BAB 8 Modul VII

KORELASI DAN AUTOCORELASI

VII.1 Pendahuluan

Data akusisi hampir sebagian besar metoda geofisika, data yang terekam merupakan
gabungan dari sugnal (anomali) dan ‘noise’, sehingga untuk melakukan interpretasi
terhadap data tersebut perlu dilakukan proses eliminasi ‘noise’.

Banyak metoda dapat diterapkan untuk menekan ‘noise’, sehingga’ signal to noise
ratio’ data tersebut meningkat dalam kontek data geofisika sebagai fungsi waktu,
misalnya data seismik, salah satu tujuan proses analisa deret waktu adalah untuk
memisahkan komponen signal (yang akan diinvestigasi) dan komponen ‘noise’
(pengganggu).

Secara umum, perbedaan mendasar proses pemisahan signal dan noise melalui
‘filtering’ dan KORELASI di berikan oleh Gambar IV.1 dibawah ini :

FILTERING

SYARAT
SIGNAL&NOISE LOWPASS ATAU
BERBEDA ENERGI BAND PASS FILTER
SPEKTRUM (FT)

PEMISAHAN
SIGNAL&NOISE

TIDAK SELALU
DIPENUHI

KORELASI

Gambar IV.1:Korelasi dalam pemisahan signal dan noise

1
Gambar IV.1 memperlihatkan bahwa pada kondisi dimana signal dan noise
mempunyai spectrum energi yang hampir sama’ proses pemisahan dengan filtering
(misalnya low-pass filter, band-pass filter dsb) tidak efektif karena filter tersebut
tidak bias membedakan signal dan noisenya, pada kondisi ini proses pemisahan
melalui KORELASI merupakan alternative yang baik. Tetapi proses ini (korelasi)
membutuhkan pengenalan bentuk signal dengan baik dan adanya perbedaan spectrum
‘phase’ antara signal dan noise.

VII.2 Korelasi Silang (Cross-Corelation)

Fungsi Korelasi Silang dari dua fungsi aperiodik x(t) dan y(t) di berikan oleh :

∞
𝑍𝑋,𝑌 (𝑡) = ∫−∞ 𝑋(𝜏). 𝑌(𝑡 + 𝜏). 𝑑𝜏…………..(1)

Secara grafis proses korelasi silang pers.(1) diatas diberikan oleh Gambar IV.2
dimana prosedurnya terdiri atas pergeseran (displacement), perkalian (multiplication)
dan integrasi (integration). Gambar IV.2 juga menunjukkan bahwa korelasi silang
antara dua fungsi, sesuai dengan proses konvolusi yang di jelaskan pada bab
sebelumnya, dalam kawasan waktu/jarak adalah konvolusi antara X(t) dan’time
reverse’(pencerminan) dari Y(t). konsekuensinya bahwa korelasi silang tidak berifat
komulatif.

𝑍𝑋,𝑌 (𝑡) ≠ 𝑍𝑌,𝑋 (𝑡)

Dari uraian diatas dapat diambil kesimpulan bahwa fungsi korelasi silang adalah
mengukur similaritas/keselarasan (conformity) dari dua fungsi setelah menggeser
salah satu fungsi dimana penggeserannya bias positif (>0) atau negative (<0).
Kemudian jika harga korelasi terbesar antara X(t) dan Y(t) adalah pada waktu t 0, hal
ini menunjukkan bahwa Y(𝑡0 + 𝑡) selaras terbaik dengan X(t).
Hasil korelasi silang dapat diinterpretasikan secara kuantitatif atau kualitatif. Pada
pendekatan yang terakhir, hasil korelasi silang dinormalisasikan dengan suatu harga

2
terentu yang tetap. Sebagai contoh jika harga korelasi silang maksimal Zmaks. pada
t=t0, maka harga normalisasinya adalah :

𝑛 𝑍𝑋,𝑌 (𝑇)
𝑍𝑋,𝑌(𝑡) = |𝑍 …………..(2)
𝑚𝑎𝑘𝑠. (𝑡0 )|

Sehingga analisa hasil korelasi hanya berhubungan dengan waktu t0 dan bentuk
fungsinya dimana masing-masing menunjukkan posisi keselarasan terbaik dan pola
perubahan dari selaras ke tidak selaras.

VII.3 Dalam Kawasan Frekuensi

Diketahu tiga fungsi masing-masing Q(t),P(t) dan S(t) dimana Q(t)=P(t) atau Q(t)
pencerminan dari P(t), sesuai dengan teorema konvolusi dimana konvolusi dalam
kawasan waktu sama dengan perkalian dalam kawasan frekuensi, maka konvolusi
antara S(t) dan Q(t) dalam kawasan frekuensi diberikan oleh :

𝐹𝑆,𝑄 (𝑓) = 𝑆(𝑓). 𝑄(𝑓)…………….(3)

Dimana :

FS,Q(f) = transformasi Fourier dari konvolusi S((t) dan Q(t)

S(f) =transformasi fourier darii S(t)

Q(f) = transformasi Fourier dari Q(t)

Seperti dijelaskan sebelumnya,diketahui bahwa korelasi silang antara dua fungsi

sama dengan konvolusi fungsi pertama dengan ‘time reverse’ fungsi kedua, maka
korelasi silang S(t) dan P(t) sama dengan konvolusi S(t) dan Q(t) yang diberikan
oleh:

𝑍𝑆,𝑃 (𝑡) = 𝐹𝑆,𝑄 (𝑡)…………..(4)

3
Transformasi forier kedua sisi dan sisi kanan diganti oleh pers.(3) didapat :

𝑍𝑆,𝑃 (𝑓) = 𝑆(𝑓). 𝑄(𝑓)………….(5)

Karena Q(t) adalah pencerminan dari P(t), maka transformasi forier Q(t) sama dengan
conjugate dari transformasi forier P(t) yang diberikan oleh :

𝑄(𝑓) = 𝑃∗ (𝑓)………….(6)

Sehingga pers.(5) menjadi :

𝑍𝑆,𝑃 (𝑓) = 𝑆(𝑓). 𝑃 ∗ (𝑓)……………..(7)

Artinya bahwa korelasi silang antara dua fungsi dalam kawasan frekuaensi sama
dengan perkalian fungsi pertama dengan conjugate dari fungsi kedua.

VII.4 Auto-Korelasi (Auto-corelation)

Korelasi diri adalah jenis khusus dari suatu fungsi korelasi yang diberikan sbb :

∞
𝑍𝑃,𝑃 (𝑡) = ∫−∞ 𝑃(𝜏). 𝑃(𝑡 + 𝜏). 𝑑𝜏………….(8)

Sesuai dengan pers.(7), maka auto-korelasi dalam kawasan frekuensi diberikan oleh :

𝑍𝑆,𝑃 (𝑓) = 𝑃(𝑓). 𝑃∗ (𝑓)……………(9)

Diketahui bahwa pasangan kompleks conjugate P(f) dan P*(f) diberikan oleh :

𝑃(𝑓) = 𝐴(𝑓). 𝑒 −𝑖𝜕(𝑓) … 𝑑𝑎𝑛 … 𝑃∗ (𝑓) = 𝐴(𝑓). 𝑒 +𝑖𝜕(𝑓)

Dimana A(f) dan ϑ(f) masing-masing adalah spectrum ampllitudo dan spectrum
phase. Sehingga auto-korelasinya menjadi :

𝑍𝑃,𝑃 (𝑓) = |𝐴(𝑓)|2 ……..(10)

dengan kata lain auto-korelasi dalam kawasan frekuensi adalah fungsi frekuensi riil
atau fungsi dengan spectrum phase nol. Sehingga dari suatu fungsi auto-korelasi

4
hanya mengandung spectrum amplitude, artinya bahwa fungsi auto-korelasi
sepenuhnya didefinisikan oleh spectrum amplitude (energi) yang tidak bergantung
pada phasenya.

Dari uraian ini dan sesuai dengan definisi korelasi dan korelasi-silang, maka fungsi
auto-korelasi adalah mengukur bagaimana keselarasan suatu fungsi dangan
duplikatnya setelah duplikatnya digeser atatu mengukur keselarasan 9atau
keselarasan bayangan cermin) bagian-bagian dari suatu fungsi. Contoh yang
menunjukan koinsiden, keselarasan (conformity) dan keselarasan bayangan cermin
dari suatu fungsi auto-korelasi diberikan oleh gambar IV.3.

Sifat-sifat Fungsi Auto-korelasi :

a. Maksimum :

Fungsi auto-korelasi mempunyai harga maksimum pada t=0., sehingga :

|𝑍𝑝,𝑝 (𝑡)| ≤ 𝑍𝑝,𝑝 (0)

Artinya bahwa t = 0 kedua fungsi serupa (coincidence).

𝜑𝑥𝑥 (𝑡)

A Waktu t
X(t)

Lag 0

X(t)

X(t)

5
X(t)

Lag A

X(t-t0A)
Inverted
Ampliitude (Untuk
ilustrasikonfomiti
bayangan cermin)

X(t)

Lag B

X(t-t0B)

X(t)

Lag C

X(t-toc)

Gambar IV.3:Cooincindece,conformitydan conformity bayangan cermin

b. Normalisasi :

Harga auto-korelasi pada waktu t dibagi dengan harga maksimum (pada t = 0) yang
diberikan oleh :

𝑛 (𝑡)
𝑍𝑝,𝑝 (𝑡)
𝑍𝑝,𝑝 =
𝑍𝑝,𝑝 (0)

c. Periodisitas/transien terhadap waktu :

P(t) Zp,p(t)

6
- Periodik dengan perioda 𝑇0 Periodik dengan perioda 𝑇0
- Aperiodik Aperiodik
- Transien dengan waktu 𝑇0 transien dengan waktu 2𝑇0
d. Transformasi Fourier :
Korelasi antara fungsi P(t) dan fungsi S(t) sama dengan konvolusi pencerminan P(t)
dan S(t) yang di tuliskan sbb :
𝑍𝑝,𝑠 = 𝑝(−𝑡) ∗ 𝑆(𝑡)

Sehingga auto-korelasinya :

𝑍𝑝,𝑝 (𝑡) = 𝑝(−𝑡) ∗ 𝑝(𝑡)

Dimana P(-t) adalah cermina dari X(t), kemudian transformasi Fourier persamaan
diatas didapat :

𝑍𝑝,𝑝 (𝑓) = 𝑃 ∗ (𝑓). 𝑃(𝑓) = |𝑃(𝑓)|2

Sehingga dapat diformulasikan teorema dari auto-korelasi sbb :

Transformasi Fourier dari suatu auto-korelasi P(t) adalah spectrum energi dari

Fungsinya itu sendiri (P(t)), bersifat real dan even.

e. Simetris :
Suatu fungsi auto-korelasi bersifat simetri dan even, sehingga :
𝑍𝑝,𝑝 (𝑡) = 𝑍𝑝,𝑝 (−𝑡)
f. Familier ;
Diketahui suatu fungsi P(t) tediri atas beberapa fungsi fungsi yang masing-masing
adalah P1(t),P2(t),……..dst. Jika amplitudo spectrum semua fungsi tersebut identik
(A(f)) dan spectrum phase ϑ(f) berbeda, maka fungsi auto-korelasinya akan identik.
Contoh :
𝑃(𝜔) = 𝐴(𝜔)𝑒 𝑖𝜗(𝜔) … … 𝑑𝑒𝑛𝑔𝑎𝑛 … . 𝜔 = 2𝜋𝑓

7
Maka
𝑍𝑝,𝑝 (𝜔) = |𝑃(𝜔)|2 = 𝐴2 (
Identik untuk fungsi-fungsi yang lain P1(t), P2(t),……..dst, sehingga P(ω)
mengandung informasi phase, sedangkan Zp,p(ω) tidak.
g. Fungsi korelasi diskrit :
Jika diketahui dua fungsi diskrit masing-masing diberikan oleh :
∞

𝑃(𝜔) = ∑ 𝑃𝑛 𝛿(𝑡 − 𝑡𝑛 ) … … . → ⋯ … 𝑃(𝑡𝑛 ) … … . → ⋯ . . 𝐷𝑖𝑠𝑘𝑟𝑖𝑡

𝑛=1
∞

𝑃(𝜔) = ∑ 𝑆𝑛 𝛿(𝑡 − 𝑡𝑛 ) … … . → ⋯ … 𝑆(𝑡𝑛 ) … … . → ⋯ . . 𝐷𝑖𝑠𝑘𝑟𝑖𝑡

𝑛=1

dimana
𝑡𝑛 = (𝑛 − 1)∆𝑡
Maka funngsi korelasi silang dan auto-korelasinya diberikan oleh :
∞

𝑍𝑝,𝑠 (𝑡𝑛 ) = ∆𝑡 ∑ 𝑃𝑘 𝑆𝑘+𝑛−1

𝑘=1
∞

𝑍𝑝,𝑝 (𝑡𝑛 ) = ∆𝑡 ∑ 𝑃𝑘 𝑃𝑘+𝑛−1

𝑘=1

dengan ∆t=spasi data dan n=1,2,3,…….., ∞.

1. Contoh aplikasi Korelasi silang auto-korelasi

a. Data kegempaan :
Diamsusikan rekaman seismogram dari suatu gempa diganggu oleh noise. Noise ini
dapat diakibatkan oleh beberapa kemungkinan gelombang micro seismic seperti :
kendaraan, angin, gelombang laut dsb. Sehingga seismogram merupakan gabungan
signal dengan noise dimana signal sebagai data target.

8
Didalam kegempaan, parameter yang berhubungan dengan signal adalah waktu tiba t
dan amplitude A.
Jika bentuk signal S(t) diketahui, sehingga setelah merambat dengan waktu t dan
amplitude A menjadi :
𝑆0 (𝑡) = 𝐴. 𝑆(𝑡 − 𝑡0 ) … . . → ⋯ 𝑡0 … 𝑑𝑎𝑛 … 𝐴 … 𝑑𝑖𝑐𝑎𝑟𝑖?
Kemudian signal diatas terkontaminasi oleh noise, sehingga seigmogram yang
terekam menjadi :
𝑋(𝑡) = 𝑆0 (𝑡) + 𝑛(𝑡)
Sebagai contoh masing-masing data rekaman dan hasil korelasinya diberikan pada
Gambar IV.4.
Secara singkat Gambar IV.4 menunjukkan bahwa jika S(t) diketahui, auto-korelasi
Zs,s (t) dapat dihitung, sehingga amplitude A dan waktu tempuh 𝑡0 dapat diestimasi
seperti ditunjukkan oleh korelogramnya (gambar terakhir pada Gambar IV.4). Secara
matematik dapat dibuktikan sbb :
∞ ∞
𝑍𝑠,𝑥 (𝑡) = ∫ 𝑆(𝜏)𝑋(𝑡 + 𝜏)𝑑𝜏 = ∫ 𝑆(𝜏)⌊𝑆0 (𝑡 + 𝜏) + 𝑛(𝑡 + 𝜏)⌋𝑑𝜏
−∞ −∞
∞
= ∫−∞ 𝑆(𝜏)[𝐴. 𝑆(𝑡 + 𝜏 − 𝑡0 ) + 𝑛(𝑡 + 𝜏)]𝑑𝜏

t
T0
A
S0(t)
t
N(t)

t
X(t)

Zax(t)

9
 t

Gambar IV.4: Applikasi proses korelasi dalam estimasi waktu tiba

Sisi bagian kanan kemudian diuraikan menjadi dua proses integral, maka dapat:
∞ ∞
𝑍𝑠,𝑥 (𝑡) = 𝐴 ∫ 𝑆(𝜏)𝑆(𝑡 + 𝜏 − 𝑡0 )𝑑𝜏 + ∫ 𝑆(𝜏)𝑛(𝑡 + 𝜏)𝑑𝜏 … . . (10)
−∞ −∞

Sisi pertama dan kedua bagian kanan masing-masing menunjukkan auto-korelasi

Zs,s(t) dan korelasi silang Zs,n. Sehingga pers.(-10) dapat ditulis sbb:
𝑍𝑆,𝑋 (𝑡) = 𝐴. 𝑍𝑠,𝑠 (𝑡 − 𝑡0 ) + 𝑍𝑆,𝑛 (𝑡) … … . (11)
Jika di asumsikan similaritas S(t) dan n(t) sangat kecil, maka
|𝑍𝑠,𝑥 (𝑡)| ≪ 𝐴. 𝑍𝑠,𝑠 (0)
Sehingga persamaan diatas menjadi :
𝑍𝑠,𝑥 (𝑡) ≈ 𝐴. 𝑍𝑠,𝑠 (𝑡 − 𝑡0 … … (12)
Karena S(t) diketahui, Zs,s (0) dapat dihitung, sehingga normalisasi pers.(12) dengan
Zs,s (0) didapat :
𝑍𝑠,𝑠 (𝑡 − 𝑡0)
𝑍𝑠,𝑥 (𝑡) ≈ … … . . (13)
𝑍𝑠,𝑠 (0)
dimana :
𝑍𝑠,𝑠 (t-t0)=Zs,s(0)………(14)
Sesuai dengan pers.(13) dan persamaan (14), Zs,s(t) =A dan terjasi pada t=𝑡0 .
Sehingga 𝑡0 dan A dapat diestimasi.
Proses korelasi silang yang dijelaskan diatas bisa disebut ‘MATCHED FILTER’
yaitu suatu optimal filter untuk mengeluarkan signal dari noise.
Dari uraian diatas diketahui bahwa proses ‘Matched Filter’ ini tidak berlaku jika :
- Signal dan noise similara
- Noise lebih kuat dari signal disekitar waktu 𝑡0 .

10
b. Seismik Refleksi Dengan Sumber Vibroseis
Pada daerah dengan penduduk cukup padat, penggunaan sumber dinamit beresiko
tinggi. Sehingga jika pencapaian pada daerah tersebut relative mudah, sumber
vibroseis merupakan alternative yang baik.
Secara umum perbedaan survei seismic sumber vibroseis dengan dinamit dapat
dijelaskan sbb :
1. Sumber :
Sumber dihasilkan dari suatu mesin vibrator dengan karakter dan durasi
tertentu (terukur dangan baik). Energi input /detik nya jauh lebih kecil
dibandingkan dengan dinamit, sehingga resikonya lebih kecil.
2. Seismogram :
Seismogram yang dihasilkan (terekam) biasanya disebut vibrogram dan tidak
memperlihatkan pulsa reflector yang terpisah karena panjang gelombang
sumber cukup besar dan lebih komplek dibandingkan dengan dinamit.

Untuk mendapatkan signal akibat pemantulan oleh waktu (t) dan amplitudonya (A)
dilakukan proses korelasi silang diantara sumber, biasanya berupa fungsi Sweep, dan
vibrogram dimana keluarannya disebut KOLEROGRAM. Secara sederhana
perbedaan survey seismic pantul dengan sumber vibroseis dan dinamit diberikan oleh
Gambar IV.5.

Sumber
h(t) r1
1 2 3 4 r2
r3

Geophone
t
0 t1 t2 t3

Bidang pantul

11
 Eksplosif
Sweep
Sumber:pulse
Sumber:Sweep
t t
S(t) S(t) T0

h(t) h(t) r1

t t
r1

x(t) Seiismogram x(t) geophone Vibrogram

Geophone

t t
t1
Amlitdo S(t)dinomalisasii ke1 sx(t) Corelogram

Gambar IV.5 : Aplikasi konvolusi dan korelasi dalam survei seismik pantul

2. Pengertian Korelasi Secara Statistik

Dalam pendekatan secara statistic, nilai atau harga dari suatu fungsi korelasi dapat
didefinisikan sebagai suatu ukuran korelasi secara statistic antara dua (2) fungsi.
Persamaannya diberikan oleh :

12
 ∞
𝑍𝑠, 𝑝(𝑡) = ∫ 𝑆(𝜏 + 𝑡)𝑃(𝜏)𝑑𝜏
−∞

Persamaan in menunjukkan bahwa jika kedua fungsi S(t) dan P(t) independen dan
dalam integrasi berlawanan satu dengan lainnya, maka hasil kali akan silang
menghilang. Artinya nilai/harga korelasinya minimal.
Proses auto-korelasi banyak digunakan dalam pengolahan dan seismic, sebagai
contoh proses eliminasi noise seismic yang berupa multiple dengan menggunakan
teknik dekonvolusi prediktif.
Noise dalam kasus diatas dianggap sebagai hasil satu proses statistic yang secara
umum memenuhi dua (2) asumsi :
a. Harga rata-ratanya adalah konstan
b. Harga rata-rata perkalian noise pada waktu berbeda t dan t+a hanya
bergantung pada beda waktu a (tidak pada waktu absolute t).

Suatu proses stokastik yang memenuhi dua hal diatas disebut stasioner dalam
pengertian yang luas. Kemudian jika suatu fungsi atau noise Si(t) memenuhi asumsi
yang ke dua(2) atau b, harga rata-ratanya diberikan oleh :

∞
∫ 𝑆𝑖(𝑡 + 𝜏)𝑆𝑖(𝜏)𝑑𝜏
−∞

dimana persamaan ini adalah auto-korelasi dari noise tersebut. Sehingga dari uraian
ini dapat diketahui bahwa suatu noise yang memenuhi kedua (a dan b) asumsi diatas
akan mempunyai spectrum amplitude dengan definisi yang baik (tertentu), sedangkan
spectrum phasenya random atau dengan kata lain noise ini mempunyai definisi auto-
koreksi yang baik. Contoh noise dengan karakteristik ini adalah:

a. White noise:

13
 White noise didefinisikan sebagai suatu fungsi dimana korelasinya nol(tidak
ada) pada setiap waktu kecuali t=0 dan auto-korelasi pada t=0 tertentu (finite).
Dengan definisi ini maka auto-korelasi dari suatu white noise adalah nol(0)
untuk t≠0 dan tertentu (finite) pada t=0, dengan kata lain auto-korelasi white
noise adalah fungsi dirac. Sehingga Fourier transfor dari fungsi auto-korelasi
white noise akan mempunyai spectrum amplitude real dan konstan, sedangkan
spectrum phasenyarandom. Hal ini menunjukkan bahwa white noise
memenuhi definisi noise seperti diuraikan diatas. Dalam seismik refleksi,
koefisien refleksi dari setiap lapisan diasumsikan sebagai white noise.
b. Colour noise
Colour noise ini divisualisasikan sebagai hasil konvolusi antara short signal
dengan white noise. Sehingga hasil transformasi Fourier dari colour noise ini
akan mempunyai spectrum amplitude sama dengan spectrum short signalnya,
sedangkan spktrum phase random.
Dalam kasus data seismic refleksi, real seismogram adalah colour noise
dimana short signal adalah sumber (biasanya dengan ledakan dinamit) dan
white noisenya adalah koefisien refleksi. Sehingga spectrum amplitude dari
seismogram sama dengan spketrum amplitude sumber dan phasenya random.
Dalam real data, koefisien tidak white secara sempurna, tetapi hanya sebagai
pendekatan untuk kepentingan pengolahan data (sebagai langkah
penyerdahanaan).

14
Contoh Perhitungan Cross Korelasi Dan Autokorelasi

A. CROSS CORRELATION

Dalam persoalan seismik seringkali kita dihadapkan pada persoalan untuk

membandingkan dua trace berbeda yang serupa tapi tidak identik (yang satu terlambat
dari yang lain). Dalam hal ini kita harus menentukan pergeseran (waktu) yang harus
dilakukan pada salah satu trace agar sejajar dengan yang lainnya.

Cross Correlation Fungction (C.C.F) :

Akan memberikan harga maksimum pada saat kedua trace tersebut dalam keadaan
sejajar satu sama lain.

15
Perumusan Matematis

𝑓(𝑥) = 𝑔(𝑥) × ℎ(𝑥)

∞
= ∫−∞ 𝑔(𝑢 − 𝑥) ℎ(𝑢) 𝑑𝑢

Diskrit

𝑓𝑘 = 𝑔 × ℎ = ∑ 𝑔𝑡−𝑘 ℎ𝑡
𝑡

16
 ∑ 𝑔𝑡 ℎ𝑡+𝑘
𝑡

Sifat-sifat :

𝑔×ℎ ≠ℎ×𝑔

𝑔 × ℎ = 𝑔(−) × ℎ ∶ {𝑓𝑘 = 𝑔𝑘 × ℎ𝑘 = 𝑔−𝑘 × ℎ𝑘 }

1 1
0
f

-1/2

t = 0 1 2 3

1/2 1
0 0
0
g
-1/2

t = 0 1 2 3 4 5

Korelasi Silang :

1/2 1
0 0
0
g
-1/2
g digeser 2 ke kanan
t = 0 1 2 3 4 5
(lag = -2) C.C. = 0
1/2 1

0 -1/2

1 1
0
f 17
-1/2
g digeser 1 ke kanan

t = 0 1 2 3 4 5 6 (lag = -1)
 1 1
0
f
-1/2
g digeser 0 (lag = 0)
t = 0 1 2 3 4 5
C.C. = 1 × ( - ½ ) = - ½
1/2 1
0

0 -1/2

Dan seterusnya.

C.C.F

1 3/4
1
1/2
0 0 0

-1/4
-1/2 -1/2 -1/2
Lag = -3 -2 -1 0 1 2 3 4 5

B. Auto Correlation

18
𝐺(𝑥) = ℎ(𝑥)

𝑓(𝑥) = 𝑔(𝑥) × 𝑔(𝑥) = ∫ 𝑔(𝑢 − 𝑥)𝑔(𝑢)𝑑𝑢

−∞

= ∫ 𝑔(𝑢)𝑔(𝑢 + 𝑥)𝑑𝑢
−∞

Diskrit

𝑓𝑘 = 𝑔 × 𝑔 = ∑ 𝑔𝑡−𝑘 𝑔𝑘
𝑡

= ∑ 𝑔𝑡 𝑔𝑡−𝑘
𝑡

𝑔 × 𝑔 = 𝑔(−) × 𝑔 ∶ {𝑓𝑘 = 𝑔𝑘 × 𝑔𝑘 = 𝑔−𝑘 𝑔𝑘 }

Merupakan fungsi genap : simetrik terhadap 0 (zero delay)

A.C.F. :

 Memberikan informasi yang lebih jelas tentang signal, tetapi tidak detail,
karena tidak memberikan informasi tentang fasa dari signal.
𝒇(𝒙) ↔ 𝒇(𝒔)
𝒇(𝒙) × 𝒇(𝒙) ↔ |𝑭(𝒔)|𝟐 : energi spektrum (Auto Power)
Untuk merekonstruksi signal
 Perlu asumsi tentang fasa dari spektrum.

19
 Dapat memberikan petunjuk tentang adanya efek multipel dan memperkirakan
frekuensinya (dalam persoalan seismik).

Fungsi ACF
1 3/4

1
3/4
1/2
0 0

-1/4
-1/2 -1/2 -1/2
-3/4
t = 0 1 2 3 4 lag = 0 1 2 3 4 5

Memberikan informasi yang lebih baik tentang

signal

Fungsi ACF
2 1/2

1 1/4
1 1 1
1/2 1/2 1/2 1/2
0 0 0

t = 0 1 2 3 4 5 lag= 0 1 2 3 4 5 6
Wave form + multiple ACF : Menunjukkan maksimum tambahan
(setelah 4 unit waktu) pada Lag (delay time = 4 unit waktu

20
VII.5 Rangkuman

Dalam persoalan seismik seringkali kita dihadapkan pada persoalan untuk

membandingkan dua trace berbeda yang serupa tapi tidak identik (yang satu terlambat
dari yang lain). Dalam hal ini kita harus menentukan pergeseran (waktu) yang harus
dilakukan pada salah satu trace agar sejajar dengan yang lainnya. Dengan demikian
cross correltion function (CCF) akan memberikan harga maksimum pada saat kedua
trace tersebut dalam keadaan sejajar satu sama lain.

Autokorelasi merupakan salah satu alat matematika yang digunakan dalam

signal processing untuk menganalisis fungsi atau deret nilai, saperti domain waktu
signals. Autokorelasi adalah cross-correlation dari signal yang sama. Autokorelasi
digunakan untuk mengukur keselarasan bagian-bagian dari suatu fungsi dan
memberikan informasi signal yang lebih jelas. Autokorelasi dalam kawasan frekuensi
adalah fungsi frekuensi riil atau fungsi dengan spektreum phase nol. Sehingga fungsi
autokorelasi hanya mengandung spektrum amplitudo.

VII.6 Soal Latihan

1. Diketahui fungsi f(x) = {0 1 -1 1/2 -1/2 0 1 } dan g(x) = { 1 0 1 -1/2 1

1/2 1 }. Tentukan korelasi silang dari kedua fungsi tersebut?
2. Tentukan korelasi diri (autokorelasi) masing-masing fungsi pada soal no.1.

21