Pemodelan 2D Data Ground Penetrating Radar (GPR) Menggunakan Convolutional Neural Network (CNN) di Area Pinus Regency Kota Bandung

Djihan, Fatasya Aulia (2025) Pemodelan 2D Data Ground Penetrating Radar (GPR) Menggunakan Convolutional Neural Network (CNN) di Area Pinus Regency Kota Bandung. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (135kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (160kB) | Preview
Preview	Text surat pernyataan karya sendiri Fatasya Aulia Djihan 1217030013.pdf Download (461kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (151kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (144kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (427kB)
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (366kB)
	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 (163kB)
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (162kB)
	Text (LAMPIRAN) 10_lampiran.pdf Restricted to Registered users only Download (166kB)

Abstract

INDONESIA : Ground Penetrating Radar (GPR) telah dikembangkan kemampuannya untuk memberikan eksplorasi bawah permukaan dangkal yang lebih spesifik. Penelitian ini bertujuan untuk melakukan pemodelan dua dimensi data Ground Penetrating Radar (GPR) menggunakan Convolutional Neural Network (CNN). Arsitektur yang digunakan dalam penelitian ini adalah GPRNet dengan mengadopsi struktur encoder–decoder, di mana encoder berfungsi mengekstraksi fitur intrinsik dari data GPR, sedangkan decoder menghasilkan keluaran berupa model kecepatan elektromagnetik dengan mende- kode fitur-fitur yang telah diekstraksi. Data yang digunakan terdiri atas data sintetis hasil simulasi serta data lapangan yang diperoleh dari Area Pinus Regency, Kota Bandung, dengan lima lintasan sepanjang 45 meter pada setiap lintasan. Hasil penelitian menunjukkan bahwa prediksi kecepatan elektromagnetik memiliki distribusi vertikal yang konsisten secara fisik, yaitu nilai yang relatif tinggi pada lapisan atas dan mengalami penurunan pada bagian lebih dalam. Visualisasi ke dalam domain kedalaman menghasilkan peta kecepatan dua dimensi yang representatif terhadap struktur bawah permukaan. Simulasi maju berdasarkan hasil prediksi memperlihatkan kesesuaian refleksi dengan data lapangan, sementara perbandingan trace pada jarak tertentu menunjukkan kemiripan bentuk gelom- bang antara data aktual dan hasil prediksi. Dengan demikian, CNN satu dimensi dinilai cukup efisien dalam membentuk model kecepatan bawah permukaan. ENGLISH : Ground Penetrating Radar (GPR) has been developed to provide more specific shallow subsurface exploration. This study aims to perform two-dimensional modeling of Ground Penetrating Radar (GPR) data using a Convolutional Neural Network (CNN). The architecture employed in this study is GPRNet, which adopts an encoder-decoder structure, where the encoder functions to extracted intrinsic features from GPR data, while the decoder produces an output in the form of an electromagnetic velocity model by decoding the extracted features. The data used consist of synthetic data from simulations as well as field data obtained from the Pinus Regency Area, Bandung City, with five survey lines, each 45 meters in length. The results show that the predicted electromagnetic velocity exhibits a physically consistent vertical distribution, namely relatively high values in the upper layers with a decrease in deeper sections. Visualization into the depth domain produces a two dimensional velocity map that is representative of the subsurface structure. Forward simulations based on the prediction results demonstrate agreement between reflections and field data, while comparisons of traces at certain positions reveal similarities in waveform shapes between the actual data and prediction results. Thus, the one dimensional CNN is considered sufficiently efficient in constructing a subsurface velocity model.

Actions (login required)

View Item