implementation of filter picker algorithm for

Jurnal Geofisika (2019) Vol. 17, No.01 pp. 25-31

Implementation of Filter Picker Algorithm for Identification of the

2018 Aftershock Lombok Earthquake

Implementasi Algoritma Filter Picker untuk Identifikasi Kejadian Aftershock Gempa Lombok 2018

Ardianto⇤1, Husni Y. M.

1, Nugraha A. D.

2, Muzli M.

3,4, Zulfakriza Z

2., Afif H.

5,6, 6, Sahara D. P.

2

Widiyantoro S.2, Priyono A.

2, Puspito N. T.

2, Supendi P.

3,7, Riyanto A.

3, Wei S.

4, Prabowo B. S.

1

1Lab Vulkanologi dan Panas Bumi, Teknik Geofisika, Fakultas Teknik Pertambangan dan Perminyakan,Institut Teknologi Bandung (ITB), Bandung, Indonesia2Kelompok Keahlian Geofisika Global, Fakultas Teknik Pertambangan dan Perminyakan, Institut Teknologi Bandung3Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), Jakarta, Indonesia4Earth Observatory of Singapore (EOS), Nanyang Technological University Singapore5Pusat Vulkanologi dan Mitigasi Bencana Geologi (PVMBG), Bandung, Indonesia6Program Magister Sains Kebumian, Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi Bandung (ITB), Bandung, Indonesia7Program Doktor Teknik Geofisika, Fakultas Teknik Pertambangan dan Perminyakan, Institut Teknologi Bandung (ITB),Bandung, Indonesia

⇤Email: [email protected]

Submit: 22 Agustus 2019; Revised: 30 Agustus 2019; Accepted: 3 September 2019

Abstract: The ability to identify earthquake events that are

consistent, e�cient and accurate is increasingly needed along

with the increase in the amount of data analyzed. In this pa-

per a filter picker algorithm is implemented to identify af-

tershock events and determination of arrival time automat-

ically, especially for the P wave phase. Here modifications

are made in determining the uncertainty of arrival time and

there are additional criteria in determining the time of ar-

rival used. The arrival time uncertainty will depend on pa-

rameters related to the clarity of the P wave onset. The ad-

ditional criteria are that in a certain time span, there are

at least 5 stations determined by the time the filter picker

arrives. This is done to minimize identification errors due

to local noise and other practical reasons, namely the mini-

mum number of stations to determine the location and other

seismological analysis. In order to test the filter picker algo-

rithm,we used aftershock data from the Lombok earthquake

occurred on July 29 (M 6.4), August 5 (M 7), and August

19 (M 6.3 and M 6.9) 2018. The aftershock data was used

for 30 days long, from August 4, 2018 to September 4, 2018

using local seismic station in Lombok Island. The results of

the filter picker algorithm were evaluated by comparing the

number of earthquake events detected and the accuracy of

determining the P wave arrival time automatically to the

results of manually arriving time. In addition, a comparison

of the results obtained from a broadband type seismometer

with a short period is used to find out how much influence

the type of tool has on its performance results. The results

of the comparison with the manual arrival time show that

more than 85 percent of the results of the automatic arrival

time have a di↵erence below 0.2 seconds. The filter picker

algorithm is quite e↵ective for identifying events and deter-

mining the arrival time of P waves. In this paper it is also

shown that this algorithm can be used for broad band and

short period seismometer sensor, even without the prior cor-

rection of instruments.

Keywords: rupture, Tdur, Palu-Donggala earthquake, HC-

plot

Abstrak: Kemampuan untuk melakukan identifikasi keja-dian gempa yang konsisten, efisien dan akurat menjadi se-makin dibutuhkan seiring dengan peningkatan jumlah datayang dianalisa. Pada makalah ini, kami mengimplemen-tasikan algoritma filter picker untuk melakukan identifikasikejadian gempa susulan dan penentuan waktu tiba secaraototmatis, khususnya untuk fasa gelombang P menggunakanjaringan stasiun lokal. Pada studi ini dilakukan modifikasidalam penentuan ketidakpastian waktu tiba dan terdapatpenambahan kriteria dalam menentukan waktu tiba yangdigunakan. Nilai dari ketidakpastian waktu tiba yang di-tentukan akan bergantung kepada parameter yang berkai-tan dengan kejelasan onset dari fasa gelombang P. Kriteriatambahan dalam penentuan waktu tibanya adalah dalamsuatu rentang waktu tertentu, minimal terdapat 5 stasiunyang ditentukan waktu tibanya oleh filter picker. Hal ini di-lakukan untuk meminimumkan kesalahan identifikasi eventakibat adanya noise lokal dan jumlah stasiun minimumuntuk melakukan penentuan lokasi dan analisa seismologilainya. Untuk mengevaluasi performa algoritma filter pickerini digunakan data aftershock dari gempa kuat Lombok yangterjadi pada tanggal 29 Juli (M 6.4), 5 Agustus (M 7) dan19 Agustus (M 6.3 dan M 6.9) 2018. Rekaman data gempa-gempa aftershock yang digunakan selama 30 hari, dari tang-gal 4 Agustus 2018 sampai dengan 4 September 2018, meng-gunakan jaringan stasiun lokal di Pulau Lombok. Hasil darialgoritma filter picker dievaluasi dengan membandingkanjumlah kejadian gempa yang terdeteksi dan keakuratan pe-nentuan waktu tiba gelombang P terhadap hasil dari penen-tuan waktu tiba secara manual. Selain itu juga dilakukan

c� 2019 Himpunan Ahli Geofisika Indonesia

26 Ardianto, dkk (2019)

perbandingan hasil yang didapatkan dari seismometer tipebroadband dengan short period untuk mengetahui seber-apa besar pengaruh tipe alat terhadap hasil kinerjanya.Hasil perbandingan penentuan otomatis menggunakan fil-ter picker dengan penentuan waktu tiba manual menun-jukan bahwa lebih dari 85 persen hasil penentuan waktu tibaotomatis memiliki selisih dibawah 0.2 detik. Oleh karena itudapat dikatakan bahwa algoritma filter picker cukup efektifuntuk identifikasi event dan penentuan waktu tiba gelom-bang P. Pada makalah ini juga ditunjukan bahwa algoritmaini dapat digunakan untuk sensor seismometer bertipe broadband dan short period , meskipun tanpa adanya proses ko-reksi instrument sebelumnya.Kata kunci: Identifikasi kejadian aftershock, gempa Lom-bok 2018, penentuan waktu tiba otomatis, filter picker

1 PENDAHULUAN

Penentuan waktu tiba merupakan hal mendasar dalammelakukan analisis seismologi, terutama karena penyeder-hanaan masalah menggunakan pendekatan sinar gelom-bang masih merupakan pendekatan yang paling umum di-gunakan. Kualitas analisis dan interpretasi sangat bergan-tung kepada kualitas penentuan waktu tiba dari fase gelom-bang (P dan S), selain jumlah dan cakupan spasial sta-siun, model kecepatan, ataupun parameter model lainnya.Peningkatan jumlah stasiun seismograf dan data gempayang terekam setiap harinya serta kemampuan komputasiyang semakin membaik membuat proses otomasi penen-tuan waktu tiba fase gelombang menjadi semakin sangatpenting dan menarik. Proses otomatisasi dilakukan untukmeningkatkan efisiensi dalam melakukan analisis seismologiserta mengatasi masalah subjektifitas dan konsistensi dalammelakukan penentuan waktu tiba. Tetapi tentu saja saat inibelum terdapat algoritma yang kualitas hasilnya melebihimanusia yang sudah terlatih. Oleh karena itu algoritma-algoritma yang ada saat ini sebenarnya mencoba meniru se-baik mungkin dari proses berpikir manusia saat melakukanpenentuan waktu tiba.

Saat ini ada banyak algoritma yang berkembang un-tuk penentuan waktu tiba atau identifikasi jenis gempayang terjadi secara otomatis, yang bekerja dalam domainwaktu maupun frekuensi. Beberapa contoh algoritma ini adayang berkerja berdasarkan nilai energi gelombang atau am-plitudo (Earle dan Shearer, 1994; Han dkk., 2009), polar-isasi dari gelombang (Ross dan Ben-Zion, 2014), parameterstatistik (Baillard dkk., 2014), AIC (Leonard dan Kennett,1999), dan kemiripan sinyal berdasarkan koefisien korelasisilang (De Meersman dkk., 2009). Pada makalah ini digu-nakan algoritma filter picker yang diajukan oleh Lomax dkk.pada tahun 2012 untuk melakukan penentuan waktu tibagelombang P. Secara umum metode ini menyerupai metodeAllen picker (1978) yang memanfaatkan turunan dari seis-mogram untuk meningkatkan sensitifitas terhadap frekuensitinggi, serta metode oleh Baer-Kradolfer tahun 1987 yangmemanfaatkan nilai standar deviasi dan rata-rata windowuntuk mengubah kurva karakteristik secara dinamis. Prin-sip utama yang membuat algoritma ini menarik adalah me-manfaatkan berbagai nilai band frekuensi untuk membentuksuatu kurva karakteristik. Selanjutnya akan dilakukan eval-uasi performa dari algoritma ini, dengan membandingkan

Gambar 1. Peta daerah penelitian serta lokasi penempatan seis-mometer broad band (segitiga terbalik berwarna biru), short pe-riod (segitiga terbalik berwarna merah), dan seismometer perma-nen (segitiga permannen berwarna hitam), dan bintang berwarnakuning merupakan lokasi episenter gempa signifikan yang terjadimenurut BMKG (Badan Meteorologi Klimatologi dan Geofisika).

hasil dari penentuan waktu tiba otomatis dengan yang su-dah ditentukan secara manual sebelumnya.

2 DATA DAN METODELOGI

2.1 Data

Data yang digunakan adalah data aftershock dari rangkaiangempa kuat Lombok yang terjadi pada tanggal 29 Juli (M6.4), 5 Agustus (M 7) dan 19 Agustus (M 6.3 dan M 6.9)2018. Penelitian ini menggunakan data rekaman yang diam-bil dalam rentang waktu 4 Agustus 2018 sampai dengan 4September 2018. Instrument yang digunakan adalah stasiunseismograf temporer kerjasama antara Institut TekbologiBandung (ITB), Badan Meteorologi Klimatologi dan Ge-ofisika (BMKG) dan Earth Observatory of Singapore (EOS)(10 seismometer broad band dan 6 seismometer short pe-riod) dan 4 seismograf permanen dari stasiun pengamatanPusat Vulkanologi dan Mitigasi Bencana Geologi (PVMBG)di sekitar Gunung Rinjani. Sampling frekuensi yang digu-nakan adalah 100 Hz. Semua stasiun mempunyai sensor tigakomponen, tetapi yang digunakan untuk proses identifikasikejadian gempa hanya komponen vertikal saja. Instrumenyang ada dipasang secara menyebar meliputi seluruh pulauLombok, hal ini dilakukan untuk menjamin cakupan sta-siun yang baik dari gempa-gempa aftershock yang terjadi.Distribusi stasiun seismograf di pulau Lombok dapat dilihatpada Gambar 1.

2.2 Algoritma Penentuan Waktu Tiba

Pengolahan data pertama-tama adalah melakukan penghi-langan trend data rekaman dan melakukan pengurangan


Implementation of Filter Picker Algorithm 27

Gambar 2. Diagram alir penentuan waktu tiba secara otomatismenggunakan algoritma filter picker pada penelitian ini.

dengan nilai rata-rata data rekaman, sehingga data reka-man menjadi stasioner. Kemudian data rekaman tersebutdipotong per 10 menit, tujuan pemotongan rekaman adalahuntuk mempermudah proses penentuan waktu tiba selan-jutnya. Pemotongan data rekaman ini tidak mempengaruhihasil dari identifikasi event yang dilakukan selanjutnya,tetapi dapat mempengaruhi efisiensi proses yang dilakukan.Pada Makalah ini tidak diaplikasikan proses penghilan-gan respon instrument dan filter frekuensi, sehingga dapatdiuji sejauh mana algoritma dapat diaplikasikan ini saatmelakukan pengamatan secara realtime.

Pada makalah ini hanya akan difokuskan pada tahapan-tahapan utama dalam menentukan waktu tiba menggu-nakan filter picker, untuk informasi lebih detil mengenai al-goritma ini sudah dijelaskan secara baik pada makalah hasilpenelitian oleh Lomax dkk. (2012). Proses pengerjaan ataualgoritma dari filter picker meliputi proses multiband filter-ing, pembuatan fungsi karakteristik dari sinyal dan terakhiradalah penentuan waktu tiba serta ketidakpastiannya. Padapenelitian ini terdapat modifikasi dalam penentuan ketidak-pastian waktu tibanya. Selain itu juga terdapat penamba-han dalam proses penentuan waktu tiba yang akan digu-nakan, yaitu dilakukan perbandingan waktu tiba antar sta-siun yang merekam untuk melihat konsistensi dari suatu ke-jadian gempa. Diagram alir dari algoritma filter picker yangdigunakan dalam penelitian ini dapat dilihat pada Gambar2.

Terdapat 5 parameter input yang dibutuhkan dalam al-goritma filter picker ini yaitu rentang waktu panjang atauperata-rataannya (Tlong), rentang waktu perhitungan filter(Tfilter), batas pendeteksian awal (batas 1), batas pende-teksian validasi (batas 2), dan rentang waktu validasi (Tup).Pada makalah ini setiap parameter yang digunakan meru-pakan nilai-nilai standar atau yang direkomendasikan, opti-masi parameter yang digunakan menggunakan metode yangdiajukan oleh Vassallo dkk. (2012). Dengan memasukan nilaifrekuensi sampling saat melakukan pengambilan data, makanilai masing-masing parameter Tlong, Tfilter, batas 1, batas2, dan Tup secara berurutan adalah 5 detik, 3 detik, 10,10, dan 0.2 detik. Terdapat delapan nilai band frekuensi fil-ter yang digunakan, masing-masing nilai frekuensi tersebutadalah 50, 25, 12.5, 6.25, 3.13, 1.57, 0.79, dan 0.39 Hz. Nilaifrekuensi filter yang digunakan ini harus mencakup frekuensidominan dari waveform kejadian gempa yang akan diten-

tukan waktu tiba gelombangnya. Apabila frekuensi domi-nan gempa dengan frekuensi filter memiliki perbedaan yangcukup besar, akibatnya pendeteksian dan penentuan waktutibanya menjadi tidak efektif. Perlu diperhatikan bahwa se-makin banyak variasi nilai frekuensi yang digunakan makawaktu yang dibutuhkan akan semakin lama.

Proses filter kemudian dilakukan menggunakan kede-lapan nilai frekuensi yang disebutkan sebelumnya. Kemu-dian setiap rekaman yang sudah difilter menggunakan ni-lai masing-masing frekuensi tersebut dihitung kurva karak-teristiknya (CF). Kurva karakteristik merupakan nilai pa-rameter yang didapatkan dari transformasi informasi yangterkandung dalam data seismogram menggunakan suatupersamaan tertentu. Kemampuan suatu algoritma penen-tuan waktu tiba otomatis dalam melakukan identifikasi danmenentukan waktu tiba berbagai fasa gelombang sangatbergantung kepada kurva karakteristik yang dihasilkannya.Semakin besar separasi dan konsistensi dari kurva karak-teristik dalam memisahkan antara fasa gelombang keja-dian gempa dengan ambient noise, maka kualitas penentuanwaktu tibanya juga akan semakina baik. Dalam makalahini kurva karakteristik untuk rekaman pada setiap nilaifrekuensi filternya dapat dihitung menggunakan persamaan1 berikut ini.

CFn(i) =Xn �mean(Xn(i� 1))

Std(Xn(i� 1))(1)

Dimana n adalah nomor band frekuensi, i adalah nomorsampel, X adalah kuadrat dari amplitudo sample ke i yangsudah difilter. Nilai rata-rata dan standar deviasi dihitungdalam rentang waktu perata-rataannya sampai satu sampelsebelum titik sampel yang akan dihitung nilai kurva karak-teristiknya.

Selanjutnya kurva karakteristik gabungan untuk merep-resentasikan data rekaman ini didapatkan dengan mencarinilai maksimal untuk setiap titik data diantara semua kurvakarakteristik yang ada (dalam paper ini mencari nilai mak-simum diantara kedelapan frekuensi terebut). Hasil dariproses filter dan pembentukan kurva karakteriknya diilus-trasikan menggunakan Gambar 3, data seismogram yang di-gunakan berasal dari kejadian gempa tanggal 6 September2018 yang terekam pada stasiun SP06.

Penentuan waktu tiba diletakan pada waktu tertentu,apabila kurva karakteristik gabungan lebih besar sama den-gan batas 1 yang sudah ditetapkan sebelumnya. Untukmenghindari waktu tiba akibat spike, digunakan integralkurva karakteristik gabungannya, dari waktu yang ditetap-kan sampai dengan Tup. Apabila nilai integral tersebutmelebihi nilai batas 2 dikali dengan Tup (dalam hal ini ni-lainya adalah 2), maka waktu tiba didefinikan pada titiksampel tersebut. Agar penentuan waktu tiba satu kejadiangempa tidak terlalu banyak, apabila waktu tiba sudah diten-tukan maka waktu tiba selanjutnya baru bisa didefiniskankembali jika kurva karakteristik gabungan sudah turun dibawah 2.

Nilai ketidakpastian waktu tiba otomatis dalam peneli-tian ini ditentukan berdasarkan waktu mulai terjadinya pen-ingkatan dari kurva karakteristik gabungan sampai pada ke-munculan maksimum lokal pertamanya. Hal ini dilakukanuntuk mengetahui seberapa jelas onset kejadian gempayang terekam. Apabila onset kejadian suatu kejadian gempa



yang terekam cukup besar maka waktu dari minimum lokalke maksimum lokalnya akan kecil, pendekatan ini cukupbaik untuk mengkuantifikasi ketidakpastiannya. Hal ini di-lakukan atas dasar asumsi bahwa apabila suatu kejadiangempa yang terekam memiliki onset yang jelas maka nilaiketidakpastian penentuan waktu tibanya menjadi kecil.

Pemilihan waktu tiba yang akan digunakan berdasarkanperbandingan hasil waktu tiba antar stasiun bertujuan un-tuk meminimumkan kemungkinan terjadinya pendeteksiankejadian gempa yang kurang tepat. Apabila terjadi gempadengan energi yang cukup besar maka akan banyak stasiunyang dapat merekamnya. Sedangkan sumber noise yang kuatmisalkan orang berjalan, atau kendaraan bermotor sifat-nya sangat lokal dan waktu terjadinya sangat acak (tidakada hubungan antar stasiunnya). Sehingga dengan meman-faatkan kedua fakta ini, kesalahan penentuan waktu tibaakibat sumber noise yang acak dapat diminimumkan den-gan melihat konsistensi waktu tiba antar stasiunnya. Tentusaja kesalahan waktu tiba ini tetap akan terjadi jika terda-pat sumber noise yang banyak disekitar stasiun, tetapi pelu-ang kemunculan noise di beberapa stasiun secara bersamaancukup kecil.

Perbandingan antar stasiun untuk menentukan suatuwaktu tiba berasal dari kejadian gempa atau bukan mem-butuhkan 2 parameter yaitu jumlah stasiun minimal yangmendeteksi dan rentang waktu evaluasinya. Semakin besarnilai jumlah stasiun minimal maka kemungkinan terjadinyakesalahan identifikasi kejadian gempa semakin kecil. Tetapikonsekuensinya adalah gempa-gempa dengan magnitudoyang kecil juga berpeluang tidak terdeteksi. Dalam peneli-tian ini digunakan jumlah minimal stasiun yang mendeteksisebanyak 5 stasiun, dan kemudian diubah menjadi 7 dan9 stasiun untuk melihat pengaruhnya terhadap jumlah ke-jadian gempa yang terdeteksi. Nilai rentang waktu yangdigunakan dapat berasal dari pemodelan kedepan untukmendapatkan nilai rata-rata maksimal selisih waktu tem-puh atau langsung dari rata-rata maksimal selisih penen-tuan waktu tiba manualnya (jika tersedia). Nilai rentangwaktu yang terlalu kecil dapat mengakibatkan hilangnya ke-jadian gempa, tetapi apabila terlalu besar maka hasil dariproses penghilangan kesalahan identifikasi akibat noise tidakakan maksimal. Dalam penelitian ini nilai rentang waktuyang digunakan adalah 10 detik, didapatkan dari pemod-elan kedepan titik-titik grid yang dibuat disekitar daerahpenelitian. Pemodelan kedepan untuk mendapatkan waktutempuh menggunakan metode shooting Snell dan model ke-cepatan 1-D menggunakan AK135. Setiap titik dicari nilaiselisih waktu tempuh maksimalnya, kemudian dihitung ni-lai rata-rata dari semua titik gridnya. Kedua nilai parame-ter ini dapat berbeda dari satu pengukuran dengan lainya,dan sangat bergantung kepada konfigurasi penempatan sta-siunnya. Selain dengan metode ini, mengklasifikasikan waktutiba menjadi kejadian gempa juga dapat dilakukan denganmenggunakan metode-metode lainya (Kurzon dkk., 2014).

3 HASIL DAN ANALISIS

Hasil perbandingan penentuan waktu tiba manual denganotomatis dari algoritma filter picker ditunjukkan pada Gam-bar 4. Kejadian gempa yang digunakan ini sama denganyang dipakai dalam ilustrasi pembentukan kurva karakter-

Gambar 3. a) Hasil filter komponen vertikal data seismogramternormalisasi menggunakan berbagai nilai frekuensi, trace pal-ing bawah merupakan data rekaman awal b) Kurva karakteristikdari masing-masing trace dengan skala masing-masing 0 sampai50, kurva paling bawah merupakan kurva karakterstik gabungan;garis putus-putus berwarna merah merupakan posisi dari waktutiba gelombang P yang ditentukan secara manual, sedangkan titikgaris berwarna ungu adalah hasil dari otomatis

istik dalam Gambar 3 sebelumnya. Contoh ini merupakanhasil yang kurang ideal, tetapi sangat baik untuk mem-berikan gambaran mengenai perbedaan penentuan waktusecara manual dengan otomatis. Pada stasiun BB03 fasagelombang P tidak terdeteksi secara otomatis tetapi padafase gelombang S terdeteksi secara otomatis, sedangkanpada stasiun ST03 dan BB07 kedua fasanya terdeteksi. Haltersebut dapat menyebabkan masalah saat ingin melakukanperbandingan hasil penentuan waktu tiba gelombang P se-cara otomatis dan manual, karena algoritma penentuanwaktu tiba yang digunakan tidak dapat mengidentifikasi je-nis fasa gelombangnya.

Membandingan hasil penentuan waktu tiba yang di-lakukan secara manual dengan otomatis merupakan suatupermasalahan yang membutuhkan penanganan tersendiri.Hal ini karena bisa saja suatu kejadian gempa dapat di-tentukan waktu tibanya secara manual, tetapi tidak ter-deteksi dalam penentuan waktu tiba secara otomatis danbegitu juga sebaliknya. Selain itu seperti yang ditunjukanpada Gambar 4 bahwa penentuan waktu tiba secara otoma-



Gambar 4. Contoh perbandingan hasil penentuan waktu tibagelombang P secara manual (garis berwarna biru), dan otomatis(garis berwarna merah) pada kejadian gempa tanggal 6 Septem-ber 2018. Urutan stasiun dari atas ke bawah didasarkan padawaktu tiba gelombang P manual yang tercepat.

tis tidak dapat membedakan fasa gelombang P, S, ataupunnoise padahal disini ingin dilakukan perbandingan akurasipenentuan waktu tiba gelombang P saja. Oleh karena itudilakukan pemotongan data rekaman 60 detik sebelum dansesudah waktu tiba gelombang P paling minimum suatu ke-jadian gempa, kemudian seismogram ini dijadikan input al-goritma penentuan waktu tiba yang telah dijelaskan padabagian sebelumnya. Fasa gelombang P dinyatakan berhasildideteksi, apabila maksimal selisih antara penentuan waktutiba fasa gelombang P secara otmomatis dan manual sebesar2 detik. Jika terdapat lebih dari satu waktu tiba otomatisyang selisihnya kurang dari 2 detik, disini hanya akan digu-nakan satu saja dengan nilai selisih terkecil. Hal ini perludilakukan agar dapat mengevaluasi performa algoritma inidalam mendeteksi gelombang P secara benar, terutamadalam hal kuantitasnya.

Nilai selisih positif artinya waktu tiba otomatis lebihlambat dibandingkan manual, dan sebaliknya apabila selisihbernilai negatif. Berdasarkan Gambar 5a dan 5b terlihatadanya perbedaan jumlah waktu tiba yang cukup besar, halini lebih dipengaruhi oleh adanya perbedaan jumlah stasiunbertipe broadband dengan short period. Sehingga untukmembandingkannya secara lebih objektif, digunakan persen-tase jumlah yang terdeteksi secara otomatis dengan man-ual untuk masing-masing tipe instrumen. Nilai persentaseketerdeteksian untuk stasiun bertipe short period adalah81.5 persen sedangkan broadband adalah 85.3 persen. Nilaipersentase untuk seismometer broadband lebih besar dari-pada short period, tetapi algoritma filter picker dapat dini-lai cukup berhasil untuk kedua tipe seismometer ini. Dalamgambar ini juga dapat terlihat adanya kemiripan pola dis-tribusi histogram residual waktu tiba gelombang P serta ter-dapat konsistensi nilai rata-rata(-0.06 untuk BB dan -0.04untuk SP) dan standart deviasi(0.33 untuk BB dan 0.25 un-tuk SP) dari kedua tipe alat ini. Berdasarkan nilai persentasedan pola histogram yang dihasilkan dari kedua jenis seis-mometer tersebut, maka dapat dikatakan bahwa algoritmafilter picker dapat digunakan untuk alat bertipe broadbanddan short period yang belum dilakukan proses koreksi in-strumen sebelumnya.

Setelah mengetahui bahwa algoritma filter picker ini da-pat digunakan untuk instrumen bertipe broad band danshort period, kemudian dilakukan evaluasi performa dari

Gambar 5. Histogram selisih penentuan waktu tiba gelombangP secara otomatis dengan manual a) untuk seismometer bertipebroad band (BB) saja, b) untuk short period (SP) saja, c) gabun-gan keduanya, d) adalah ketidakpastian dari penentuan waktutiba otomatis untuk semua data (batang berwarna biru), dan un-tuk data yang memiliki selisih waktu tiba antara -0.1 sampai 0.1(batang berwarna merah).

algoritma ini. Evaluasi dilakukan menggunakan hasil his-togram gabungan (Gambar 5.c), nilai parameter skewness,standar deviasi, rata-rata, median,dan modus secara beruru-tan adalah -1.41, 0.29, -0.05, -0.02, dan -0.01. Dari histogramini, distribusi 85 persen hasil yang didapatkan memilikiselisih kurang dari 0.2 detik. Berdasarkan nilai skewnessnya,hasil dari penentuan waktu tiba secara otomatis memilikikecenderungan untuk mendapatkan nilai yang lebih cepatdaripada waktu tiba secara manual. Tetapi dengan nilai pa-rameter standart deviasi yang kecil, serta nilai rata-rata, me-dian, dan modus yang disekitar nol, dapat dikatakan bahwametode ini cukup akurat dan stabil atau presisi. Kencen-derungan dari penentuan waktu tiba otomatis yang meng-hasilkan nilai yang lebih cepat ini juga didemonstrasikandalam Gambar 3 dan 4 sebelumnya. Hal ini lebih diaki-batkan oleh faktor subjektifitas atau preferensi orang yangmenentukan waktu tiba berdasarkan frekuensi yang tinggisaja, sedangkan algoritma ini meninjau dari frekuensi yangrendah sampai yang tinggi.

Selanjutnya dilakukan analisa apakah terdapat pen-garuh dari kejelasan onset waktu tiba terhadap selisih yangada pada penentuan waktu tiba otomatis dan manual. Pa-rameter yang digunakan untuk mengevaluasi hal ini adalahketidakpastian penentuan waktu tiba otomatis yang telahdijelaskan pada bagian sebelumnya. Pada Gambar 5.d terli-hat bahwa pola histogram ketidakpastian untuk data yangmemiliki selisih lebih dari -0.1 dan kurang dari 0.1 cukupmerata dan serupa dengan pola histogram keseluruhan data.Dalam hal ini, tidak terlihat adanya hubungan atau kencen-derungan dari selisih antara waktu tibanya dengan kejelasanonset. Sehingga dapat dikatakan bahwa selisih antara waktutiba otomatis dengan manual ini lebih disebabkan oleh tidak



Gambar 6. Kumulatif jumlah kejadian gempa yang dideteksidari tanggal 4 Agustus 2018 sampai 4 September 2018 secaramanual (titik berwarna hitam) dan otomatis (titik berwarnabiru), garis putus-putus berwarna merah menunjukan waktu ter-jadinya beberapa gempa dengan magnitudo besar yang terjadidisekitar daerah penelitian dengan menggunakan jaringan stasiunlokal.

sesuainya parameter penentuan waktu tiba otomatis denganprefrensi yang dimiliki saat melakukannya secara manual.Hasil ini tidak dapat diartikan sebagai suatu kegagalan al-gorithmic, tetapi menunjukan pentingnya melakukan penye-suaian parameter-parameter inputnya untuk meningkatkanakurasi penentuan waktu tibanya.

Kemudian dilakukan perbandingan jumlah kejadiangempa yang terdeteksi secara manual dengan otomatis yangtelah diklasifikasikan, sesuai dengan penjelasan pada bagiansebelumnya. Dalam melakukan perbandingan ini berbedadengan saat melakukan analisa akurasi penentuan waktutiba. Disini kejadian gempa terdeteksi secara otomatis di-gunakan seluruhnya, tidak terbatas hanya pada kejadiangempa yang terdeteksi secara manual saja. Hal ini di-lakukan untuk mendapatkan gambaran mengenai potensikemampuan algoritma filter picker untuk mendeteksi ke-jadian gempa dan tingkat keselarasan atau konsistensinyaterhadap pendeteksian secara manual.

Hal pertama yang teramati dari hasil pada Gambar 6adalah jumlah stasiun minimum pada suatu rentang waktutertentu yang digunakan untuk mengklasifikasikan waktutiba otomatis menjadi suatu event sangat mempengaruhijumlah event kumulatif yang dihasilkan. Semakin sedikitjumlah stasiun menyebabkan peluang waktu tiba diklasi-fikasikan menjadi suatu kejadian gempa menjadi semakinbesar. Hal ini dapat dipahami bahwa, jumlah stasiun mini-mal secara tidak langsung berkaitan dengan rasio sinyal den-gan noisenya. Semakin besar magnitudo suatu gempa makanilai rasio sinyal dengan noisenya akan tinggi dan stasiunyang dapat mendeteksinya juga akan semakin bertambahbanyak. Oleh karena jumlah kejadian gempa dengan nilaimagnitudo besar akan lebih sedikit dibandingkan denganmagnitudo kecil, sesuai dengan hukum Gutenberg-Richter.Implikasi dalam hal ini adalah semakin besar jumlah stasiunminimal yang mendeteksi suatu kejadian gempa, jumlah ku-mulatif kejadian gempa akan semakin sedikit. Apabila kitamenggunakan parameter minimal 5 stasun maka maksimaljumlah kejadian gempa yang terdeteksi menjadi 2 kali li-pat dari pendeteksian secara manual. Disini digunakan katamaksimal karena belum tentu semua yang terdeteksi sebagaikejadian gempa saat melakukan pendeteksian secara otoma-tis merupakan kejadian gempa.

Hasil pada Gambar 6 juga menunjukan adanya kese-larasan pola kurva kumulatif kejadian gempa yang baik an-tara penentuan secara otomatis dan manual. Semua kurvakumulatif memiliki trend yang cukup serupa yaitu adanyapeningkatan jumlah yang cukup tinggi setelah terjadi gempabermagnitudo cukup besar di sekitar daerah penelitian.Gempa bermagnitudo besar seperti pada tanggal 19 Agustus2018 menghasilkan peningkatan jumlah yang lebih besar dandalam rentang waktu yang lebih lama dibandingkan denganbermagnitudo yang lebih kecil pada tanggal 25 Agustus 2018(Gambar 6). Hal ini sudah sesuai dengan hukum Omori men-genai laju jumlah kehadiran aftershock terhadap besarnyamagnitudo gempa terjadi.

4 KESIMPULAN

Pada makalah ini kami mengimplementasikan danmengevaluasi hasil dari algoritma filter picker untukdata rekaman aftershock gempa Lombok menggunakanjaringan stasiun lokal. Evaluasi dilakukan dengan mem-bandingkan hasil penentuan waktu tiba gelombang Pdan hasil kumulatif kejadian gempa teridentifikasi yangdidapatkan secara manual dengan otomatis. Hasil selisihpenentuan waktu tiba otomatis dengan manualnya menun-jukan distribusi yang baik, lebih dari 85 persen hasilnyamemiliki selisih yang lebih kecil dari 0.2 detik.

Nilai parameter standar deviasi yang kecil, dan nilairata-rata, median, modus yang disekitar nol, menunjukanbahwa metode ini cukup stabil dan akurat. Tetapi nilai pa-rameter skewnessnya memberikan nilai -1.41 yang artinya,waktu tiba otomatis memiliki kecenderungan cukup kuatuntuk menghasilkan waktu tiba yang lebih cepat diband-ingkan dengan manualnya, sehingga diperlukan penyesuaiannilai parameter input yang digunakan. Kemudian jumlah ke-jdian gempa yang terdeteksi sangat bergantung kepada kri-teria jumlah stasiun yang digunakan, tetapi dapat teramatiadanya keselarasan pola kurva kumulatif kejadian gempa se-cara otomatis dan manualnya.

Hasil pola histogram selisih waktu tiba otomatis danmanualnya untuk alat bertipe short period dan broad bandtidak menunjukan perbedaan yang berarti. Aplikasi algo-ritma ini pada kedua tipe alat menunjukan performa iden-tifikasi gelombang P yang baik, sebesar 81.5 persen darigelombang P secara manual berhasil diidentifikasi untuk in-strumen bertipe short period dan 85.3 persen untuk intru-men bertipe broad band. Dengan hanya menggunakan pa-rameter input yang direkomendasikan, dan tanpa melakukankoreksi instrument sebelumnya filter picker tebukti dapatmemberikan hasil waktu tiba yang cukup baik.

Berdasarkan analisis yang telah dilakukan terhadaphasil penelitian ini, maka dapat disimpulkan algoritma filterpicker sangat efektif untuk mengidentfikasi dan menentukanwaktu tiba gelombang P dan dapat digunakan untuk dataseismogram dari alat bertipe broad band ataupun short pe-riod.

UCAPAN TERIMA KASIH

Penulis mengucapkan terimakasih kepada LaboratoriumVulkanologi dan Geothermal ITB,EOS, BMKG, dan



PVMBG yang telah membantu dalam pengambilan data un-tuk penelitian ini.

References

Allen, R. V. (1978): Automatic earthquake recognition andtiming from single traces, Bulletin of the SeismologicalSociety of America, 68, 1521 – 1532.

Baer, M. dan Kradolfer, U. (1987): An automatic phasepicker for local and teleseismic events, Bulletin of the Seis-mological Society of America, 77, 1437 – 1445.

Baillard, C., Crawford, W. C., Ballu, V., Hibert, C. danMangeney, A. (2014): An automatic kurtosis-based P- andS-phase picker designed for local seismic networks, Bul-letin of the Seismological Society of America, 104, no.1,1-16.

De Meersman, K., Kendall, M., dan Vand der Baan, M.(2009): The 1988 Valhall microseismic data set: An inte-grated study of relocated source, seismic multiplets, andS-wave splitting, Geophysics, 74, no.5, B183-B195.

Earle, P. S., dan Shearer, P. M. (1994): Characterizationof global seismograms using an automated picking algo-rithm, Bulletin of the Seismological Society of America,84, 366-376.

Han, L., Wong, J., dan Bancroft, J. (2009): Time picking andrandom noise reduction on microseismic data: CREWESResearch Report, 21, 1-13.

Kurzon, I., Vernon, F. L., Rosenberger, A., dan Ben-Zion, Y.(2014): Real-time automatic detectors of P and S wavesusing singular value decomposition, Bulletin of the Seis-mological Society of America, 104, 1696 – 1708.

Leonard, M., dan Kennett, B. L. N. (1999): Multi-component autoregressive techniques for the analysis ofseismograms, Physics of The Earth and Planetary Interi-ors, 113, 247 – 263.

Lomax, A., Satriano, C., dan Vassallo, M. (2012): Auto-matic picker developments and optimization: filterpicker –a robust, broadband picker for real-time seismic monitor-ing and earthquake early warning, Seismological ResearchLetters, 83, 531-540.

Ross, Z. E., dan Ben-Zion, Y. (2014): Automatic pickingof direct P, S seismic phase and fault zone head waves,Geophysical Journal International, 199, 368-381.

Vassallo, M., Satriano, C., dan Lomax, A. (2012): Automaticpicker developments and optimization: a strategy for im-proving the performance of automatic phase picker, Seis-mological Research Letters, 83, 541-554.


DAFTAR PUSTAKA

implementation of filter picker algorithm for

Documents