KEMENTERIAN PENDIDIKAN KEBUDAYAAN RISET DAN TEKNOLOGI

UNIVERSITAS HALU OLEO

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN

JURUSAN TEKNIK GEOLOGI

TUGAS GEOKOMPUTASI
MATERI TERJEMAHAN
CHAPTER 4
ANALYSIS OF SEQUENCES DATA

OLEH :

FAHRU HIDAYAT
R1C120033

KENDARI
2022
Pengukuran Geologi dalam Urutan

Sebelum melanjutkan ke beberapa contoh geologis dan metode yang tepat untuk
laminasi, kita harus mempertimbangkan sifat dari jenis urutan yang berbeda dihadapi oleh ahli
geologi. Pada satu ekstrim, kita mungkin memiliki catatan yang cukup tepat, baik dalam variabel
yang diukur maupun dalam skala sepanjang yang berhasil pengamatan cessive terletak.
Contohnya mungkin termasuk resistivitas listrik log dari lubang bor, atau riwayat produksi
sumur komersial. Di untuk-mer, variabelnya adalah atribut terukur yang dinyatakan dalam ohm
(R) dan skalanya adalah diukur dengan kaki. Dalam contoh terakhir, variabel lagi adalah atribut
terukur,barel (bbl) minyak, dan skala diukur dalam hari, bulan, atau tahun. Adadua kara kteristik
penting dalam catatan baik. Pertama, variabel yang diukur dinyatakan dalam satuan skala
interval atau rasio; 1000 bbl minyak dua kali lebih besar kuantitas 500 bbl, dan pengukuran 10 R
adalah sepuluh kali resistansi 1 SZ. Kedua, skala di mana titik data berada juga dinyatakan dalam
satuan yang memiliki besaran. Kedalaman 3000 kaki dalam sebuah sumur adalah sepuluh kali
kedalaman 300 ft, dan dekade antara tahun 1940 dan 1950 memiliki durasi yang sama dengan
selang waktu antara tahun 1950 dan 1960. Ini mungkin tampak jelas atau bahkan sepele

menekankan, tetapi seperti yang akan kita lihat, tidak semua urutan geologi memiliki
perilaku yang baik karakteristik. Sebaliknya, kita dapat mempertimbangkan urutan stratigrafi
yang terdiri keadaan litologi yang ditemui dalam suksesi sedimen. Urutan seperti itu mungkin
merupakan siklotem dari batugamping-serpih-batugamping-serpih-batupasir-batubara-serpih-
kapur, dari bawah ke atas. Kami tertarik pada pentingnya keberhasilan sion, tapi kita tidak bisa
menempatkan skala yang berarti pada urutan itu sendiri. Jelas,

suksesi litologi merupakan perubahan yang terjadi melalui waktu, tapi kami tidak
memiliki cara untuk memperkirakan skala waktu yang terlibat. Kita bisa menggunakan
ketebalan, tapi ini dapat berubah secara dramatis dari satu lokasi ke lokasi lain meskipun
urutannya tidak diubah. Jika ketebalan dipertimbangkan, hal itu dapat mengaburkan pemeriksaan
kita terhadap keberhasilan sion, yang merupakan subjek minat kita. Jadi, fakta bahwa batu kapur
adalah yang ketiga

keadaan pada bagian tersebut dan batu bara yang keenam tidak memiliki signifikansi
yang dapat diungkapkan secara numerik (yaitu, posisi 6 bukan posisi "dua kali" 3). Begitu juga
dengan litologi keadaan unit tidak dapat dinyatakan dalam skala numerik. Kita mungkin kode
urutan hanya diberikan sebagai 1 - 2 - 1 - 2 - 3 - 4 - 2 - 1, di mana batu kapur disamakan dengan
1, serpih 2, batu pasir 3, dan batubara 4, tetapi konvensi semacam itu murni sewenang-wenang
dan mengungkapkan tidak ada hubungan yang berarti antara negara-negara. Jelas bahwa ini
urutan menimbulkan masalah yang berbeda untuk analis daripada contoh pertama.

Ada juga kemungkinan menengah. Misalnya, kita mungkin tertarik beberapa atribut
terukur yang terkandung dalam tahapan urutan berurutan. Mungkin kami telah mengukur
kandungan boron dari setiap satuan litologi dalam siklotema saja dibahas. Kita dapat
menggunakan skala jarak kaki antara sampel dan mempertimbangkan ini masalah yang berkaitan
dengan kedalaman atau jarak. Atau, kita dapat mempertimbangkan hubungan antara pengukuran
boron dan urutan keadaan. Masalah yang terkait erat adalah analisis urutan yang dicirikan oleh
ada atau tidak adanya beberapa variabel atau variabel pada titik-titik di sepanjang garis.

Kita mungkin tertarik, misalnya, dalam pengulangan berulang dari lingkungan tertentu-
mikrofosil yang bergantung pada serpihan yang ditemukan selama pengeboran sumur. Lain kelas
masalah dapat dilambangkan dengan suksesi butir mineral yang dihadapi pada melintasi bagian
tipis. Dalam hal ini, kita dapat menggunakan milimeter sebagai skala spasial nient, tapi kami
tidak memiliki cara untuk mengevaluasi apakah olivin tingkat yang lebih tinggi

jumlah dari plagioklas. Data bersifat tersusun sepanjang suatu kontinum, salah satunya
waktu atau ruang, sering disebut sebagai pembentuk rangkaian, urutan, tali, atau rantai. Sifat data
dan rantai menentukan pertanyaan yang dapat kita pertimbangkan. Jelas, kami tidak dapat
mengekstraksi informasi tentang interval waktu dari stratigrafi data suksesi, karena skala waktu
yang menyertai suksesi tidak diketahui. Kami sering mengganti skala spasial dengan skala waktu
dalam masalah stratigrafi, tetapi milik kami kesimpulan tidak lebih baik dari asumsi mendasar
kami tentang panjang waktu yang diperlukan untuk menyimpan interval yang telah kami ukur.

Teknik juga dapat diklasifikasikan pada jenis pengamatan yang mereka butuhkan.
Beberapa memerlukan Pengamatan interval atau rasio; variate harus diukur skala dan dinyatakan
dalam bilangan real. Metode lain menerima nominal atau ordinal data, dan pengamatan hanya
perlu dikategorikan dalam beberapa cara. Dalam metode dibahas dalam bab ini, kelas tidak
diberi peringkat; yaitu, keadaan A tidak "lebih besar" atau "lebih besar" dalam arti tertentu
daripada status B atau C. Data nominal dapat diwakili oleh bilangan bulat, karakter abjad, atau
simbol.

Ahli geologi tidak hanya memperhatikan analisis data secara berurutan, tetapi juga dengan
perbandingan dua atau lebih urutan. Contoh nyata adalah strati- korelasi grafis, baik dari bagian
yang diukur atau log sumur petrofisika. Usia- motif ahli untuk korelasi numerik mungkin
keinginan sederhana untuk kecepatan, seperti dalam produksi penampang geologis dari log
digital yang disimpan di bank data. Alternatifnya, dia mungkin dihadapkan pada masalah
korelasi di mana pengakuan kesetaraan berada di luar kemampuannya. Tingkat kesamaan yang
halus, terlalu kecil untuk tanpa bantuan deteksi, dapat memberikan petunjuk yang akan
memungkinkan dia untuk membuat keputusan di mana tidak ada jika tidak mungkin. Metode
numerik memungkinkan ahli geologi untuk mempertimbangkan banyak hal variabel secara
bersamaan, perluasan yang kuat dari fasilitas pengenalan polanya.

Akhirnya, karena invarian mutlak dalam pengoperasian program komputer, korelasi

matematis memberikan tantangan bagi penafsir manusia. Jika geo-korelasi ogist tidak sesuai
dengan yang ditetapkan oleh komputer, itu adalah milik ahli geologi tanggung jawab untuk
menentukan alasan ketidaksesuaian tersebut. Pengawasan paksa mungkin mengungkapkan
kompleksitas atau bias yang tidak terlihat selama pemeriksaan awal. Ini adalah bukan untuk
mengatakan bahwa ahli geologi tanpa berpikir membengkokkan interpretasinya untuk bentuk
dengan komputer. Namun karena program modern untuk otomatis korelasi semakin mampu
meniru (dan memperluas) proses mental penerjemah manusia, output mereka harus
dipertimbangkan secara serius

Sebagian besar teknik untuk membandingkan dua atau lebih urutan dapat dikelompokkan
menjadi dua kategori luas. Yang pertama, urutan data diasumsikan cocok di satu posisi saja, dan
kami ingin menentukan tingkat kesamaan antara dua urutan. Contohnya adalah perbandingan
grafik difraksi sinar-X dengan seperangkat standar dalam upaya untuk mengidentifikasi mineral
yang tidak diketahui. Bagan dan standar dapat dibandingkan hanya dalam satu posisi, di mana
intensitas pada sudut tertentu dibandingkan dengan intensitas standar pada sudut yang sama.
Tidak ada yang didapat, misalnya dengan membandingkan intensitas sinar-X pada 20'28 dengan
intensitas pada 30'28 bagan lain. Meskipun korespondensi mungkin tinggi, itu tidak ada artinya.

Fakta bahwa data seperti ini berbentuk urutan tidak relevan, karena setiap titik data
dianggap sebagai variabel yang terpisah dan berbeda. Itu intensitas radiasi difraksi pada 20'28
adalah satu variabel, dan intensitas pada 30"28 adalah yang lain. Kami akan mempertimbangkan
metode untuk perbandingan urutan tersebut di detail lebih lanjut di Bab 6, ketika kita membahas
ukuran kesamaan multivariate dan masalah klasifikasi dan diskriminasi. Dalam kelas masalah
ini, sebuah ob-lokasi server dalam urutan hanya berfungsi untuk mengidentifikasinya sebagai
variabel tertentu , dan lokasinya tidak memiliki makna lain.

Seperti yang kami tekankan di Bab 1, komputer adalah alat yang ampuh untuk
analisisysis dari masalah yang kompleks. Namun, itu tidak masuk akal dan akan menerima tidak
masuk akal data dan kembalikan jawaban yang tidak masuk akal tanpa keraguan. Sekumpulan
program untuk analyzing urutan data dapat dengan mudah diperoleh dari banyak sumber. Jika
Anda memanfaatkan ini sebagai "kotak hitam" tanpa memahami operasi dan batasannya, Anda
dapat disesatkan dengan buruk. Ini adalah harapan kami dalam bab ini bahwa diskusi dan contoh
akan menunjukkan bidang aplikasi yang sesuai untuk setiap metode, dan bahwa program yang
Anda gunakan cukup mudah untuk pengoperasiannya jelas. Namun, dalam analisis akhir, peneliti
harus menjadi pembimbingnya sendiri. Kapan dihadapkan dengan masalah yang melibatkan data
sepanjang urutan, Anda mungkin bertanya pada diri sendiri pertanyaan-pertanyaan berikut untuk
membantu merencanakan penelitian Anda

(a) Pertanyaan apa yang ingin saya jawab?

(b) Apa sifat pengamatan saya?

(c) Apa sifat dari urutan di mana pengamatan terjadi?

Anda mungkin segera menemukan bahwa jawaban atas pertanyaan pertama

mengharuskan kedua dan ketiga dijawab dengan cara tertentu. Karena itu, Anda menghindari
yang tidak perlu berfungsi jika poin-poin ini dipikirkan dengan cermat sebelum penyelidikan
Anda dimulai. Jika tidak, cara Anda mengumpulkan data dapat menentukan sebelumnya
teknologi niques yang dapat digunakan untuk interpretasi, dan mungkin sangat membatasi ruang
lingkup penyelidikan Anda.

Prosedur Interpolasi

Banyak dari teknik berikut membutuhkan data dengan jarak yang sama; pengamat-vasi
harus dilakukan secara berkala pada lintasan atau garis, atau dengan jarak yang sama melewati
waktu. Tentu saja, hal ini seringkali tidak mungkin ketika berhadapan dengan fenomena alam.
nomena di mana Anda memiliki sedikit kendali. Banyak pengukuran stratigrafi, untuk misalnya,
dicatat bed-by-bed daripada foot-by-foot. Ini juga mungkin benar data analitis dari lubang bor,
atau dari sampel yang dikumpulkan pada melintasi daerah yang tidak terekspos secara sempurna.
Oleh karena itu, kita harus memperkirakan variabelnya dipertimbangkan pada titik-titik yang
berjarak teratur dari nilai-nilainya pada jarak yang tidak beraturan val. Estimasi poin spasi teratur
juga akan dipertimbangkan dalam Bab 5..

Data pada Tabel 4-2 terdiri dari analisis konsentrasi magnesium dalam sampel aliran
dikumpulkan di sepanjang sungai. Karena masalah aksesibilitas, sampel dikumpulkan pada
interval yang tidak teratur di saluran aliran yang berkelok-kelok. Lokasi sampel dengan hati-hati
dicatat pada foto udara, dan kemudian jaraknya antara sampel diukur.

Meskipun ada banyak metode dimana data spasi secara teratur mungkin diperkirakan dari data
ini, kami hanya akan mempertimbangkan dua secara rinci. Yang pertama dan paling teknik yang
jelas terdiri dari interpolasi linier sederhana antara titik data ke
 memperkirakan titik tengah. Pendekatan ini diilustrasikan pada Gambar 4-1. Menganggap y1 dan
y2 merupakan nilai observasi pada titik XI dan x2; kami ingin memperkirakan nilainya dari y' di titik x'.
Jika kita berasumsi bahwa ada hubungan linier lurus antara sampel poin, nilai tengah dapat dihitung dari
hubungan geometris

Dinyatakan dengan kata lain, perbedaan antara nilai-nilai dari dua titik yang berdekatan
diasumsikan sebagai fungsi jarak yang memisahkan mereka. Nilai suatu poin setengah jalan
antara dua pengamatan persis menengah antara nilai-nilai dua titik penutup. Semakin dekat suatu
titik dengan pengamatan, semakin dekat nilainya adalah untuk yang observasi. Nilai mangan dari
sampel aliran tercantum dalam Tabel 4-2 ditampilkan dalam bentuk grafik pada Gambar 4-2 a,
dan diinterpolasi ke regular Interval 1000 m pada Gambar 4-2 b.
 Meskipun interpolasi linier sederhana, ia memiliki kelemahan tertentu dalam banyak hal
aplikasi. Jika jumlah titik yang berjarak sama kira-kira sama dengan jumlah titik awal, dan titik
awal agak seragam spasi, teknik ini akan memberikan hasil yang memuaskan. Namun, jika
jumlahnya banyak lebih banyak titik asli daripada titik terinterpolasi, sebagian besar data asli
akan hilang. nored karena hanya dua titik di sekitarnya yang menentukan nilai interpolasi. Jika
data asli memiliki komponen acak besar yang menyebabkan nilai berfluktuasi secara luas, poin
interpolasi juga dapat berfluktuasi tidak dapat diterima. Kedua objektions dapat dipenuhi dengan
teknik yang mempertimbangkan lebih dari dua nilai asli,

mungkin dengann memasang fungsi linier yang meluas ke beberapa nilai yang
berdekatan. Wilkes (1966) mencurahkan seluruh bab untuk berbagai prosedur interpolasi. Jika
data asli jarang dan beberapa nilai harus diestimasi di antaranya setiap pasangan pengamatan,
interpolasi linier akan bekerja secara memadai, asalkan gagasan keseragaman kemiringan antara
titik masuk akal. Dalam setiap masalah di mana poin diinterpolasi di antara pengamatan, namun,
Anda harus selalu ingat bahwa Anda tidak dapat membuat data dengan estimasi menggunakan
metode apa pun. Validitas Anda hasilnya dikendalikan oleh kerapatan nilai asli dan tidak ada
jumlah interpo- lation akan memungkinkan penyempurnaan analisis di luar keterbatasan data.
Untuk Misalnya, kita dapat memperkirakan kandungan magnesium sungai pada interval 500 m,
atau bahkan setiap 5 m, tetapi jelas bahwa nilai-nilai baru ini tidak akan memberikan informasi
tambahan tentang distribusi logam di sungai.

Kami selanjutnya akan mempertimbangkan metode yang menghasilkan perkiraan jarak

yang sama dari a variabel dan mempertimbangkan semua pengamatan antara titik estimasi yang
berurutan.

Teknik ini disebut integrasi persegi panjang. Jika kita menganggap data asli sebagai
kurva persegi panjang atau fungsi langkah di mana interval dari satu pengamatan ke pengamatan
berikutnya memiliki nilai konstan, kumpulan data mungkin memiliki bentuk yang ditampilkan
pada Gambar 4-3 a. Jika kita ingin membuat perkiraan jarak yang sama untuk distribusi ini

Namun demikian, kita dapat menghasilkan fungsi langkah lain dari persegi panjang
dengan panjang yang sama luas sama dengan luas total persegi panjang asli. Ini ditunjukkan
secara grafis di Gambar 4-3b, dengan urutan yang dihasilkan dari nilai-nilai berjarak sama yang
berasal dari data pada bagian a. Area yang diarsir di bawah kurva sama di kedua ilustrasi.
Prosedur ini memiliki keuntungan mempertimbangkan semua data dalam suatu interval pada
dasarnya mengatur waktu suatu titik. Juga, karena luas di bawah perkiraan kurva sama dengan
daerah di bawah kurva asli, pengamatan yang digunakan dalam estimasi titik adalah tertimbang
secara proporsional dengan panjang interval yang diwakilinya.
 dianalisis kandungan besinya dengan metode spektrokimia cepat. Kedua spasi antara
kristal berturut-turut dan kandungan besinya berfluktuasi melalui rentang yang luas. Data dari
inti ini ditunjukkan pada Gambar 4-4a dan diberikan dalam file GARNETS.TXT. Gambaran
umum tentang perubahan komposisi diinginkan, tetapi datanya juga terlihat tidak menentu untuk
interpretasi langsung. Sebagai langkah persiapan untuk analisis selanjutnya, data dapat didekati
dengan perkiraan jarak yang sama. Interval yang diinginkan adalah 50 cm.

Di sini kita disuguhkan situasi yang berbeda dengan data sungai; pengamatvasi lebih
melimpah dari perkiraan dan kami ingin melestarikannya sebanyak mungkin informasi asli
mungkin. Integrasi persegi panjang tampaknya lebih tepat dalam hal ini daripada interpolasi
linier. Gambar 4-4b menunjukkan hasil inter-mempolasi konsentrasi besi hingga interval 50 cm
dengan integrasi persegi panjang. Mungkin menjadi pelajaran untuk membandingkan hasil ini
dengan hasil dari interpolasi linier dan untuk bandingkan keduanya dengan data asli di atasnya
untuk melihat berapa banyak detail yang hilang oleh dua proses pendekatan.
Dalam geologi, prosedur jarak yang sama paling banyak digunakan untuk pretreat data stratigrafi
(bagian terukur, log waktu pengeboran, dan catatan serupa) sebelumnya untuk menyaring atau
analisis tren waktu. Metode deret waktu, seperti autokorelasi dan analisis spektral, membutuhkan
data dengan jarak yang sama. Teknik deret waktu di-saat ini lebih kuat daripada metode analitik
lainnya untuk memeriksa sekuensial data, dan penggunaannya telah meluas.