LAPORAN PRAKTIK KERJA LAPANGAN

PENGOLAHAN DATA MAGNETOTELLURIK

Oleh :
Yaser Rizki Hendryan
1506727021

PROGRAM STUDI GEOFISIKA DEPARTEMEN GEOSAINS

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS INDONESIA
2018
 KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat
dan karunia-Nya sehingga penulis dapat menyelesaikan Laporan Praktik Kerja
Lapangan (PKL) yang berjudul “Pengolahan Data Magnetotellurik”. Penelitian
yang ditulis dalam bentuk laporan ini tidak lepas dari bantuan dari berbagai pihak
baik secara langsung maupun tidak langsung. Oleh karena itu penulis mengucapkan
terima kasih kepada :
1. Dr. Eng. Yunus Daud, Dipl.Geotherm.Tech., M.Sc. selaku Kepala PT.
NewQuest Geotechnology yang telah mengizinikan penulis untuk melaksanakan
program Praktik Kerja Lapangan (PKL) atau Kerja Praktik (KP) di perusahaan
beliau.
2. Mbak Ajeng selaku Supervisor KP dari PT. NewQuest Geotechnology, atas
segala materi bimbingan, dan waktu yang telah diberikan sehingga dapat
terwujudnya laporan ini. Serta Mas Fathan selaku penghubung antara penulis
dengan perusahaan.
3. Mas Wahyu, Mbak Fitri, serta seluruh karyawan yang telah memberikan arahan
dan masukan untuk pemahaman penulis serta Mas Sidiq selaku staff yang telah
membantu penulis dan teman-teman KP dalam hal konsumsi.
4. Fatin, Fajar, dan Fadhil selaku teman-teman seperjuangan KP yang telah mengisi
hari selama KP dengan hal-hal yang menyegarkan pikiran penulis.
Penulis menyadari terdapat keterbatasan dan kelemahan yang dimiliki oleh penulis
dalam pengetahuan serta pengalaman sehingga laporan ini tidak lepas dari
kekurangan. Untuk itu kritik dan saran sangat penulis harapkan agar laporan ini bisa
menjadi lebih baik.

Jakarta, 5 September 2018

Yaser Rizki Hendryan

i
DAFTAR ISI

KATA PENGANTAR................................................................................................................ i
DAFTAR ISI........................................................................................................................... ii
DAFTAR GAMBAR............................................................................................................... iii
DAFTAR TABEL ....................................................................................................................vi
BAB I PENDAHULUAN ......................................................................................................... 1
1.1 Latar Belakang ........................................................................................................... 1
1.2 Tujuan Kerja Praktik .................................................................................................. 3
1.3 Batasan Masalah ....................................................................................................... 4
BAB II TINJAUAN PUSTAKA ................................................................................................. 5
2.1 Metode Magnetotellurik (MT) .................................................................................. 5
2.2 Persamaan Maxwell .................................................................................................. 6
2.3 Sumber Sinyal MT ..................................................................................................... 7
2.4 Noise Pada MT .......................................................................................................... 8
2.5 Akuisisi Data MT ........................................................................................................ 8
BAB III METODOLOGI ........................................................................................................ 10
3.1 Waktu dan Tempat Kerja Praktik ............................................................................ 10
3.2 Data dan Software .................................................................................................. 10
3.3 Pengolahan Data ..................................................................................................... 10
BAB IV HASIL DAN PEMBAHASAN ..................................................................................... 23
4.1 Stasiun MTTP 26-R .................................................................................................. 23
4.2 Stasiun MTTP 43...................................................................................................... 29
4.3 Stasiun MTTP 45...................................................................................................... 36
BAB V PENUTUP ................................................................................................................ 43
5.1 Kesimpulan .............................................................................................................. 43
5.2 Saran ....................................................................................................................... 43
DAFTAR PUSTAKA ............................................................................................................. 44

ii
DAFTAR GAMBAR
Gambar 2. 1 Gelombang EM pada Metode MT ................................................... 5
Gambar 2. 2 Pesamaan Maxwell ........................................................................... 6
Gambar 2. 3 gelombang EM : Lightning Activity dan Solar Wind ........................ 7
Gambar 2. 4 Satu set alat MT (kiri) serta cara merangkainya (kanan) .................. 8

Gambar 3. 1 Data MT yang akan diolah ............................................................. 10

Gambar 3. 2 Tampilan awal software SyncTSV ................................................. 11
Gambar 3. 3 Tahapan input data pada software SyncTSV .................................. 12
Gambar 3. 4 Data yang telah diinput ................................................................... 13
Gambar 3. 5 Tahapan mengubah skala sumbu y data ......................................... 13
Gambar 3. 6 Hasil pengubahan skala sumbu y data ............................................ 14
Gambar 3. 7 Tahapan membuat kurva PSD dan Coherencies ............................ 14
Gambar 3. 8 Kurva Coherencies ......................................................................... 15
Gambar 3. 9 Kurva Power Spectra Density ........................................................ 15
Gambar 3. 10 Tampilan software SSMT2000 ..................................................... 16
Gambar 3. 11 Proses fourier transform .............................................................. 17
Gambar 3. 12 Pengaturan parameter fourier transform ...................................... 17
Gambar 3. 13 Pengaturan parameter cross power ............................................... 18
Gambar 3. 14 Pengaturan parameter robust ........................................................ 18
Gambar 3. 15 Output data hasil robust processing ............................................. 19
Gambar 3. 16 Proses robust pada software SSMT2000 ...................................... 19
Gambar 3. 17 Tampilan awal software MT Editor.............................................. 20
Gambar 3. 18 Tahapan membuka data pada MT Editor...................................... 20
Gambar 3. 19 Tahap untuk editing data pada MT Editor .................................... 21
Gambar 3. 20 Data sebelum seleksi cross power ................................................ 21
Gambar 3. 21 Data setelah seleksi cross power .................................................. 22

Gambar 4. 1 Sampel time series .TS3 Stasiun MTTP 26-R ................................ 23

Gambar 4. 2 Kurva power spectra density (PSD) .TS3 Stasiun MTTP 26-R ..... 23
Gambar 4. 3 Kurva coherencies .TS3 Stasiun MTTP 26-R ................................ 24
Gambar 4. 4 Sampel time series .TS4 Stasiun MTTP 26-R ................................ 24
Gambar 4. 5 Kurva power spectra density (PSD) .TS4 Stasiun MTTP 26-R ..... 25

iii
Gambar 4. 6 Kurva coherencies .TS4 Stasiun MTTP 26-R ................................ 25
Gambar 4. 7 Sampel time series .TS5 Stasiun MTTP 26-R ................................ 26
Gambar 4. 8 Kurva power spectra density (PSD) .TS5 Stasiun MTTP 26-R ..... 26
Gambar 4. 9 Kurva coherencies .TS5 Stasiun MTTP 26-R ................................ 27
Gambar 4. 10 Seleksi 20 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan) .......................................................................................... 27
Gambar 4. 11 Seleksi 100 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan) .......................................................................................... 28
Gambar 4. 12 Seleksi 60 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan) .......................................................................................... 28
Gambar 4. 13 Sampel time series .TS3 Stasiun MTTP43 ................................... 29
Gambar 4. 14 Kurva power spectra density (PSD) .TS3 Stasiun MTTP 43 ....... 29
Gambar 4. 15 Kurva coherencies .TS3 Stasiun MTTP 43 .................................. 30
Gambar 4. 16 Sampel time series .TS4 Stasiun MTTP 43 .................................. 30
Gambar 4. 17 Kurva coherencies .TS4 Stasiun MTTP 43 .................................. 31
Gambar 4. 18 Kurva power spectra density (PSD) .TS4 Stasiun MTTP 43 ....... 31
Gambar 4. 19 Sampel time series .TS5 Stasiun MTTP 43 .................................. 32
Gambar 4. 20 Kurva power spectra density (PSD) .TS5 Stasiun MTTP 43 ....... 33
Gambar 4. 21 Kurva coherencies .TS5 Stasiun MTTP 43 .................................. 33
Gambar 4. 22 Seleksi 60 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan) .......................................................................................... 34
Gambar 4. 23 Seleksi 20 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan) .......................................................................................... 34
Gambar 4. 24 Seleksi 100 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan) .......................................................................................... 35
Gambar 4. 25 Sampel time series .TS3 Stasiun MTTP 45 .................................. 36
Gambar 4. 26 Kurva power spectra density (PSD) .TS3 Stasiun MTTP 45 ....... 36
Gambar 4. 27 Kurva coherencies .TS3 Stasiun MTTP 45 .................................. 37
Gambar 4. 28 Kurva power spectra density (PSD) .TS4 Stasiun MTTP 45 ....... 38
Gambar 4. 29 Sampel time series .TS4 Stasiun MTTP 45 .................................. 38
Gambar 4. 30 Sampel time series .TS5 Stasiun MTTP 45 .................................. 39
Gambar 4. 31 Kurva coherencies .TS4 Stasiun MTTP 45 .................................. 39

iv
Gambar 4. 32 Kurva power spectra density (PSD) .TS5 Stasiun MTTP 45 ....... 40
Gambar 4. 33 Seleksi 20 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan) .......................................................................................... 41
Gambar 4. 34 Kurva coherencies .TS5 Stasiun MTTP 45 .................................. 41
Gambar 4. 36 Seleksi 100 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan ........................................................................................... 42
Gambar 4. 35 Seleksi 60 cross powers : sebelum (kiri) dan sesduah seleksi
(kanan) .......................................................................................... 42

v
DAFTAR TABEL
Tabel 1.1 Persebaran pembangkit panas bumi dalam 11 WKP.............................. 2

vi
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Panas bumi merupakan sumber daya energi yang terbarukan dan ramah
lingkungan dibandingkan energi minyak bumi (Wahyuningsih, 2005). Menurut
UU No. 27 Tahun 2003 Tentang Panas Bumi, sumber daya panas bumi adalah
suber energi panas yang terkandung di dalam air panas, uap air, dan batuan
bersama mineral ikutan dan gas lainnya yang secara genetik semuanya tidak
dapat dipisahkan dalam suatu sistem panas bumi dan untuk pemanfaatannya
diperlukan proses penambangan yang dapat dimanfaatkan untuk pembangkitan
tenaga listrik atau pemanfaatan langsung lainnya.
Secara umum medan panasbumi di Indonesia berasosiasi dengan daerah
magmatik dan vulkanik. Karena pada daerah tersebut tersedia sumber panas
bumi. Negara Indonesia yang berada di jalur ring of fire atau jalur gunungapi
merupakan suatu wilayah yang memiliki potensi panas bumi (Setyobudi, 2011).
Komponen sistem panas bumi terdiri dari sistem hidrotermal, dimana sistem
inilah yang paling banyak ditemukan di dalam energi panas bumi termasuk yang
terdapat di negara Indonesia. Sistem hidrotermal sendiri dapat didefenisikan
sebagai salah satu jenis energi panas bumi dimana sistem ini mentransfer energi
panas dari sebuah hot rock melalui proses konveksi yang melibatkan fluida
meteorik atau juga fluida magmatik. Komponen di dalam hidrotermal meliputi
sumber panas bumi, reservoir panas bumi, recharge, dan manifestasi
(Geothermal Indonesia, 2017).
Berdasarkan survei terbaru dari Pusat Sumber Daya Mineral, Batubara, dan
Panas Bumi Badan Geologi Kementrian Energi dan Sumber Daya Mineral,
telah teridentifikasi 331 titik potensi panas bumi yang terdiri dari sumber daya
sebesar 11.073 MW dan cadangan sebesar 17.506 MW yang tersebar di 30
provinsi. Saat ini pemanfaatan panas bumi untuk pembangkit listrik baru
mencapai 1.698,5 MW atau sekitar 9,3% dari total cadangan panas bumi yang
berasal dari 11 Wilayah Kerja Panas Bumi (WKP) yang telah berproduksi

1
(Saefulhak dalam Kementrian ESDM, 2017) . Terdapat 13 pembangkit listrik
yang tersebar dalam 11 WKP (Kementerian ESDM dalam Chandra, 2018).

Tabel 1.1 Persebaran pembangkit panas bumi dalam 11 WKP

Sumber : Kementrian ESDM dalam Chandra, 2008

Oleh sebab itu, untuk memaksimalkan pemanfaatan potensi panas bumi

khususnya di Indonesia diperlukan pengembangan sumber daya manusia
(SDM), edukasi masyarakat, serta teknik eksplorasi panas bumi yang efektif

2
 dan efisien. Salah satu teknik eksplorasi yang dapat digunakan salah satunya
adalah metode geofisika yaitu metode magnetotellurik (MT).
Metode MT adalah salah satu metode geofisika pasif yang digunakan untuk
mengetahui nilai parameter resistivitas bawah permukaan bumi. Dikatakan
pasif karena metode ini menggunakan sumber alami yang berperan dalam
induksi elektromagnetik batuan bawah permukaan bumi. Sumber MT tersebut
ada 2 yaitu Solar Wind dan Lightning Activity.
Interaksi Solar Wind dengan medan magnet alami bumi akan membuat
medan magnet bumi terganggu sehingga mengalami perubahan. Perubahan
medan magnet bumi terhadap waktu ini akan menciptakan medan listrik yang
berubah ubah nilainya terhadap waktu. Menurut persamaan Maxwell perubahan
medan listrik terhadap waktu akan menghasilkan medan magnet.
Kedua medan hasil interaksi Solar Wind dengan medan magnet alami bumi
ini menjalar ke permukaan bumi dalam bentuk gelombang elektromagnetik
(EM) yang frekuensinya rendah yaitu < 1 Hz. Sementara Lightning Activity juga
akan menghasilkan gelombang EM yang frekuensinya > 1 Hz. Hanya saja,
apabila Lightning Activity berada pada jarak yang dekat dari daerah pengukuran
MT, maka gelombang EM yang dihasilkan akan bertindak sebagai noise.
Gelombang EM dari kedua sumber tersebut ini menembus ke bawah
permukaan bumi. Komponen medan magnet dari gelombang EM tersebut akan
menginduksi benda konduktif yang ada dibawahnya. Komponen medan magnet
ini disebut medan magnet primer (primary magnetic field). Ketika terinduksi,
maka akan tercipta arus eddy pada permukaan benda konduktif tersebut yang
bergerak secara looping. Kemudian arus eddy ini akan menghasilkan medan
magnet sekunder (secondary magnetic field) yang akan terukur oleh alat MT.

1.2 Tujuan Kerja Praktik

Tujuan dari kerja praktik ini adalah sebagai berikut :
1. Mengetahui cara menginspeksi data time series sehingga dapat
mengindentifikasi sinyal dan noise dari data tersebut
2. Mengetahui kualitas data dari kurva power spectra dan coherency setelah
dilakukan fourier transform

3
 3. Mengetahui cara menghasilkan kurva apparent resistivty dan phase serta
menghilangkan kontribusi noise pada kedua kurva tersebut dengan seleksi
cross power

1.3 Batasan Masalah

Batasan masalah pada kerja praktik ini ada pengolahan data MT pada tahap pre-
processing agar didapatkan kurva apparent resistivity dan phase yang baik
sehingga tidak sampai dilakukan proses static shift correction dan inversi.

4
 BAB II
TINJAUAN PUSTAKA
2.1 Metode Magnetotellurik (MT)
Metode Magnetotellurik (MT) adalah salah satu metode geofisika yang
memanfaatkan gelombang elektromagnetik (EM) dalam pengukurannya.
Gelombang EM adalah gelombang yang tidak memerlkukan medium dalam
perambatannya. Metode MT adalah metode elektromagnetik pasif yang
melibatkan pengukuran fluktuasi medan listrik (E) dan medan magnet (B)
alami yang saling tegak lurus di permukaan bumi yang berguna untuk
konduktivitas bawah permukaan dari kedalaman beberapa meter hingga
ratusan kilometer (Simpson & Bahr, 2005). Konsep gelombang EM yang
mendasari metode MT dapat dilihat pada Gambar 2.1.

Gambar 2. 1 Gelombang EM pada Metode MT

Sumber : geoph.uq.edu.au

Gelombang EM alami yang berbentuk plane wave ketika sampai di

permukaan bumi dapat terus masuk ke bawah permukaan bumi. Gelombang
EM terdiri dari dua komponen yaitu medan listrik (E) dan medan magnet (H).
Ketika medan magnet ini mengenai suatu objek yang konduktif atau dengan
kata lain memiliki nilai resistivitas yang rendah, maka objek tersebut akan
terinduksi sesuai dengan hukum Faraday yang menyatakan bahwa perubahan
medan magnet terhadap waktu akan menghasilkan arus listrik. Arus listrik yang
dihasilkan bergerak secara looping pada permukaan objek konduktif tersebut.
Arus listrik tersebut disebut arus eddy.

5
 Nilai arus ini juga memiliki sifat yang fluktuatif, artinya berubah ubah
terhadap waktu juga nilainya. Sehingga hukum Ampere akan bekerja, yang
menyatakan bahwa medan magnet dapat dihasilkan karena adanya arus listrik
dan Maxwell menambahkan bahwa medan magnet dapat dihasilkan dari arus
listrik dan perubahan medan listrik terhadap waktu (Griffiths, 2013).

2.2 Persamaan Maxwell

Persamaan Maxwell menyatakan hubungan yang erat antara medan listrik
dan medan magnet. Persamaan ini terdiri dari 4 persamaan yaitu :

Gambar 2. 2 Pesamaan Maxwell

Sumber : Thiel, 2008

B = magnetic induction (T)

D = electric displacement (C/𝑚2)
E = electric field (V/m)
H = magnetic intensity (A/m)
ϱ = electric charge density (C/𝑚3 )
j = electric current density (A/ 𝑚2 )
μ = magnetic permeability (H/m)
ε = dielectric permittivity (F/m)
σ = conductivity (S/m)

Persamaan pertama merupakan hukum Gauss untuk magnetism yang

menyatakan bahwa tidak ada medan magnet yang memiliki polaritas monopol
sehingga medan magnet pasti ada dalam satu kesatuan atau dipol. Persamaan

6
 kedua merupakan hukum Gauss untuk kelistrikan yang menyatakan bahwa
medan listrik dihasilkan oleh muatan listrik. Persamaan ketiga merupakan
hukum Faraday yang menyatakan bahwa medan listrik dapat dihasilkan dari
perubahan medan magnet atau induksi magnet terhadap waktu. Dan yang
terakhir persamaan keempat yaitu hukum Ampere yang menyatakan bahwa
medan magnet dapat dihasilkan oleh arus listrik dan perubahan medan listrik
terhadap waktu.

2.3 Sumber Sinyal MT

Metode magnetotellurik (MT) merupakan metode geofisika pasif yang
artinya metode ini menggunakan sumber gelombang EM alami untuk
menginduksi batuan bawah permukaan. Sumber metode MT tersebut ada 2
yaitu Solar Wind dan Lightning Activity.

Gambar 2. 3 gelombang EM : Lightning Activity dan Solar Wind

Sumber : dailystar.co.uk dan University of Wakaito

Interaksi Solar Wind dengan medan magnet alami bumi akan membuat
medan magnet bumi terganggu sehingga mengalami perubahan. Perubahan
medan magnet bumi terhadap waktu ini akan menciptakan medan listrik yang
berubah ubah nilainya terhadap waktu. Menurut persamaan Maxwell perubahan
medan listrik terhadap waktu akan menghasilkan medan magnet.
Kedua medan hasil interaksi Solar Wind dengan medan magnet alami bumi
ini menjalar ke permukaan bumi dalam bentuk gelombang elektromagnetik
(EM) yang frekuensinya rendah yaitu < 1 Hz. Sementara Lightning Activity juga
akan menghasilkan gelombang EM yang frekuensinya > 1 Hz. Hanya saja,

7
 apabila Lightning Activity berada pada jarak yang dekat dari daerah pengukuran
MT, maka gelombang EM yang dihasilkan akan bertindak sebagai noise.

2.4 Noise Pada MT

Noise pada metode MT secara garis besar terbagi menjadi 2, yaitu noise
yang bersifat kontinyu dan tidak kontinyu. Noise yang bersifat kontinyu akan
mengganggu pengukuran MT sepanjang perekaman data dan biasanya
memiliki frekuensi yang spesifik, misalnya transimis sinyal radio, generator
pembangkit listrik, dan kabel SUTET. Sedangkan noise yang tidak kontinyu
hanya terjadi pada waktu yang singkat saja seperti petir yang terjadi di dekat
area pengukuran dan pergerakkan tanah.

2.5 Akuisisi Data MT

Akuisisi data MT pada praktiknya mengukur medan listrik dan medan
magnet baik primer maupun sekunder dalam domain waktu. Untuk itu
dibutuhkan suatu alat untuk mengukurnya dan alat tersebut harus mempunyai

Gambar 2. 4 Satu set alat MT (kiri) serta cara merangkainya (kanan)

Sumber : Daud, 2017
sensitivitas yang cukup tinggi dikarenakan nilai medan yang terukur berskala
kecil. Gambar 2.4 menunjukkan satu set alat MT yang digunakan dalam
pengukuran.
Main unit berfungsi untuk mengontrol proses akuisisi data. Alat tersebut
digunakan untuk mengatur berbagai parameter akuisisi, seperti waktu
sampling, lama akuisisi, dan nama stasiun pengukuran.
Magnetic coil berfungsi untuk merekam (sensor) medan magnet. Secara
sederhana, coil menggunakan prinsip induksi. Arus listrik (ggl) akan dihasilkan
ketika kumparan dipaparkan (diinduksi) dengan medan magnet yang berubah-

8
ubah terhadap waktu. Coil terdiri dari lilitan kawat tembaga. Arus tersebut
nantinya direkam oleh main unit dan diterjemahkan kembali sebagai medan
magnet. Karena medan magnet yang terekam memiliki amplitudo yang sangat
kecil, maka lilitan tembaga harus dililitkan pada material yang memiliki
suseptibilitas yang tinggi agar arus yang dihasilkan agar dihasilkan arus listrik
yang besar pula.
Porous pot berfungsi sebagai sensor medan listrik bumi. Medan listrik bumi
tidak dapat diukur secara langsung. Untuk mendapatkan medan listrik bumi,
perlu diukur beda potensial diantara 2 titik. Beda potensial yang terukur
kemudian dibagi dengan jarak kedua titik tersebut hingga diperoleh besar
medan listrik, atau secara matematis dapat ditulis sebagai E=V/d.
Porous pot digunakan agar alat MT memiliki kontak yang baik dengan
tanah. untuk mengurangi efek magnetisasi pada elektroda. Porous pot
menggunakan sebuah elektrode (misal Ag) yang direndam pada larutan
garamnya (Misal AgCl). Pada bagian bawah porous pot terdapat lapisan
keramik yang permeabel (Simpson & Bahr dalam Ichwan, 2017). Larutan
garam AgCl meminimalisasi magnetisasi pada elektroda Ag. Ion-ion Ag+
mengimbangi electron (e-) di sekitar elektroda. Ketika jumlah ion positif dan
negatif seimbang, sifat kemagnetan tidak akan muncul. Ion-ion Cl- yang tidak
berpasangan kemudian akan mengalir ke tanah melalui lapisan permeabel
porous pot untuk menjaga keseimbangan ion di dalamnya. Karena itu, larutan
garam di dalam porous pot harus diganti dalam kurun waktu tertentu.

9
 BAB III
METODOLOGI
3.1 Waktu dan Tempat Kerja Praktik
Kerja praktik ini dilaksanakan pada tanggal 20 Agustus 2018 hingga 31
Agustus 2018 selama 2 minggu atau 10 hari kerja di PT. NewQuest
Geotechnology yang beralamat di Jl. Perumahan Pesona Khayangan Estate
Blok DC No. 12, Mekar Jaya, Sukmajaya, Kota Depok, Jawa Barat, 16411.

3.2 Data dan Software

Adapun data dan software yang digunakan dalam kerja praktik ini adalah
sebagai berikut :
1. Data MT stasiun MTTP 26-R, MTTP 43, dan MTTP 45 dalam bentuk time
series dengan periode yang berbeda (.TS3, .TS4, dan .TS5)
2. Software SyncTSV, SSMT2000, dan MT Editor

3.3 Pengolahan Data

Secara garis besar pengolahan data MT (pre-processing) dilakukan melalui 3
tahap, yaitu inspeksi time series, Robust processing, dan seleksi cross power.
1. Inspeksi Time Series

Gambar 3. 1 Data MT yang akan diolah

10
 Inspeksi time series pada pengolahan data MT menggunakan data-
data MT tiap stasiun yang terbagi dalam rentang periode atau frekuensi

Gambar 3. 2 Tampilan awal software SyncTSV

yang berbeda. Data yang digunakan untuk inspeksi time series bisa dilihat
pada Gambar 3.1 yaitu yang memiliki format .TS3, .TS4, dan .TS5. Angka
terakhir pada format data tersebut menunjukkan rentang frekuensi yang
dimiliki data. Semakin besar angkanya, semakin rendah frekuensinya. Jadi
data dengan format .TS3 memiliki rentang frekuensi paling tinggi
sedangkan .TS5 memiliki rentang frekuensi paling rendah.
Software yang digunakan untuk inspeksi time series adalah
SyncTSV yang bisa dilihat pada Gambar 3.2.

Setelah membuka software SyncTSV, maka dilakukan proses load

time series data. Data tidak bisa dibuka sekaligus sehingga harus memilih
salah satu misal dimulai dari data .TS3 dahulu, kemudian nanti dilanjutkan
ke data .TS4, lalu yang terakhir .TS5. Pada laporan ini diinput data .TS3
dahulu dengan cara klik menu File pada SyncTSV kemudian pilih Load
sehingga akan muncul diaolog box untuk memilih data time series yang
akan dibuka, seperti terlihat pada Gambar 3.3.

11
 Pada dialog box klik tombol 1 pada kolom Window, kemudian klik
Browse untuk mencari dimana lokasi data yang akan diinput. Setelah

Gambar 3. 3 Tahapan input data pada software SyncTSV

dipilih, klik OK kemudian klik Load All Seq untuk menginput semua
komponen data MT yaitu Ex, Ey, Hx, Hy, dan Hz yang semuanya adalah
data medan listrik dan medan magnet yang terekam pada alat MT selama
waktu pengukuran.

Setelah tahap input data berhasil maka data tersebut akan tertampil
seperti Gambar 3.4. Pada bagian data ini terlihat jika noise sudah bisa
teridentifikasi. Salah satu karakteristik noise adalah muncul pada waktu
yang singkat saja sehingga pada data bentuknya menjadi spike. Namun

12
dalam pita data medan magnet (Hx dan Hy) noise memiliki bentuk yang
sama dengan data sehingga noise sulit teridentifikasi karena semua data
berbentuk spike.

Gambar 3. 4 Data yang telah diinput

Untuk mengatasi hal tersebut maka perlu dilakukan penyesuaian

tampilan data, yaitu dengan cara mengubah skala sumbu y data. Caranya
adalah dengan memilih menu View pada SyncTSV kemudian pilih
Vertical Scales. Tahapan mengubahnya dapat dilihat pada Gambar 3.5.

Gambar 3. 5 Tahapan mengubah skala sumbu y data

13
 Gambar 3. 6 Hasil pengubahan skala sumbu y data

Hasil pengubahan skala sumbu y data dapat dilihat pada Gambar

3.6. Terlihat bahwa noise pada data lebih mudah diidentifikasi karena
bentuknya yang spike. Kemudian untuk melihat kualitas data dapat
dilakukan analisa Power Spectra Density (PSD) dan Coherencies.
Tahapannya dapat dilihat pada Gambar 3.7.

Gambar 3. 7 Tahapan membuat kurva PSD dan Coherencies

14
 Power Spectra menyatakan power sinyal pada setiap frekuensi.
Power yang dimaksud disini adalah nilai kuadrat data ketika telah
dilakukan fourier transform atau dengan kata lain data dalam domain
frekuensi. Kurva PSD mennggambarkan Power/Hz vs Frekuensi.
Sedangkan kurva coherencies menyatakan signal to noise ratio untuk
setiap frekuensi baik dalam TE maupun TM mode dimana jika nilainya
mendekati 1 maka data pada frekuensi tersebut memiliki noise yang lebih
sedikit. Kedua kurva tersebut ditunjukkan pada Gambar 3.8 dan Gambar
3.9.

Gambar 3. 9 Kurva Power Spectra Density

Gambar 3. 8 Kurva Coherencies

15
2. Fourier Transform dan Robust Processing

Gambar 3. 10 Tampilan software SSMT2000

Robust Processing dilakukan pada software SSMT200 (Gambar 3.10).

Sebelum dilakukan robust processing, software akan melakukan fourier
transform terlebih dahulu. Data yang dibutuhkan adalah data stasiun yang
berformat .TBL, .CLB, dan .CLC. Ketika semua data yang diperlukan
terinput, maka sebelum melakukan proses fourier transform harus dibuat
parameter fourier transform nya terlebih dahulu. Untuk melakukan hal
tersebut cukup mengklik tombol Make PFT.
Parameter yang dapat diatur salah satunya adalah rentang data time
series yang akan dilakukan fourier transform yaitu dengan cara mengklik
pilihan Specify Times lalu masukkan rentang waktu yang diinginkan.
Sebisa mungkin pilih rentang data yang memiliki noise yang minimum.
Namun, pada kerja praktik ini penulis menggunakan opsi Default Times
yang artinya penulis menggunakan seluruh data pada semua rentang waktu
untuk dilakukan fourier transform (Gambar 3.11).

16
 Gambar 3. 12 Pengaturan parameter fourier transform

Jika parameter sudah diatur, maka selanjutnya dilakukan fourier

transform. Caranya hanya tinggal mengklik tombol TS to FT pada software
SSMT2000 sehingga proses fourier transform akan berjalan secara otomatis
(Gambar 3.12).

Gambar 3. 11 Proses fourier transform

Kemudian untuk melakukan robust processing maka sebelumnya perlu

dilakukan pengaturan parameter juga. Caranya adalah dengan mengklik
tombol Edit PRM pada SSMT2000. Ketika sudah diklik maka akan muncul
dialog box untuk mengatur parameter robust yang diinginkan (Gambar
3.13), salah satunya adalah mengatur jumlah cross power yang diinginkan
(Gambar 3.14).

17
 Gambar 3. 14 Pengaturan parameter robust

Gambar 3. 13 Pengaturan parameter cross power

Pada kali ini penulis mencoba mengatur nilai cross power sebesar 100.
Jika semua parameter robust telah diatur, maka klik Save Parameter File,
kemudian klik Close pada dialog box, lalu klik Process pada SSMT2000.
Lalu biarkan software melakukan proses robust (Gambar 3.15).

18
 Gambar 3. 16 Proses robust pada software SSMT2000

Setelah proses robust selesai maka akan dihasilkan data berformat

.MTH (high frequency) dan .MTL (low frequency) yang masing-masing
mengandung rentang frekuensi yang jumlahnya 10. Jika dilakukan cross
power sejumlah 100, maka outputnya adalah 10 data yang terbagi menjadi
5 data .MTH dan 5 data .MTL (Gambar 3.16).

Gambar 3. 15 Output data hasil robust processing

19
3. Seleksi Cross Power

Gambar 3. 17 Tampilan awal software MT Editor

Data – data hasil robust processing sebelumnya yang berformat

.MTH dan .MTL dibuka melalui MT Editor (Gambar 3.17). Data ini
nantinya akan menghasilkan kurva apparent resistivty dan phase. Tahapan
membukanya adalah dengan mengklik menu File lalu Open File.
Kemudian pilih semua data output proses robust pada SSMT2000 tadi
(Gambar 3.18)

Gambar 3. 18 Tahapan membuka data pada MT Editor

20
 Gambar 3. 19 Tahap untuk editing data pada MT Editor

Ketika data sudah dibuka, maka selanjutnya adalah mengklik tool

Editing (kotak kecil warna merah pada Gambar 3.19) untuk melakukan
seleksi cross power. Seleksi dapat dilakukan secara otomatis maupun
manual. Pada kerja praktik kali ini penulis melakukannya secara manual
dengan cara mematikan atau menyalakan data pada sisi kanan Gambar
3.20 hingga didapatkan kombinasi yang tepat. Data pada sisi kanan tersebut
merupakan jumlah data untuk setiap frekuensi. Seleksi dilakukan pada tiap
data untuk semua frekuensi hingga didapatkan kurva apparent resistivity
dan phase yang baik (sisi kiri Gambar 3.21).

Gambar 3. 20 Data sebelum seleksi cross power

21
Gambar 3. 21 Data setelah seleksi cross power

22
 BAB IV
HASIL DAN PEMBAHASAN
4.1 Stasiun MTTP 26-R
Seperti yang telah dijelaskan sebelumnya bahwa data MT terbagi ke dalam
3 data yang mewakili rentang frekuensinya. Data tersebut berformat .TS3,
.TS4, dan .TS5, dimana semakin besar angka terakhirnya maka semakin rendah
rentang frekuensi yang ada pada data tersebut.

Gambar 4. 1 Sampel time series .TS3 Stasiun MTTP 26-R

Gambar 4.1 merupakan sampel rentang data pada data time series .TS3.
Terlihat noise pada kurva Ex, Ey, Hx dan Hy yang berbentuk spike.
Kemungkinan noise ini berasal dari aktivitas petir yang letaknya relatif dekat
pada daerah pengukuran.

Gambar 4. 2 Kurva power spectra density (PSD) .TS3 Stasiun MTTP 26-R

23
 Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.2) , data
MT .TS3 pada stasiun MTTP 26-R merekam gelombang EM dengan frekuensi
0.15 – 1200 Hz dengan noise yang berada pada frekuensi 50 Hz serta
kelipatannya yang kemungkinan berasal dari listrik PLN.

Gambar 4. 3 Kurva coherencies .TS3 Stasiun MTTP 26-R

Kurva coherencies (Gambar 4.3) menunjukkan hubungan antara signal to

noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang
demikian pada data .TS3 adalah frekuensi 5 – 300 Hz.

Gambar 4. 4 Sampel time series .TS4 Stasiun MTTP 26-R

24
 Gambar 4.4 merupakan sampel rentang data pada data time series .TS4.
Terlihat noise pada kurva Ex, Ey, Hx, Hy, hingga Hz yang berbentuk spike.
Kemungkinan noise ini berasal dari aktivitas petir juga yang letaknya relatif
dekat pada daerah pengukuran.
Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.5) , data
MT .TS4 pada stasiun MTTP 26-R merekam gelombang EM dengan frekuensi
0.02 – 70 Hz dengan noise yang berada pada frekuensi 8 Hz dan 12 Hz yang
masih belum bisa dipastikan darimana sumber noisenya dan 50 Hz serta
kelipatannya yang kemungkinan berasal dari listrik PLN.
Kurva coherencies (Gambar 4.6) menunjukkan hubungan antara signal to
noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang

Gambar 4. 5 Kurva power spectra density (PSD) .TS4 Stasiun MTTP 26-R

Gambar 4. 6 Kurva coherencies .TS4 Stasiun MTTP 26-R

25
demikian pada data .TS4 adalah frekuensi 1.8 – 70 Hz yang artinya hampir
semua data berkualitas bagus.

Gambar 4. 7 Sampel time series .TS5 Stasiun MTTP 26-R

Gambar 4.7 merupakan sampel rentang data pada data time series .TS5.
Terlihat noise pada kurva Ex, Ey, Hx, Hy, hingga Hz yang berbentuk spike.
Namun pada kurva Ey, Hx, dan Hz noise masih sulit teridentifikasi. Hal ini
disebabkan karena nilai vertical scale yang diatur terlalu besar. Kemungkinan
noise ini berasal dari aktivitas petir juga yang letaknya relatif dekat pada daerah
pengukuran dan pada kurva Ey terdapat noise yang bersifat kontinyu sehingga
tren data tidak lurus seperti kurva lainnya.

Gambar 4. 8 Kurva power spectra density (PSD) .TS5 Stasiun MTTP 26-R

26
 Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.8), data MT
.TS4 pada stasiun MTTP 26-R merekam gelombang EM dengan frekuensi
0.002 – 7 Hz dengan noise yang hampir tidak teridentifikasi sama sekali.

Gambar 4. 9 Kurva coherencies .TS5 Stasiun MTTP 26-R

Kurva coherencies (Gambar 4.9) menunjukkan hubungan antara signal to

noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang
demikian pada data .TS5 adalah frekuensi 2 – 7 Hz. Ini juga mengindikasikan
bahwa data dengan frekuensi < 2 Hz memiliki data yang sangat sedikit yang
diakibatkan karena frekuensi sangat rendah memiliki periode yang sangat besar
sehingga dibutuhkan durasi pengukuran yang lama.

Gambar 4. 10 Seleksi 20 cross powers : sebelum (kiri) dan sesduah seleksi (kanan)

27
 Gambar 4. 12 Seleksi 60 cross powers : sebelum (kiri) dan sesduah seleksi (kanan)

Gambar 4. 11 Seleksi 100 cross powers : sebelum (kiri) dan sesduah seleksi (kanan)

Setelah dilakukan seleksi cross power baik 20, 60 dan 100. Kurva apparent
resitiviy dan phase yang dihasilkan memiliki tonjolan pada frekuensi sekitar
0.01 Hz pada cross power 20 dan 60. Hal ini diakibatkan karena frekuensi
tersebut merupakan dead band sehingga sangat sulit untuk diseleksi jika
memiliki data nilai cross power yang kecil.

28
4.2 Stasiun MTTP 43

Gambar 4. 13 Sampel time series .TS3 Stasiun MTTP43

Gambar 4.13 merupakan sampel rentang data pada data time series .TS3.
Terlihat noise pada kurva Ex, Ey, Hx dan Hy yang berbentuk spike.
Kemungkinan noise ini berasal dari aktivitas petir yang letaknya relatif dekat

Gambar 4. 14 Kurva power spectra density (PSD) .TS3 Stasiun MTTP 43

pada daerah pengukuran.

Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.14) , data
MT .TS3 pada stasiun MTTP 43 merekam gelombang EM dengan frekuensi
0.15 – 1200 Hz dengan noise yang berada pada frekuensi 12 Hz yang masih
belum bisa dipastikan darimana sumber noisenya dan 50 Hz serta kelipatannya
yang kemungkinan berasal dari listrik PLN.

29
 Gambar 4. 15 Kurva coherencies .TS3 Stasiun MTTP 43

Kurva coherencies (Gambar 4.15) menunjukkan hubungan antara signal to

noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang
demikian pada data .TS3 adalah frekuensi 50 –250 Hz.

Gambar 4. 16 Sampel time series .TS4 Stasiun MTTP 43

Gambar 4.16 merupakan sampel rentang data pada data time series .TS4.
Terlihat noise pada kurva Ex, Ey, Hx dan Hy yang berbentuk spike.
Kemungkinan noise ini berasal dari aktivitas petir yang letaknya relatif
menengah pada daerah pengukuran.

30
 Gambar 4. 18 Kurva power spectra density (PSD) .TS4 Stasiun MTTP 43

Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.17) , data
MT .TS4 pada stasiun MTTP 43 merekam gelombang EM dengan frekuensi
0.002 –70 Hz dengan noise yang berada pada frekuensi 0.15 Hz dan 12 Hz
yang masih belum bisa dipastikan darimana sumber noisenya dan 50 Hz serta
kelipatannya yang kemungkinan berasal dari listrik PLN.

Gambar 4. 17 Kurva coherencies .TS4 Stasiun MTTP 43

Kurva coherencies (Gambar 4.18) menunjukkan hubungan antara signal to

noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data

31
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang
demikian pada data .TS3 adalah frekuensi 18 – 70 Hz.

Gambar 4. 19 Sampel time series .TS5 Stasiun MTTP 43

Gambar 4.19 merupakan sampel rentang data pada data time series .TS5.
Terlihat noise pada kurva Ey, Hx, Hy dan Hz yang berbentuk spike.
Kemungkinan noise ini berasal dari aktivitas petir yang letaknya relatif
menengah pada daerah pengukuran. Lalu pada kurva Ex dan Hx terdapat hal
yang menarik disini yaitu kurva Ex mengalami perubahan tren menjadi tidak
lurus, sementara kurva Hx membentuk suatu siklus gelombang. Hal ini jelas
dikarenakan oleh noise yang bersifat kontinyu. Identifikasi sumber noise ini
dapat diketahui ketika sudah berada pada domain frekuensi. Yang jelas noise
ini berada pada frekuensi yang rendah.

32
 Gambar 4. 20 Kurva power spectra density (PSD) .TS5 Stasiun MTTP 43

Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.20) , data
MT .TS5 pada stasiun MTTP 43 merekam gelombang EM dengan frekuensi
0.0004 –7 Hz dengan noise yang berada pada frekuensi 0.0025 Hz, 0.018, dan
0.04 Hz. Noise ini sangat rendah frekuensinya dan seperti terlihat pada data
time series sifatnya kontinyu dan berulang-ulang.

Gambar 4. 21 Kurva coherencies .TS5 Stasiun MTTP 43

Kurva coherencies (Gambar 4.21) menunjukkan hubungan antara signal to

noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang

33
demikian pada data .TS3 adalah frekuensi 6 - 7 Hz. Data dengan frekuensi <
6 Hz kemungkinan sedikit sehingga memiliki nilai signal to noise ratio yang
kecil pula.

Gambar 4. 23 Seleksi 20 cross powers : sebelum (kiri) dan sesduah seleksi (kanan)

Gambar 4. 22 Seleksi 60 cross powers : sebelum (kiri) dan sesduah seleksi (kanan)

34
 Gambar 4. 24 Seleksi 100 cross powers : sebelum (kiri) dan sesduah seleksi (kanan)

Sebelum dilakukan seleksi cross power, terlihat tren dari data juga
mengalami lonjakan ketika sampai pada frekuensi di sekitar 0.1 Hz. Bisa
disimpulkan kalau ini disebabkan oleh dead band. Proses seleksi cross power
membuat tren kurva terlihat lebih masuk akal karena tidak terjadi perubahan
yang tiba tiba terutama pada data di frekuensi rendah yang seharusnya tidak
mengalami perubahan yang berarti karena data di frekuensi tersebut
menggambarkan resistivitas benda dalam yang seharusya bersifat regional.
Namun proses seleksi cross power juga masih belum sempurna dikarenakan
ada data sama sekali tidak bisa kembali ke tempat yang diperkirakan sehingga
kurva yang terbentuk baik dari hasil cross power 20, 60, dan 100 masih terlihat
memiliki pencilan. Dapat dikatakan juga, noise pada frekuensi ini sangat
dominan dibandingkan datanya.

35
4.3 Stasiun MTTP 45

Gambar 4. 25 Sampel time series .TS3 Stasiun MTTP 45

Gambar 4.25 merupakan sampel rentang data pada data time series .TS4.
Terlihat noise pada kurva Ex, Ey, Hx dan Hy yang berbentuk spike.
Kemungkinan noise ini berasal dari aktivitas petir yang letaknya relatif dekat
pada daerah pengukuran. Pada kurva Hz terdapat noise yang membentuk tren
kurva menjadi bergelombang namun tidak kontinyu.

Gambar 4. 26 Kurva power spectra density (PSD) .TS3 Stasiun MTTP 45

36
 Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.26) , data
MT .TS3 pada stasiun MTTP 45 merekam gelombang EM dengan frekuensi
0.15 –1200 Hz dengan noise yang berada pada frekuensi 12 Hz yang masih
belum bisa dipastikan darimana sumber noisenya dan 50 Hz serta kelipatannya
yang kemungkinan berasal dari listrik PLN.

Gambar 4. 27 Kurva coherencies .TS3 Stasiun MTTP 45

Kurva coherencies (Gambar 4.27) menunjukkan hubungan antara signal to

noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang
demikian pada data .TS3 adalah frekuensi 5 - 500 Hz.

37
 Gambar 4. 29 Sampel time series .TS4 Stasiun MTTP 45

Gambar 4.28 merupakan sampel rentang data pada data time series .TS4.
Terlihat noise pada kurva Ex, Ey, Hx dan Hy yang berbentuk spike.
Kemungkinan noise ini berasal dari aktivitas petir yang letaknya relatif dekat
pada daerah pengukuran.

Gambar 4. 28 Kurva power spectra density (PSD) .TS4 Stasiun MTTP 45

Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.29) , data
MT .TS3 pada stasiun MTTP 45 merekam gelombang EM dengan frekuensi
0.02 –70 Hz dengan noise yang berada pada frekuensi 0.15 Hz dan12 Hz yang
masih belum bisa dipastikan darimana sumber noisenya dan 50 Hz serta
kelipatannya yang kemungkinan berasal dari listrik PLN.

38
 Gambar 4. 31 Kurva coherencies .TS4 Stasiun MTTP 45

Kurva coherencies (Gambar 4.30) menunjukkan hubungan antara signal to

noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang
demikian pada data .TS3 adalah frekuensi 5 - 70 Hz.

Gambar 4. 30 Sampel time series .TS5 Stasiun MTTP 45

39
 Gambar 4.31 merupakan sampel rentang data pada data time series .TS5.
Terlihat noise pada kurva Ex, Ey, Hx dan Hy yang berbentuk spike.
Kemungkinan noise ini berasal dari aktivitas petir yang letaknya relatif dekat
pada daerah pengukuran.

Gambar 4. 32 Kurva power spectra density (PSD) .TS5 Stasiun MTTP 45

Dilihat dari kurva power spectra density (PSD) nya (Gambar 4.32) , data
MT .TS5 pada stasiun MTTP 45 merekam gelombang EM dengan frekuensi
0.002 –7 Hz dengan noise yang berada pada frekuensi 0.015 Hz. Meskipun
frekuensi noise kecil, namun noise ini dapat mempengaruhi data pada frekuensi
tersebut yang artinya data pada benda dalam.

40
 Gambar 4. 34 Kurva coherencies .TS5 Stasiun MTTP 45

Kurva coherencies (Gambar 4.33) menunjukkan hubungan antara signal to

noise ratio dengan masing masing frekuensi baik dalam TE Mode maupun TM
Mode. Penulis mengkategorikan signal to noise ratio yang bagus ketika data
memiliki coherency 0.8 – 1. Frekuensi yang memiliki coherency yang
demikian pada data .TS3 adalah frekuensi 5 - 7 Hz. Data pada frekuensi < 5
Hz kemungkinan sedikit karena membutuhkan waktu pengukuran yang lama
untuk mengakuisisi data pada frekuensi rendah, sehingga nilai coherency nya
menjadi kecil.

Gambar 4. 33 Seleksi 20 cross powers : sebelum (kiri) dan sesduah seleksi (kanan)

41
 Gambar 4. 36 Seleksi 60 cross powers : sebelum (kiri) dan sesduah seleksi (kanan)

Gambar 4. 35 Seleksi 100 cross powers : sebelum (kiri) dan sesduah seleksi (kanan

Sejalan dengan kurva koherensinya, data pada frekuensi yang rendah

memiliki nilai coherency yang kecil yang dapat disebabkan oleh data yang
sedikit. Terlihat pada kurva sebelum cross power baik pada 20, 60, dan 100,
tren kurva sangat sulit sekali diprediksi. Sedikitnya data tiap frekuensi pada
frekuensi rendah juga membuat sulitnya ditemukan kombinasi yang tepat agar
terbentuk kurva yang baik. Namun terlihat pada cross power100 kurva
apparent resistivity dan phase sudah terbilang cukup baik dibandingkan kurva
pada cross power 20 dan 60.

42
 BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian dan pembahasan pada pengolahan data
magnetotellurik yang diberikan dapat disimpulkan :
1. Sinyal dan noise dapat dibedakan dalam domain waktu dan domain
frekuensi.
2. Untuk noise yang sulit diidentifikasi atau yang bersifat kontinyu, dapat
diidentifikasi melalui kurva power spectra density nya.
3. Menghilangkan noise pada data MT dapat dilakukan dengan cara memilih
rentang data time series yang memiliki noise yang rendah ketika akan
dilakukan robust processing dan seleksi cross power.

5.2 Saran
Adapun saran agar pengolahan data MT ini dapat lebih baik lagi baik dari
proses inspeksi time series hinga seleksi cross power adalah sebagai berikut :
4. Melakukan inspeksi time series secara menyeluruh agar dapat diketahui
bagian data mana yang memiliki noise yang rendah.
5. Mempertimbangkan untuk tidak memakai semua rentang data. Pilihlah
rentang data yang memiliki noise yang rendah tersebut dilakukan robust
processing agar kurva cross power yang dihasilkan sudah seminimal
mungkin terhindar dari noise.
6. Menggunakan nilai cross power yang besar misal 60 atau 100 jika terdapat
banyak noise dan menggunakan nilai cross power rendah missal 20 jika
noise dinilai sudah hampir tidak ada agar pengolahan dapat berjalan secara
efektif dan efisien.

43
 DAFTAR PUSTAKA
Chandra, A. A. (2018). Ini Sebaran Pembangkit Listrik Panas Bumi di Indonesia.
Retrieved September 8, 2018, from https://finance.detik.com/energi/d-
4012214/ini-sebaran-pembangkit-listrik-panas-bumi-di-indonesia
Daud,Y. (2017). MT-TDEM Technology for Geothermal Exploaration. Jakarta :
Universitas Indonesia
Geothermal Indonesia. (2017). Komponen Sistem Panas Bumi. Retrieved
September 8, 2018, from
https://geothermalindonesia.com/2017/02/09/komponen-sistem-panas-
bumi/
Griffiths, D. J. (2013). Introduction to electrodynamics (Fourth edition). Boston:
Pearson.
Kementrian ESDM. (2017). Buku Potensi Panas Bumi. Jilid 1. Jakarta : Direktorat
Panas Bumi, Direktorat Jendral Energi Baru, Terbarukan dan Konservasi
Energi
Setyobudi, P. T. (2011). PENGARUH SESAR TERHADAP PERMEABILITAS
BATUAN RESERVOIR PANASBUMI | Mengenal Geologi dan Bumi.
Retrieved September 8, 2018, from
https://ptbudie.com/2011/01/01/pengaruh-sesar-terhadap-permeabilitas-
batuan-pada-medan-panasbumi/
Simpson, F., & Bahr, K. (2005). Practical magnetotellurics. Cambridge, UK ; New
York: Cambridge University Press.
Wahyuningsih, R. (2005). Potensi dan Wilayah Kerja Pertambangan Panas Bumi
di Indonesia. Kolokium Hasil Lapangan. Badan Geologi: Bandung.

44