Claim Missing Document
Check
Articles

Found 2 Documents
Search

MODEL HYBRID DAE-GAN DENGAN ARSITEKTUR U-NET UNTUK DENOISING SINYAL SEISMIK Eko Priyatno; Ahmad Kadarisman; Santoso Soekirno; Martarizal
Joint Prosiding IPS dan Seminar Nasional Fisika Vol. 14 No. 1 (2026): Joint Prosiding IPS dan Seminar Nasional Fisika
Publisher : Program Studi Pendidikan Fisika dan Program Studi Fisika Universitas Negeri Jakarta, LPPM Universitas Negeri Jakarta, HFI Jakarta, HFI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/03.1401.FA08

Abstract

Data seismik penting untuk studi geofisika, tetapi sering menghadapi gangguan yang memperumit analisis struktur bawah tanah. Penelitian ini memperkenalkan metode baru menggunakan deep learning untuk mengurangi noise dalam rekaman seismik. Ini menggabungkan Denoising Autoencoder (DAE) dengan Generative Adversarial Network (GAN). Dalam metode ini, model U-Net berfungsi sebagai Generator untuk membuat sinyal bebas noise dari input yang terkontaminasi. Sebuah Discriminator berbasis CNN membedakan antara sinyal yang dihasilkan dan sinyal asli. Fungsi Loss Generator mencakup Mean Squared Error (MSE) untuk akurasi dan Adversarial Loss untuk fitur yang realistis. Model ini dilatih pada dataset STEAD dan kinerjanya dievaluasi dengan ukuran seperti Signal To Noise Ratio Sinyal (SNR), RMSE, dan PRD. Hasil menunjukkan bahwa model ini meningkatkan SNR dan menghasilkan sinyal bersih yang mirip dengan aslinya baik secara visual maupun spektral. Pendekatan ini dapat meningkatkan otomatisasi dan efisiensi dalam praproses data seismik.
Early Detection of Seismic Signal Anomalies Using Raspberry Pi 5 and Lightweight Machine Learning Models Ahmad Kadarisman; Imam Fachruddin; Santoso Soekirno; Hanif Andi Nugraha; Benyamin Heryanto Rusanto; Martarizal
Joint Prosiding IPS dan Seminar Nasional Fisika Vol. 14 No. 1 (2026): Joint Prosiding IPS dan Seminar Nasional Fisika
Publisher : Program Studi Pendidikan Fisika dan Program Studi Fisika Universitas Negeri Jakarta, LPPM Universitas Negeri Jakarta, HFI Jakarta, HFI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21009/03.1401.FA14

Abstract

Data integrity is crucial for seismic monitoring systems, but is often compromised by anthropogenic or instrumental anomalies. This paper proposes a lightweight edge computing framework using Raspberry Pi 5 for real-time anomaly detection. MiniSEED data from the high-noise TOJI station were processed through segmentation, statistical or spectral feature extraction, and unsupervised models (isolation forest and autoencoder). The results show a detection latency of 78-113 ms with minimal resource consumption (<35% CPU, <200 MB RAM) and 82% correlation with ground-truth anomalies. This framework can be used on networked seismographs with limited resources such as those of the BMKG.