahaya daripada model yang ragu.
Jangan tertukar
Heatmap bukan bukti model memakai “alasan geologis yang benar”. Uji kestabilannya dan pastikan bukan artefak sinyal atau ciri stasiun.
11Tantangan dan arah ke depan
PERBEDAAN WILAYAH
Domain shift
Geologi, sensor, dan derau berubah antarwilayah. Uji lintas stasiun dan lokasi baru lebih meyakinkan daripada pengacakan data dari kumpulan yang sama.
KETIMPANGAN KELAS
Gempa kecil terlewat
Akurasi keseluruhan bisa tinggi sementara gempa kecil luput. Periksa precision, recall, dan analisis per kelompok.
KETIDAKPASTIAN LABEL
Analis pun berbeda
Pick pada sinyal lemah bisa berbeda antaranalis, dan model dapat mewarisi ketidakpastiannya.
DETEKSI ≠ RAMALAN
Bukan prediksi gempa
Mengenali gempa dari rekaman berbeda dari meramalkan waktu, lokasi, dan magnitudo sebelum terjadi.
Arah yang menjanjikan meliputi pembelajaran dari data tanpa label, adaptasi dengan sedikit anotasi lokal (transfer learning), benchmark lintas wilayah, dan keluaran yang menyertakan ketidakpastian. Model tetap menjadi alat bantu triase dan konsistensi, dengan validasi dan pengawasan seismolog.
∿
Computer vision mempercepat pembacaan seismogram. Keandalannya tetap bergantung pada data representatif, evaluasi ketat, penjelasan yang diuji, dan keahlian manusia.
Daftar pustaka terpilih
Jejak untuk dibaca lebih jauh.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: convolutional networks for biomedical image segmentation. arXiv:1505.04597.
Perol, T., Gharbi, M., & Denolle, M. (2018). Convolutional neural network for earthquake detection and location. Science Advances, 4(2), e1700578. doi:10.1126/sciadv.1700578.
Ross, Z. E., Meier, M.-A., Hauksson, E., & Heaton, T. H. (2018). Generalized seismic phase detection with deep learning. BSSA, 108(5A), 2894–2901. doi:10.1785/0120180080.
Zhu, W. & Beroza, G. C. (2019). PhaseNet: a deep-neural-network-based seismic arrival-time picking method. Geophysical Journal International, 216(1), 261–273. doi:10.1093/gji/ggy423.
Zhu, W., Mousavi, S. M., & Beroza, G. C. (2019). Seismic signal denoising and decomposition using deep neural networks. IEEE TGRS, 57(11), 9476–9488. doi:10.1109/TGRS.2019.2926772.
Mousavi, S. M., Ellsworth, W. L., Zhu, W., Chuang, L. Y., & Beroza, G. C. (2020). Earthquake transformer. Nature Communications, 11, 3952. doi:10.1038/s41467-020-17591-w.
Chai, C. et al. (2020). Using a deep neural network and transfer learning to bridge scales for seismic phase picking. Geophysical Research Letters. halaman publikasi.
Lapins, S. et al. (2021). A little data goes a long way: automating seismic phase arrival picking at Nabro volcano with transfer learning. JGR: Solid Earth. halaman publikasi.
Tibi, R., Hammond, P., Brogan, R., Young, C. J., & Koper, K. (2021). Deep learning denoising applied to regional distance seismic data in Utah. BSSA, 111(2), 775–790. doi:10.1785/0120200292.
Yang, L., Liu, X., Zhu, W., Zhao, L., & Beroza, G. C. (2022). Toward improved urban earthquake monitoring through deep-learning-based noise suppression. Science Advances, 8(15), eabl3564. doi:10.1126/sciadv.abl3564.
Münchmeyer, J. et al. (2022). Which picker fits my data? JGR: Solid Earth, 127(1). doi:10.1029/2021JB023499.
Woollam, J. et al. (2022). SeisBench—a toolbox for machine learning in seismology. SRL, 93(3), 1695–1709. doi:10.1785/0220210324.
Mousavi, S. M. & Beroza, G. C. (2022). Deep-learning seismology. Science, 377(6607), eabm4470. doi:10.1126/science.abm4470.
Li, S. et al. (2024). SeisT: a foundational deep learning model for earthquake monitoring tasks. IEEE TGRS. doi:10.1109/TGRS.2024.3371503.
Wang, X. et al. (2025). SeisMoLLM. arXiv:2502.19960. arXiv. Preprint.
Ringkasan ditulis ulang untuk tujuan edukasi. Periksa artikel asli untuk rincian eksperimen, metrik, dan keterbatasan.
Konsep riset · Program Pascasarjana Universitas Pamulang
Menjernihkan suara bumi Indonesia
Riset tentang model deep learning untuk mengurangi derau pada rekaman gempa jaringan BMKG: seberapa baik model global bekerja di Indonesia, dan seberapa jauh transfer learning memperbaikinya.
SWOleh Slamet Wijaya Teknik Informatika S-2 · Universitas Pamulang · 2026 · tahap proposal
01Konsep riset dalam satu halaman
Pertanyaan inti
Jika model denoising yang dilatih di wilayah yang relatif sunyi dipindahkan ke jaringan seismik Indonesia yang bising, seberapa besar performanya turun, dan seberapa jauh data lokal dapat memulihkannya?
GAMBAR 1Tiga tahap utama riset. Seluruhnya dikerjakan secara offline pada data rekaman yang sudah ada.
JUDUL
Evaluasi transportabilitas dan transfer learning model DeepDenoiser untuk mitigasi noise pada jaringan seismik BMKG.
STATUS
Tahap proposal. Belum ada eksperimen yang dijalankan, sehingga halaman ini menjelaskan rencana dan harapan, bukan hasil.
02Latar belakang: negeri di atas empat lempeng
Indonesia berada di pertemuan empat lempeng utama: Indo-Australia, Sunda, Filipina, dan Caroline. Interaksinya menghasilkan megathrust, sesar mendatar, sesar naik, dan zona ekstensional. Untuk memantaunya, BMKG terus menambah jaringan seismograf nasional.
GAMBAR 2Peta skematis batas lempeng, digambar dari koordinat perkiraan berdasarkan model batas lempeng global PB2002 (Bird, 2003) dan sintesis tektonik regional (Hall, 2002). Segitiga menandai sisi lempeng penindih pada zona subduksi. Posisi batas dan garis pantai disederhanakan, sehingga hanya untuk ilustrasi, bukan data resmi.
Di barat dan selatan, batasnya relatif sederhana: Lempeng Indo-Australia menunjam di bawah Sunda di sepanjang Palung Sunda dan Palung Jawa. Di timur, situasinya jauh lebih rumit. Lempeng Laut Filipina, Caroline, dan Australia bertemu dengan sejumlah mikro-lempeng (Banda, Molucca, Kepala Burung, Maoke) dalam zona tumbukan kompleks, sehingga peta empat lempeng hanyalah penyederhanaan.
546stasiun seismik aktif BMKG
84stasiun di atas tanah lunak (studi HVSR)
~43%stasiun terpolusi derau antropogenik 5–10 Hz
3komponen rekaman: Z, N, E
Tiga sumber derau yang saling menumpuk
MANUSIA
Derau antropogenik
Kendaraan berat, permukiman, perkantoran, lahan pertanian, dan bandara. Dominan di frekuensi tinggi.
ALAM
Mikroseismik & cuaca
Hujan, angin, sungai, dan gelombang laut kepulauan menciptakan derau yang bervariasi musiman.
TANAH
Tanah lunak
Lapisan sedimen lunak memperkuat getaran lokal sehingga derau ikut teramplifikasi.
03Mengapa derau penting: efek berantai
Derau bukan sekadar membuat grafik berantakan. Ia merambat ke setiap langkah analisis gempa:
Derau tinggiSNR rendah pada gempa kecil
→
Picking melesetonset P/S sulit ditentukan
→
Lokasi & magnitudo biasgalat episenter dan kekuatan
→
Katalog & peringatangempa kecil terlewat, respons melambat
Filter bandpass adalah alat standar untuk mengatasinya, tetapi ia punya batas jelas ketika derau dan sinyal berada pada rentang frekuensi yang sama.
GAMBAR 3Pada rentang yang tumpang-tindih, filter tidak bisa membedakan sinyal dari derau. Model berbasis mask bekerja pada pola waktu-frekuensi, bukan sekadar rentang frekuensi.
KETERBATASAN 1
Tak efektif saat pita frekuensi derau menimpa pita sinyal.
KETERBATASAN 2
Batas frekuensi ditentukan manual dan dicoba kasus per kasus.
KETERBATASAN 3
Berisiko mengubah bentuk gelombang dan fase jika tidak memakai penyaringan dua arah.
04Landasan teknis: DeepDenoiser dan transfer learning
Bayangkan memisahkan suara vokal dari musik dalam sebuah rekaman. DeepDenoiser melakukan hal serupa pada seismogram: memisahkan “suara” gempa dari “suara latar” derau, di bidang waktu-frekuensi (lihat tab Computer Vision in Seismology untuk penjelasan lebih dalam).
1 · Waveformrekaman 1D tiga komponen
→
2 · STFTmenjadi spektrogram 2D
→
3 · U-Netmemprediksi mask sinyal & derau
→
4 · Perkalianmask × spektrogram
→
5 · iSTFTkembali ke waveform bersih
GAMBAR 4Skema U-Net. Jalur putus-putus menyalin detail dari encoder ke decoder supaya waktu tiba gelombang tidak kabur.
Transportabilitas dan domain shift
Transportabilitas adalah kemampuan model yang dilatih di satu wilayah (source domain) untuk tetap bekerja baik di wilayah lain (target domain). DeepDenoiser asli dilatih pada rekaman Northern California yang relatif tenang, sementara jaringan BMKG menghadapi kombinasi derau perkotaan, tanah sedimen lunak, dan mikroseismik kepulauan.
GAMBAR 5Distribusi derau di kedua wilayah berbeda, sehingga model tidak otomatis cocok bila dipindahkan.
Transfer learning adalah jawabannya: mulai dari model yang sudah memahami bentuk dasar gelombang, lalu menyesuaikannya dengan data lokal. Seperti dokter umum yang mengambil spesialisasi, dasarnya sudah ada.
05Penelitian terkait dan celah riset
Riset ini berdiri di atas empat jalur literatur. Setiap tautan membawa ke paper atau halaman publikasi aslinya.
A. Denoising seismik dengan deep learning
2019
DeepDenoiser
Zhu, Mousavi, dan Beroza merumuskan denoising sebagai pemisahan sumber pada spektrogram dengan U-Net yang memprediksi mask sinyal dan derau. Model ini menjadi dasar riset saya.
Tibi dkk. menguji denoising deep learning pada jarak regional dan menyoroti bahwa performa terkait erat dengan karakter data latih. Ini rujukan utama masalah transportabilitas.
Yang dkk. menyesuaikan pendekatan denoising pada lingkungan kota yang bising dan melaporkan manfaatnya bagi pemantauan gempa. Relevan karena banyak stasiun BMKG dekat aktivitas manusia.
Yosinski dkk. menunjukkan lapisan awal cenderung bersifat umum sedangkan lapisan akhir spesifik tugas. Ini dasar logika Skema A (encoder dibekukan) dan Skema B (semua dilatih).
Belum ada evaluasi sistematis transportabilitas DeepDenoiser pada jaringan BMKG, dan belum diketahui konfigurasi transfer learning terbaik untuk derau Indonesia.
06Metode
Desain penelitian
Studi eksperimental kuantitatif. Variabel bebas: status bobot model (pralatih global atau hasil fine-tuning lokal) dan metode pembanding (bandpass). Variabel terikat: kualitas mitigasi derau pada rekaman BMKG.
Data
Waveform sekunder tiga komponen (Z, N, E) berformat miniSEED dari stasiun permanen BMKG di Pulau Jawa, diakses jarak jauh. Rekaman dikurasi dari tiga lingkungan agar variasi derau terwakili, masing-masing dipotong sekitar 60 detik berisi jendela derau dan jendela sinyal gempa.
URBAN
Perkotaan
Didominasi derau antropogenik frekuensi tinggi.
PESISIR
Pesisir & pulau kecil
Didominasi mikroseismik frekuensi rendah dari gelombang laut.
PEDALAMAN
Dekat gunung api
Dipengaruhi aktivitas geothermal atau kondisi alami yang lebih tenang.
GAMBAR 6Pembagian data 70/10/20 sesuai rencana. Data uji tidak boleh disentuh selama pelatihan.
Catatan metodologi
Pembagian acak per rekaman dapat membuat rekaman dari stasiun yang sama muncul di data latih dan uji. Untuk menguji transportabilitas sebenarnya, pertimbangkan juga pembagian per stasiun atau per wilayah.
Dari mana “sinyal bersih” sebagai acuan?
Rekaman nyata tidak punya versi bersih sebagai kunci jawaban. Praktik umum pada riset denoising, termasuk DeepDenoiser, adalah menumpuk sinyal gempa ber-SNR tinggi dengan cuplikan derau menjadi data campuran sintetis, sehingga sinyal asli menjadi acuan. Pada rekaman nyata, evaluasi bergantung pada metrik tidak langsung seperti hasil picking dan konsistensi magnitudo.
Pembanding: filter bandpass Butterworth
Butterworth orde 4 dengan passband 1–10 Hz, diterapkan dua arah (zero-phase) agar waktu tiba dan polaritas awal tidak bergeser.
Skema transfer learning
Uji langsung tanpa melatih ulang
Model global diuji pada data uji BMKG tanpa mengubah bobot. Hasilnya menjadi batas bawah (baseline) untuk mengukur transportabilitas.
Hanya decoder yang dilatih ulang
Encoder dikunci karena pola dasar gelombang dianggap sudah tergeneralisasi. Hanya decoder yang menyesuaikan diri dengan derau lokal. Murah dan stabil, tetapi fleksibilitasnya terbatas.
Seluruh lapisan dilatih dengan laju belajar sangat kecil
Semua lapisan disetel ulang dengan learning rate rendah (rencana 10-5) agar fitur bawaan tidak rusak (catastrophic forgetting). Lebih fleksibel, tetapi butuh data dan kehati-hatian lebih besar.
PARAMETER PELATIHAN (RENCANA)
Loss: kombinasi MSE dan Binary Cross-Entropy · Optimizer: Adam dengan weight decay · Learning rate 10-5 (full fine-tuning) dengan ReduceLROnPlateau · Batch 32 atau 64.
ALUR PEMROSESAN
Detrend dan demean → normalisasi → STFT → prediksi mask → perkalian → iSTFT. Implementasi dengan PyTorch atau TensorFlow, ObsPy untuk data miniSEED.
Metrik evaluasi
ΔSNR
Peningkatan rasio sinyal-derau
Seberapa jauh sinyal “naik” dibanding derau.
CC
Koefisien korelasi
Kemiripan bentuk gelombang dengan acuan. Mendekati 1 berarti bentuk terjaga.
RMSE
Galat amplitudo
Deviasi antara prediksi dan acuan.
SDR
Signal-to-Distortion Ratio
Seberapa kecil distorsi yang ditimbulkan denoising.
PICKING ERROR
Residu waktu tiba P & S
Rekaman sebelum dan sesudah denoising dijalankan melalui picker otomatis (mis. PhaseNet), lalu dibandingkan dengan pick analis BMKG.
MAGNITUDO
Konsistensi amplitudo
Memastikan amplitudo tidak terpangkas berlebihan, karena dapat membuat magnitudo diremehkan.
Signifikansi perbaikan diuji secara statistik, misalnya dengan paired t-test atau uji Wilcoxon.
07Hasil yang diharapkan
Karena penelitian belum dijalankan, berikut ekspektasi yang akan diuji, bukan klaim hasil. Hipotesis ditetapkan lebih dulu agar penilaian tidak mengikuti data.
H₁
Model pralatih global menunjukkan performa kurang optimal (transportabilitas rendah) pada data BMKG akibat domain shift.
H₂
Transfer learning dengan data lokal meningkatkan performa secara signifikan dibanding model global (galat turun, SNR dan korelasi naik).
Gambaran hasil yang mungkin terjadi
SKENARIO 1 · H₁ & H₂ TERDUKUNG
Model global turun di stasiun bising, fine-tuning memulihkannya. Temuan ini mendukung adaptasi lokal sebagai praktik standar bagi jaringan baru.
SKENARIO 2 · MODEL GLOBAL SUDAH CUKUP
Penurunan kecil di beberapa tipe stasiun. Temuannya tetap berharga: menunjukkan di mana adaptasi tidak diperlukan dan menghemat biaya.
SKENARIO 3 · SKEMA A ≈ SKEMA B
Frozen encoder hampir sebaik full fine-tuning. Artinya adaptasi murah sudah memadai.
SKENARIO 4 · SKEMA B LEBIH BAIK
Full fine-tuning unggul, terutama pada stasiun pesisir atau perkotaan yang derau lokalnya sangat berbeda.
Keempat skenario bernilai ilmiah, karena riset ini menjawab seberapa besar dan di mana adaptasi perlu, bukan hanya membuktikan satu arah.
Luaran yang direncanakan
MODEL
DeepDenoiser terlokalisasi
Bobot hasil fine-tuning untuk derau jaringan BMKG di Jawa.
BENCHMARK
Evaluasi transportabilitas
Perbandingan model global, model lokal, dan bandpass per tipe stasiun.
REKOMENDASI
Untuk operasional
Panduan kapan denoising layak dipakai, dan risikonya bagi amplitudo dan magnitudo.
08Risiko, keterbatasan, dan etika
ACUAN TIDAK LANGSUNG
Tanpa kunci jawaban nyata
Evaluasi pada rekaman nyata bersifat tidak langsung. Mitigasi: kombinasi data campuran sintetis dan uji picking terhadap analis.
KEBOCORAN DATA
Stasiun yang sama di latih dan uji
Mitigasi: tambahkan pembagian per stasiun atau per wilayah.
ARTEFAK AMPLITUDO
Sinyal terpotong
Denoising dapat menekan amplitudo dan membiaskan magnitudo. Mitigasi: metrik konsistensi magnitudo.
CAKUPAN
Hanya Pulau Jawa
Hasil belum tentu berlaku untuk Sumatra, Sulawesi, atau Papua. Dinyatakan sebagai batasan.
KOMPUTASI
Waktu dan sumber daya
Fine-tuning butuh GPU. Mitigasi: batch kecil, mulai dari subset.
DATA & ETIKA
Akses dan izin data
Data BMKG dipakai sesuai izin akses dan kebijakan instansi, dengan atribusi yang jelas.
Batas klaim
Riset ini tentang membersihkan rekaman, bukan memprediksi gempa. Model tidak menggantikan analis, melainkan membantu mereka.
09Rencana kerja
01
Studi pustaka & pengumpulan data
Menyusun bobot model global dan mengurasi waveform miniSEED BMKG.
02
Pra-pemrosesan
Detrend, demean, normalisasi, lalu STFT.
03
Blind test
Menguji model global pada data uji tanpa mengubah bobot.
04
Transfer learning
Skema A (frozen encoder) dan Skema B (full fine-tuning).
05
Evaluasi & analisis statistik
Membandingkan metrik dan menguji signifikansi, termasuk terhadap bandpass.
Jadwal indikatif. Visual berikut adalah rancangan perkiraan.
Kegiatan
Agu
Sep
Okt
Nov
Des
Jan
Persiapan & studi pustaka
Data BMKG & pra-pemrosesan
Blind test baseline
Transfer learning (A & B)
Evaluasi & analisis statistik
Penulisan laporan
10Kontribusi dan dampak
ILMIAH
Bukti empiris tentang transportabilitas model denoising lintas wilayah tektonik, khususnya untuk wilayah kepulauan tropis yang jarang diuji di literatur.
OPERASIONAL
Rekomendasi bagi BMKG untuk meningkatkan sensitivitas deteksi gempa mikro, memperbaiki otomatisasi phase picking, dan mengurangi galat lokasi episenter, sehingga mendukung InaTEWS.
∿
Tujuan akhirnya sederhana: rekaman yang lebih jernih, sehingga keputusan tentang gempa lebih cepat dan lebih dapat dipercaya.
Daftar pustaka
Rujukan riset ini.
Zhu, W., Mousavi, S. M., & Beroza, G. C. (2019). Seismic signal denoising and decomposition using deep neural networks. IEEE TGRS, 57(11), 9476–9488. doi:10.1109/TGRS.2019.2926772 · arXiv.
Tibi, R., Hammond, P., Brogan, R., Young, C. J., & Koper, K. (2021). Deep learning denoising applied to regional distance seismic data in Utah. BSSA, 111(2), 775–790. doi:10.1785/0120200292.
Yang, L., Liu, X., Zhu, W., Zhao, L., & Beroza, G. C. (2022). Toward improved urban earthquake monitoring through deep-learning-based noise suppression. Science Advances, 8(15), eabl3564. doi:10.1126/sciadv.abl3564.
Zhu, W. & Beroza, G. C. (2019). PhaseNet. Geophysical Journal International, 216(1), 261–273. doi:10.1093/gji/ggy423.
Münchmeyer, J. et al. (2022). Which picker fits my data? JGR: Solid Earth, 127(1). doi:10.1029/2021JB023499.
Woollam, J. et al. (2022). SeisBench—a toolbox for machine learning in seismology. SRL, 93(3), 1695–1709. doi:10.1785/0220210324 · arXiv.
Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How transferable are features in deep neural networks? arXiv:1411.1792.
Chai, C. et al. (2020). Using a deep neural network and transfer learning to bridge scales for seismic phase picking. GRL. halaman publikasi.
Lapins, S. et al. (2021). A little data goes a long way: automating seismic phase arrival picking at Nabro volcano with transfer learning. JGR: Solid Earth. halaman publikasi.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net. arXiv:1505.04597.
Bird, P. (2003). An updated digital model of plate boundaries. Geochemistry, Geophysics, Geosystems, 4(3), 1027. doi:10.1029/2001GC000252 · EarthRef.
Hall, R. (2002). Cenozoic geological and plate tectonic evolution of SE Asia and the SW Pacific. Journal of Asian Earth Sciences, 20(4), 353–431. doi:10.1016/S1367-9120(01)00069-4.
Hutchings, S. J. & Mooney, W. D. (2021). The seismicity of Indonesia and tectonic implications. Geochemistry, Geophysics, Geosystems, 22(9), e2021GC009812. doi:10.1029/2021GC009812.
Muzli, M. et al. (2021). Site characterizations of BMKG seismic network, Indonesia, based on HVSR analysis. IOP Conf. Ser.: Earth Environ. Sci., 873, 012025. doi:10.1088/1755-1315/873/1/012025.
Rahman, A. S., Makhdafa, E., Habibah, N. F., & Widjayanti, R. Y. (2024). Analisis tingkat kebisingan seismogram akibat variasi musiman menggunakan power spectral density. Buletin Meteorologi, Klimatologi dan Geofisika, 4(1), 1–10.
Yusuf, M., Yohanes, T., & Ricko, K. (2016). Evaluasi kualitas stasiun seismograph berdasarkan analisis spektrum pada jaringan seismograph INATEWS.
Ringkasan ditulis ulang untuk tujuan edukasi. Periksa artikel asli untuk rincian eksperimen, metrik, dan keterbatasan.