Karakterisasi Ambient Noise dan Klasifikasi Waveforms dengan Pendekatan Machine Learning pada Jaringan Seismik Sumatera Bagian Utara

Abstract

The characterization of ambient noise for increasing of the performance of both Broadband and new mini region sensors and the classification of seismic signals is interesting to be studied and developed, utilizing sensors installed in North Sumatra will produce a good sensor instrument. The seismic sensors in North Sumatra are generally installed to detect tectonic earthquakes both macro and micro. Improved sensor quality can be seen from the characterization of ambient noise and seismic waveform classification with wavelet-machine learning and support vector machine (SVM) approaches. The purpose of this study was to determine the background noise level of the network sensor using the Power Spectral Density Probabilistic Density Functions (PSDPDF) method and waveform classification to identify earthquake records and energy levels recorded by the sensor with wavelet-machine learning approach and signal quality with SVM models and several algorithms in the machine learning approach. This study also provides an overview of the signals that distinguish between earthquakes originating from land and sea. This study provides an evaluation of each sensor that has been installed both the old broadband sensor and the new sensor with the type of broadband and mini region to improve the quality of seismic sensors in North Sumatra both in seeing the dominance of sensor noise around the location.

Karakteriasasi ambient noise dalam peningkatan peforma sensor baik tipe Broadband maupun sensor baru mini region dan klasifikasi sinyal seismik menarik untuk diteliti dan semakin berkembang, dengan memanfaatkan sensor yang terpasang di Sumatera Bagian Utara untuk menghasilkan suatu instrument sensor yang baik. Sensor seismik di Sumatera Bagian Utara umumnya dipasang untuk mendeteksi kejadian gempa bumi tektonik baik macro maupun mikro. Peningkatan kualitas sensor dapat dilihat dari karakterisasi ambient noise dan klasifikasi seismik waveform dengan pendekatan wavelet-machine learning dan support vector machine (SVM). Tujuan penelitian ini adalah mengetahui background noise level dari sensor jaringan dengan metode Power Spectral Density Probabilistic Density Functions (PSDPDF) dan klasifikasi sinyal untuk mengidentifikasi rekaman gempa bumi dan tingkat energy yang terekam oleh sensor dengan pendekatan wavelet-machine learning serta kualitas sinyal dengan model SVM dan beberapa algoritma dalam pendekatan machine learning. Penelitian ini juga memberi gambaran pada sinyal yang membedakan antara gempa yang bersumber dari darat dan laut. Penelitian ini memberikan evaluasi setiap sensor yang sudah terpasang baik sensor broadband yang lama dan sensor baru dengan tipe broadband dan mini region untuk meningkatkan kualitas sensor seismik di Sumatera bagian Utara baik dalam melihat dominasi kebisingan sensor di sekitar lokasi.