03 Studi Kasus
Pengertian dan Persamaan
Matematis Korelasi
Jihan Hardiyanti Arief – 155090701111007
Afif Haris Maulana - 155090707111020
Tujuan dari adanya processing data
adalah untuk menerjemahkan data
yang diambil di lapangan menjadi
suatu cross section dari geologi
Korelasi |
bawah permukaan yang koheren (Hat Pendahuluan
ton et al., 1986).
Data hasil akuisisi lapangan tidak
selalu langsung bersifat koheren, di
mana selalu ada data incoherent
noise, maka diperlukan beberapa
proses ataupun pengolahan untuk
memisahkan data tersebut sehingga
menjadi data koheren. Proses yang
dapat dilakukan antara lain
windowing, filtering, correlation,
convolution, dan lainnya.
Korelasi | Pendahuluan
Korelasi | Definisi
𝑍𝑋,𝑌 𝑡 = න 𝑋 𝜏 . 𝑌 𝑡 + 𝜏 . 𝑑𝜏
−∞
Proses korelasi silang terdiri dari pergeseran, perkalian, dan integrasi.
Korelasi | Korelasi
Silang
x(t) h(t)
• Untuk 1.5+p<1 dan 1.5 1 1
+p>0, atau -1.5<p<-0.5
1.5 2.5 t 0 1 t
C xh ( p) x(t p)h(t )dt
1 h(t) x(t-p)
C xh ( p) 1.1dt t 1.5 p
1
1
1.5 p
t
C xh ( p) 1 1.5 p 0.5 p 1.5+p 2.5+p
Korelasi | Korelasi
Silang
𝑓 𝑥 =𝑔 𝑥 ×ℎ 𝑥 = න 𝑔 𝑢 − 𝑥 ℎ 𝑢 𝑑𝑢
−∞
Diskrit
𝑓𝑘 = 𝑔 × ℎ = 𝑔𝑡−𝑘 ℎ𝑡 𝑔𝑡 ℎ𝑡+𝑘
𝑡 𝑡
Sifat-sifat :
𝑍𝑃,𝑃 𝑡 = න 𝑃 𝜏 . 𝑃 𝑡 + 𝜏 . 𝑑𝜏
−∞
Sesuai dengan pers.(𝑍𝑆,𝑃 𝑓 = 𝑆 𝑓 . 𝑃∗ 𝑓 ), maka auto-korelasi dalam
kawasan frekuensi diberikan oleh :
𝑍𝑆,𝑃 𝑓 = 𝑃 𝑓 . 𝑃∗ 𝑓
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)
Autokorelasi | Pendahuluan
𝑍𝑃,𝑃 𝑓 = 𝐴(𝑓) 2
Maksimum Diskrit
Normalisasi Familier
Sifat-sifat
Periodisitas/ Autokorelasi.
transien Transformasi
terhadap Fourier
waktu
Simetris
Fungsi auto-korelasi mempunyai harga
Autokorelasi | maksimum pada t=0., sehingga :
𝑍𝑝,𝑝 (𝑡) ≤ 𝑍𝑝,𝑝 (0)
Maksimum Artinya bahwa t = 0 kedua fungsi seru
pa (coincidence).
Autokorelasi | Normalisasi
Harga auto-korelasi pada waktu t dibagi d
engan harga maksimum (pada t = 0) yang
diberikan oleh :
𝑛
𝑍𝑝,𝑝 (𝑡)
𝑍𝑝,𝑝 𝑡 =
𝑍𝑝,𝑝 (0)
Autokorelasi | Periodisitas/ transien
terhadap waktu
P(t) Zp,p(t)
Aperiodik Aperiodik
Diketahui suatu fungsi P(t) tediri atas beberapa fungsi fungsi yang masing-masing adalah P1(t),P2(t),…
Familier …..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
Maka
2
𝑍𝑝,𝑝 𝜔 = 𝑃(𝜔) = 𝐴2 (
Identik untuk fungsi-fungsi yang lain P1(t), P2(t),……dst, sehingga P(ω) mengandung informasi phase,
sedangkan Zp,p(ω) tidak.
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
Koefisien korelasi global yang tidak terpusat antara 2 sinyal diskrit ai dan bi dapat
didefinisikan sebagai fungsi berikut :
• Metode yang digunakan adalah Korelasi silang yang menunjukkan kemungkinan dari
kenaikan yang signifikan dari beberapa aplikasi seismologis seperti mendeteksi even
t seismik dengan low magnitude, lokasi dari event seismik, Identifikasi dan karakteris
asi fase, dan karakterisasi ukuran fase (Gibbons and Ringdal, 2006).
• Teknik korelasi silang dapat menjadi perangkat yang powerful untuk mendeteksi
sinyal yang memiliki kemiripan.
• Sebagai hasilnya, korelasi silang mungkin dapat mengurangi beban kerja pada
analisis interaktif dan menyediakan alat yang presisi untuk Quality Control untuk
arrival dan even seismik
• Beberapa kemajuan yang besar dalam automatic and interactive processing didapat
kan dari korelasi silang yang diilustrasikan dari sekuen aftershock dari Gempa
Kontinental besar.
Implementasi Autokorelasi
pada Pengolahan Data
Geofisia
Andriyanto Dwi Nugroho
155090701111013
Fegi Fransisca Reski
155090701111001
Fungsi Autokorelasi
Autokorelasi merupakan cross - correlation dari
signal yang sama. Biasanya digunakan dalam
mengukur keselarasan bagian-bagian dari suatu
fungsi dan memberikan informasi signal yang
lebih jelas. Pada kawasan frekuensi, fungsi auto
korelasi hanya mengandung spektrum
amplitudo.
Adapun beberapa fungsi autokorelasi yaitu :
2. Memisahkan suatu sinyal seismik dengan koefisien refleksi dari suatu seismogram,
yang dilakukan pada data seismik yang sudah bebas noise.
Contoh Aplikasi
1. Data Kegempaan
Diamsusikan rekaman seismogram dari suatu gempa diganggu oleh
noise. Noise ini dapat diakibatkan oleh beberapa kemungkinan gelo
mbang micro seismic seperti, kendaraan, angin, gelombang laut dsb
. Sehingga seismogram merupakan gabungan signal dengan noise di
mana signal sebagai data target.
Didalam kegempaan, parameter yang berhubungan
dengan signal adalah waktu tiba (t) dan amplitude (
A). Jika S(t) diketahui, auto-korelasi Zs, maka s(t) d
apat dihitung, sehingga amplitude (A) dan waktu te
mpuh dapat diestimasikan.
Proses Korelasi silang auto-korelasi yang dijelaskan
diatas bisa disebut Matched Filter yaitu suatu optim
al filter untuk mengeluarkan signal dari noise. Matc
hed Filter ini tidak berlaku akan jika Signal dan nois
e similara, dan juga apabila noise lebih kuat dari sig
nal disekitar waktu.
2. Autokorelasi Prekursor Gempa
Pengaplikasian autokirelasi adalah untuk mendete
ksi anomali ionosfer lokal yang berdasar dari bersumber d
ari prekursor gampa, sebelum terjadinya gempa bumi atau
yang kita kenal dengan prekursor gempa hal ini dikemuka
kkan oleh puinets dan Boyarchuk 2004.
Tetapi Pinets dan Boyachuk menngemukakkan bahwa teta
pi teknik korelasi silang mungkin lebih cocok untuk ditera
pkan untuk daerah lintang menengah, karena variabilitas s
pasial ionosfer di Indonesia lebih besar dibandingkan deng
an daerah lintang menengah. Oleh karena itu teknik auoto
korelasi perlu diuji di wilayah Indonesia dan perlu dikemb
angkan agar dapat digunakan untuk mendeteksi pengaruh
gempa bumi pada ionosfer.
3. Data Seismik
Proses auto-korelasi banyak digunakan dalam pengolahan
data seismik, sebagai contoh proses eliminasi noise seismik
yang multiple (berupa gelombang multiple dan gemma)
dengan menggunakan teknik dekonvolusi prediktif. Sehingga
fungsi autokorelasi dan korelasi silang ini digunakan untuk
memperkirakan jarak prediksi atau lag dalam perancangan
filter prediksi yang berfungsi untuk menekan energi ganda,
yang dapat diprediksi dari bagian seismik. Pada umumnya
prediksi noise dalam kasus diatas dianggap sebagai hasil satu
proses statistic yang secara umum memenuhi dua (2) asumsi:
- Harga rata-ratanya adalah konstan
- Harga rata-rata perkalian noise pada waktu berbeda t dan
t+a hanya bergantung pada beda waktu a (tidak pada waktu
absolute t).
Sebagai contoh jika suatu proses stokastik yang me
menuhi dua hal diatas disebut stasioner dalam penge
rtian yang luas. Kemudian jika suatu fungsi atau noi
se Si(t) memenuhi asumsi yang ke dua, dan harga ra
ta-rata diberikan :
secara tepat.
Pendahuluan
frekuensi dan waktu yang berbeda-beda dan hasil analisisnya berupa komponen-komponen dengan r
an fungsi-fungsi basis (dasar). Salah satu karakter penting fungsi-fungsi basis wavelet tersebut adala
h keterkaitan antara satu dengan yang lainnya dengan penskalaan dan translasi yang sederhana. Fu
ngsi wavelet asli, biasa disebut sebagai“wavelet induk” atau mother wavelet, yang biasanya dirancan
g berdasar beberapa karakter yang berkaitan dengan fungsi tersebut, digunakan untuk menghasilkan
1. Tiga sinyal atau vektor sinyal dalam ranah waktu yang akan dipr
oses Adaplet sekaligus dibandingkan.
2. Jumlah atau banyak data yang digunakan untuk mem-plot hasil
autokorelasi ralat e(n).
3. Nilai μ untuk ukuran langkah dalam algoritma NLMS (Normalize
d LMS).
4. Koefisien awal proses Adaplet, default-nya berupa koefisien nol,
sedangkan dalam penelitian digunakan koefisien dari Tapis Wav
elet Coiflet-5 (penyesuaian untuk jenis sinyal seismik).
Hasil dari autokorelasi diplot menggunakan metode
Cubic Smoothing Spline atau disingkat CSS lalu dicari
empat koefisien polinomialnya yang pertama (koefisien k
e-1, 2, 3 dan 4).
• SINYAL TIPE-1
sinyal dengan tipe yang
sama, maka hasil
masing-masing 4 koefisi
en polinomial prediksi
linear menggunakan Ada
plet atau Adaptif
berbasis Wavelet adalah
sama atau serupa.
Hasil dan Pembahasan
• SINYAL TIPE-2
Sinyal Tipe-2 memiliki pola yang
berbeda dengan Sinyal Tipe-1.
Hasil dan Pembahasan
• SINYAL TIPE-3
Sinyal Tipe-3 ini juga berbeda po
lanya dengan dua tipe sinyal seb
elumnya
• KESIMPULAN UNTUK SINYAL TIPE-3
• Berdasarkan pengamatan dan pembahasan yang dilakukan dapat disim
pulkan bahwa untuk sinyal-sinyal yang memiliki kemiripan dengan Tipe-
3 memiliki koefisien-1, 2, 3, dan 4 dari Adaplet yang sama, sebagaimana
ditunjukkan pada Tabel 6.
PENGELOMPOKAN (KLASTER) SEMUA
KOEFISIEN DAN SEMUA TIPE
Hasil plot pengelompokan atau klaster dari semua koefisien unt
uk semua tipe menunjukkan adanya pengelompokan untuk masing-
masing koefisien (1, 2, 3, dan 4). Koefisien-1 untuk Tipe-2 di sekitar
0,02, sedangkan untuk Tipe-1 ada di sebelah kiri garis 0,06 sedangk
an Tipe-3 ada di sebelah kananya. Demikian juga untuk Koefisien-2
dan Koefisien-3 masing-masing tipe memiliki ciri khas tersendiri, untu
k Tipe-2 masing-masing di sekitar 0,04 dan 0,20, sedangkan Tipe-1 d
an Tipe-3 masih saling berdekatan tetapi tidak saling bersinggungan.
Hal yang menarik justru pada Koefisien-3, karena untuk semua tipe b
erada dalam jangkauan yang saling berdekatan, yaitu sekitar 0,145.
Dengan demikian hasil plot ini bisa menguatkan hasil-hasil sebelumn
ya, bahwa dengan Metode Adaplet bisa dilakukan pencairan fitur-fitur
khusus sinyal non-stasioner yang bersangkutan (seismik Gunung Me
rapi, Jawa Tengah – Indonesia).
Kesimpulan
1. data grid SPL global dengan resolusi 1⁰ lintang x 1⁰ bujur yang bersum
ber dari NOAA,
2. grid data SPL dengan resolusi 1⁰ lintang x 1⁰ bujur pada wilayah Indone
sia yang dibatasi pada posisi geografi 09⁰LU-12⁰LS dan 93⁰BT-144⁰BT,
3. data curah hujan bulanan 24 stasiun di seluruh kabupaten Cilacap, den
gan periode data 1988-2006.
Analisa Korelasi
• Data SPL pada zona yang menghasilkan nilai koefisien korelasi tertinggi
pada setiap bulan (Januari-Desember) dipilih sebagai input model. Praki
raan curah hujan bulanan dilakukan dengan metode Filter Kalman.
• Prediksi curah hujan dengan metode filter Kalman dilakukan dengan fasi
litas System Identification Toolbox dalam Program Matlab Versi 6.5 Rel
13
Hasil dan Pembahasan
Curah Hujan Kabupaten Cilacap
Hasil dan
Pembahasan
SPL Wilayah Indonesia
• Selanjutnya zona SPL tersebu
t bergerak ke arah utara mulai
bulan Juni hingga September
dan pada umumnya curah
hujan di wilayah Indonesia
berkurang, yang selanjunya
bergerak kembali ke arah
selatan dan di Indonesia mulai
lagi musim hujan. Siklus ini
akan berulang setiap tahun de
ngan teratur apabila tidak terja
di anomali iklim.
Keterkaitan Curah Hujan dengan SPL Wilayah Indonesia