SYNCHROSQUEEZING TRANSFORM
ABSTRAK
Synchrosqueezing Transform (SST) merupakan metode perpanjangan dari transformasi wavelet yang
menggabungkan elemen Empiris Mode Decomposition (EMD). Namun, metode ini menggunakan
pendekatan yang berbeda dalam membangun komponen sinyal daripada EMD itu sendiri. Ini digunakan
untuk mengkarakterisasi sinyal non-stasioner yang analisis frekuensi waktu (TF) (Transformasi Fourier
Waktu Pendek, Distribusi Wigner-Ville, Transformasi Wavelet Berkelanjutan, dan S-Transform) tidak
dapat mengatasinya. SST dapat memperoleh resolusi frekuensi dan waktu yang jelas lebih baik
dibandingkan dengan metode tersebut dan hal ini merupakan peran penting dan secara eksklusif
digunakan oleh pemrosesan seismik dan pemrosesan seismik tingkat lanjut.
Pada penelitian ini, komparasi model sintetis non-stasioner dilakukan untuk menunjukkan resolusi tinggi
SST dibandingkan dengan analisis frekuensi waktu lainnya (Continuous Wavelet Transform and S-
Transform). Analisis SST telah berhasil mengidentifikasi dan mengukur komponen sinyal lebih baik
daripada S-Transform. Selanjutnya, metode SST diaplikasikan terhadap lapangan KA dengan sumur
SNR-1 dan SRI-1 status discovery. Analisis SST 1D frekuensi vs waktu dilakukan untuk
mengidentifikasi frekuensi karakter reservoar dan terdapat anomali amplitudo tinggi pada frekuensi 20
Hz. Pada frekuensi dan di reservoar yang sama muncul anomali-anomali amplitudo tinggi pada area
tinggian lainnya sehingga anomali ini menjadi constraint untuk pengeboran selanjutnya.
Synchrosqueezing Transform (SST) is an extension method of a wavelet transform that incorporates the
Empirical Mode Decomposition (EMD) element. However, this method uses a different approach in
building the signal components than the EMD itself. This is used to characterize non-stationary signals
that time frequency analysis (TF) (Short Fourier Time Transform, Wigner-Ville Distribution, Wavelet
Continuous Transformation, and S-Transform) that cannot handle it. SST can define frequency and time
resolution accurately and this is an important and exclusively used role of seismic processing and
advanced seismic processing.
In this study, comparative non-stationary synthetic models were performed to show high-resolution SST
compared to other time frequency analyzes (Continuous Wavelet Transform and S-Transform). SST
analysis has successfully identified and measured signal components better than S-Transform.
Furthermore, the SST method was applied to the KA-field where discovery well SNR-1 well and SRI-1
are located on. Analysis of SST 1D frequency vs time was conducted to identify the frequency of
reservoir character and detected high amplitude anomaly at frequency 20 Hz. There is another high
amplitude anomaly for the same frequency in another structure. So this is a robust constraint for the next
drilling.
PENDAHULUAN
Analisis frekuensi-waktu (TF) merupakan metode yang ampuh untuk analisis sinyal rangkaian waktu
non-stasioner. Representasi frekuensi waktu konvensional, seperti Shortier Fourier Transform (STFT),
Wigner-Ville Distribution (WVD), Continuous Wavelet Transform (CWT), dan S-Transform (ST)
memiliki keterbatasan karena resolusi waktu atau frekuensinya dipengaruhi oleh prinsip ketidakpastian
Heisenberg. Oleh karena itu, teknik alternatif yang mengekstrak komponen modal seketika yang
diusulkan, Empiris Mode Decomposition (EMD), yang merupakan cara efektif untuk menguraikan sinyal
seismik menjadi komponen individual, disebut Intrinsic Mode Function (IMF) (Huang dkk, 1998).
Namun, metode ini juga memiliki batasan bila komponen tidak terpisahkan dengan baik dalam bidang
frekuensi waktu serta algoritma matematika yang kurang mendukung. Synchrosqueezing Transform
(SST) merupakan metode yang analisis frekuensi-waktu yang menyerupai filosofi pendekatan EMD
dengan cara matematis untuk membangun komponen-komponen (Daubechies dkk, 2011). SST memiliki
properti beresolusi tinggi sehingga menjadi lebih dan lebih populer untuk mengkarakterisasi properti non-
stasioner pada pemrosesan sinyal. "Alat" ini akan diuji mulai dari analisis model sintetis non-stasioner
hingga contoh data lapangan dan kemudian dibandingkan dengan Continuous Wavelet Transform.
METODOLOGI
Algoritma SST diawali dengan persamaan Continuous Wavelet Transform (CWT) yang digagas oleh
Daubechies (1992) :
∞
1 𝑡−𝑇
𝑊𝑥 (𝑎, 𝑡) = ∫ 𝑥(𝑡) 𝜓 ∗ ( ) 𝑑𝑡 (1)
√𝑎 −∞ 𝑎
Dengan ketentuan 𝜓(t) adalah mother wavelet, 𝜓 ∗ menyimbolkan kompleks konjugasi dari 𝜓(t), T adalah
waktu geser pada mother wavelet dengan penskalaan a. CWT merupakan korelasi silang sederhana dari
sinyal fungsi 𝑥(𝑡) yang mengandung sejumlah wavelet yang sudah terskala dan translasi dari wavelet
aslinya 𝑊𝑥 (𝑎, 𝑡) merupakan koefisien yang mewakili hasil analisis yang akan digunakan dalam
mengekstrak frekuensi sesaat.
Namun, koefisien 𝑊𝑥 (𝑎, 𝑡) seringkali mengalami deviasi sehingga resolusi dalam skala waktu menjadi
buruk berupa smear. Daubechies dan Maes (1996) menunjukkan jika efek smear tersebut dapat
diabaikan, sehingga frekuensi sesaat dapat dihitung berdasarkan penurunan transformasi wavelet pada
setiap titik (𝑎, 𝑡) dimana 𝑊𝑥 (𝑎, 𝑡) ≠ 0
𝜕
𝜔𝑥 (𝑎, 𝑡) = −𝑖(𝑊𝑥 (𝑎, 𝑡))−1 𝑊 (𝑎, 𝑡) (2)
𝜕𝑡 𝑥
Dari proses ini dihasilkan frekuensi-waktu baru yang memetakan seluruh bidang skal waktu. Setiap titik
(𝑡, 𝑎) diubah menjadi (𝑡, 𝜔𝑥 (𝑎, 𝑡)), dan proses ini dinamakan Synchrosqueezing. Proses
synchrosqueezing merelokasi koefisien dari CWT untuk memperoleh image yang lebih focus. Langkah-
langkah yang dilakukan dalam penelitian ini, yaitu :
Gambar 1 merupakan analisis 1D frekuensi-waktu untuk melihat kemampuan SST dalam meresolusi
sinyal non-stasioner dalam domain frekuensi. Sebagai pembanding, digunakan metode CWT yang
menggunakan mother wavelet Complex Gaussian wavelet. Untuk resolusi dalam waktu (sumbu-x) kedua
metode tersebut masih cukup baik dan kontinyu, namun dalam resolusi frekuensi, metode CWT
mengalami smear dengan resolusi frekuesi yang masih lebar (Gambar 1a). Metode SST jauh lebih tajam
dan distribusi amplitudonya (grafik frekuensi vs amplitudo normalisasi) lebih fokus (Gambar 1c).
Implikasi dari analisis ini yaitu kemampuan metode SST dalam mendeskripsikan reservoar dan
hidrokarbon lebih tajam pada domain frekuensi.
(a) (b)
(c)
Gambar 1. (a) Grafik superposisi sinyal non-stasioner (b) Analisis 1D frekuensi-waktu metode CWT dan
(c) metode SST
(c)
Gambar 2 Lokasi studi (a) kolom litostratigrafi (b) dan peta lintasan seismik (c)
Gambar 3 Sumur SNR-1 dan SRI dengan target reservoar Formasi Talang Akar dan batupasir Lemat
(a)
(b)
Gambar 4 Interpretasi seismik pada lintasan seismik yang melewati sumur SNR-1 dan SRI
Interpretasi seismik dilakukan dengan marker – marker : Formasi Talang Akar, batupasir Lemat, Serpih
Lemat, dan Basement (Gambar 4). Pada peta kedalaman menunjukkan sumur SNR-1 berada di tinggian
yang terjadi akibat lipatan-lipatan (folding) yang umumnya berarah barat-laut tenggara sedangkan di
sekitar sumur SRI-1 terdapat graben dan rendahan yang diharapkan menjadi tempat batuan sumber.
4. Analisis Data Real
Untuk menentukan frekuensi anomali di reservoar, dilakukan analisis 1D frekuensi-waktu terhadap tras
seismik yang melewati sumur SNR-1 dan SRI-1 (Gambar 5). Pada kedalaman 1250 ms, reservoar yang
tersaturasi fluida memberikan amplitudo tinggi pada frekuensi 20 Hz pada kedua metode. Pada metode
CWT, spektrumnya cukup lebar dibandingkan dengan metode SST. Selanjutnya, frekuensi 20 Hz
diaplikasikan di data seismik untuk melihat kemenerusan fluida di reservoar.
(a) (b)
Gambar 5 Analisis 1D frekuensi-waktu di tras seismik yang melewati sumur. Analisis CWT dan SST
menunjukkan bahwa reservoar yang terisi fluida berada pada frekuensi 20 Hz.
(b)
(c)
Gambar 6. Analisis frekuensi 20 Hz di penampang seismik yang melewati sumur SNR-1 (a) dengan metode
CWT (b) dan SST (c). Deksripsi reservoar yang terisi hidrokarbon pada analisis SST lebih akurat
(a)
(b)
(c)
Gambar 7. Analisis frekuensi 20 Hz di penampang seismik yang melewati sumur SRI dengan metode CWT
(a) dan SST (b). Deksripsi reservoar yang terisi hidrokarbon pada analisis SST lebih akurat
KESIMPULAN
Metode SST sangat baik untuk memberikan informasi reservoar yang tersaturasi hidrokarbon. Hal ini
dapat dilakukan dengan penentuan frekuensi reservoar itu sendiri melalui analisis frekuensi-waktu 1D.
Spektrum yang lebar yang terjadi pada analisis metode CWT menyebabkan ketidakakuratan dalam
menentukan zona reservoar dan non-reservoar. Kualitas data seismik juga menentukan seberapa besar
kemampuan gelombang seismik dalam meresolusi lapisan tipis dan informasi reservoar yang terkandung
di dalamnya.
KEPUSTAKAAN
Daubechies, I., 1992, Ten lectures on wavelets: SIAM, CBMS-NSF Regional Conference Series in
Applied Mathematics.
Daubechies, I., J. Lu, and H.-T. Wu, 2011, Synchrosqueezed wavelet transforms: An empirical mode
decomposition-like tool: Applied and Computational Harmonic Analysis, 30, 243–261.
Daubechies, I., and S. Maes, 1996, A nonlinear squeezing of the continuous wavelet transform based on
auditory nerve models, in A. Aldroubi, and M. Unser, eds., Wavelets in medicine and biology: CRC
Press, 527–546.
Huang et al, 1998, The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-
stationary time series analysis: Proceedings of the Royal Society of London, Series A: Mathematical,
Physical and Engineering Sciences, 454, 903–995.
Sukmono, S. 1999. Interpretasi Seismik Refleksi. Teknik Geofisika, Institut Teknologi Bandung.
Thakur, G., E. Brevdo, N. S. Fuckar, and H.-T. Wu, 2013, The synchrosqueezing algorithm for time-
varying spectral analysis: Robustness properties and new paleoclimate applications: Signal
Processing, 93, 1079–1094.
Van der Baan, M., Fomel, S. and Perz, M. 2010 Nonstationary phase estimation: A tool for seismic
interpretation? The Leading Edge, 29(9), 1020–1026.
Vera Rodriguez, I., Bonar, D. and Sacchi, M. 2012 Microseismic data denoising using a 3C group
sparsity constrained time-frequency transform. Geophysics, 77(2), V21–V29, ISSN 00168033,
doi:10.1190/geo20110260.1.
Wang, Y. 2007 Seismic time-frequency spectral decomposition by matching pursuit. Geophysics, 72(1),
V13–V20, ISSN 00168033, doi:10.1190/1.2387109.
Wu, H.T., Flandrin, P. and Daubechies, I. 2011 One or Two Frequencies? the Synchrosqueezing
Answers. Advances in Adaptive Data Analysis (AADA), 03(01n02), 29–39, ISSN 1793-5369, doi:
10.1142/S179353691100074X.
.