PENGOLAHAN DATA MAGNETOTELLURIK MENGGUNAKAN

METODA HILBERT – HUANG TRANSFORM

Marenda Dwi Jatmiko1)*, Warsa1)
1) Teknik Geofisika, Institut Teknologi Bandung, Jl. Ganesha 10, Bandung, Jawa Barat, Indonesia.
Email : mikogifans@gmail.com.

Abstrak
Magnetotellurik (MT) merupakan salah satu metoda geofisika pasif yang umum dan banyak digunakan dalam berbagai
kegiatan eksplorasi sumber daya alam. Dalam preakteknya, data hasil akuisisi MT sering terkontaminasi oleh noise
yang dapat berasal dari proses alami ataupun benda – benda lokal yang ada disekitar lokasi pengukuran. Noise yang
bercampur dengan sinyal utama MT akan membuat data MT menjadi random nonstasioner dan dapat menyebabkan
estimasi fungsi transfer menjadi bias, olehkarena itu diperlukan metoda khusus untuk mengolah data MT tersebut.
Dalam paper ini, pengolahan data MT dilakukan menggunakan metoda analisis sinyal nonstasioner berupa Hilbert –
Huang transform (HHT) dengan tujuan untuk mendapatkan kurva resistivitas semu dan fasa. Pengolahan data MT
dilakukan dengan mendekomposisi sinyal MT menjadi beberapa komponen IMF melalui metoda yang disebut
empirical mode decomposition (EMD). Selanjutnya, dilakukan analisa dan eliminasi baseline drift noise sebelum
dilakukan perhitungan nilai instantaneous spectrum (IS). Nilai IS dalam domain waktu–frekuensi yang telah diperoleh
tersebut akan digunakan untuk mengestimasi nilai fungsi transfer MT. Pengujian metoda HHT dilakukan pada dua
buah data sintetik, yaitu data yang bebas dari noise dan data yang telah ditambahkan noise 10% dan 20% serta pada
data real MT untuk mengetahui efektivitas metoda tersebut. Hasil uji metoda pada data – data tersebut menunjukkan
bahwa hasil estimasi fungsi transfer yang diperoleh melalui metoda HHT lebih stabil dibandingkan dengan metoda
FT. Metoda HHT mampu mengatasi permasalahan sifat nonstasionaritas dari data MT yang dapat menyebabkan hasil
estimasi menjadi bias.

Kata kunci : Data MT, Empirical mode decomposition, Estimasi fungsi transfer MT, Instantaneous spectrum.

1. Latar Belakang utama MT dan noise membuat data MT bersifat

MT merupakan metoda geofisika pasif yang
memanfaatkan medan elektromagnetik (EM) alami
bumi sebagai sumber energi untuk memetakan sebaran
konduktivitas batuan bawah permukaan (Simpson and
Bahr, 2005). Untuk memperoleh gambaran mengenai
sebaran konduktivitas batuan tersebut, data MT hasil
akuisisi perlu diolah terlebih dahulu. Estimasi
spektrum dan tensor impedansi sebagai fungsi
frekuensi merupakan tahapan yang sangat penting
dalam pengolahan data MT. Kebanyakan dari metoda
analisis yang telah ada saat ini, menggunakan
transformasi Fourier sebagai metoda dasar untuk
menentukan spektrum dan tensor impedansi.
Pendekatan ini berlaku jika data MT bersifat stasioner
sepanjang proses akuisisi. Namun, permasalahan
utama yang muncul adalah data MT dapat
mengandung komponen sinyal yang menyebabkan
asumsi di dalam pengolahan data MT menjadi tidak
berlaku. Sinyal elektromagnetik (medan listrik (𝐸)
dan medan magnet (𝐵)) yang diukur dan direkam di
permukaan bumi dapat dikontaminasi oleh noise yang
berasal dari sumber – sumber yang bersifat lokal
seperti area tambang, industri, pemancar TV, dan
saluran jaringan listrik (Szarka, 1987; Junge, 1996;
Trad and Travassos, 2000). Superposisi antara sinyal
random nonstasioner (Chant and Hastie, 1992) dan
dapat menyebabkan hasil estimasi tensor impedansi
menjadi bias.
Salah satu metoda yang dapat digunakan untuk
mengolah data MT adalah metoda Hilbert-Huang
transform (HHT). HHT merupakan metoda yang
pertama kali diperkenalkan oleh Huang et al. (1998)
sebagai metoda analisis sinyal nonlinier dan non
stasioner. Sebagai metoda pengolahan sinyal, metoda
ini telah banyak diaplikasikan terutama untuk
mereduksi pengaruh noise (Tang et al., 2007; Zhang et
al., 2010; Calif et al., 2013). Khusus pada bidang
geofisika, metoda HHT telah diaplikasikan pada data
seismik refleksi untuk meningkatkan kualitas data
(Battista et al., 2007). Selain itu, penerapan metoda
HHT pada data MT juga dapat digunakan untuk
menekan noise yang terkandung di dalam data, seperti
baseline drift, high frequency noise dan powerline
noise sebelum dilakukan estimasi fungsi transfer (Cai
et al., 2009; Cai, 2014). Dalam paper ini digunakan
data sintetik dan real MT sebagai media untuk
mengetahui apakah metoda HHT cocok digunakan
untuk mengolah data MT. selain itu, evaluasi juga
dilakukan dengan membandingkan hasil estimasi
fungsi transfer antara metoda HHT dan metoda FT.
2. Metoda Hilbert – Huang Transform
Hilbert – Huang transform merupakan metoda adaptif
yang digunakan untuk menganalisa sinyal nonlinear
dan non stasioner (Huang et al., 1998, 2003). Metoda
HHT menekankan pada dua aspek utama, yaitu
empirical mode decomposition (EMD) dan
instantaneous spectral analysis (ISA). EMD
digunakan untuk mendekomposisi sinyal kompleks
menjadi sinyal monocomponent zero mean atau lebih
dikenal dengan istilah instrinsic mode function (IMF).
Sementara ISA digunakan untuk mendapatkan
instantaneous spectrum.
2.1 Empirical Mode Decomposition (EMD)
Long at al. (1995) di dalam Huang et al. (1998)
menyatakan bahwa suatu sinyal, pada interval waktu
tertentu, dapat memiliki lebih dari satu mode osilasi
sehingga transformasi Hilbert tidak dapat memberikan
deskripsi secara menyeluruh terkait kandungan
frekuensi yang ada di dalam sinyal tersebut. Untuk
Gambar 1. Diagram alir proses empirical mode decomposition (EMD)
2.2 Instantaneous Spectral Anlysis (ISA)
Data analitik dapat diperoleh dengan melakukan
transformasi Hilbert pada setiap komponen IMF
(Huang et al., 1998). Untuk setiap komponen IMF
𝐶𝑗 (𝑡), transformasi Hilbert dapat dinyatakan dengan
persamaan :
1 𝐶𝑗 (𝑡 ′ ) ′
𝑦𝑗 (𝑡) = 𝑝 ∫ 𝑑𝑡 (1)
𝜋 𝑡 − 𝑡′
mendapatkan representasi time–frekuensi dari suatu
sinyal nonstasioner diperlukan proses dekomposisi
sinyal menjadi komponen – komponen IMF. Suatu
sinyal dapat dikatakan sebagai intrinsic mode function
(IMF) jika memenuhi dua kriteria berikut (Huang et
al., 1998) :
 Jumlah titik extrema (maxima dan minima) dan
jumlah zero crossings harus sama atau berbeda
paling tidak satu
 Nilai rata – rata upper envelope dan lower
envelope, di setiap titik, harus sama dengan nol
Berbeda dengan metoda sebelumnya, metoda EMD
bersifat intuitif, langsung, dan adaptif. Proses
dekomposisi yang dilakukan didasarkan pada asumsi
bahwa setiap sinyal terdiri dari beragam mode osilasi
intrinsik sederhana. Langkah – langkah untuk
melakukan dekomposisi dapat dilihat pada gambar di
bawah ini.
Kemudian sinyal analitik dari 𝐶𝑗 (𝑡) adalah 𝑍𝑗 (𝑡), yang
dinyatakan dalam bentuk bilangan real dan imajiner
𝑍𝑗 (𝑡) = 𝐶𝑗 (𝑡) + 𝑖𝑦𝑗 (𝑡) (2)
atau 𝑍𝑗 (𝑡) dapat juga dinyatakan dalam bentuk
𝑍𝑗 (𝑡) = 𝑎𝑗 (𝑡)𝑒 𝑖𝜃𝑗(𝑡) (3)
dimana

𝑎𝑗 (𝑡) = √𝐶𝑗2 (𝑡) + 𝑦𝑗2 (𝑡) (4)

dan

𝑦𝑗 (𝑡)
𝜃𝑗 (𝑡) = 𝑎𝑟𝑐𝑡𝑔 ( ) (5)
𝐶𝑗 (𝑡)

Instantaneous frequency (IF) dapat dinyatakan dengan

persamaan berikut

𝑑
𝜔𝑗 (𝑡) = 𝜃 (𝑡) (6)
𝑑𝑡 𝑗

Persamaan di atas menunjukkan bahwa IF juga

merupakan fungsi waktu. Dengan melakukan
transformasi Hilbert pada setiap komponen IMF 𝐶𝑗 (𝑡),
Hilbert spectrum dari setiap 𝑗𝑡ℎ IMF dapat dinyatakan
dalam bentuk
𝐻𝑗 (𝜔, 𝑡) = 𝑅𝑒 [𝑎𝑗 (𝑡)𝑒𝑥𝑝 (𝑖 ∫ 𝜔𝑗 (𝑡) 𝑑𝑡)] (7)
dimana 𝑎𝑗 (𝑡) adalah instantaneous amplitude (IA)
yang terkait dengan 𝑗𝑡ℎ IMF
Pada dasarnya IF dapat dihitung secara langsung
dengan melakukan HT pada setiap komponen IMF,
namun untuk mendapatkan hasil yang lebih akurat
diperlukan proses normalisasi komponen IMF. Hal ini
karena, meskipun komponen IMF hasil dekomposisi
adalah sinyal monocomponent zero mean, namun pada
komponen IMF tersebut masih terdapat komponen
AM (amplitude modulation) dan FM (frequency
modulation) yang dapat menyebabkan hasil estimasi
IF menjadi kurang akurat (Huang et al., 2009). Untuk
mengatasi permasalahan tersebut perlu dilakukan
normalisasi komponen IMF menggunakan metoda
yang disebut empirical AM and FM demodulation
(Huang et al., 2009). Normalisasi tersebut dilakukan
untuk memisahkan AM dan FM. Selanjutnya dari FM
yang diperoleh, dihitung nilai IF dengan pendekatan
metoda direct quadrature. Langkah – langkah untuk
melakukan normalisasi dapat dilihat pada gambar di
bawah ini
Gambar 2. Diagram alir proses normalisasi
komponen IMF
3. Estimasi Tensor Impedansi MT
Dalam domain frekuensi, hubungan antara komponen
horizontal medan listrik (𝐸𝑥 dan 𝐸𝑦 ) dan medan
magnet (𝐵𝑥 dan 𝐵𝑦 ) dapat dinyatakan dalam tensor
impedansi, 𝑍 (Vozoff, 1972) :
𝐸𝑥 (𝜔) 1 𝑍𝑥𝑥 (𝜔) 𝑍𝑥𝑦 (𝜔) 𝐵𝑥 (𝜔)
[ ]= [ ][ ] (8)
𝐸𝑦 (𝜔) 𝜇0 𝑍𝑦𝑥 (𝜔) 𝑍𝑦𝑦 (𝜔) 𝐵𝑦 (𝜔)
Sebagai tensor, impedansi 𝑍 mengandung informasi
mengenai arah dan dimensi. Pada kasus bumi 1D,
dimana konduktivitas hanya bervariasi terhadap
kedalaman, elemen diagonal 𝑍𝑥𝑥 dan 𝑍𝑦𝑦 bernilai nol,
sementara komponen diagonal lainnya memiliki
besaran nilai yang sama namun berlawan tanda :
𝑍𝑥𝑥 = 𝑍𝑦𝑦 = 0
} 1𝐷 (9)
𝑍𝑥𝑦 = −𝑍𝑦𝑥
Pada kasus bumi 2D, dimana konduktivitas bervariasi
pada satu arah horizontal dan juga terhadap
kedalaman, berlaku :
𝑍𝑥𝑥 = −𝑍𝑦𝑦
} 2𝐷 (10)
𝑍𝑥𝑦 ≠ 𝑍𝑦𝑥
Untuk mendapatkan estimasi tensor impedansi melalui
parameter instantaneous spectrum, persamaan 8
dalam domain frekuensi tidak dapat digunakan.
Berdichevsky (1973) memperkenalkan suatu metoda
untuk menghitung tensor impedansi dalam domain
time – frequency melalui persamaan :
 𝑁 𝑁
∗ ∗
∑ 𝐸𝑥𝑓 (𝑡𝑛 )𝐵𝑦𝑓 (𝑡𝑛 ) ∑ 𝐵𝑥𝑓 (𝑡𝑛 )𝐵𝑦𝑓 (𝑡𝑛 )
𝑛=0 1 𝑍𝑥𝑥 (𝜔) 𝑍𝑥𝑦 (𝜔) 𝑛=0
= [ ] (11)
𝑁
𝜇0 𝑍𝑦𝑥 (𝜔) 𝑍𝑦𝑦 (𝜔) 𝑁
∗ ∗
∑ 𝐸𝑦𝑓 (𝑡𝑛 )𝐵𝑦𝑓 (𝑡𝑛 ) ∑ 𝐵𝑦𝑓 (𝑡𝑛 )𝐵𝑦𝑓 (𝑡𝑛 )
[𝑛=0 ] [𝑛=0 ]
dan
𝑁 𝑁
∗ ∗
∑ 𝐸𝑥𝑓 (𝑡𝑛 )𝐵𝑥𝑓 (𝑡𝑛 ) ∑ 𝐵𝑥𝑓 (𝑡𝑛 )𝐵𝑥𝑓 (𝑡𝑛 )
𝑛=0 1 𝑍𝑥𝑥 (𝜔) 𝑍𝑥𝑦 (𝜔) 𝑛=0
= [ ] (12)
𝑁
𝜇0 𝑍𝑦𝑥 (𝜔) 𝑍𝑦𝑦 (𝜔) 𝑁
∗ ∗
∑ 𝐸𝑦𝑓 (𝑡𝑛 )𝐵𝑥𝑓 (𝑡𝑛 ) ∑ 𝐵𝑦𝑓 (𝑡𝑛 )𝐵𝑥𝑓 (𝑡𝑛 )
[𝑛=0 ] [𝑛=0 ]

dimana 𝐸𝑥𝑓 (𝑡), 𝐸𝑦𝑓 (𝑡), 𝐵𝑥𝑓 (𝑡) dan 𝐵𝑦𝑓 (𝑡) adalah nilai complex conjugate dan jumlah data pada domain
transien dari sinyal kompleks yang berhubungan waktu. Berdasarkan persamaan 11 dan 12, komponen
dengan frekuensi 𝜔0 , sementara * dan 𝑁 adalah tensor impedansi 𝑍 dapat dihitung menggunakan
persamaan berikut:

∑𝑁 ∗ 𝑁 ∗ 𝑁 ∗ 𝑁
𝑛=0 𝑁𝑌 ∑𝑛=0 𝑋𝑋 − ∑𝑛=0 𝑁𝑋 ∑𝑛=0 𝑋𝑌
∗
𝑍𝑥𝑦 = (13)
∑𝑁 ∗ 𝑁 ∗ 𝑁 ∗ 𝑁
𝑛=0 𝑋𝑋 ∑𝑛=0 𝑌𝑌 − ∑𝑛=0 𝑋𝑌 ∑𝑛=0 𝑌𝑋
∗

∑𝑁 ∗ 𝑁 ∗ 𝑁 ∗ 𝑁
𝑛=0 𝐸𝑋 ∑𝑛=0 𝑌𝑌 − ∑𝑛=0 𝐸𝑌 ∑𝑛=0 𝑌𝑋
∗
𝑍𝑦𝑥 = 𝑁 𝑁 𝑁 𝑁
(14)
∑𝑛=0 𝑋𝑋 ∑𝑛=0 𝑌𝑌 − ∑𝑛=0 𝑋𝑌 ∑𝑛=0 𝑌𝑋 ∗
∗ ∗ ∗

dimana, komponen horizontal medan listrik (𝐸) dan medan

𝑋 = 𝐵𝑥𝑓 (𝑡𝑛 ) magnet (𝐵), dalam persamaan 9.
𝑌 = 𝐵𝑦𝑓 (𝑡𝑛 )
𝑁 = 𝐸𝑥𝑓 (𝑡𝑛 )
𝐸 = 𝐸𝑦𝑓 (𝑡𝑛 )

4. Penerapan Metoda pada Data Sintetik MT

pada kasus ini, data simulasi tanpa noise serta data
simulasi yang telah ditambahkan noise (10% dan 20%)
digunakan sebagai media untuk menguji metoda HHT.
Pengujian tersebut dilakukan pada data simulasi yang
telah diketahui nilai parameter impedansinya, 𝑍. Hal
ini berfungsi sebagai validator untuk mengetahui
seberapa efektif metoda HHT dapat digunakan untuk
mengestimasi fungsi transfer MT.
Gambar 3. Model bumi berlapis horizontal yang
Prosedur yang dilakukan untuk menghasilkan data
dugunakan untuk memperoleh data
time series MT dengan parameter impedansi, 𝑍, yang
sintetik MT
telah diketahui terbagi ke dalam dua tahapan. Pertama,
digunakan 4 model bumi berlapis horizontal 1D
Data medan magnet yang digunakan untuk
(gambar 3) untuk mendapatkan nilai tensor impedansi,
merekonstruksi data sintetik medan listrik merupakan
resistivitas semu dan fasa melalui proses pemodelan
data real MT yang diambil dari Southern African
kedepan MT 1D berdasarkan persamaan rekursif yang
Magnetotelluric Experiment (SAMTEX) Project.
menghubungkan impedansi antara dua lapisan yang
SAMTEX Project merupakan eksperimen MT skala
berurutan (Grandis, 1999). Kedua, dipilih komponen
regional terbesar, yang terdiri atas data - data MT di
medan magnet (𝐵𝑥 dan 𝐵𝑦 ) dari salah satu lokasi
lebih dari 730 lokasi berbeda di wilayah seluas lebih
pengukuran data MT (kap106) untuk merekonstruksi dari satu juta kilometre persegi (Jones et al., 2009).
data sintetik medan listrik (𝐸𝑥 dan 𝐸𝑦 ) berdasarkan Dalam kasus ini, data yang digunakan diambil dari
hubungan antara tensor impedansi (𝑍) dengan
salah satu lokasi pengukuran dengan kode KAP106
yang direkam pada koordinat latitude -31,67 dan
longitude 20,92 selama 1 bulan, dari tanggal 2 Oktober
2004 sampai 2 November 2004. Komponen data yang
Gambar 4. Diagram alir pembuatan data time series sintetik MT
Proses estimasi fungsi transfer MT (resistivitas semu
dan fasa) dilakukan melalui beberapa tahapan.
Pertama, dilakukan proses dekomposisi sinyal MT.
Kedua, dilakukan analisa komponen IMF, mulai dari
orde rendah sampai orde tinggi. Ketiga, dilakukan
proses noise suppression untuk menghilangkan noise
yang di akibatkan oleh wind-driven inteference atau
Gambar 5. Diagram alir estimasi fungsi transfer MT
Berkaitan dengan karakter dari setiap komponen IMF
yang hanya memiliki satu komponen frekuensi yang
spesifik untuk setiap sampel waktu dan umumnya
komponen IMF bervariasi terhadap waktu, maka
untuk dapat menggunakan persamaan 13 dan 14,
parameter instantaneous spectrum harus dimodifikasi.
Instantaneous spectrum yang merupakan distribusi
rapat amplitude dalam domain waktu dan frekuensi
harus diganti dengan sinyal kompleks yang terdiri dari
komponen real dan imaginer. Kemudian sumbu-y
(frequency axis) dari instantaneous spectrum dibagi
kedalam 21 jendela frekuensi yang berbeda dan
frekuensi tengah dari setiap jendela frekuensi tersebut
digunakan adalah medan magnet 𝐵𝑥 dan 𝐵𝑦 dengan
total 8192 titik sampel dan frekuensi sampling 0.2 Hz.
Berikut ini adalah diagram alir yang menunjukkan
proses pembuatan data time series MT.
baseline drift dengan hard threshold filter, sementara
noise yang ada pada komponen IMF orde rendah dapat
ditekan menggunakan moving average filter.
Keempat, dihitung nilai instantaneous spectrum.
Terakhir, dilakukan estimasi tensor impedansi
berdasarkan nilai parameter instantaneous spectrum
dengan menggunakan persamaan 13 dan 14.
dijadikan sebagai frekuensi evaluasi (𝜔0 ), dimana
nilai fungsi transfer MT nantinya akan dihitung. Untuk
setiap sampel waktu, dilakukan pemetaan dan
penjumlahan komponen sinyal kompleks yang terletak
pada jendela frekuensi yang sama. Sinyal kompleks
yang digunakan untuk menghitung fungsi transfer MT
adalah sinyal yang nilainya ada dalam seluruh
komponen medan (𝐵 dan 𝐸) secara simultan. Ilustrasi
tentang bagaimana frekuensi evaluasi (𝜔0 ) dipilih dari
instantaneous sperctrum dan digunakan untuk
menghitung fungsi transfer MT dapat dilihat pada
gambar di bawah ini.
Frekuensi
evaluasi (𝜔0 )
8.8×10-3 Hz
Gambar 6. Ilustrasi bagaimana frekuensi evaluasi (𝜔0 ) yang akan digunakan untuk menghitung fungsi transfer MT,
diperoleh dari instantaneous spectrum
4.1 Data Simulasi (free noise)
Semua data simulasi yang digunakan untuk menguji
metoda HHT memiki periode 40960 s, periode
sampling 5 s, frekuensi maksimum 0,1 Hz dan
frekuensi minimum 2,44×10-5 Hz. Hasil analisa
spektrum frekuensi pada masing-masing komponen
IMF hasil dekomposisi (gambar 7) menunjukkan
bahwa komponen IMF orde rendah (1-4) umumnya
didominasi oleh kandungan frekuensi tinggi,
sementara komponen IMF orde tinggi (5-8)
didominasi oleh kandungan frekuensi rendah. Dalam
domain waktu, sinyal yang dipengaruhi oleh baseline
(a)
Window ke-1
Window ke-n
drift noise memiliki karakter periode yang panjang.
Baseline drift noise pada komponen medan magnet
(𝐵𝑥 ) yang ditunjukkan oleh gambar 7, tampak pada
komponen IMF orde tinggi (di atas 7). Eliminasi
baseline drift pada sinyal dilakukan menggunakan
hard threshold filter. Pada kasus ini, komponen IMF
yang diinterpretasikan sebagai baseline drift noise dan
harus dieliminasi, bervariasi untuk setiap data sintetik
MT. Hal ini dikarenakan setiap sinyal memiliki
karakter yang berbeda – beda, namun secara umum
noise tersebut tampak pada komponen IMF orde tinggi
(di atas 7).
 (b)

Gambar 7. Hasil dekomposisi dan analisis spektrum frekuensi salah satu komponen medan (𝐵𝑥 ). (a) Komponen
IMF hasil dekomposisi, (b) spectrum frekuensi masing – masing komponen IMF
Gambar 8 merupakan nilai resistivitas semu hasil
estimasi untuk kasus data simulasi model 1 dan model
2, dimana masing – masing merepresentasikan model
geologi bumi homogen half space yang resistif (1000
Ωm) dan konduktif (1 Ωm). Secara kualitatif, dapat
dinyatakan bahwa metoda HHT dan FT telah
memberikan hasil estimasi nilai resistivitas semu
dengan cukup baik. Hal ini terlihat pada pola kurva
resistivitas semu hasil estimasi yang relatif sama,
dimana kedua kurva tersebut memperlihatkan trend
nilai estimasi resistivitas semu yang bervariasi
disekitar nilai 1000 Ωm dan 1 Ωm. Secara kuantitatif,
hasil estimasi metoda HHT sedikit lebih baik
dibandingkan dengan metoda konvensional FT. Nilai
rata – rata resistivitas semu yang dihasilkan melalui
metoda HHT, untuk kasus model 1 (𝜌𝑥𝑦 =
1043,7 Ω𝑚 dan 𝜌𝑦𝑥 = 932,37 Ω𝑚) dan model 2
(a)
(c)
Gambar 8. Kurva resistivitas semu hasil estimasi menggunakan metoda FT (merah) dan HHT (biru). (a) model 1
dalam TE mode, (b) model 1 dalam TM mode, (c) model 2 dalam TE mode dan (d) model 2 dalam TM
mode.
Gambar 9 merupakan kurva resistivitas semu hasil
estimasi untuk kasus data simulasi model 3 dan 4,
dimana model 3 merepresentasikan model geologi
bumi dua lapisan dengan lapisan resistif berada diatas
lapisan konduktif dan model 4 merepresentasikan
model geologi bumi dengan lapisan konduktif berada
diatas lapisan resistif. Dari keseluruhan hasil uji kedua
metoda pada 4 model data simulasi, estimasi fungsi
(𝜌𝑥𝑦 = 1,025 Ω𝑚 dan 𝜌𝑦𝑥 = 0,932 Ω𝑚), lebih stabil
dibandingkan dengan hasil metoda standar FT (model
1, 𝜌𝑥𝑦 = 919,09 Ω𝑚 dan 𝜌𝑦𝑥 = 907,72 Ω𝑚; model
2, 𝜌𝑥𝑦 = 0,919 Ω𝑚 dan 𝜌𝑦𝑥 = 0,907 Ω𝑚 ) yang
cenderung sedikit mengalami shifting ke bawah dari
kurva model yang digunakan. Selain itu, misfit relatif
kurva resistivitas semu model 1 yang dihasilkan
melalui metoda HHT juga lebih kecil (𝜌𝑥𝑦 = 10,36 %
dan 𝜌𝑦𝑥 = 10,85 %) dibandingkan dengan metoda
FT (𝜌𝑥𝑦 = 15,34 % dan 𝜌𝑥𝑦 = 21,6 %). Sama halnya
untuk model 2, misfit relatif kurva resistivitas semu
yang dihasilkan melalui metoda HHT jauh lebih kecil
(𝜌𝑥𝑦 = 8,87 % dan 𝜌𝑥𝑦 = 10,82 %) dibandingkan
dengan metoda FT (𝜌𝑥𝑦 = 15,34 % dan 𝜌𝑥𝑦 =
21,6 %).
(b)
(d)
transfer MT melalui metoda HHT menunjukkan hasil
yang lebih stabil jika dibandingkan dengan metoda
standar FT. Hal ini dikarenakan metoda HHT dapat
mengkarakterisasi sinyal MT yang bersifat non-
stasionar. Persentase misfit relatif hasil estimasi fungsi
transfer MT dari kedua metoda, HHT dan standar FT,
dapat dilihat pada tabel 1.
 (a) (b)

(c) (d)

Gambar 9. Kurva resistivitas semu hasil estimasi menggunakan metoda FT (merah) dan HHT (biru). (a) model 3
dalam TE mode, (b) model 3 dalam TM mode, (c) model 4 dalam TE mode dan (d) model 4 dalam TM
mode.

Tabel 1. Persentase misfit hasil estimasi fungsi transfer MT untuk kasus data simulasi tanpa noise
Misfit relatif (%)
Parameter Mode Metoda HHT Metoda FT
TE 10.36 15.34
Resistivitas semu
TM 10.85 21.6
Model 1
TE 14.03 10,92
Fasa
TM 1.52 1.94
TE 8.87 15.34
Resistivitas semu
TM 10.82 21.6
Model 2
TE 13.64 10.92
Fasa
TM 1.52 1.94
TE 14.7 17.33
Resistivitas semu
TM 14.53 22.78
Model 3
TE 11.14 11.23
Fasa
TM 1.7 2.6
TE 10.6 6.89
Resistivitas semu
TM 12.3 7.51
Model 4
TE 20.71 18.23
Fasa
TM 1.38 0.87
4.2 Data simulasi (noisy)
Penerapan metoda HHT dan FT pada data simulasi
yang telah ditambahkan noise dimaksudkan untuk
mengetahui pengaruh noise pada hasil estimasi fungsi
transfer MT. Secara teori, terdapat dua macam noise
yang bersuperposisi dengan sinyal utama MT, yaitu
coherent noise dan incoherent noise. Berdasarkan
hasil yang diperoleh, estimasi fungsi transfer dari
kedua metoda, HHT dan FT, sama – sama terpengaruh
oleh noise. Hal tersebut dapat dilihat dari kurva
resistivitas semu yang mengalami shifting. Pada kasus
ini, setelah dilakukan uji koherensi noise pada
komponen medan (𝐸 dan 𝐵), diketahui bahwa noise
yang ditambahkan merupakan coherent noise. Hal ini
secara tidak langsung akan menyebabkan hasil
estimasi resistivitas semu menjadi bias.
(a)
(c)
Gambar 10. Kurva resistivitas semu (TE mode) hasil estimasi menggunakan metoda FT (merah) dan HHT (biru).
(a) model 1 untuk kasus noise 10%, (b) model 1 untuk kasus noise 20%, (c) model 2 untuk kasus noise
10% dan (d) model 2 untuk kasus noise 20%
Berkaitan dengan persentase besarnya incoherent
noise yang ada pada sinyal utama MT, kurva fasa tidak
mengalami perubahan seperti halnya kurva resistivitas
semu. Hal ini dapat kita lihat pada gambar 11 dan 12,
yang merupakan perbandingan kurva fasa antara noise
Pada kasus ini, persentase correlated noise yang ada
pada sinyal MT mempengaruhi besarnya shifting yang
terjadi pada kurva resistivitas semu. Hal ini dapat
dilihat dari gambar 10, yang merupakan perbandingan
hasil estimasi kurva resistivitas semu antara noise 10%
dan 20% untuk model 1 dan model 2. Jika
dibandingkan, pada kasus data simulasi yang bebas
dari noise, perhitungan power spectrum antara
komponen medan listrik dan medan magnet tidak
dipengaruhi oleh noise. Sementara pada kasus data
simulasi yang telah ditambahkan noise, perhitungan
power spectrum antara komponen medan listrik dan
medan magnet sangat dipengaruhi oleh besarnya
komponen noise. Correlated noise yang terkandung
pada dua komponen medan tersebut akan
melipatgandakan hasil perhitung power spectrum,
sehingga menyebabkan estimasi kurva resitivitas semu
menjadi bias.
(b)
(d)
10% dengan noise 20% untuk model 3 dan model 4.
Hasil menunjukkan bahwa kurva fasa tidak
mengalami perubahan, baik pada model 3 maupun
model 4, dimana misfit relatif kurva fasa untuk model
3 sama antara noise 10% dan 20% (𝜙𝑦𝑥 𝐹𝑇 = 2,589%
dan 𝜙𝑦𝑥 𝐻𝐻𝑇 = 1,714%). Hal yang sama juga
ditunjukka oleh model 4, dimana misfit relatifnya
sama antara noise 10% dan 20% (𝜙𝑦𝑥 𝐹𝑇 = 0,877%
dan 𝜙𝑦𝑥 𝐻𝐻𝑇 = 1,383%). Berdasarkan hasil estimasi
fungsi transfer MT secara keseluruhan pada data
simulasi yang telah ditambahkan noise sebesar 10 %
dan 20 %, metoda HHT tetap memperlihatkan hasil
yang lebih stabil dibandingkan dengan metoda FT,
dimana hal tersebut dapat dilihat pada tabel 2.

(a) (b)

(c) (d)

Gambar 11. Kurva fasa (TM mode) hasil estimasi menggunakan metoda FT (merah) dan HHT (biru). (a) model 3
untuk kasus noise 10%, (b) model 3 untuk kasus noise 20%, (c) model 4 untuk kasus noise 10% dan
(d) model 4 untuk kasus noise 20%

(a) (b)
 (c) (d)

Gambar 12. Kurva fasa (TE mode) hasil estimasi menggunakan metoda FT (merah) dan HHT (biru). (a) model 3
untuk kasus noise 10%, (b) model 3 untuk kasus noise 20%, (c) model 4 untuk kasus noise 10% dan
(d) model 4 untuk kasus noise 20%

Tabel 2. Persentase misfit hasil estimasi fungsi transfer MT untuk kasus data simulasi tanpa noise
Misfit relatif (%)
Noise 10 % Noise 20 %
Parameter Mode Model
HHT FT HHT FT
TE 38,54 45,83 76,96 79,71
Resistivitas semu
TM 52,94 49,93 19,06 28,17
1
TE 14,03 10,92 14,03 10,92
Fasa
TM 1,52 1,94 1,52 1,94
TE 10,43 17,65 37,41 25,23
Resistivitas semu
TM 20,91 29,54 34,61 40,06
2
TE 13,64 10,92 13,64 10,92
Fasa
TM 1,52 1,94 1,52 1,94
TE 15,11 17,43 117,7 114,14
Resistivitas semu
TM 14,81 31,14 17,4 33,23
3
TE 11,14 11,23 11,14 11,23
Fasa
TM 1,71 2,59 1,71 2,59
TE 50,54 57,27 82,66 85,02
Resistivitas semu
TM 18,42 12,88 5,42 12,14
4
TE 20,71 18,23 20,71 18,23
Fasa
TM 1,38 0,88 1,38 0,88

5. Penerapan Metoda pada Data Real MT
Setelah diketahui bahwa hasil uji metoda HHT pada
data sintetik MT menunjukkan hasil yang cukup baik,
maka tahap selanjutnya adalah menerapkan metoda
HHT pada data real MT. Data yang digunakan adalah
data dari salah satu lokasi pengukuran SAMTEX
Project dengan kode KAP103 (Jones et al., 2009).
Data tersebut direkam pada koordinat latitude -32,14
dan longitude 20,47 dari tanggal 8 November 2003
sampai 5 Desember 2003. Data yang akan diolah
terdiri dari 4 komponen medan (𝐵𝑥 , 𝐵𝑦 , 𝐸𝑥 dan 𝐸𝑦 )
dengan lebar data ≈ 182 jam (gambar 13).
Sebelum dilakukan proses dekomposis menggunakan
EMD, data terlebih dahulu dibagi ke dalam 16 segmen
data dengan lebar masing – masing segmen ≈ 11,37
jam. Selanjutnya dilakukan perhitungan instantaneous
spectrum dari komponen – komponen IMF yang telah
diperoleh sebelumnya. Instantaneous spectrum dari
masing masing segmen kemudian dibagi ke dalam 20
frekuensi evaluasi untuk menghitung tensor impedansi
MT. Untuk mendapatkan estimasi kurva resistivitas
semu dan fasa, seluruh hasil estimasi tensor impedansi
MT dari 16 segmen data dirata –ratakan. Seluruh hasil
estimasi dapat dilihat pada gambar 14.
 (a) (b)

(c) (d)

Gambar 13. Data real MT. (a) Komponen medan magnet 𝐵𝑥 (nT), (b) komponen medan magnet 𝐵𝑦 (nT),
(c) komponen medan listrik 𝐸𝑥 (mV/km) dan (d) komponen medan listrik 𝐸𝑦 (mV/km)

Gambar 14. Kurva resistivitas semu dan fasa hasil estimasi metoda FT (merah) dan HHT (biru). (a) Kurva
resistivitas semu mode TE, (b) Kurva resistivitas semu mode TM, (c) Kurva fasa mode TE dan (d)
Kurva fasa mode TM
Pada frekuensi tinggi, baik kurva resistivitas semu dan
fasa dari kedua metoda menunjukkan bentuk dan pola
yang sama, sementara pada frekuensi rendah, kurva
estimasi melalui metoda FT cenderung menyimpang
jika dibandingkan dengan hasil estimasi melalui
metoda HHT. Pada umumnya, penyimpangan kurva
yang terjadi pada frekuensi rendah dapat disebabkan
oleh hadirnya wind drift noise atau baseline noise pada
sinyal MT. Pada kasus ini, melalui metoda HHT, noise
tersebut dapat dihilangkan sehingga tidak akan
mempengaruhi hasil estimasi, sementara kurva
estimasi yang diperoleh melalui metoda FT masih
dipengaruhi oleh noise tersebut. Hal tersebut terlihat
dari nilai resistivitas semu pada frekuensi rendah yang
diperoleh dari metoda FT mencapai angka 97,08 Ωm
untuk mode TE dan 25,37 Ωm untuk mode TM,
sementara nilai resistivitas semu yang diperoleh
melalui metoda HHT jauh lebih rendah yaitu 6,37 Ωm
dan 1,6 Ωm. Selain itu, kurva resistivitas semu dan
fasa yang dihasilkan melalui metoda HHT terlihat
lebih stabil, sementara hasil estimasi metoda FT lebih
bervariasi. Hal ini terlihat dari nilai standar deviasi
dari kurva resistivitas semu untuk metoda FT yang
mencapai 20,82 (TE mode) dan 5,38 (TM mode),
sementara nilai standar deviasi dari kurva resistivitas
semu untuk metoda HHT jauh lebih kecil yaitu 0,6 dan
1,3. Menurut Weidelt (1972) fungsi transfer MT akan
bervariasi secara perlahan terhadap frekuensi atau
periode, dan olehkarena itu jika terdapat perubahan
yang cukup besar di dalam fungsi transfer MT antara
satu frekuensi dengan frekuensi yang lainnya, maka
dapat dinyatakan bahwa hasil estimasi masih belum
akurat. Berdasarkan hal tersebut, secara keseluruhan,
dapat dikatakan bahwa hasil estimasi fungsi transfer
melalui metoda HHT lebih baik dibandingkan dengan
metoda FT.
6. Kesimpulan
Berdasarkan hasil yang telah diperolah, metoda HHT
dapat dijadikan sebagai metoda alternatif untuk
mengolah data MT. Metoda ini dapat digunakan untuk
mendekomposisi sinyal MT menjadi sinyal – sinyal
monokomponen yang memungkinkan kita untuk
menganalisa serta mengeliminasi noise yang ada pada
sinyal MT secara lebih mudah. Selain itu, metoda ini
memiliki keunggulan dalam mengkarakterisasi sinyal
MT yang bersifat nonstasioner, jika dibandingkan
dengan metoda FT.
Daftar Pustaka
Battista, B. M., Knapp, C., McGee, T. and Goebel, V.
(2007) : Application of the empirical mode
decomposition and Hilbert – Huang transform to
seismic reflection data, Geophysics, 72, 29 – 37.
Berdichevsky, M. N. (1973) : Magnetotelluric
sounding with applications to mathematical filters,
Physics Earth, 3, 76 – 92.
Cai, J. H. (2014): A combinatorial filtering method for
magnetotelluric time-series based on Hilbert –
Huang transform, Exploration Geophysics, 45, 63
– 73.
Cai, J. H., Tang, J. T., Hua, X. R. and Gong, Y. R.
(2009): An analysis method for magnetotelluric
data based on the Hilbert-Huang Transform,
Exploration Geophysics, 40, 197 – 205.
Calif, R., Schmitt, F. G. and Huang, Y. (2013) :
Multifractal description of wind power fluctuations
using arbitrary order Hilbert spectral analysis,
Physica A: Statistical Mechanics and its
Applications, 392, 4106 – 4120.
Chant, I. J. and Hastie, L. M. (1992): Time–frequency
analysis of magnetotelluric data, Geophysical
Journal International, 111, 399 – 413
Grandis, H. (1999): An alternative algorithm for one-
dimensional magnetotelluric response calculation,
Computers and Geosciences, 25, 119 – 125.
Huang, N. E., Wu, M.-L. C., Long, S. R., Shen, S. S.
P., Qu, W., Gloersen, P. and Fan, K. L. (2003): A
confidence limit for the empirical mode
decomposition and Hilbert spectral analysis,
Proceedings of the Royal Society A: Mathematical,
Physical and Engineering Sciences, 459, 2317 –
2345.
Huang, N. E., Wu, Z., Long, S. R., Arnold, K. C.,
Chen, X. and Blank, K. (2009) : On instantaneous
frequency, Advances in Adaptive Data Analysis, 1,
177 – 229.
Huang, N. E., Shen, Z., Long, S., Wu, M., Shih, H.,
Zheng, Q., Yen, N., Tung, C. and Liu, H. (1998):
The empirical mode decomposition and the Hilbert
spectrum for nonlinear and non-stationary time
series analysis, Proceedings of the Royal Society A:
Mathematical, Physical and Engineering Sciences,
454, 903 – 995.
Jones, A. G., Evans, R. L., Muller, M. R., Hamilton,
M. P., Miensopust, M. P., Garcia, X., Cole, P.,
Ngwisanyi, T., Hutchins, D., Fourie, C. J. S.,
Jelsma, H., Evans, S., Aravanis, T., Petit, W.,
Webb, S., Wasborg, J. dan SAMTEX Team.
(2009b), Area selection for diamonds using
magnetotellurics: Examples from southern Africa,
Lithos, 112, suppl. 1, 83–92.

Junge, A. (1996): Characterization of and correction

for cultural noise, Surveys in Geophysics, 17, 361
– 391.

Simpson, F. and Bahr, K. (2005) : Practical

Magnetotellurics, MT Book first Edition.
Cambridge University Press.

Szarka, L. (1987): Geophysical aspects of man-made

electromagnetic noise in the earth – A review,
Surveys in Geophysics, 9, 287 – 318.

Tang, J., Zou, Q., Tang, Y., Liu, B. and Zhang, X.

(2007): Hilbert – Huang Transform for ECG De –
Noising, in 2007 1st International Conference on
Bioinformatics and Biomedical Engineering.
IEEE, 664 – 667.

Trad, D. O. and Travassos, J. M. (2000) : Wavelet

filtering of magnetotelluric data, Geophysics, 65,
482 – 491.

Vozoff, K. (1972): the magnetotelluric method in the

exploration of sedimentary basins, Geophysics, 37,
98 – 141.

Weidelt, P. (1972). The inverse problem of

geomagnetic induction. Z. Geophysics. 38, 257 –
289.

Zhang, C., Xia Li and Zhang, M. (2010) : A novel

ECG signal denoising method based on Hilbert –
Huang Transform, in 2010 International
Conference on Computer and Communication
Technologies in Agriculture Engineering. IEEE,
284 – 287.