Data-Centric AI untuk Prediksi Magnitudo Gempa Bumi: Pendekatan Enhanced Sliding Window dan CNN–BiLSTM

Gunawan; Hindriyanto Dwi Purnomo; Irwan Sembiring

Deskripsi:
"Buku Data-Centric AI untuk Prediksi Magnitudo Gempa Bumi: Pendekatan Enhanced Sliding Window dan CNN–BiLSTM membahas pengembangan model prediksi magnitudo gempa bumi dengan menempatkan kualitas representasi data sebagai aspek utama dalam proses pemodelan. Berbeda dari pendekatan yang hanya berfokus pada pemilihan arsitektur model, buku ini menekankan bahwa kinerja deep learning sangat dipengaruhi oleh cara data katalog seismik disiapkan, dibentuk, dan direpresentasikan sebelum masuk ke model. Data gempa bumi memiliki karakteristik event-based, tidak beraturan, dan sangat dipengaruhi oleh kondisi seismotektonik wilayah. Oleh karena itu, data katalog gempa tidak dapat langsung digunakan sebagai input model sequence learning tanpa proses transformasi. Buku ini memperkenalkan pendekatan enhanced sliding window untuk membentuk input sekuens dari data historis gempa. Melalui pengaturan window length dan stride, data katalog seismik diubah menjadi pasangan input-target yang dapat digunakan oleh model deep learning untuk memprediksi magnitudo kejadian berikutnya. Secara metodologis, buku ini membahas alur pengolahan data mulai dari katalog seismik, pembersihan data, pembagian kronologis, pembentukan input sekuens, hingga pemodelan menggunakan BiLSTM-only dan CNN–BiLSTM. Model CNN–BiLSTM digunakan karena mampu mengombinasikan kemampuan Conv1D dalam menangkap pola lokal dengan kemampuan BiLSTM dalam mempelajari dependensi temporal dua arah. Evaluasi dilakukan menggunakan metrik regresi seperti MAE, RMSE, dan koefisien determinasi, serta dibandingkan dengan baseline global mean dan persistence. Buku ini juga membahas evaluasi model pada skenario in-region dan cross-regional. Pada skenario in-region, model dilatih dan diuji pada wilayah yang sama, yaitu Jawa–Bali. Sementara itu, pada skenario cross-regional, model yang dilatih pada Jawa–Bali diuji pada wilayah Chile dan Iran untuk menilai kemampuan generalisasi lintas wilayah. Hasil pembahasan menunjukkan bahwa perbedaan distribusi data antarwilayah atau domain shift menjadi faktor penting yang memengaruhi performa model. Sebagai buku monograf berbasis penelitian doktoral, buku ini tidak hanya menyajikan aspek teknis deep learning, tetapi juga menawarkan kerangka berpikir data-centric AI dalam pengembangan model prediksi gempa bumi. Pembaca diajak memahami bahwa peningkatan performa model tidak selalu harus dimulai dari arsitektur yang semakin kompleks, tetapi dapat dimulai dari perbaikan kualitas data, representasi temporal, dan strategi evaluasi yang lebih komprehensif. Buku ini diharapkan bermanfaat bagi mahasiswa, dosen, peneliti, dan praktisi yang tertarik pada bidang kecerdasan artifisial, deep learning, data seismik, mitigasi bencana, serta pemodelan prediktif berbasis data temporal. Selain itu, buku ini juga dapat menjadi rujukan bagi pengembangan penelitian lanjutan mengenai transfer learning, domain adaptation, Transformer, Graph Neural Network, dan pendekatan uncertainty-aware learning untuk prediksi magnitudo gempa bumi yang lebih robust dan bertanggung jawab."

Rp.82.000

Kategori	:	Buku Ajar
ISBN	:	9786347824004
Halaman	:	167
Stok Buku	:	33

PESAN BUKU