Machine Learning (Pembelajaran mesin) dapat diterapkan untuk mendapatkan keuntungan dalam banyak hal yang dapat dimanfaatkan bagi penggunanya.
Selain itu, ia bersifat transformatif di berbagai bidang. Misalnya seperti Seismologi, dan Biologi dimana didalamnya terdapat tumpukan data yang sangat besar yang dapat dimanfaatkan untuk melatih model AI.
Bagaimana Machine Learning Mempelajari Fenomena Gempa Bumi
Manusia hidup dibumi dikelilingi berbagai fenomena unik yang tidak mereka mengerti. Memang kita semua pasti tahu asal muasal gempa bumi maupun badai, tapi bagaimana tepatnya cara kerja mereka ? Efek sekunder apa yang muncul kalau kita menggunakan alat pengukuran yang berbeda ? Seberapa jauh peristiwa tersebut bisa diprediksi ?
Sejumlah proyek penelitian yang baru-baru ini diterbitkan menggunakan Machine Learning (pembelajaran mesin) untuk mencoba memahami atau memprediksi fenomena ini dengan lebih baik.
Dengan data puluhan tahun yang tersedia untuk diambil, ada wawasan yang bisa diperoleh dengan cara ini. Penemuan terbaru, yang dibuat oleh para peneliti di Los Alamos National Labs, menggunakan sumber data baru serta ML untuk mendokumentasikan perilaku yang sebelumnya tidak teramati di sepanjang patahan selama Slow Quake (gempa lambat).
Dengan menggunakan radar apertur sintetis yang ditangkap dari orbit, yang dapat melihat melalui awan dan pada malam hari untuk memberikan pencitraan bentuk tanah yang akurat dan teratur, tim tersebut dapat langsung mengamati proses Rupture Propagation untuk pertama kalinya, di sepanjang Anatolia Utara. Sesar di Turki.
“Pendekatan Deep Learning (pembelajaran mendalam) yang kami kembangkan memungkinkan untuk secara otomatis mendeteksi deformasi kecil dan sementara yang terjadi pada sesar dengan resolusi yang belum pernah terjadi sebelumnya, membuka jalan bagi studi sistematis tentang interaksi antara gempa bumi lambat dan biasa, dalam skala global,” kata Ahli geofisika Los Alamos Bertrand Rouet-Leduc.
Upaya lain, yang telah berlangsung selama beberapa tahun di Stanford, membantu peneliti ilmu Bumi Mostafa Mousavi menangani masalah signal-to-noise dengan data seismik.
Meneliti data yang dianalisis oleh perangkat lunak lama untuk miliaran kali suatu hari, dia merasa harus ada cara yang lebih baik dan telah menghabiskan waktu bertahun-tahun untuk mengerjakan berbagai metode.
Yang terbaru adalah cara mengungkap bukti gempa bumi kecil yang luput dari perhatian namun tetap menyisakan catatan di data.
Bagaimana Proses Uji Coba Tersebut Berjalan
The Earthquake Transformer sebagai sistem Machine Learning untuk peristiwa ini dilatih berdasarkan data seismograf berlabel tangan selama bertahun-tahun.
Ketika diuji pada bacaan yang dikumpulkan selama gempa bumi Tottori berkekuatan 6,6 skala Richter di Jepang, ia mengisolasi 21.092 peristiwa terpisah, lebih dari dua kali lipat dari apa yang ditemukan manusia dalam inspeksi awal mereka dan menggunakan data dari kurang dari setengah stasiun yang mencatat gempa.
Tools ini memang tidak memprediksi gempa secara akurat dengan sendirinya, namun ia dapat lebih memahami bagaimana karakteristik dari gempa itu sendiri.
Dengan kemampuan mendeteksi dan menspesifikan lokasi gempa kecil ini, The Earthquake Transformer diharapkan bisa memberikan gambaran yang lebih jelas dimana gempa yang sebenarnya terjadi dan seberapa luas pelebarannya.
