<![CDATA[Pendekatan machine learning konvensional yang murni berbasis data dalam bidang seismologi sering kali menghasilkan model kotak hitam yang melanggar hukum fisika dasar serta memerlukan data pelabelan masif. Sebagai solusi, paradigma Physics-Informed Machine Learning (PIML) hadir mengintegrasikan pengetahuan domain fisis ke dalam arsitektur kecerdasan buatan. Penelitian ini bertujuan melakukan tinjauan literatur sistematis (Systematic Literature Review/SLR) untuk memetakan mekanisme integrasi, klaster parameter, dampak komputasi, serta kesenjangan riset dari penerapan PIML pada analisis kegempaan. Melalui evaluasi terstruktur terhadap 36 studi utama rentang 2021–2026, hasil analisis menunjukkan bahwa integrasi hukum fisika dominan dilakukan melalui modifikasi fungsi kerugian memanfaatkan residu persamaan diferensial parsial. Penerapan paradigma ini pada sejumlah studi terbukti mampu meningkatkan efisiensi komputasi serta mempercepat waktu simulasi numerik dibandingkan dengan metode konvensional, serta menyajikan pemodelan tanpa jaring yang stabil pada frekuensi tinggi. Namun, analisis kesenjangan mengungkap adanya ketergantungan pada skema terpandu deterministik. Riset ini merekomendasikan arah pengembangan masa depan pada integrasi metode unsupervised dan konstrain statistik seismologi guna menjamin kemasukakalan fisis model.]]>
Copyrights © 2026
