IGNATIUS FORZA YOGA GAUTAMA

13/347904/PA/15388

DENOISING DAN TAR

Dalam melakukan pemrosesan data seismik, salah satunya dilakukan

tahapan Pre- Processing. Tahap Pre-Processing terdiri dari beberapa langkah yakni
Denoising, TAR (True Amplitude Recovery), Surface Consistent Amplitudes dan
Deconvolution. Disini akan dibahas mengenai Denoising dan True Ampiltude
Recovery.

Denoising sendiri memiliki arti Reduksi Noise, yakni proses yang diupayakan
agar diperoleh hasil dengan S/N yang tinggi. Pekerjaan ini cukup menantang
terutama jika noise dan sinyal (dalam berbagai domain) tidak terpisahkan dengan
baik. Untuk melakukan proses Denoising ini, diperlukan beberapa tahap yakni Trace
Muting, Filtering, Spike & Noise Burst Edit, Surface Wave Noise, Attenuation, dan
Windowed Processing.

Trace muting adalah pengeditan yang dilakukan dengan cara

membuang/memotong bagian-bagian trace pada zona tertentu. Ada tiga jenis mute
yang biasa dilakukan yaitu : Top, Bottom dan Surgical Mute. Filtering dilakukan
untuk menjaga sinyal agar tetap utuh dan meredam noise. Jenis-jenis filter frekuensi
yaitu Low Pass, Band Pas, dan High Pass.Spike & Noise Burst Edit bertujuan untuk
mendeteksi dan mengedit spike (trace yang mempunyai nilai amplitudo yang lebih
kecil atau lebih besar dibandingkan dengan trace sekitarnya) dan beberapa noise
burst. Surface Wave Noise Attenuation, bertujuan untuk meredam noise gelombang
permukaan.

Gambar hasil sebelum (kiri) dan sesudah (kanan) dilakukan proses denoising

Curvelet Transform merupakan teknologi yang diklaim mampu memisahkan

coherent-random noise dari sinyal yang kita kehendaki, karena Transformasi
Curvelet akan memisahkan noise dari sinyal dalam dimensi frekuensi, dip, azimuth
dan lokasi. Karena kelebihannya ini Curvelet Transform dikenal dengan Transformasi
 IGNATIUS FORZA YOGA GAUTAMA
13/347904/PA/15388

multi dimensi yang tidak dimiliki oleh teknik konvensional seperti Median Filtering
dan FX-Decon. Curvelet Transform diadopsi oleh geoscientist dari Image Processing
dan Scientific Computing, dimana pada kedua bidang tersebut telah lama
diterapkan untuk berbagai keperluan diantaranya denoising.

Gambar Curvelet Transform pada data seismik, cube AI yang diterapkan pada noisy data
(kiri) dan AI yang diterapkan pada data setelah denoise dengan Curvelet Tranform (kanan)

Prinsip denoising dengan Curvelet Transform adalah sebagai berikut

melakukan FFT 2D pada data seismik (Stack atau CMP gather yang telah di NMO),
melakukan window-ing dari hasil pertama dengan Polar Grid (gambar di bawah)
dalam domain domain frekuensi dengan demikian diperoleh Curvelet Coefficient,
melakukan scalling (denoising) dari koefisien curvelet tersebut, melakukan inversi
untuk memperoleh kembali data seismik yang telah di-denoise.

Kemudian proses Pre Processing yang selanjutnya dilakukan adalah TAR (True
Amplitude Recovery) yakni untuk menghilangkan efek spherical divergence (karena
bentuk bumi) pada penampang seismik sehingga energi yang di dapat pada suatu
tempat dengan tempat yang lain adalah sama. TAR merupakan upaya untuk
memperoleh amplitudo gelombang seismik yang seharusnya dimiliki. Saat
perekaman, variasi amplitudo terjadi akibat geometrical spreading, atenuasi, variasi
jarak sumber-penerima dan noise.

Variasi amplitudo diatas terbagi menjadi empat kategori. Pertama, variasi

amplitude secara vertikal atau travel-time dependent. Variasi ini terjadi akibat
geometrical spreading dan atenuasi. Kedua, variasi lateral yang terjadi akibat:
geologi bawah permukaan, efek coupling sumber dan penerima, serta perbedaan
jarak sumber-penerima. Ketiga, variasi amplitude yang muncul karena noise.
Keempat, bad shots atau perekam yang mati/rusak.
 IGNATIUS FORZA YOGA GAUTAMA
13/347904/PA/15388

Gambar hasil sebelum (kiri) dan sesudah (kanan) dilakukan proses TAR
Referensi

Anonim. 2008. True Amplitude Recovery. Dari

http://ensiklopediseismik.blogspot.sg/2008 /09/true-amplitude-recovery-
tar.html , diakses pada 1 Mei 2016 pukul 09.00 WIB
Anonim. 2011. Curvelet Transform. Dari
http://ensiklopediseismik.blogspot.sg/2011/12 /curvelet-transform.html ,
diakses pada 1 Mei 2016 pukul 09.00 WIB