TUGAS MATA KULIAH

AKUISISI DAN PENGOLAHAN DATA SEISMIK LANJUT

SUMMARY: FILTERING METHOD
Some Powerful Filter and Random Seismic Noise Attenuation Data Using
The Discrete And The Continuous Wavelet Transforms

Oleh:

Cahli Suhendi 223 14 022

PROGRAM STUDI TEKNIK GEOFISIKA

FAKULTAS TEKNIK PERTAMBANGAN DAN PERMINYAKAN
INSTITUT TEKNOLOGI BANDUNG
2015
1

DAFTAR ISI
A.

Pendahuluan .................................................................................................................................... 4

B.

Transformasi Wavelet ...................................................................................................................... 4

B.1.

Transformasi Wavelet Kontinu (Continuous Wavelet Transform) ............................................. 6

B.2.

Transformasi Wavelet Diskrit (Discrete Wavelet Transform) .................................................... 7

B.3.

Proses Denoising Sinyal ........................................................................................................... 8

B.4.

Algoritma Pemrosesan ............................................................................................................. 8

B.5.

Aplikasi Transformasi Wavelet Pada Data Sintetis ................................................................... 9

C.

Time Frequency Domain ............................................................................................................... 14

D.

Hybrid Gathers Technology ........................................................................................................... 14

E.

Kesimpulan ................................................................................................................................... 16

F.

Daftar Pustaka ............................................................................................................................... 16

DAFTAR GAMBAR
Gambar 1. Wavelet Daubechies dan Spektrumnya ................................................................................... 5
Gambar 2. Shot gather dan Filter Transformasi Wavelet-nya.................................................................... 5
Gambar 3. Shot gathers, a) before b)after c)noise yang dibuang ............................................................... 6
Gambar 4. Flow chart denoising .............................................................................................................. 9
Gambar 5. Parameter Geologi dari model sintetis..................................................................................... 9
Gambar 6. Seismogram sintetis ber-noise .............................................................................................. 10
Gambar 7. Dekomposisi wavelet diskrit dari seismogram ber- noise ...................................................... 10
Gambar 8. Seismogram sintetis noise tereduksi menggunakan nilai ambang dari Transformasi Wavelet
Diskrit (TWD) ....................................................................................................................................... 11
Gambar 9. Wavelet Mexican Hat ........................................................................................................... 11
Gambar 10. Koefisien Transformasi Wavelet Diskrit (TWD) dari seismogram sintetis stelah noise
tereduksi menggunakan TWD. Wavelet yang digunakan adalah jenis Mexican Hat. ............................... 12
Gambar 11. a) Koefisien TWK pada skala a= 0.004 s. b) Analisis spektral dari noise residual
menggunakan Transformasi Fourier. ...................................................................................................... 13
Gambar 12. a) raw Stack Section, b) Stelah filter TWD dan TFD. c) Selisih........................................... 14
Gambar 13. a) Hybrid - gather, b) line tradisional. c) Cross-line hybrid .................................................. 14
Gambar 14. a)Spektrum Filter FK 2D, b) Filter FK 3D .......................................................................... 15
Gambar 15. Sebelum (kiri) dan sesudah (kanan) menggunakan filter radon domain hybrid 3D ............... 15
Gambar 16. (Left) tanpa Filter Radon Doamin Hybrid 3D, (kanan) dengan Filter Radon Domain Hybrid
3D ......................................................................................................................................................... 16

Some Powerfull Filter and Random Seismic Noise Attenuation Data Using
The Discrete And The Continuous Wavelet Transforms
A. Pendahuluan
Noise dapat dibedakan ke dalam dua jenis, yaitu koheren noise dan inkoheren noise. Koheren
noise meliputi diantaranya adalah ghost, reverbasi, multiples, direct arrival, ground roll , dan lain
lain. Sementara itu, yang termasuk inkoheren noise diantaranya adalah random/ambient noise,
swell noise, power line noise, traffic noise, dan lain lain.
Penting bagi kita untuk mengetahui property dari masing masing jenis noise dan sifat
sifatnya sehingga memberikan kesempatan bagi kita untuk melemahkannya. Proses pemisahan
sinyal asli dengan noise (filtering) sangat dibutuhkan sehingga informasi asli dari sinyal tersebut
tidak bias. Oleh karena itu, kita perlu memahami sifat dan karakteristik dari setiap noise dan
yang membedakannya dengan sinyal utama sehingga dengan sifat sifat tersebut kita dapat
mengeliminiasinya. Untuk kasus dimana sinyal utama dan noise yang sangat berimpitan dapat
kita pisahkan dengan cara mentransformasinya ke dalam domain lain. Sehingga dalam proses
filtering untuk mengeliminasi noise diperlukan teknik yang dapat menentukan domain dimana
sinyal utama dan noise dapat dipisahkan.
Proses pelemahan noise dalam pengolahan data seismic (seismic data processing) akan
berpengaruh pada resolusi penampang seismic yang akan diinterpretasikan. Untuk koheren noise
biasanya digunakan F-K Filter, dekonvolusi, Transformasi Radon, dll. Sementara iu, untuk
inkoheren noise, stack dari CDP gather merupakan satu dari tahapan seismic data processing
yang akan memperbesar nilai rasio sinyal terhadap noise. Kita dapat menggunakan band pass
filter (biasanya band pass filter Butterworth ) sebelum atau setelah stacking untuk melemahkan
random noise.
Dalam tulisan ini akan dijelaskan beberapa teknik filter yang powerfull dalam melemahkan
noise sehingga meningkatkan rasio sinyal terhadap noise. Teknik teknik tersebut yaitu,
Transformasi Wavelet (WTF, Wavelet Transformation Filter), Time Frequency Domain (TFD),
dan Hybrid Gather Technologies. Transformasi wavelet yang dijabarkan meliputi transformasi
wavelet kontinu dan transformasi wavelet termasuk aplikasinya dalam melemahkan random
noise.
B. Transformasi Wavelet
Berdasarkan Transformasi Wavelet Ortogonal Diskrit, (Daubechies 1992), maka memungkinkan
untuk mendekomposisi sinyal seismic yang mengandung noise ke dalam skala berbeda dimana
sinyal dan noise tertentu dapat secara efektif dipisahkan. Pemotongan subsekuen dari noise
secara mudah dapat diperoleh di dalam domain wavelet yang beroperasi hanya pada skala

dimana noise muncul. Setelah noise dibuang, selanjutnya dilakukan transformasi balik untuk
mengembalikan data ke dalam domain space time aslinya.

Gambar 1. Wavelet Daubechies dan Spektrumnya

Gambar 2. Shot gather dan Filter Transformasi Wavelet-nya

Gambar 3. Shot gathers, a) before b)after c)noise yang dibuang

Meskipun Filter Transformasi Wavelet sudah berhasil mengeliminasi noise dengan cukup
signifikan, akan tetapi sering kali masih dibutuhkan metode lain untuk mengeliminasi noise
yang tersisa. Sebelum penjelasan metode tersebut, terlebih dahulu akan diuraikan lebih jauh
tentang teori transformasi wavelet dan aplikasinya pada pelemahan random noise.
B.1. Transformasi Wavelet Kontinu (Continuous Wavelet Transform)
Transformasi Wavelet menjadi special adalah karena himpunan fungsi, yang dinamakan wavelet,
dipilih untuk dilokalisasi secara baik (memiliki kekompakan) baik dalam domain posisi (waktu)
maupun frekuensi. Berbeda halnya dengan transformasi Fourier yang bersifat mono lokalisasi
(window yang tetap) sehingga tidak mungkin untuk melakukan lokalisasi dikedua domain
tersebut.
Transformasi Wavelet Kontinu (TWK) dari suatu fungsi ( ) diberikan oleh Grossman dan
Morlet (1985) adalah sebabagi berikut:
( , )=

( )

(1)

Masing masing keluarga fungsi tes diturunkan dari sebuah fungsi ( ) , disebut fungsi wavelet
induk (mother wavelet), yang didefinisikan sebagai berikut,
,

( )=

(2)

Diamana adalah parameter skala, adalah translasi dan adalah kompleks

sekawan dari . Fungsi wavelet induk ( ) secara umum dipilih untuk dilokalkan secara baik
dalam domain posisi (atau waktu) dan bilangan gelombang. Biasanya, ( ) diperlukan yang
6

( ) juga
memiliki rata rata nol, akan tetapi untuk kasus tertentu dari analisis multiskala,
diharuskan bersifat orthogonal (tegak lurus) terhadap beberapa polynomial berderajat rendah
sampai ke derajat n-1, dengan n memenuhi persamaan vanishing momen berikut,
( )

= 0 , 0

1 (3)

Momen orde p dari koefisien wavelet di skala a mereproduksi sifat skala dari proses.
B.2. Transformasi Wavelet Diskrit (Discrete Wavelet Transform)
Misalkan
( ) menyatakan ruang Hilbert, fungsi integral persegi. Fungsi ( ) (
disebut wavelet jika dan hanya jika kondisi berikut terpenuhi (Ouadfeul and Aliouane 2013):
( )

= 0 (4)

Transformasi Wavelet dari fungsi

(2013):
( )= ( )
Dimana

( )=

( )

) didefinisikan oleh Ouadfeul and Aliouane

( ) (5)

adalah versi terdilatasi dari ( ) oleh factor skala a.

Dalam paraktiknya, a disebarkan sebagai system biner diskrit, sebagai contoh, misalkan
2 , , maka waveletnya adalah

( )=

, dan transformasi waveletnya adalah

sebagai berikut,
( ) = ( )

( ) = ( )

1
2

Oleh karena itu, transformasi baliknya adalah

memenuhi 2
(2 ) = 1.

(6)

( )=

( ) ( ), dimana

( )

Disebarkan dalam domain waktu yang lebar, transformasi wavelet diskrit dapat diperoleh.
Transformasi wavelet diskrit ada sebagai sebuah algoritma yang cepat dan efisien berdasarkan
persamaan berikut,
=
=
Dimana
skala 2 .

(7)

adalah koefisien transformasi wavelet dari ( ).

menghampiri
pada
dan adalah filter diskrit. Hubungan antara H dan G adalah sebabagi berikut,

= (1)

B.3. Proses Denoising Sinyal

Pengambangan (thresholding) merupakan suatu teknik dalam pelemahan noise pada sinyal dan
image (Coifman and Donoho 1995; Donoho 1995). Transformasi Wavelet Diskrit menggunakan
dua filter, yaitu :
1. Averaging Filter
2. Filter Detil
Ketika mendekomposisi sinyal menggunakan transformasi wavelet, kita bekerja dengan
seperangkat koefisien wavelet yang berkorelasi dengan sub band frekuensi tinggi. Sub band
frekuensi ini terdiri dari detail d dalam dataset. Jika detil ini cukup kecil, maka dapat diabaikan
(dihilangkan) tanpa secara substansial mempengaruhi penampang utama dari data. Selain itu,
detail kecil tersebut seringkali beasosiasi dengan noise. Oleh karena itu, dengan mengatur
koefisiennya menjadi nol maka secara esensial kita menghilankan noise. Itulah yang menjadi
konsep dasar dari pengambangan, yaitu mengatur semua koefisien sub band frekuensi yang lebih
kecil dari ambang tertentu menjadi nol dan menggunakan koefisien koefisien tersebut dalam
transformasi balik wavelet untuk merekonstruksi sinyal asli.
B.4. Algoritma Pemrosesan
Pada tulisan ini, algoritma pelemahan noise didasarkan pada dekomposisi transformasi wavelet
diskrit yang dikombinasikan dengan transformasi wavelet kontinu. Pertama, dibuat dekomposisi
wavelet diskrit; mother wavelet yang digunakan adalah wavelet Haar level 5 (Chui 1992).
Wavelet Haar didefinisikan sebagai berikut,
1
1, 0 <
2

1
( )=
1, 2 < 1

0,
Setelah itu, kita gunakan suatu ambang untuk menghilangkan noise pada seismogram seismic.
Langkah berikutnya terdiri dari perhitungan transformasi wavelet kontinu dari lintasan denoised
yang diperoleh dari transformasi wavelet diskrit. Pada tahap ini, metode skala yang digunakan
untuk perhitungan CWT adalah sebagai berikut,
=

Dimana
= 2
= 1,2,3, ,
8

/log (2)

= interval sampel
= jumlah sampel pada seismogram
Seismik seismogram denoised terakhir adalah koefisien wavelet pada skala

= 2

Flowchart detil dari algoritma di atas adalah sebagai berikut,

Gambar 4. Flow chart denoising

B.5. Aplikasi Transformasi Wavelet Pada Data Sintetis

Teknik denoising yang diajukan disini selanjutnya akan digunakan pada seismiogram sintetis
dari model geologi yang ditunjukan oleh tabel berikut,

Gambar 5. Parameter Geologi dari model sintetis

Seismogram sintetis dibangkitkan dengan interval sampel 2 ms. Waktu rekaman penuh adalah
2.5 s. Gambar 6 menunjukkan seismiogram bernoise vs waktu dengan 200% white Gaussian
noise.

Gambar 6. Seismogram sintetis ber-noise

Dekomposisi wavelet diskret ditunjukkan oleh gambar berikut,

Gambar 7. Dekomposisi wavelet diskrit dari seismogram ber- noise

Seismik seismogram noise tereduksi ditunjukkan oleh gambar dibawah ini dengan nilai ambang
yang digunakan untuk mengeliminasi noise adalah 0.26 adalah

10

Gambar 8. Seismogram sintetis noise tereduksi menggunakan nilai ambang dari Transformasi Wavelet
Diskrit (TWD)

Tahap berikutnya adalah perhitungan koefisien wavelet, mother wavelet yang digunakan adalah
wavelet Mexican Hat.

Gambar 9. Wavelet Mexican Hat

Sementara itu, koefisien wavelet versus waktu dan skala ditunjukkan oleh gambar berikut ini,

11

Gambar 10. Koefisien Transformasi Wavelet Diskrit (TWD) dari seismogram sintetis stelah noise
tereduksi menggunakan TWD. Wavelet yang digunakan adalah jenis Mexican Hat.

Seismik sintetis seismogram dengan noise sudah tereduksi ditunjukkan oleh gambar berikut ini,

12

Gambar 11. a) Koefisien TWK pada skala a= 0.004 s. b) Analisis spektral dari noise residual
menggunakan Transformasi Fourier.

Dari gambar tersebut dapat dilihat bahwa teknik yang dijelaskan disini dapat melemahkan noise
acak dari sintetis seismogram. Dari gambar 11b menunjukkan bahwa residual noise memiliki
frekuensi tinggi dan rendah dimana merupakan karakteristik dari white Gaussian noise.
Spektrum fase mengandung interval penuh, yaitu [ , + ]. Pengalaman pengalamn numerik
didapatkan hubungan antara nilai ambang dan nilai rasio sinyalterhadap noise adalah sebagai
berikut,
Ambang=0.13x(S/N)/100.
Selain sukses mengeliminasi noise pada data seismic sintetis, metode ini juga sukses pada data
real, yaitu pada raw seismogram dari Vertical Zero Offset VSP (Vertical Seismic Profiling)
yang direkam di Algeria.
13

C. Time Frequency Domain

TFD melakukan sampel ambang median dengan cerdas di dalam subband frekuensi di domain
( , ). Setiap data set ditransformasi ke dalam domain ini dengan menggunakan Short Time
Fourier Transform (STFT). Pendekatan ini memisahkan komponen amplitude dan fase untuk
masing masing subband. Amlitudo spectral anomaly di dalam sebuah subband digantikan oleh
median dari sampel disekitarnya. Transformasi balik mengembalikan data steleh noise
dieliminasi ke dalam domain awal yaitu X T domain. Gambar berikut ini menunjukkan data
yang sudah dilakukan TWD dan TFD,

Gambar 12. a) raw Stack Section, b) Stelah filter TWD dan TFD. c) Selisih

D. Hybrid Gathers Technology

Hybrid gather sorting dapat digunkan di data seismic darat 3D, zona transisi dan OBC yang
memiliki geometri perpotongan antara source dan receiver (Thomas et al 2002). Gather tersebut
merupkan hasil dari sorting data pre stack kedalam domain hybrid cross spread dengan
lintasan yang dipilih dari sebuah garis grup receiver yang memotong garis source tunggal.
Gambar berikut menunjukkan formasi hybrid gather, cross-line tradisional, dan cross-line
hybrid.

Gambar 13. a) Hybrid - gather, b) line tradisional. c) Cross-line hybrid

14

Aliasing yang signifikan muncul pada cross line tradisional, sementara itu garis noise cukup
kuat juga muncul di cross line hybrid. Sekarag, noise ini dapat kita eliminasi menggunakan
filter 3D. Aspek 3D ini mendorong kita pada pengembangan filter filetr yang biasa digunakan
pada 3D untuk dapat digunakan juga 3D, misalnya filter FK dan Radon. Gambar berikut
menunjukkan perbandingan antara filter FK pada 2D dengan filter FK pada 3D.

Gambar 14. a)Spektrum Filter FK 2D, b) Filter FK 3D

Berikut ini gambar yang menunjukkan penampang shot gather sebelum dan sesudah
menggunakan Filter Radon Domain Hybrid 3D.

Gambar 15. Sebelum (kiri) dan sesudah (kanan) menggunakan filter radon domain hybrid 3D

Sementara itu, gambar dibawah ini menunjukkan penampang hasil migrasi tanpa menggunakan
Filter Radon Domain Hybrid 3D dan yang dengan menggunakan Filter Radon Domain Hybrid
3D.

15

Gambar 16. (Left) tanpa Filter Radon Doamin Hybrid 3D, (kanan) dengan Filter Radon Domain Hybrid
3D

E. Kesimpulan
Menggunakan beberapa filter dalam mengeliminasi noise sangat berguna dalam menghasilkan
penamang seismik yang berresolusi tinggi. Dalam tulisan ini, sudah dijelaskan beberapa tahapan
atau alur filter terhadap data seismik, yaitu Transformasi Wavelet, Time Frekuensi Domain,
dan Hybrid Gather Domain. Disini juga dijelaskan kebutuhak akan filter 3D diantaranya Filter
Radon 3D dan Filter FK 3D.
F. Daftar Pustaka
Ouadfeul, Sid - Ali, Aliouane, Leila. (2013): Random seismic noise attenuation data using the
discrete and the continuous wavelet transforms, Arab J Geosci, DOI
10.1007/s12517-013-1005-3
Stein A., Jaime, Langston, Tom.(2007): A review of some powerful noise elimination techniques
for Land Processing, Geotrace, EAGH 69th Conference and Exhibition
London UK 2007
Sajid, M., Ghos, Deva P., Satti, I.A. (2014): Comparatif Study Of New Signal Processing To
Improve S/N Ratio Of Seismic Data, J Petrol Explor Prod Technol, DOI
10.1007/s13202-013-0092-8

16