SYARIFUDIN, YUSUF (2026) SYNAPSE: SEBUAH PENDEKATAN ANALISIS SPASIO TEMPORAL UNTUK MENDETEKSI GEMPA BUMI BERBASIS CNN DAN BiLSTM. S1 thesis, Universitas Mercu Buana-Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
55324110012-Maful-01 Cover - Maful Bms.pdf Download (1MB) |
|
Text (BAB 1)
55324110012-Maful-02 Bab 1 - Maful Bms.pdf Restricted to Registered users only Download (1MB) |
|
Text (BAB 2)
55324110012-Maful-03 Bab 2 - Maful Bms.pdf Restricted to Registered users only Download (2MB) |
|
Text (BAB 3)
55324110012-Maful-04 Bab 3 - Maful Bms.pdf Restricted to Registered users only Download (929kB) |
|
Text (BAB 4)
55324110012-Maful-05 Bab 4 - Maful Bms.pdf Restricted to Registered users only Download (2MB) |
|
Text (BAB 5)
55324110012-Maful-06 Bab 5 - Maful Bms.pdf Restricted to Registered users only Download (259kB) |
|
Text (DAFTAR PUSTAKA)
55324110012-Maful-08 Daftar Pustaka - Maful Bms.pdf Restricted to Registered users only Download (827kB) |
|
Text (LAMPIRAN)
55324110012-Maful-09 Lampiran - Maful Bms.pdf Restricted to Registered users only Download (863kB) |
Abstract
Indonesia memiliki aktivitas seismik yang tinggi sehingga diperlukan pendekatan yang mampu mengintegrasikan karakteristik spasial dan temporal untuk menganalisis pola kejadian gempa bumi. Permasalahan dalam penelitian ini terletak pada kompleksitas hubungan antara lokasi, waktu, magnitudo, dan kedalaman yang sulit dianalisis secara bersamaan menggunakan satu model. Penelitian ini mengusulkan SYNAPSE (Syarifudin-Yusuf Network for Analyzing Precise Spatio- temporal Earthquakes), yaitu model hybrid yang menggabungkan Convolutional Neural Network dan Bidirectional Long Short-Term Memory untuk mengklasifikasikan aktivitas gempa bumi. CNN digunakan untuk mengekstraksi pola lokal dari sekuens data, sedangkan BiLSTM mempelajari hubungan temporal dua arah antar kejadian. Dataset yang digunakan berasal dari katalog BMKG periode 1 Januari 2020 hingga 31 Desember 2025, yang terdiri atas 60.938 rekaman awal dan menghasilkan 57.226 kejadian bersih setelah prapemrosesan. Label operasional dibentuk menggunakan PCA dan K-Means menjadi tiga kelas, yaitu Aktivitas Rendah, Gempa Lemah, dan Gempa Kuat, kemudian data dibentuk menjadi sekuens dengan Sliding window berukuran 10 serta dibagi secara kronologis menjadi 70% data pelatihan, 15% validasi, dan 15% pengujian. Hasil pengujian pada 8.584 sekuens menunjukkan bahwa SYNAPSE memperoleh accuracy 0,9931, weighted precision 0,9932, weighted recall 0,9931, dan weighted F1-score 0,9932, sedikit lebih tinggi daripada LSTM sebesar 0,9931 dan CNN sebesar 0,9916 pada weighted F1-score. Meskipun demikian, LSTM menghasilkan Macro F1-score tertinggi sebesar 0,9800, sedangkan SYNAPSE memperoleh 0,9780, sehingga keunggulan SYNAPSE berlaku berdasarkan metrik utama weighted F1-score dan bukan pada seluruh metrik evaluasi. Hasil klasifikasi selanjutnya disajikan melalui peta spasio temporal interaktif yang menyediakan penyaringan berdasarkan kelas, tahun, magnitudo, wilayah, dan tingkat keyakinan model. Penelitian ini menunjukkan bahwa SYNAPSE dapat digunakan untuk mengklasifikasikan dan mengeksplorasi pola kejadian gempa yang telah tercatat, tetapi tidak ditujukan untuk memprediksi waktu, lokasi, atau kekuatan gempa pada masa mendatang.
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41821120001 |
| Uncontrolled Keywords: | BiLSTM, CNN, Gempa Bumi, Analisis Spasio Temporal, SYNAPSE. |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 003 Systems/Sistem-sistem |
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi |
| Depositing User: | ZAHRA AULIA FEBRIANI |
| Date Deposited: | 01 Sep 2026 02:33 |
| Last Modified: | 01 Sep 2026 02:33 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/103361 |
Actions (login required)
 |
View Item |
