Modul

Pelatihan MATLAB
Aplikasi Bidang Geofisika

Oleh :
Dr. Andri Dian Nugraha
Rexha Verdhora Ry, ST.
Waskito Pranowo, MT.

Insititut Teknologi Bandung

2014
Daftar Isi

Penentuan dan Relokasi Hiposenter

1. Grid Search
2. Random Search
3. Simulated Annealing (Guided Random Search)
4. Geiger
Jejak Sinar Gelombang (Ray Tracing) & Perhitungan Waktu Tempuh
1. Straight
2. Shooting
3. Bending
Gaya Berat
Analisis Sinyal
1. Fourier Transform and Inverse Fourier Transform
2. Tapering Function
3. Filter: Highpass, Lowpass, Bandpass
4. Hilbert Transform
5. Autocorrelation, Crosscorrelation, Convolution
6. STFT
Penentuan dan Relokasi Hiposenter

Indonesia merupakan negara yang berada pada daerah teknonik aktif. Gempa sudah
seharusnya menjadi hal yang biasa terjadi pada daerah ini. Selain gempa karena
aktifitas tektonik, gempa juga dapat terjadi dalam skala lokal seperti pada gunung
api, gempa mikro karena aktifitas injeksi pada lapangan migas, geothermal, CBM, dan
lainnya. Salah satu pengolahan data-data yang telah direkam dalam pengamatan
gempa adalah penentuan hiposenter. Hiposenter merupakan posisi sumber gempa
dalam 3 dimensi (x,y,z). Banyak metode dan algoritma yang telah berkembang dalam
penentuan dan relokasi hiposenter. Dalam pelatihan MATLAB ini kita akan membahas
beberapa metode dan algoritma dalam penentuan dan relokasi hiposenter, sebagai
berikut :
1. Grid Search
2. Random Search
3. Simulated Annealing (Guided Random Search)
4. Geiger

Grid Search
Langkah Membuat data sintetik
Diketahui :
1) Terdapat 5 stasiun dan 3 event gempa
Koordinat Stasiun :
St1 St2 St3 St4 St5
X 8.1212 6.1011 7.0149 0.922 4.2489
Y 3.7558 1.6615 8.3315 8.3864 4.5161
Z 0.9566 0.1472 0.8699 0.7694 0.4442

Posisi Hiposenter :

Event1 Event2 Event3

X 6.2062 9.5169 6.4001
Y 2.4733 3.527 1.8786
Z 5.4906 5.4093 5.4635
T0 0.0147 0.6641 0.7241

2) Kecepatan gelombang P (Vp) = 5.1 km/s

Hitung waktu tempuh (travel time) gelombang gempa dari hiposenter ke stasiun dengan
menggunakan rumus :
ℎ= /
dimana jarak dalam 3-D :
= ( − ) +( − ) +( − )
sehingga di dapat waktu observasi :
= 0+ ℎ

clear,clc % by Rexha Verdhora Ry

close all
%% MODEL SINTETIK
%Menentukan parameter model sintetik
xh=1300; %koordinat titik hiposenter
yh=1550;
zh=-530;
vavg=5.1; %velocity rata-rata (km/s)
x=[700 2500 1500 1850]; %koordinat stasiun pada sumbu x
y=[1900 2000 2500 800]; %koordinat stasiun pada sumbu y
z=zeros(1,4); %koordinat stasiun pada sumbu z

%Menghitung travel time sintetik pada tiap stasiun

for i=1:length(x)
tsint(i)=sqrt(((xh-x(i))^2)+((yh-y(i))^2)+((zh-z(i))^2))/vavg;
end

%Membuat t observasi dengan emberikan noise pada data sintetik

noise=0.005;
tobs=tsint+normrnd(0,noise*tsint,size(tsint));

%% SYSTEMATICAL GRID SEARCH

%Membuat lebar grid
L=10;
x0=(500:L:2500);
y0=(500:L:2500);
z0=[0:-L:-600];
P=10;

%Perhitungan missfit di setiap grid

h = waitbar(0,'Please wait...');
for l=1:length(z0)
waitbar(l/length(z0))
for j=1:length(x0)
for k=1:length(y0)
for i=1:length(x)
tcal(i)=sqrt(((x0(j)-x(i))^2)+...
((y0(k)-y(i))^2)+((z0(l)-z(i))^2))/vavg;
end
dt=tobs-tcal;
missfit(k,j)=sqrt(mean(dt.^2));
if missfit(k,j)<P
HypoX=x0(j); %update nilai Hypocenter
HypoY=y0(k); %berdasarkan missfit terkecil
HypoZ=z0(l); % by Rexha Verdhora Ry
P=missfit(k,j);
end
 end
end
end
close(h)

%Plot lokasi hiposenter

figure
plot3(HypoX,HypoY,HypoZ,'ko','MarkerFaceColor','g','MarkerSize',10)
hold on
plot3(x,y,z,'v','MarkerFaceColor','k');
title('\fontsize{13}Map of Event Distribution')
xlabel('West - East (m)')
ylabel('North - South (m)')
zlabel('Depth (m)')
grid on
hold off

Random Search
clear,clc % by Rexha Verdhora Ry
close all
%% MODEL SINTETIK
%Menentukan parameter model sintetik
xh=1300; %koordinat titik hiposenter
yh=1550;
zh=-530;
vavg=5.1; %velocity rata-rata (km/s)
x=[700 2500 1500 1850]; %koordinat stasiun pada sumbu x
y=[1900 2000 2500 800]; %koordinat stasiun pada sumbu y
z=zeros(1,4); %koordinat stasiun pada sumbu z

%Menghitung travel time sintetik pada tiap stasiun

for i=1:length(x)
tsint(i)=sqrt(((xh-x(i))^2)+((yh-y(i))^2)+((zh-z(i))^2))/vavg;
end

%Membuat t observasi dengan emberikan noise pada data sintetik

noise=0.005;
tobs=tsint+normrnd(0,noise*tsint,size(tsint));
%% RANDOM SEARCH
%Membuat lebar grid
x0=randint(1,5000,[500 2500]);
y0=randint(1,5000,[500 2500]);
z0=randint(1,5000,[-600 0]);
P=10;

%Perhitungan missfit di setiap grid

h = waitbar(0,'Please wait...');
for l=1:length(x0)
waitbar(l/length(x0))
for i=1:length(x)
tcal(i)=sqrt(((x0(l)-x(i))^2)+((y0(l)-y(i))^2)...
+((z0(l)-z(i))^2))/vavg;
end
dt=tobs-tcal;
missfit(l)=sqrt(mean(dt.^2));
if missfit(l)<P
HypoX=x0(l); %update nilai Hypocenter
HypoY=y0(l); %berdasarkan missfit terkecil
HypoZ=z0(l); % by Rexha Verdhora Ry
P=missfit(l);
end
end
close(h)

%Plot lokasi hiposenter

figure
plot3(HypoX,HypoY,HypoZ,'ko',...
'MarkerFaceColor','g','MarkerSize',10)
hold on
plot3(x,y,z,'v','MarkerFaceColor','k');
title('\fontsize{13}Map of Event Distribution')
xlabel('West - East (m)')
ylabel('North - South (m)')
zlabel('Depth (m)')
grid on
hold off
 Simulated Annealing
Flow Chart:

(Grandis,2009)

clear,clc % by Rexha Verdhora Ry

close all

%% MODEL SINTETIK
%Menentukan parameter model sintetik
xh=1300; %koordinat titik hiposenter
yh=2050;
zh=-1000;
vavg=5.1; %velocity rata-rata (km/s)
x=[700 1900 1200 1350]; %koordinat stasiun pada sumbu x
y=[2300 2000 3500 800]; %koordinat stasiun pada sumbu y
z=zeros(1,4); %koordinat stasiun pada sumbu z

%Menghitung travel time sintetik pada tiap stasiun

for i=1:length(x)
tsint(i)=sqrt(((xh-x(i))^2)+((yh-y(i))^2)+((zh-z(i))^2))/vavg;
end

%Membuat t observasi dengan emberikan noise pada data sintetik

noise=0.005;
tobs=tsint+normrnd(0,noise*tsint,size(tsint));

%% INVERSI NON LINIER

%Simulated Annealing Inversion
Xmin=0; Xmax=3000;
Ymin=0; Ymax=3000;
Zmin=-1500; Zmax=0;
X=Xmin+rand*(Xmax-Xmin);
Y=Ymin+rand*(Ymax-Ymin);
Z=Zmin+rand*(Zmax-Zmin);

for i=1:length(x)
tcal(i)=sqrt(((X-x(i))^2)+((Y-y(i))^2)+((Z-z(i))^2))/vavg;
end

dt=tobs-tcal;
E=dt*dt';

T=E;
k=0;
U=0;
Umax=100;
Lmax=100;
Amin=100;

h = waitbar(0,'Please wait...');
while U<=Umax
Lk=0;
Ak=0;
waitbar(U/Umax)
while Lk<Lmax && Ak<Amin
X1=Xmin+rand*(Xmax-Xmin);
Y1=Ymin+rand*(Ymax-Ymin);
Z1=Zmin+rand*(Zmax-Zmin);

for i=1:length(x)
tcal(i)=sqrt(((X1-x(i))^2)+((Y1-y(i))^2)...
+((Z1-z(i))^2))/vavg;
end

dt=tobs-tcal;
E1=dt*dt';
dE=E1-E;
Lk=Lk+1;

if dE<=0
HypoX=X1;
HypoY=Y1;
HypoZ=Z1;
E=E1;
Ak=Ak+1;
else
P=exp(-dE/T);
R=rand;
if R<P
HypoX=X1; % by Rexha Verdhora Ry
HypoY=Y1;
HypoZ=Z1;
HypoE=E1;
Ak=Ak+1;
end
end
end
if Ak==0
U=U+1;
else
U=0;
end
T=T*0.99;
k=k+1;
end
close(h)

%Plot kontur dari missfit

figure
plot3(HypoX,HypoY,HypoZ,'ko',...
'MarkerFaceColor','g','MarkerSize',10)
hold on
plot3(x,y,z,'v','MarkerFaceColor','k');
title('\fontsize{13}Map of Event Distribution')
xlabel('West - East (m)')
ylabel('North - South (m)')
zlabel('Depth (m)')
grid on
hold off
 Geiger
Langkah Metode Geiger
1) Tentukan inisial model (M0) atau posisi hiposenter awal (x0,y0,z0) dan T0.
2) Hitung waktu kalulasi (Tcalci) dari hiposenter tersebut ke stasiun :
( − ) +( − ) +( − )
= 0+
3) Bentuk matriks jacobi (J) dengan ukuran m x 4, dimana m = jumlah stasiun penerima gempa
tersebut.
⎡ ⎤
⎢ ⎥
=⎢ ⋮ ⋮ ⋮ ⋮ ⎥
⎢ ⎥
⎣ ⎦
dimana :
( − )
=
( − ) +( − ) +( − )

( − )
=
( − ) +( − ) +( − )

( − )
=
( − ) +( − ) +( − )

= 1

4) Hitung waktu deviasi (ΔTi) = Tobsi – Tcalci

5) Lakukan inversi
∆ =( × ) ∆
6) Kemudian update model (x0,y0,z0,T0)
= +∆
7) Looping tahapan 2) sampai 6) hingga mencapai nilai RMS error sangat kecil
∑ ΔTi
=

dimana n = jumlah stasiun yang merekam gempa pada setiap event

8) Lakukan tahapan 1) sampai 7) pada hiposenter gempa berikutnya.
9) Visualisasi hiposenter sintetik.

clear,clc % by Rexha Verdhora Ry

close all

%% Bagian 1
%MODEL SINTETIK
%Menentukan parameter model sintetik
xh=1300; %koordinat titik hiposenter
yh=2050;
zh=-1000;
vavg=5.1; %velocity rata-rata (km/s)
x=[700 1900 1200 1350]; %koordinat stasiun pada sumbu x
y=[2300 2000 3500 800]; %koordinat stasiun pada sumbu y
z=zeros(1,4); %koordinat stasiun pada sumbu z

%Menghitung travel time sintetik pada tiap stasiun

for i=1:length(x)
tsint(i)=sqrt(((xh-x(i))^2)+((yh-y(i))^2)+((zh-z(i))^2))/vavg;
end

%Membuat t observasi dengan emberikan noise pada data sintetik

noise=0.005;
tobs=tsint+normrnd(0,noise*tsint,size(tsint));

%% Bagian 2
%INVERSI NON LINIER
%Menentukan parameter model awal
x0=700;
y0=1500;
z0=-700;

%Iterasi untuk forward modeling sebanyak 10 kali

for j=1:10

%Menghitung travel time kalkulasi dan menyusun matriks Jacobi

for i=1:length(x)
tcal(i)=sqrt(((x0-x(i))^2)+((y0-y(i))^2)+((z0-z(i))^2))/vavg;
dtdx0(i)=(x0-x(i))/(vavg*sqrt(((x0-x(i))^2)+((y0-y(i))^2)+((z0-
z(i))^2)));
dtdy0(i)=(y0-y(i))/(vavg*sqrt(((x0-x(i))^2)+((y0-y(i))^2)+((z0-
z(i))^2)));
dtdz0(i)=(z0-z(i))/(vavg*sqrt(((x0-x(i))^2)+((y0-y(i))^2)+((z0-
z(i))^2)));
end
dt=tobs'-tcal';
error(j)=sqrt(mean(dt.^2));
J=[dtdx0' dtdy0' dtdz0'];

%Inversi non-linier
dm=inv(J'*J)*J'*dt; % by Rexha Verdhora Ry

figure(2)
plot3(x0,y0,z0,'*')
hold on
grid on

%Parameter model baru hasil inversi

x0=x0+dm(1);
y0=y0+dm(2);
z0=z0+dm(3);
end
HypoX=x0; HypoY=y0; HypoZ=z0;
%Plot posisi stasiun dan hiposenter hasil inversi
figure(2)
plot3(HypoX,HypoY,HypoZ,'ko',...
'MarkerFaceColor','g','MarkerSize',10)
hold on
plot3(x,y,z,'v','MarkerFaceColor','k');
title('\fontsize{13}Map of Event Distribution')
xlabel('West - East (m)')
ylabel('North - South (m)')
zlabel('Depth (m)')
grid on
hold off

%Plot error terhadap iterasi

figure(1)
plot(error)
title('RMS Tiap Iterasi')
xlabel('Iterasi ke-')
ylabel('RMS (s)')
Jejak Sinar Gelombang (Ray Tracing) & Perhitungan Waktu Tempuh

Rekonstruksi penjejakan sinar gelombang atau dikenal dengan ray tracing dibutuhkan
dalam menghitung waktu tempuh gelombang dari sumber ke stasiun penerima. Ray
tracing merupakan bagian penting dalam beberapa metode atau algoritma dalam
geofisika, seperti tomografi dan penentuan hiposenter. Dalam modul ini akan dibahas
beberapa metode ray tracing, seperti :
1. Straight
2. Shooting (Snell’s Law)
3. Bending (Fermat’s Principle)
Kita akan mencoba membangun algoritma sederhana untuk mengaplikasi metode-
metode ray tracing di atas. Model kecepatan yang digunakan 2 lapis dimana batas
lapisan tegak dengan kecepatan pada lapisan ini 1000 m/s dan 2000 m/s serta posisi
source (0,8) dan receiver (10,0).
Straight
%% Input Data & Parameter
% by Ahmad Syahputra
Source.X = 0;
Source.Y = 8;
Receiver.X = 10;
Receiver.Y = 0;

x0 = 0;
y0 = 0;
dx = 5;
dy = 10;
Xgrid = x0:dx:10;
Ygrid = y0:dy:10;
nx = length(Xgrid)-1;
ny = length(Ygrid)-1;
[Mesh.X Mesh.Y] =meshgrid(Xgrid,Ygrid);

Velocity = [1000 2000];

VelocityPlot = [Velocity; Velocity(size(Velocity,1),:)];
VelocityPlot = [VelocityPlot VelocityPlot(:,size(VelocityPlot,2))];

%% Straight Ray Tracing

RayPath.X = linspace(Source.X,Receiver.X,100);
RayPath.Y = linspace(Source.Y,Receiver.Y,100);

%% Waktu Tempuh Gelombang

for i=1:length(RayPath.X)
iblok = fix((RayPath.X(i)-x0)/dx)+1;
jblok = fix((RayPath.Y(i)-y0)/dy)+1;
 nblokpath(i) = (jblok-1)*nx+iblok;
if i<length(RayPath.X)
distance(i) = sqrt((RayPath.X(i)-RayPath.X(i+1))^2+(RayPath.Y(i)-
RayPath.Y(i+1))^2);
end
end
TempPanjang = 0;
LengthInBlock = zeros(size(Velocity,1),size(Velocity,2));
for i=1:length(RayPath.X)-1
TempPanjang = TempPanjang + distance(i);
if nblokpath(i)~= nblokpath(i+1)
LengthInBlock(nblokpath(i)) = TempPanjang;
TempPanjang = 0;
end
end

Slowness = 1./Velocity;
TimeCalculation = LengthInBlock*Slowness';

%% Visualisasi
pcolor(Mesh.X,Mesh.Y,VelocityPlot)
set(gca,'Ydir','Reverse')
hold on
plot(Source.X,Source.Y,'*r')
hold on
plot(Receiver.X,Receiver.Y,'vb')
hold on
plot(RayPath.X,RayPath.Y,'c')
title('Straight Ray Tracing')
xlabel('Distance')
ylabel('Depth')
 Shooting
%% Input Data & Parameter
% by Ahmad Syahputra
Source.X = 0;
Source.Y = 8;
Receiver.X = 10;
Receiver.Y = 0;

x0 = 0;y0 = 0;
dx = 5;dy = 10;
Xgrid = x0:dx:10;
Ygrid = y0:dy:10;
nx = length(Xgrid)-1;
ny = length(Ygrid)-1;
[Mesh.X Mesh.Y] =meshgrid(Xgrid,Ygrid);

Velocity = [1000 2000];

VelocityPlot = [Velocity; Velocity(size(Velocity,1),:)];
VelocityPlot = [VelocityPlot VelocityPlot(:,size(VelocityPlot,2))];

%% Ray Tracing Shooting

SudutDatang = 0:0.1:90;
BatasLapisanX = 5;

ErrorMin = inf;
for i=1:length(SudutDatang)
dyy = tan(deg2rad(SudutDatang(i)))*dx;
if Source.Y > Receiver.Y
BatasLapisanY = Source.Y - dyy;
else
BatasLapisanY = Source.Y + dyy;
end
SudutTransmisi = sin(deg2rad(SudutDatang(i)))*Velocity(2)/Velocity(1);
dyy = tan(SudutTransmisi)*dx;
if Source.Y > Receiver.Y
ReceiverTempY = Source.Y - dyy;
else
ReceiverTempY = Source.Y + dyy;
end
ErrorDist = sqrt((Receiver.X-Receiver.X)^2+(ReceiverTempY-
Receiver.Y)^2);
if ErrorDist < ErrorMin
ErrorMin = ErrorDist;
RayPath.X = [Source.X BatasLapisanX Receiver.X];
RayPath.Y = [Source.Y BatasLapisanY ReceiverTempY];
end
end
%% Time Calculation
TimeCalculation = 0;
for i=1:length(RayPath.X)-1
TimeCalculation = TimeCalculation + sqrt((RayPath.X(i)-
RayPath.X(i+1))^2+(RayPath.Y(i)-RayPath.Y(i+1))^2)/Velocity(i);
end

%% Visualisasi
pcolor(Mesh.X,Mesh.Y,VelocityPlot)
set(gca,'Ydir','Reverse')
hold on
plot(Source.X,Source.Y,'*r')
hold on
plot(Receiver.X,Receiver.Y,'vb')
hold on
plot(RayPath.X,RayPath.Y,'c')
hold off
title('Shooting Ray Tracing')
xlabel('Distance')
ylabel('Depth')
colorbar

Bending
%% Input Data & Parameter
% by Ahmad Syahputra
Source.X = 0;
Source.Y = 8;
Receiver.X = 10;
Receiver.Y = 0;

x0 = 0;y0 = 0;
dx = 5;dy = 10;
Xgrid = x0:dx:10; Ygrid = y0:dy:10;
nx = length(Xgrid)-1; ny = length(Ygrid)-1;
[Mesh.X Mesh.Y] =meshgrid(Xgrid,Ygrid);

Velocity = [1000 2000];

VelocityPlot = [Velocity; Velocity(size(Velocity,1),:)];
VelocityPlot = [VelocityPlot VelocityPlot(:,size(VelocityPlot,2))];
%% Ray Tracing Bending
%Bending Point
BatasLapisanY = 0:1:10;
BatasLapisanX = 5*ones(1,length(BatasLapisanY));

minTime = inf;
for i=1:length(BatasLapisanY)
Time1 = sqrt((Source.X-BatasLapisanX(i))^2+(Source.Y-
BatasLapisanY(i))^2)/Velocity(1);
Time2 = sqrt((Receiver.X-BatasLapisanX(i))^2+(Receiver.Y-
BatasLapisanY(i))^2)/Velocity(2);
TimeCalculation = Time1+Time2;
if TimeCalculation < minTime
minTime = TimeCalculation;
RayPath.X = [Source.X BatasLapisanX(i) Receiver.X];
RayPath.Y = [Source.Y BatasLapisanY(i) Receiver.Y];
end
end

%% Visualisasi
pcolor(Mesh.X,Mesh.Y,VelocityPlot)
set(gca,'Ydir','Reverse')
hold on
plot(Source.X,Source.Y,'*r')
hold on
plot(Receiver.X,Receiver.Y,'vb')
hold on
plot(RayPath.X,RayPath.Y,'c')
hold on
plot(BatasLapisanX,BatasLapisanY,'.w')
title('Bending Ray Tracing')
xlabel('Distance')
ylabel('Depth')
colorbar
Gaya Berat
Inversi Non-Linier Anomaly Bola
clear,clc % Rexha Verdhora Ry
close

%% MODEL SINTETIK
%Menentukan parameter model sintetik
G=6.67*10^(-11);
r=150;
noise=0.03;
rho=2500;
xbola=400;
zbola=650;

%Menentukan titik pengukuran

x=linspace(0,1000,21);
z=zeros(1,21);

%Menghitung nilai g sintetik di setiap titik pengukuran

for i=1:21
a=((x(i)-xbola)^2+(z(i)-zbola)^2)^(3/2);
g(i)=G*(4/3)*pi*(r^3)*zbola*rho/a;
end

%Membuat g sintetik dalam mgal

gsint=10^5*g';

%Membuat plot dari data g sintetik

figure(1)
subplot(2,3,1)
plot(x,gsint,'.')
title('Data Sintetik')
xlabel('Jarak')
ylabel('Gaya berat (mgal)')

%Membuat plot model sintetik dari bola

z1bola=-zbola;t=linspace(0,2*pi,200);
xh=r*cos(t)+xbola;zh=r*sin(t)+z1bola;
subplot(2,3,4)
plot(xh,zh,'-b')
title('Model Sintentik')
xlabel('Jarak');ylabel('Kedalaman')
axis ([0 1000 -1000 0])
grid on

%Membuat g observasi dengan menambahkan noise thd model sintetik

gobs=gsint+normrnd(0,noise*gsint,size(gsint));

%Membuat plot dari data g observasi

subplot(2,3,2)
plot(x,gobs,'r.')
title('Data Sintetik + noise')
xlabel('Jarak')
ylabel('Gaya berat (mgal)')
%% INVERSI NON LINIER
%Menentukan parameter awal
x0=150;
z0=150;

%Iterasi untuk forward modeling sebanyak 20 kali

for j=1:20

%Membuat plot model bola dari forward modeling

z01=-z0;t0=linspace(0,2*pi,200);
xh0=r*cos(t)+x0;zh0=r*sin(t)+z01;
subplot(2,3,5)
plot(xh0,zh0,'-')
title('Model per Iterasi')
xlabel('Jarak');ylabel('Kedalaman')
hold on
grid on
axis ([0 1000 -1000 0])

%Menghitung g forward modeling

for i=1:21
a=((x(i)-x0)^2+(z(i)-z0)^2)^(3/2);
g1(i)=G*(4/3)*pi*(r^3)*z0*rho/a;
end

%Membuat g forward modeling dalam mgal

gfm=10^5*g1';

d=gobs-gfm; %selisih g observasi dengan g kalkulasi

%Membuat matriks jacobbi

for i=1:21
a=((x(i)-x0)^2+(z(i)-z0)^2)^(5/2);
jx0(i)=G*(4/3)*pi*(r^3)*z0*rho*2*(x(i)-x0)/a;
jz0(i)=G*(4/3)*pi*(r^3)*z0*rho*2*(z(i)-z0)/a;
end
J(:,1)=jx0';
J(:,2)=jz0';

%Inversi non linier

dm=inv(J'*J)*J'*d;

%Membuat matriks dari parameter model awal

m=[x0 z0]'; %Rexha Verdhora Ry

%Menghitung parameter model baru hasil inversi

%10^-5 sebagai konversi ke meter
m=m+(dm*10^(-5));
x0=m(1);
z0=m(2);

missfit(j)=sqrt((gfm-gobs)'*(gfm-gobs));
end
%Membuat plot model bola dari forward modeling
subplot(2,3,5)
plot(xh0,zh0,'r-')
title('Model per Iterasi')
xlabel('Jarak')
ylabel('Kedalaman')
hold on
grid on
axis ([0 1000 -1000 0])

for i=1:21
a=((x(i)-x0)^2+(z(i)-z0)^2)^(3/2);
g1(i)=G*(4/3)*pi*(r^3)*z0*rho/a;
end
gfm=10^5*g1'
%Membuat plot dari fit g observasi dengan g forward modeling
subplot(2,3,3)
plot(x,gobs,'r.')
hold on
plot(x,gfm,'-k')
title('Data Sintetik + Fit Forward Modeling')
xlabel('Jarak')
ylabel('Gaya berat (mgal)')

%Membuat plot model bola yang paling fit dari forward modeling
subplot(2,3,6)
plot(xh0,zh0,'r-')
title('Model hasil inversi')
xlabel('Jarak')
ylabel('Kedalaman')
grid on
axis ([0 1000 -1000 0])
Analisis Sinyal
Fourier Transform and Inverse Fourier Transform
Fourier Transform adalah transformasi sinyal dari domain waktu ke domain frekuensi atau dari
domain jarak ke domain bilangan gelombang. Untuk mengubah suatu sinyal dari domain waktu ke
domain frekuensi dapat dilakukan di MATLAB dengan cara:

Xf = fft(xt)

Sedangkan untuk membalikannya ke domain frekuensi dilakukan Inverse Fourier Transform:

xt = ifft(Xf)

Dimana adalah sinyal pada domain waktu dan adalah sinyal dalam domain frekuensi. Pada
Fourier Transform, hasilnya akan terbagi 2 yaitu bilangan real dan imaginer dalam bentuk +
dimana adalah bilangan real, adalah bilangan imaginer, dan adalah unit imaginer (√−1).

Contoh soal:

% by Waskito Pranowo
dt = 0.002; % sampling rate in second
t = 0:dt:1; % time
xt = sin(2*pi*80*t) + cos(2*pi*40*t); % signal in time domain

Xf = fft(xt)*dt; % signal in frequency domain

X = Xf(1:round(length(Xf)/2)); % single-sided spectrum
f = linspace(0,1,length(X))/(dt*2); % frequency

Xreal = real(X); % real part of signal in frequency domain

Ximag = imag(X); % imaginary part of signal in frequency domain
Xamp = abs(X); % amplitude of signal in frequency domain

figure('Color','w')
subplot(2,2,1)
plot(t,xt)
xlabel('Time (second)'), title('Signal in time domain')
subplot(2,2,2)
plot(f,Xamp)
xlabel('Frequency (Hz)'), title('Amplitude Spectrum')
subplot(2,2,3)
plot(f,Xreal)
xlabel('Frequency (Hz)'), title('Real Part')
subplot(2,2,4)
plot(f,Ximag)
xlabel('Frequency (Hz)'), title('Imaginary Part')
 Tapering Function atau Apodization Function

Tapering function adalah sebuah fungsi yang digunakan untuk menjadikan nilai sinyal menurun ke
nol secara bertahap pada daerah tepi sinyal.

Beberapa contoh window/ tapering function (Sumber: Weisstein, Eric W. "Apodization Function."
From MathWorld--A Wolfram Web Resource. http://mathworld.wolfram.com/ApodizationFunction.html)
 Jenis-jenis filter dapat dilihat di Help  search: window.

Lowpass, Bandpass, dan Highpass Filter

Filter digunakan untuk mengambil bagian frekuensi yang kita inginkan dan membuang bagian
frekuensi yang tidak diinginkan.

 Lowpass filter, meloloskan sinyal berfrekuensi rendah dan membuang sinyal berfrekuensi tinggi.
 Highpass filter, meloloskan sinyal berfrekuensi tinggi dan membuang sinyal berfrekuensi rendah.
 Bandpass filter, meloloskan frekuensi dalam rentang tertentu dan membuang frekuensi diluar
rentang tersebut.

Script untuk membangun filter menggunakan MATLAB:

clear,clc % by Waskito Pranowo

dt = 0.001; % sampling rate (in second)

fc = [10 20 80 100]; %Cut-off Frequency

%Filter Builder
f1 = fc(1);f2 = fc(2);f3 = fc(3);f4 = fc(4);
y = [zeros(1,f1) linspace(0,1,(f2-f1)+1)...
ones(1,f3-f2-1) linspace(1,0,(f4-f3)+1)...
zeros(1,1000/(2*dt*1000)-f4-1)];

F = linspace(0,1,length(y))/(2*dt);

figure
plot(F,y)
title('Filter in Frequncy Domain')

%Inverse Fast Fourier Transform

y2 = [y fliplr(y(2:end))]; n=length(y2);
Y = real(ifft(y2));
Y = [Y(round(n/2)+1:end) Y(1:round(n/2))];
t = (-floor(n/2):1:floor(n/2))*dt;

figure
plot(t,Y)
title('Filter in Time Domain')

Lowpass-Filter dengan dengan cut-off frekuensi 0 dan 70 Hz

Highpass-Filter dengan dengan cut-off frekuensi 100 Hz

Bandpass-Filter dengan dengan cut-off frekuensi 10-20-80-100 Hz

Contoh soal:

clear,clc % by Waskito Pranowo

dt = 0.001; % sampling rate in second

t = 0:dt:1; % time
xt = sin(2*pi*90*t) + cos(2*pi*30*t); % signal in time domain
fc = [0 0 45 70]; %Cut-off Frequency

%Filter Builder
f1 = fc(1);f2 = fc(2);f3 = fc(3);f4 = fc(4);
y = [zeros(1,f1) linspace(0,1,(f2-f1)+1)...
ones(1,f3-f2-1) linspace(1,0,(f4-f3)+1)...
zeros(1,1000/(2*dt*1000)-f4-1)];

F = linspace(0,1,length(y))/(2*dt); % Frequency

figure('Color','w')
plot(F,y)
title('Filter in Frequncy Domain')

y2 = [y fliplr(y(2:end))]; n=length(y2); % double-side Filter

Ff = linspace(0,1,length(y2))/(dt);
Ff2 = linspace(0,1,length(xt))/(dt);

Y= interp1(Ff,y2,Ff2);

Xf = fft(xt,length(Y))*dt; % signal in frequency domain

X = Xf(1:round(length(Xf)/2)); % single-sided spectrum

FiltX = Xf.*Y; % Filter the signal

Xt = real(ifft(FiltX))/dt; % Filtered signal in time domain

figure('Color','w')
subplot(2,1,1)
plot(t,xt)
subplot(2,1,2)
plot(t,Xt)
 Hilbert Transform

Hilbert transform digunakan untuk merotasi suatu sinyal sejauh 90°. Signal asli disebut sinyal real,
sedangkan yang telah dirotasikan 90° disebut sebagai quadrature.

y = hilbert(x)
q = -imag(y);

Dimana adalah sinyal real, adalah Hilbert transform dan adalah quadrature. Pada Hilbert
Transform, hasilnya akan terbagi 2 yaitu bilangan real dan quadrature dalam bentuk + dimana
adalah bilangan real, adalah bilangan quadrature, dan adalah unit imaginer (√−1). Walaupun hasil
dari Hilbert Transform memiliki format yang mirip dengan Fourier Transform, tetapi dan di sini
memiliki pengertian yang berbeda dengan Fourier Transform.

clear, clc % by Waskito Pranowo

dt = 0.001;
t = 0:dt:0.5;

x = cos(2*pi*20*t); % Real signal

y = hilbert(x); % Hilbert transform
q = -imag(y); % Quadrature signal (real signal yang dirotasi 90 derajat)
A = abs(y); % Instantaneous Amplitude

figure('Color','w')
subplot(3,1,1)
plot(t,x)
xlabel('Time (s)'), ylabel('Amplitude'), title('Real Signal')
ylim([-1.1 1.1])
subplot(3,1,2)
plot(t,q)
xlabel('Time (s)'), ylabel('Amplitude'), title('Quadrature Signal')
ylim([-1.1 1.1])
subplot(3,1,3)
plot(t,A)
xlabel('Time (s)'), ylabel('Amplitude'), title('Instantaneous Amplitude')
 Convolution and Correlation

Konvolusi adalah proses penggabungan dua sinyal dimana prosesnya meliputi:

1. Salah satu sinyal diputar atau dicerminkan,

2. Kedua sinyal dikalikan,
3. Hasil perkalian dijumlahkan,
4. Sinyal yang telah diputar pada nomor 1 digeser,
5. Kembali ke nomor 2.

Sedangkan proses korelasi mirip dengan konvolusi tetapi tidak mengalami tahap pemutaran (tahap
nomor 1 dalam konvolusi).

clear,clc

x_1 = [1 3 5 2 7];
x_2 = [1 4 2 4 5];

% Konvolusi
Y1 = conv(x_1,x_2)
Y2 = conv(x_2,x_1)

% Korelasi
Z1 = xcorr(x_1,x_2)
Z2 = xcorr(x_2,x_1)
Hasil dari proses tersebut adalah:

Y1 =
1 7 19 32 42 67 47 38 35

Y2 =
1 7 19 32 42 67 47 38 35

Z1 =
5.0000 19.0000 39.0000 40.0000 66.0000 55.0000 27.0000 30.0000 7.0000

Z2 =
7.0000 30.0000 27.0000 55.0000 66.0000 40.0000 39.0000 19.0000 5.0000

Dapat dilihat bahwa pada proses konvolusi berlaku sifat komutatif, ∗ = ∗ , sedangkan pada
proses korelasi tidak berlaku sifat komutatif,  ≠  .

Short Time Fourier Transform (STFT)

1946, Dennis Gabor mengadaptasi Fourier transform untuk menganalisis bagian kecil suatu
sinyal pada waktu tertentu. Teknik ini disebut windowing sinyal. Adaptasi Gabor, disebut Short-
Time Fourier Transform (STFT), memetakan sinyal menjadi 2D antara waktu dan frekuensi.
(Matlab Help, 2008)

Konsep STFT (Matlab Help, 2008)

Pada STFT, jendela yang digunakan berbentuk boxcar.

 ∞

( , )= ( ) ( − )
∞
dimana ( ) adalah fungsi pada domain waktu dan ( ) adalah window. Window yang
digunakan dapat berbentuk boxcar atau tapering function lainnya. Gabor transform adalah ketika
STFT menggunakan Gaussian Window.

Aplikasi STFT dan Gabor Transform pada tugas ini diterapkan pada fungsi berikut,

cos 2 10 , 0.0 ≤ < 0.5

cos 2 50 , 0.5 ≤ < 1.0
( )=
cos 2 100 , 1.0 ≤ < 1.5
cos 2 150 , 1.5 ≤ < 2.0
clear,clc % by Waskito Pranowo

dt = 0.002;
t = 0:dt:2;

for i = 1:length(t)
if t(i) < 0.5
x(i) = cos(2*pi*10*t(i));
elseif t(i) >= 0.5 & t(i) < 1
x(i) = cos(2*pi*50*t(i));
elseif t(i) >= 1 & t(i) < 1.5
x(i) = cos(2*pi*100*t(i));
else
x(i) = cos(2*pi*150*t(i));
end
end

figure('Color','w')
plot(t,x)
xlabel('Time (s)'), ylabel('Amplitude'), title('Signal in Time Domain')

[S,F,T] = spectrogram(x,100,90,length(x),1/dt);

figure('Color','w')
imagesc(T,F,abs(S))
xlabel('Time (s)'), ylabel('Frequency (Hz)')