cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Maryadi
Contact Email
geosaintek.geofisika@its.ac.id
Phone
+6281315187857
Journal Mail Official
geosaintek.geofisika@its.ac.id
Editorial Address
Gedung Departemen Teknik Geofisika Lantai 2, Jl. Raya ITS, Kampus ITS, Sukolilo, Surabaya 60111, Indonesia
Location
Kota surabaya,
Jawa timur
INDONESIA
Jurnal Geosaintek
Published by Institut Teknologi Sepuluh Nopember Surabaya
ISSN : 24609072     EISSN : 25023659     DOI : https://doi.org/10.12962/j25023659
Core Subject : Science,
Earth & Planetary Sciences
Jurnal Geosaintek mempublikasikan dan menerbitkan hasil kajian, penelitian, penerapan ilmu pengetahuan serta teknologi di bidang kebumian
Arjuna Subject : Ilmu Bumi dan Planet (semua kategori) - Ilmu Bumi dan Planet (Lain-Lain)
Articles 14 Documents
 1   2 
Search results for , issue "Vol. 11 No. 2 (2025)" : 14 Documents clear
MULTIPLE ATENUATION IN SHOT GATHER BY USING CONVOLUTIONAL NEURAL NETWORK (CNN) Raharjo, Wiji; Palupi, Indriati Retno; Alfiani, Oktavia Dewi
Jurnal Geosaintek Vol. 11 No. 2 (2025)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j25023659.v11i2.5192

Abstract

Today Machine Learning is used in almost every field for human life, including geophysics. Some examples of Machine Learning utilities are classifying lithology and predict petro physical parameters based on several supported data. Especially in seismic method, Machine Learning can be used for removing or attenuate multiple from seismic image or shot gather data by using Convolutional Neural Network (CNN). It reduces the multiple from shot gather data (input) based on filtered shot gather data (called by ground truth model) as the label or target. Unfortunately, filtering process sometimes erase boundaries layer in shot gather. Then CNN works by generating several activation function in neurons and hidden layers, multiply with input data and reconcile them to labels to reinforce the boundaries. To validate the CNN result, it can be seen from L – curve as the loss function that represent the prediction error. The fewer the prediction error, the more accurate result is observed.
ALTERNATIF PERHITUNGAN SIGNIFIKANSI ENSO TERHADAP CURAH HUJAN: BOOTSTRAP GANDA DAN TRIWULAN PENUH Yudi, Muhammad Nurwahyudi; Maryanto, Sukir; Efani, Anthon; Kurniawan, Andang
Jurnal Geosaintek Vol. 11 No. 2 (2025)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j25023659.v11i2.6396

Abstract

Modulasi El Nino-Southern Oscillation (ENSO) memengaruhi curah hujan di wilayah monsunal seperti Jawa Timur, tetapi pendekatan triwulan konvensional (DJF, MAM, JJA, SON) sering gagal menangkap variasi musiman dan meningkatkan risiko salah positif. Penelitian ini mengusulkan pendekatan alternatif untuk mengevaluasi signifikansi modulasi El Nino-Southern Oscillation (ENSO) terhadap curah hujan menggunakan analisis 12 triwulan tumpang tindih dan metode bootstrap ganda. Fokus penelitian bertujuan untuk menghasilkan alternatif perhitungan signifikansi ENSO terhadap curah hujan melalui pendekatan bootstrap ganda. Data curah hujan bulanan dari 202 pos hujan utama periode 1991–2020 diolah menjadi 12 periode triwulanan untuk menangkap variasi yang tidak ditangkap oleh pendekatan triwulan konvensional. Oceanic Nino Index (ONI) digunakan untuk mengkategorikan fase ENSO. Metode bootstrap ganda digunakan dengan melakukan bootstrap ke curah hujan pada fase El Nino dan La Nina. Hasil bootstrap kemudian dibandingkan dengan menggunakan histogram dengan pendekatan lebar Freedman-Diaconis. Hasil menunjukkan bootstrap ganda mampu memberikan gambaran signifikansi yang lebih ketat dibandingkan bootstrap tunggal. Batas 90% direkomendasikan sebagai taraf signifikansi. Triwulan penuh mampu memberikan gambaran yang lebih baik dibandingkan penggunaan triwulan konvensional. Analisis spasial dan regresi mengidentifikasi kabupaten dengan signifikansi modulasi ENSO yang lebih kuat. Pendekatan alternatif ini menawarkan evaluasi yang lebih rinci dan fleksibel untuk menilai apakah ENSO memodulasi curah hujan suatu wilayah secara signfikan.
NEOTEKTONIK SEGMEN MOA BERDASARKAN DATA PALEOMAGNETIK DAN IMPLIKASI GERAK MIKROBLOK PADA ZONA SESAR PALU KORO Muin, Muhammad Rusli; Sutarto, Sutarto; Prasetyadi, Carolus; Suharsono, Suharsono
Jurnal Geosaintek Vol. 11 No. 2 (2025)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j25023659.v11i2.7114

Abstract

Analisis paleomagnetik pada Segmen Moa Zona Sesar Palu-Koro (ZSPK), dilakukan dengan mengalisis 17 specimen batuan granitoid. Hasil yang diperoleh menunjukkan arah NRM yang memiliki deklinasi (Dm) 205,9° dan inklinasi (Im) –76,3°, dengan posisi kutub purba pada 56,0° LS dan 151,6° BT. Dibandingkan dengan kutub purba Lempeng Australia pada 3,35 juta tahun lalu, diperoleh rotasi (clockwise/CW) sebesar ±176° dan perpindahan spasial sekitar 1650 km ke arah barat laut, dengan estimasi perpindahan sebesar ±0,49 mm/tahun. Rotasi ekstrem dan translasi lambat ini menunjukkan bahwa Segmen Moa merupakan blok mikro tektonik yang mengalami deformasi signifikan sejak akhir Pliosen. Interpretasi ini konsisten dengan model fragmentasi lempeng oleh Hall (2002, 2012) serta data paleomagnetik regional (Ali & Hall, 1995; Mubroto, 1994, 1996), yang menunjukkan rotasi dan migrasi blok di Sulawesi akibat tumbukan oblique dan rollback slab. Hasil ini mengindikasikan bahwa Segmen Moa berasosiasi kuat dengan dinamika Lempeng Australia dan berperan aktif dalam evolusi tektonik kompleks di wilayah Indonesia bagian timur.
KLASIFIKASI LITHOLOGI BERDASARKAN DISTRIBUSI STATISTIK HIRARKIS (HIERARCHICAL STATISTICAL DISTRIBUTION (HSD)) Syaifuddin, Firman; Komara, Eki; Fajar, M Haris Miftakhul; Abdillah, Abdillah
Jurnal Geosaintek Vol. 11 No. 2 (2025)
Publisher : Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j25023659.v11i2.8122

Abstract

Karakterisasi reservoir merupakan proses fundamental dalam industri minyak dan gas, namun identifikasi litologi yang akurat sering kali terhambat oleh kompleksitas geologi dan sifat 'kotak hitam' dari model machine learning (ML) modern. Penelitian ini menyajikan metode alternatif yang tidak disupervisi untuk klasifikasi litologi berbasis distribusi statistik hierarkis sebagai solusi untuk meningkatkan transparansi dan interpretasi. Metode ini menggunakan data well log utama gamma-ray, sonic slowness, densitas, dan resistivitas dari enam sumur di area geologi deltaik yang stabil. Pendekatan hierarkis ini secara sistematis mengklasifikasikan lima litologi utama (batubara, serpih, batugamping, batupasir basah, dan batupasir hidrokarbon) dengan menerapkan ambang batas kuantil yang ditentukan dari distribusi statistik setiap log. Hierarki dimulai dengan identifikasi serpih menggunakan log gamma-ray, diikuti oleh batubara dengan log densitas, batu gamping dengan log slowness, dan terakhir, batupasir diklasifikasikan berdasarkan log resistivitas. Hasil penelitian menunjukkan bahwa metode ini berhasil mengklasifikasikan litologi dengan distribusi serpih (66%), batubara (5%), batu gamping (0.63%), dan pasir (27%). Secara kualitatif, hasil ini dianggap lebih "masuk akal secara geologis" jika dibandingkan dengan metode KNN, karena metode hierarkis ini didasarkan pada prinsip-prinsip fisika batuan yang eksplisit, memungkinkan interpretasi dan validasi yang mudah oleh geosaintis. Sebagai metode yang adaptif terhadap distribusi data, pendekatan ini menawarkan alternatif yang transparan dan dapat dipercaya untuk karakterisasi litologi.

Page 2 of 2 | Total Record : 14

 1   2 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 11 No. 3 (2025) Vol. 11 No. 2 (2025) Vol. 11 No. 1 (2025) Vol. 10 No. 3 (2024) Vol. 10 No. 2 (2024) Vol. 10 No. 1 (2024) Vol. 9 No. 3 (2023) Vol. 9 No. 2 (2023) Vol. 9 No. 1 (2023) Vol. 8 No. 3 (2022) Vol. 8 No. 2 (2022) Vol. 8 No. 1 (2022) Vol. 7 No. 3 (2021) Vol. 7 No. 2 (2021) Vol. 7 No. 1 (2021) Vol. 6 No. 3 (2020) Vol. 6 No. 2 (2020) Vol. 6 No. 1 (2020) Vol. 5 No. 3 (2019) Vol. 5 No. 2 (2019) Vol. 5 No. 1 (2019) Vol. 4 No. 3 (2018) Vol. 4 No. 2 (2018) Vol. 4 No. 1 (2018) Vol. 3 No. 3 (2017) Vol. 3 No. 2 (2017) Vol. 3 No. 1 (2017) Vol. 2 No. 3 (2016) Vol. 2 No. 2 (2016) Vol. 2 No. 1 (2016) Vol. 1 No. 1 (2015) More Issue