Oleh
Taufik Suprayogo
25521006
4.2.1 Pencairan Data Hilang dan Penghilangan Harga Rata-Rata di Ombai North 13
4.2.2 Pencairan Data Hilang dan Penghilangan Harga Rata-Rata di Lombok West
15
ii
4.3.1 Pencarian dan Penghitungan Parameter Statistik di Ombai North ................ 16
4.7 Pencarian Noise (Gangguan) pada Data Set dengan menggunakan Fasilitas
Filtering juga Pencarian dan Plot Frekuensi Penting ...................................................... 26
iii
DAFTAR GAMBAR
iv
DAFTAR TABEL
Tabel 4.1 Jumlah data kecepatan yang hilang di Ombai North ........................................... 13
Tabel 4.2 Jumlah data kecepatan yang hilang di Lombok West ......................................... 15
Tabel 4.3 Hasil perhitungan parameter statistik di Ombai North ........................................ 16
Tabel 4.4 Hasil perhitungan parameter statistik di Lombok West ...................................... 17
Tabel 4.5 Nilai korelasi antara data arus Ombai North dan Lombok West......................... 24
Tabel 4.6 Nilai kovarian antara data arus Ombai North dan Lombok West ....................... 25
v
BAB I
PENDAHULUAN
1.2 Tujuan
Berdasarkan latar belakang yang ada, maka tujuan dari mini project ini adalah untuk
mengetahui pola arus laut, parameter statistik, dan hubungan antara dara arus pada daerah
Ombai North dan Lombok West.
1
1.3 Sistematika Penulisan
Penulisan mini project ini terbagi menjadi lima bab yaitu bab I, bab II, bab III, bab IV, dan
bab V. Bab I menjelaskan mengenai pendahuluan yang mencakup tentang latar belakang,
tujuan penelitian, dan serta sistematika penulisan. Bab II menjelaskan mengenai dasar teori
yang akan menguraikan mengenai teori mengenai arus laut dan arus lintas Indonesia, Bab
III Metodologi menerangkan mengenai daerah kajian yang akan diteliti, data yang akan
digunakan serta pengolahan data. Bab IV menjabarkan mengenai hasil dan pembahasan dari
mini project ini dan yang terakhir Bab V merupakan bagian kesimpulan yang menjelaskan
mengenai kesimpulan mini project ini.
2
BAB II
DASAR TEORI
3
parameter seperti arus dengan memanfaatkan pantulan gelombang suara dan pergerakan
partikel-partikel sesuai prinsip Doppler. Proses pengambilan data menggunakan ADCP
dapat dilakukan dengan metode upwardlooking dan downward-looking, dan dapat dilakukan
secara tambat dan bergerak (Gambar 2). Gelombang suara yang dipancarkan oleh instrumen
ADCP mengenai objek penghambur (scatterer) seperti partikel-partikel yang berada di
kolom perairan yang memantulkan kembali gelombang suara dalam bentuk intensitas suara.
Jenis-jenis penghambur antara lain sedimen tersuspensi, zooplankton, dan partikel lainnya
yang berada di kolom perairan. Nilai intensitas pada ADCP diukur pada setiap lapisan atau
kedalaman air tertentu (bin). Berdasarkan hal tersebut, instrumen ADCP dapat mengukur
intensitas suara secara terukur pada masingmasing kedalaman yang telah ditentukan.
Gambar 2.1 Metode pengambilan data pada ADCP secara (a) upward-looking pada ADCP
tambat dan (b) downward-looking pada ADCP bergerak
Pergerakan partikel yang terjadi di kolom perairan dapat mendekati atau menjauhi
instrumen. Hal ini disebut dengan teori Doppler. Prinsip Doppler dapat didefinisikan ketika
gelombang suara yang dipancarkan oleh transduser pada ADCP ke arah sebuah reflektor
stasioner (partikel tersuspensi), maka gelombang yang dipantulkan akan memiliki frekuensi
yang sama. Apabila reflektor tersebut bergerak ke arah transduser, frekuensi yang
dipantulkan akan lebih tinggi, begitupun sebaliknya. Perbedaan antara frekuensi yang
ditransmisikan dan diterima sebanding dengan kecepatan bergeraknya partikel tersuspensi
menjauhi dan mendekati transduser. Hal ini dinamakan efek Doppler, sedangkan perbedaan
antar frekuensi disebut alih Doppler (Doppler shift).
Instrumen ADCP memancarkan dan menerima gelombang suara, sehingga nilai alih Doppler
menjadi dua kali lipatnya (Brehmer, 2006). Prinsip Doppler yang digunakan pada ADCP
4
juga dipengaruhi sudut antara pemancaran dan penerimaan gelombang suara sehingga
dengan mempertimbangkan komponen sudut. Instrumen ADCP mengukur kecepatan
perpindahan massa air dengan mentransmisikan pulsa melalui air kemudian merekam
amplitudo pantul yang dikembalikan dari partikel tersuspensi yang bergerak. Pergerakan
partikel tersebut diasumsikan sama dengan kecepatan air yang bergerak. Amplitudo yang
dikembalikan disebut intensitas gema (Gartner, 2004).
Instrumen ADCP merekam kecepatan arus dan data EI dari suatu rangkaian segmen dari
setiap berkas (beam) akustik yang dipancarkan transduser pada satu kolom pengukuran yang
disebut ensembel. Nilai satu ensembel terdiri atas rekaman satu atau beberapa ping.
Besarnya nilai EI sangat bergantung pada beberapa faktor, antara lain penyerapan suara oleh
medium dan partikel yang berada di kolom perairan, susut penyebaran (spreading loss),
power yang digunakan pada ADCP, dan koefisien hamburbalik pada ADCP.
1
𝑚𝑒𝑎𝑛 = 𝜇 = 𝑥
𝑛
2) Nilai Max dan Min
Nilai max adalah nilai terbesar dalam suatu populasi data, biasanya dijadikan acuan
sebagai nilai batas atas maksimal pada populasi. Nilai min adalah nilai terkecil dalam
suatu populasi data, biasanya dijadikan acuan sebagai nilai batas bawah maksimal
pada populasi.
3) Modus
5
Modus adalah data yang paling sering muncul dalam suatu populasi, atau nilai yang
mempunyai frekuensi paling tinggi. Modus merupakan nilai yang mempunyai
probability paling tinggi dalam populasi.
4) Median
Median adalah nilai data yang berada ditengah-tengah populasi. Pada beberapa kasus
nilai median tidak akan terlalu jauh dari nilai rata-rata.
5) Varian
Varian adalah ukuran seberapa jauh sebuah kumpulan bilangan terbesar. Varian
yang rendah mengindikasikan bahwa titik data condong sangat dekat dengan
nilai rerata (nilai ekspektasi) dan antara satu sama lainnya, sementara varian yang
tinggi mengindikasikan bahwa titik data sangat tersebar disekitar rerata dan dari satu
sama lainnya. Berikut adalah rumus perhitungan varian :
1
𝑣𝑎𝑟 (𝑥) = (𝑥 − 𝜇 )
𝑛−1
6) Standar Deviasi
Standar deviasi merupakan ukuran sebaran statistik yang berupa akar dari varian.
Berikut adalah rumus perhitungan standar deviasi :
𝜎 = 𝑣𝑎𝑟(𝑥)
7) Koefisien Variabel (COV)
COV merupakan tingkat ketidakpastian suatu variable.
𝜎
𝐶𝑂𝑉 = 𝛿 =
𝜇
Selain perhitungan parameter statistic penyajian data statistik juga mempunyai
beragam jenis tergantung dengan pemanfaatannya. Seperti grafik, histogram, ploting data,
dll.
Transformasi
F(t) Fourier
F(
6
Di dalam bidang Kelautan, transformasi fourier digunakan untuk mengetahui frekuensi pada
tiap komponen harmonik pasang surut dengan jumlah yang cukup banyak. Sehingga nilai
masing-masing frekuensi gelombang tersebut bisa diketahui dengan metode ini.
Transformasi Fourier Diskrit
Transformasi fourier diskrit atau disebut dengan Discrete Fourier Transform (DFT) adalah
model transformasi fourier yang dikenakan pada fungsi diskrit, dan hasilnya juga diskrit.
DFT didefinisikan dengan :
N
F ( k ) f (n).e j 2knT / N
n 1
7
BAB III
METODOLOGI
8
Serta, mencari noise pada tahap filtering dan mencari koefisien korelasi antar kedua data
tersebut.
3.4 Diagram Alir Pengerjaan
Diagram alir pengerjaan mini project sebagai berikut,
9
BAB IV
HASIL DAN PEMBAHASAN
10
(a)
(b)
Gambar 4.2 Data kecepatan arus di Ombai North (a) Kecepatan U (b) Kecepatan V
4.1.2 Pembacaan Data di Lokasi Lombok West
Pembacaan data dari file ‘LombokWest_deploy1_140m_3517.mat’ adalah sebagai berikut
11
Gambar 4.3 Isi data mentah dari ADCP di Lombok West
Pada Gambar 4.3 menunjukkan bahwa ADCP diletakkan pada titik 115.7592 o BT dan
8.4390o LS dengan merekam data pada 11 kedalaman perairan dengan jumlah data per
layernya adalah 26430 dengan data yang tersimpan seperti temperatur, tekanan, kecepatan
U dan Kecepatan V (Lihat Gambar 4.4).
(a)
12
(b)
Gambar 4.4 Data kecepatan arus di Lombok West (a) Kecepatan U (b) Kecepatan V
13
Gambar 4.5 Plot Velocity-U Sebelum dan Setelah Detrend Ombai North
Gambar 4.6 Plot Velocity-V Sebelum dan Setelah Detrend Ombai North
14
4.2.2 Pencairan Data Hilang dan Penghilangan Harga Rata-Rata di Lombok West
Pada Tabel 4.2 menunjukkan jumlah data yang hilang pada pengukuran kecepatan arus di
Lombok West yang hasilnya semakin dalam kedalaman layer maka data Not a Number
(NaN) semakin banyak. Pada Gambar 4.7 dan Gambar 4.8 menunjukkan hasil grafik
kecepatan U dan V setelah dilakukan penghilangan harga rata-rata atau detrend.
Tabel 4.2 Jumlah data kecepatan yang hilang di Lombok West
Layer Vel U Vel V
1 1341 1341
2 1382 1382
3 1341 1341
4 1341 1341
5 1341 1341
6 1342 1342
7 20403 20403
8 20446 20446
9 20781 20781
10 21750 21750
11 24049 24049
Gambar 4.7 Plot Velocity-U Sebelum dan Setelah Detrend Lombok West
15
Gambar 4.8 Plot Velocity-V Sebelum dan Setelah Detrend Lombok West
Parameter
Kecepatan u Kecepatan v
Statistik
16
4.3.2 Pencarian dan Penghitungan Parameter Statistik di Lombok West
Pada Tabel 4.4 menunjukkan hasil parameter statistik di Lombok West seperti rata-rata,
median, nilai maksimum, nilai minimum, standart deviasi, dan varian. Pada Tabel 4.4 dapat
dilihat bahwa data memiliki nilai standar deviasi yang kecil pada setiap parameter, yang
berarti data tersebut memiliki keseragaman sampel yang rendah.
Parameter
Kecepatan u Kecepatan v
Statistik
(a)
18
(b)
Gambar 4.11 (a) Kecepatan arus rata-rata per kedalaman , (b) Kecepatan arus rata-rata per
kedalaman komponen U dan V di Ombai North
Pada Gambar 4.11 menunjukkan feather plot kecepatan arus rata-rata dapat terlihat pada
grafik tersebut bahwa data kecepatan arus terbesar berada di kedalaman 146,31 m.
Kecepatan arus dari permukaan ke dasar semakin bertambah hingga kedalaman 146,31 m,
kemudian turun kembali di kedalaman 178,31 m. Arus dominan bergerak arah-U
dibandingkan dengan arah-V.
19
Gambar 4.12 Histogram Distribusi Data Velocity-U di Lombok West
20
(a)
(b)
Gambar 4.14 (a) Kecepatan arus rata-rata per kedalaman , (b) Kecepatan arus rata-rata per
kedalaman komponen U dan V di Lombok West
Pada Gambar 4.14 menunjukkan feather plot kecepatan arus rata-rata dapat terlihat pada
grafik tersebut bahwa data kecepatan arus terbesar berada di kedalaman 162,31 m.
Kecepatan arus dari permukaan ke dasar semakin bertambah hingga kedalaman 162,31m,
21
kemudian turun kembali di kedalaman 162,31 m. Arus dominan bergerak arah-V
dibandingkan dengan arah-U.
Gambar 4.15 Visualisasi Data Velocity-U dari data Ombai North dan Lombok West
22
Gambar 4.16 Visualisasi Data Velocity-V dari data Ombai North dan Lombok West
Gambar 4.17 Plot matriks Velocity-U dari data Ombai North dan Lombok West
23
Gambar 4.18 Plot matriks Velocity-V dari data Ombai North dan Lombok West
U- Lombok V- Lombok
West West
U- Ombai
0.1356 0.1555
North
V- Ombai
0.0182 0.0351
North
Pada Tabel 4.6 menunjukkan bahwa hubungan antara data arus Ombai North dan Lombok
West, apabila kovarian menunjukkan angka positif maka mempunyai hubungan yang positif
contohnya ketika kecepatan U di Ombai North naik maka kecepatan U di Lombok West juga
naik. Pada Gambar 4.19 dan Gambar 4.20 menunjukkan bahwa koefisien korelasi antara
data Ombai North dan Lombok West hanya mencapai 0,3. Berdasarkan referensi yang ada,
24
mengatakan bahwa jika nilai koefisien korelasi 0 hingga 0,2 maka dapat dikatakan sangat
rendah korelasi antar kedua data tersebut.
Tabel 4.6 Nilai kovarian antara data arus Ombai North dan Lombok West
U- Lombok V- Lombok
West West
U- Ombai
0.0965 0.0212
North
V- Ombai
0.0102 0.0162
North
Gambar 4.19 Koefisien Korelasi Velocity-U Ombai North dan Lombok West
Gambar 4.20 Koefisien Korelasi Velocity-V Ombai North dan Lombok West
25
4.7 Pencarian Noise (Gangguan) pada Data Set dengan menggunakan Fasilitas
Filtering juga Pencarian dan Plot Frekuensi Penting
4.7.1 Filtering data arus Ombai North
26
4.7.2 Filtering data arus Lombok West
Pada Gambar 4.23 dan Gambar 4.24 menunjukkan bahwa frekuensi penting berada pada
frekuensi yang rendah, dengan batas atas frekuensi 0.06 untuk kecepatan U dan V, sehingga
filter low-pass sangat baik untuk data kecepatan U
27
BAB V
KESIMPULAN
Berdasarkan hasil dan pembahasan yang telah dilakukan, maka dapat diambil kesimpulan
terkait mini project ini yaitu,
1. Pola arus laut di lokasi Ombai North dominan merupakan arus U yang artinya arus
dominan bergerak dari Barat-Timur atau sebaliknya. Lombok West dominan merupakan
arus V yang artinya arus dominan bergerak dari Utara-Selatan atau sebaliknya.
2. Data yang hilang dari kedua data set sebanyak 27.196 (Ombai North) dan 115.517
(Lombok West).
3. Dari parameter statistik didapatkan kesimpulan nilai parameter statistik Lombok West
lebih tinggi dari Ombai North.
4. Plot matrix dari kedua data set melihatkan sebaran data yang cukup lebar, artinya kedua
data set mempunyai perbedaan yang cukup signifikan.
5. Berdasarkan analisis secara visual dan perhitungan korelasi dan kovarian, hubungan
antara data arus Ombai North dan Lombok West tidak mempunyai hubungan yang kuat
namun mempunyai hubungan yang positif yaitu ketika kecepatan di salah satu tempat
naik maka tempat lainnya juga akan naik.
6. Hasil filtering untuk kecepatan arus u dan v yang lebih cocok adalah menggunakan low
pass.
28
DAFTAR PUSTAKA
29
LAMPIRAN
DAFTAR LAMPIRAN
L-1
Lampiran 1. Script Pengerjaan Mini Project
clear all
close all
clc
load ('LombokWest_deploy1_140m_3517.mat')
whos
%EXPLORE DATA
NAME = getfield(s,'mooringName');
NAME1 = getfield(s,'meterType');
LAT = getfield(s,'latitude');
LONG = getfield(s,'longitude');
TEMPERATURE = getfield(s,'temperature');
VEL_U = getfield(s,'u');
VEL_V = getfield(s,'v');
TIME = getfield(s,'time');
PRESSURE = getfield(s,'pressure');
WATERDEPTH = getfield(s,'waterDepth');
RANGE = getfield(s,'range');
datevec(TIME(1))
%figure(1)
plot(TIME,VEL_U)
colormap(jet);
grid
xlabel ('Time')
ylabel ('Velocity in U dir (m/s)')
datetick('x',2)
title ('Graphic of Current Velocity (U) in Lombok West')
legend(tleg,'Location','northeastoutside');
%saveas(gcf,'[Lombok West] Time vs Vel U.png')
%figure(2)
plot(TIME,VEL_V)
colormap(jet);
grid
xlabel ('Time')
L-2
ylabel ('Velocity in V dir (m/s)')
datetick('x',2)
title ('Graphic of Current Velocity (V) in Lombok West')
legend(tleg,'Location','northeastoutside');
%saveas(gcf,'[Lombok West] Time vs Vel V.png')
V1 = VEL_V(:,1);
nvv = find(~isnan(V1));
Vv1 = VEL_V(nvv);
svv = sum(isnan(VEL_V));
mV1=nanmean(Vv1);
mV2=nanmedian(Vv1);
mV3=nanmax(Vv1);
mV4=nanmin(Vv1);
mV6=nanstd(Vv1);
mV7=nanvar(Vv1);
a1data1=[mU1,mV1;mU2,mV2;mU3,mV3;mU4,mV4;mU7,mV7;mU6,mV6
];
%figure(4)
hist(VEL_V); %plot histogram data kecepatan arus
arah y
colormap(jet);
title('Plot The Histogram of Velocity-V in Y Direction')
xlabel('Velocity-V (m/s)')
ylabel('Amount of Data')
legend(tleg)
%saveas(gcf,'[Lombok West] Plot The Histogram of
Velocity in Y Direction.png')
%FILTERING DATA
figure(5)
colU = detrend(Uu1);
trend3 = Uu1-colU;
subplot(2,1,1)
plot(colU)
title('Plot Velocity-U After Detrend')
xlabel('Time')
ylabel('Velocity-U')
hold on
plot(trend3,'-r')
hold off
subplot(2,1,2)
plot(Uu1)
title('Plot Velocity-U Before Detrend')
xlabel('Time')
ylabel('Velocity-U')
hold on
plot(trend3,'-r')
saveas(gcf,'[Lombok West] Plot Velocity-U After
Detrend.png')
hold off
L-4
figure(6)
colV = detrend(Vv1);
trend4 = Vv1-colV;
subplot(2,1,1)
plot(colV)
title('Plot Velocity-V After Detrend')
xlabel('Time')
ylabel('Velocity-V')
hold on
plot(trend4,'-r')
hold off
subplot(2,1,2)
plot(Vv1)
title('Plot Velocity-V Before Detrend')
xlabel('Time')
ylabel('Velocity-V')
hold on
plot(trend4,'-r')
saveas(gcf,'[Lombok West] Plot Velocity-V After
Detrend.png')
hold off
yV1=filter(b1,a1,colV);
yV2=filter(b2,a2,colV);
yV3=filter(b3,a3,colV);
figure(7)
%Plotting
subplot(3,1,1), plot(yU1);
%axis([0 25000 -3 3]);
title ('Low-Pass Filter Velocity-u')
xlabel('Time (seconds)')
ylabel('Velocity-u (m/s)')
subplot(3,1,2), plot(yU2);
%axis([0 25000 -3 3]);
title ('Band-Pass Filter Velocity-u ')
L-5
xlabel('Time (seconds)')
ylabel('Velocity-u (m/s)')
subplot(3,1,3), plot(yU3);
%axis([0 25000 -3 3]);
title ('High-Pass Filter Velocity-u ')
xlabel('Time (seconds)')
ylabel('Velocity-u (m/s)')
saveas(gcf,'[Lombok West] Filter U.png')
figure(8)
%Plotting
subplot(3,1,1), plot(yV1);
%axis([0 25000 -3 3]);
title ('Low-Pass Filter Velocity-v')
xlabel('Time (seconds)')
ylabel('Velocity-v (m/s)')
subplot(3,1,2), plot(yV2);
%axis([0 25000 -3 3]);
title ('Band-Pass Filter Velocity-v')
xlabel('Time (seconds)')
ylabel('Velocity-v (m/s)')
subplot(3,1,3), plot(yV3);
%axis([0 25000 -3 3]);
title ('High-Pass Filter Velocity-v')
xlabel('Time (seconds)')
ylabel('Velocity-v (m/s)')
saveas(gcf,'[Lombok West] Filter V.png')
%VELOCITY
% calculating mean velocity per depth
[bar,col]=size(VEL_V);
for i=1:col;
MeanV(i)=nanmean(VEL_V(:,i));
MeanU(i)=nanmean(VEL_U(:,i));
end
mag=sqrt(VEL_U.^2+VEL_V.^2);
% magm=sqrt(MeanU.^2+MeanV.^2);
w=zeros(size(MeanV));
x=zeros(size(MeanV));
y=zeros(size(MeanV));
%plot
L-6
s=1;
figure(9)
quiver3(x(1:s:end),y(1:s:end),-
RANGE(1:s:end)',MeanU(1:s:end),MeanV(1:s:end),w(1:s:end)
,0);
hold on;
plot3(MeanU(1:s:end),MeanV(1:s:end),-
RANGE(1:s:end),'r','Linewidth',2);
ylabel('y','Fontsize',12,'FontWeight','bold');
xlabel('x','Fontsize',12,'FontWeight','bold');
zlabel('depth [m]','Fontsize',12,'FontWeight','bold');
title('Plot Current Velocity per
Depth','Fontsize',12,'FontWeight','bold');
view(40,12);
saveas(gcf,'[Lombok West] Vektor Kecepatan Arus Rata-
rata Perkedalaman.png')
subplot(1,2,2), plot(MeanV,DEPTH,'-b',MeanV,DEPTH,'or')
title ('Depth Average Velocity-v')
grid
axis ij
xlabel('Mean Velocity V, m/s (+ sign:NORTH; -
sign:SOUTH)')
ylabel('Depth, m')
saveas(gcf,'[Lombok West] Depth Average U and V.png')
L-7
Kovarian dan Korelasi
clear all
close all
velu1=VelU_Ombai(3100:4860,1);
velu2=VelU_Lombok(2250:4010,1);
velv1=VelV_Ombai(3100:4860,1);
velv2=VelV_Lombok(2250:4010,1);
corr1=corr(velu1,velu2);
corr2=corr(velu1,velv2);
corr3=corr(velv1,velu2);
corr4=corr(velv1,velv2);
corelation=[corr1,corr2;corr3,corr4];
cov1=cov([velu1,velu2]);
cov2=cov([velu1,velv2]);
cov3=cov([velv1,velu2]);
cov4=cov([velv1,velv2]);
covarian=[cov1,cov2;cov3,cov4];
velu3=[velu1,velu2];
velv3=[velv1,velv2];
% Memvisualisasikan Data
figure(1)
scatter(velu1,velu2,'filled')
title('Plot Velocity-U vs Velocity-U dari data Ombai
North dan Lombok West')
xlabel('Velocity-U Ombai North (m/s)')
ylabel('Velocity-U Lombok West (m/s)')
%saveas(gcf,'[scatter1] Plot Velocity-U vs Velocity-
U.png')
figure(2)
scatter(velv1,velv2,'filled')
L-8
title('Plot Velocity-V vs Velocity-V dari data Ombai
North dan Lombok West')
xlabel('Velocity-V Ombai North (m/s)')
ylabel('Velocity-V Lombok West (m/s)')
%saveas(gcf,'[scatter2] Plot Velocity-V vs Velocity-
V.png')
figure(3)
plotmatrix(velu) %plotmatrix 2 data kecepatan arus arah
x di 2 kedalaman
title('Plot Matrix untuk Velocity-U dari data Ombai
North dan Lombok West')
xlabel('Velocity (m/s)')
ylabel('Velocity (m/s)')
%saveas(gcf,'[matrix1] Plotmatrix for velocity-u in 2
kinds of depth.png')
figure(4)
plotmatrix(velv3) %plotmatrix 2 data kecepatan arus arah
y di 2 kedalaman
title('Plot Matrix untuk Velocity-V dari data Ombai
North dan Lombok West')
xlabel('Velocity (m/s)')
ylabel('Velocity (m/s)')
%saveas(gcf,'[matrix2] Plotmatrix for velocity-v in 2
kinds of depth.png')
TSS = load('OmbaiNorth_deploy1_140m_3518.mat');
TR = load('LombokWest_deploy1_140m_3517.mat');
%COVARIAN
cov_vTSS=cov(PVTSS1);
L-9
cov_uTSS=cov(PUTSS1);
cov_vTR=cov(PVTR1);
cov_uTR=cov(PUTR1);
n=20;
for i=1:n
b=(PUTSS((((i-1)*514)+1):(((i-1)*514)+1028)));
c=(PUTR((((i-1)*514)+1):(((i-1)*514)+1028)));
rxy(i,1:2055)=xcorr(b,c,'coeff');
end
tau=linspace(-1028*1.25,1027*1.25,2055);
tee=linspace(642.5,n*642.5,n)';
for i=1:n
b=(PVTSS((((i-1)*514)+1):(((i-1)*514)+1028)));
c=(PVTR((((i-1)*514)+1):(((i-1)*514)+1028)));
rxyv(i,1:2055)=xcorr(b,c,'coeff');
end
tau1=linspace(-1028*1.25,1027*1.25,2055);
tee1=linspace(642.5,n*642.5,n)';
PVTSS=PVTSS(find(~isnan(PVTSS)));
PUTSS=PUTSS(find(~isnan(PUTSS)));
PVTR=PVTR(find(~isnan(PVTR)));
PUTR=PUTR(find(~isnan(PUTR)));
figure(1)
waterfall(tau,tee,rxy);
title('Double-Time Cross-Correlation between u-velocity
Ombai North and Lombok West')
xlabel('tau (microseconds)')
ylabel('t (microseconds)')
zlabel('Normalized Rxy (tau,t)')
%saveas(gcf,'Double-Time Cross-Correlation between u-
velocity Ombai North and Lombok West.png')
figure(2)
waterfall(tau1,tee1,rxyv);
title('Double-Time Cross-Correlation between v-velocity
Ombai North and Lombok West')
xlabel('tau (microseconds)')
ylabel('t (microseconds)')
zlabel('Normalized Rxy (tau,t)')
%saveas(gcf,'Double-Time Cross-Correlation between v-
velocity Ombai North and
L-10