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
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.
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.
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.
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 :
Dimana :
3
Transformasi forier kedua sisi dan sisi kanan diganti oleh pers.(3) didapat :
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)
Artinya bahwa korelasi silang antara dua fungsi dalam kawasan frekuaensi sama
dengan perkalian fungsi pertama dengan conjugate dari fungsi kedua.
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 :
Diketahui bahwa pasangan kompleks conjugate P(f) dan P*(f) diberikan oleh :
Dimana A(f) dan ϑ(f) masing-masing adalah spectrum ampllitudo dan spectrum
phase. Sehingga auto-korelasinya menjadi :
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.
a. Maksimum :
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)
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)
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 :
Dimana P(-t) adalah cermina dari X(t), kemudian transformasi Fourier persamaan
diatas didapat :
Transformasi Fourier dari suatu auto-korelasi P(t) adalah spectrum energi dari
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 :
∞
dimana
𝑡𝑛 = (𝑛 − 1)∆𝑡
Maka funngsi korelasi silang dan auto-korelasinya diberikan oleh :
∞
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
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)
−∞ −∞
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
t t
t1
Amlitdo S(t)dinomalisasii ke1 sx(t) Corelogram
Gambar IV.5 : Aplikasi konvolusi dan korelasi dalam survei seismik pantul
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
Akan memberikan harga maksimum pada saat kedua trace tersebut dalam keadaan
sejajar satu sama lain.
15
Perumusan Matematis
∞
= ∫−∞ 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
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)
= ∫ 𝑔(𝑢)𝑔(𝑢 + 𝑥)𝑑𝑢
−∞
Diskrit
𝑓𝑘 = 𝑔 × 𝑔 = ∑ 𝑔𝑡−𝑘 𝑔𝑘
𝑡
= ∑ 𝑔𝑡 𝑔𝑡−𝑘
𝑡
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
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
21