Permodelan 2D data Ground Penetrating Radar (GPR) menggunakan Convolutional Neural Network (CNN) Di Area Kampus 1 UIN Sunan Gunung Djati Bandung

Fuadah, Fikry Hoiril (2025) Permodelan 2D data Ground Penetrating Radar (GPR) menggunakan Convolutional Neural Network (CNN) Di Area Kampus 1 UIN Sunan Gunung Djati Bandung. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (66kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (21kB) | Preview
Preview	Text Surat pernyataan karya sendiri.pdf Download (185kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (61kB) | Preview
Preview	Text (BAB I) 4_Bab1.pdf Download (37kB) | Preview
	Text (BAB II) 5_Bab2.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) 6_Bab3.pdf Restricted to Registered users only Download (209kB)
	Text (BAB IV) 7_Bab4.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 8_Bab5.pdf Restricted to Registered users only Download (15kB)
	Text (DAFTAR PUSTAKA) 9_daftarpusataka.pdf Restricted to Registered users only Download (200kB)
	Text (LAMPIRAN) 10_lampiran.pdf Restricted to Repository staff only Download (236kB)

Abstract

Ground Penetrating Radar (GPR) merupakan metode geofisika non-destruktif yang banyak digunakan untuk memperoleh informasi bawah permukaan secara efisien. Penelitian ini bertujuan untuk menerapkan metode Convolutional Neural Network (CNN) dalam permodelan data GPR dua dimensi (2D). Penelitian dilakukan di area Kampus 1 UIN Sunan Gunung Djati Bandung, lokasi ini dipilih karena merupakan lokasi studi yang termasuk kawasan aktif memiliki struktur permukaan kompleks dan representatif untuk pengujian metode ini. Data diperoleh dari lima lintasan sepanjang 30 meter dengan jarak antar lintasan 0,5 meter menggunakan alat GPR OKO-2 berfrekuensi 250 MHz. Hasil permodelan yang dihasilkan oleh CNN meliputi prediksi kecepatan elektromagnetik (EM velocity) pada masing-masing lintasan, model hasil smoothing yang digunakan untuk memperhalus nilai kecepatan, hasil simulasi forward sebagai bentuk validasi, serta konversi ke domain kedalaman (spatial depth) guna menampilkan variasi kecepatan secara vertikal, serta perbandingan bentuk gelombang antara data simulasi dan data lapangan dalam beberapa trace pada titik titik terbaik pola gelombang memiliki kemiripan bentuk antara data lapangan dan data prediksi. Hasil penelitian menunjukkan bahwa metode CNN berhasil diterapkan dalam permodelan data GPR 2D dan cukup efisien untuk pengolahan data GPR sehingga menghasilkan model kecepatan bawah permukaan dengan baik.

Actions (login required)

View Item