Metode kecerdasan buatan telah banyak diterapkan untuk EQP. Misalnya, Dehbozorgi dan Farokhi pertama kali menyelidiki pengklasifikasi neuro-fuzzy untuk EQP jangka pendek menggunakan peristiwa seismik historis. Berbagai indikator, termasuk magnitudo, kedalaman, waktu, lokasi, statistik, dan parameter entropi, digunakan untuk memprediksi apakah gempa akan terjadi dalam lima menit ke depan. Menurut analisis spasial distribusi besarnya, otomatis.
Prediksi gempa bumi (EQP) sangat penting untuk mengambil tindakan pencegahan dan memprediksi kerusakan secara akurat. Beberapa pendekatan EQP berbasis peristiwa seismik historis telah diusulkan; namun, pendekatan ini hanya mengidentifikasi anomali tanpa membedakan noise, sehingga mengurangi akurasi prediksi. Makrofag memainkan peran penting dalam sistem kekebalan dengan mengenali virus, sel apoptosis, dan sel normal, serta melakukan respons dan penekanan kekebalan untuk memastikan homeostasis; yaitu, makrofag menunjukkan kemampuan klasifikasi yang kuat dan kemampuan beradaptasi diri. Oleh karena itu, dalam penelitian ini, algoritma makrofag buatan baru (AMA) untuk EQP diusulkan. Lebih khusus lagi, pertama-tama memperkenalkan mekanisme biologis makrofag untuk membangun mekanisme pengenalan dan pembelajaran untuk mengidentifikasi kebisingan dan anomali. Kedua, mengadopsi metrik jarak untuk menunjukkan bobot AMA, alih-alih menggunakan parameter berbasis pengalaman. Terakhir, penurunan gradien stokastik diperkenalkan untuk memastikan kemampuan beradaptasi AMA. Kinerja AMA dinilai melalui analisis peristiwa seismik bersejarah di Sichuan dan sekitarnya. Hasil eksperimen menunjukkan bahwa AMA mengungguli algoritme EQP yang canggih. Parameter dan uji statistik AMA dianalisis lebih lanjut dalam penelitian ini.
Makrofag adalah komponen kunci dalam memicu respons imun humoral dengan menelan antigen melalui berbagai reseptor, dan dapat berinteraksi dengan sel imun lain untuk melindungi sistem imun. QP bertujuan untuk memprediksi besaran, waktu kejadian, lokasi, dan probabilitas gempa bumi di masa mendatang Tantangan utama adalah menentukan hubungan antara data seismik historis dan gempa bumi. Untuk mengatasi tantangan ini, salah satu pendekatannya adalah memperlakukan EQP sebagai tugas klasifikasi biner (memprediksi terjadinya (1) atau tidak terjadinya (0) gempa bumi dengan besaran, waktu, dan lokasi yang telah ditentukan sebelumnya), dan kemudian menyelesaikan masalah EQP menggunakan metode klasifikasi biner yang ada. Namun, karena data yang tidak mencukupi pada data seismik sedang-besar, metode ini berkinerja buruk. Misalnya, jaringan saraf dan metode deep learning (DL) membutuhkan set pelatihan dalam jumlah besar; jika tidak, kinerja mereka tidak memuaskan.
_
Penulis:
Andi Hutami Endang, S.Kom., M.Kom., Dosen Sistem Informasi dan Teknologi Kalla Institute