PENAKSIRAN RESONANSI TANAH DAN BANGUNAN MENGGUNAKAN ANALISIS MIKROTREMOR WILAYAH SURABAYA JAWA TIMUR
Bibliographic record
Abstract
Salah satu faktor penting yang bisa digunakan untuk memprediksi bahaya gempa bumi pada suatu bangunan adalah dilakukan pengukuran resonansi antara frekuensi natural bangunan dan tanah di bawahnya. Jika nilai frekuensi bangunan mendekati nilai frekuensi natural material di bawahnya, maka getaran seismik akan membuat resonansi dengan bangunan yang akan meningkatkan stress pada bangunan tersebut. Surabaya merupakan daerah dengan kondisi geologi berupa cekungan endapan aluvial dan batu pasir dengan sedimen berupa batu gamping dan lempung. Selain itu, Surabaya berada dekat dengan lajur sesar aktif Lasem, Lajur sesar aktif Watu Kosek, lajur sesar aktif Grindulu dan Lajur sesar aktif Pasuruan. Oleh karena itu diperlukan suatu upaya untuk mengurangi resiko bencana terhadap bahaya gempa bumi di Surabaya mengingat kondisi daerah tersebut rawan terhadap kerusakan akibat gempa. Analisis mikrotremor yang dilakukan di wilayah Surabaya bertujuan untuk menentukan nilai frekuensi natural dari suatu bangunan dan tanah di bawahnya, menentukan resonansi bangunan dan tanah terhadap gelombang gempa serta menentukan tingkat kerentanan suatu bangunan terhadap gelombang gempa. Akusisi lapangan dilakukan pada sepuluh bangunan milik pemerintah kota dan tempat umum yang memiliki nilai sejarah Kota Surabaya serta tujuh titik tanah yang mewakili kondisi bawah permukaan setiap bangunan. Dalam akusisi ini digunakan alat Portable Digital Seismograph 3 komponen (2 komponen horizontal: EW-NS dan 1 komponen vertikal) periode pendek merk Taurus (Canada) dengan jenis sensor Feedback Short Period Seismometer tipe DS-4A. Analisis FSR digunakan pada pengolahan data mikrotremor bangunan, sedangkan pada pengolahan mikrotremor tanah digunakan analisis HVSR. Analisis data dihasilkan frekuensi natural bangunan komponen NS berkisar 1.14 – 2.8 Hz dan komponen EW berkisar 1.14 – 2.74 Hz dan frekuensi natural tanah berkisar antara 1.08 – 2.7 Hz. Selain itu didapatkan taksiran resonansi tanah dan bangunan komponen NS antara 10.37 – 158.6% dan komponen EW antara 11.74 – 152.3% dengan tingkat resonansi rendah pada sembilan bangunan dan tingkat resonansi sedang pada satu bangunan. Digunakan pula analisis spektrum dan RDM sebagai data perbandingan dalam penaksiran resonansi dan didapatkan kesimpulan bahwa analisis FSR dalam penaksiran resonansi tanah dan bangunan lebih baik daripada analisis spektrum dan RDM.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".