LogoType

Ira Rizkillah Koswara

Jihan Hadryanti Arif
Esti Ma’rufatul Khusna
Alfan Aiman
KORELASI DAN Afif Haris Maulana
Andri Dwi Nugroho
AUTOKORELASI Dana Helmi Anggara
Fegi Fransisca
Ricky Kurniawan
Andhika W
KORELASI DAN AUTOKERALSI

01 Pengertian dan Persamaan Matematis

02 Implementasi dalam Pengolahan Data Geofisika

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

Korelasi mempunyai peranan penting dalam

mempelajari deret waktu (time series). Secara
umum, korelasi memberikan estimasi kuantitat
if dalam tingkat similaritas di antara 2 fungsi.

Dalam statistik, korelasi merupakan salah satu

analisis yang dipakai untuk mencari hubungan
antara dua variabel yang bersifat kuantitatif
substantif numerik (angka/bilangan).
 Korelasi | Definisi

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 bisa membedakan signal
dan noisenya, pada kondisi ini proses
pemisahan melalui KORELASI
merupakan alternatif yang baik. Tetapi
proses ini (korelasi) membutuhkan
pengenalan bentuk signal dengan baik
dan adanya perbedaan spectrum ‘phase’
antara signal dan noise.
 Korelasi | Korelasi
Silang

Fungsi korelasi silang adalah mengukur similaritas / keselarasan dari dua

fungsi setelah menggeser salah satu fungsi dimana penggeserannya bisa positif (
>0) atau negatif (<0). Fungsi korelasi silang dari dua fungsi
. aperiodik x(t) dan y(t)
diberi oleh:
∞

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

Hasil korelasi silang dapat diinterpretasikan secara kuantitatif atau kualita

tif. Pada pendekatan yang terakhir, hasil korelasi silang dinormalisasikan dengan
suatu harga terentu yang tetap. Sebagai contoh jika harga . korelasi silang maksim
al Zmaks. pada t=t0, maka harga normalisasinya adalah :
𝑛 𝑍𝑋,𝑌 (𝑇)
𝑍𝑋,𝑌(𝑡) = 𝑍𝑚𝑎𝑘𝑠. 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.
 Korelasi | Fungsi Korelasi Silang
Akan memberikan harga maksimum pada saat kedua trace tersebut dalam keadaan sejaja
r satu sama lain.
Perumusan Matematis ∞

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 :

𝑔×ℎ ≠ ℎ×𝑔 𝑔 × ℎ = 𝑔 − × ℎ ∶ 𝑓𝑘 = 𝑔𝑘 × ℎ𝑘 = 𝑔−𝑘 × ℎ𝑘

Korelasi | Fungsi
Korelasi Silang
Korelasi | Fungsi Korelasi Silang
 Korelasi | Fungsi
Korelasi Silang
Korelasi silang digunakan untuk mencari dimana dua
signal mengalami kecocokan.
Misal, u(t) adalah bentuk gelombang uji. V(t) mengan
dung u(t) dengan delay yang tidak diketahui dan
noise. w(t) memberikan sebuah puncak saat lag dim
ana u(T-t) sangat cocok dengan v(T); di mana dalam
kasus ini pada t = 450.
Dasar Teori dan
Persamaan
Matematis
Autokorelasi
Ira Rizkillah (155090707111003)
Dana Helmi (155090707111008)
Auto-korelasi

• Autokorelasi adalah suatu perhitungan

statistik yang di gunakan untuk
membandingkan dua sinyal dengan
dirinya sendiri sebagai fungsi
pergeseran.
• Fungsi Auto-korelasi adalah
mengukur bagaimana keselarasan
suatu fungsi dangan duplikatnya setel
ah duplikatnya digeser atau mengukur
keselarasan bayangan cermin bagian-
bagian dari suatu fungsi.
Autokorelasi |
Pendahuluan
 Autokorelasi | Pendahuluan
Korelasi diri adalah jenis khusus dari suatu fungsi korelasi yang diberikan
sbb :
∞

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

Dimana A(f) dan ϑ(f) masing-masing adalah spectrum ampllitudo da

n spectrum phase. Sehingga auto-korelasinya menjadi :

𝑍𝑃,𝑃 𝑓 = 𝐴(𝑓) 2

dengan kata lain auto-korelasi dalam kawasan frekuensi adalah fun

gsi frekuensi riil atau fungsi dengan spectrum phase nol. Sehingga d
ari suatu fungsi auto-korelasi hanya mengandung spectrum amplitud
e, artinya bahwa fungsi auto-korelasi sepenuhnya didefinisikan oleh
spectrum amplitude (energi) yang tidak bergantung pada phasenya.
 Sifat-sifat fungsi Auto-korelasi

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)

Periodik dengan perioda 𝑇0 Periodik dengan perioda 𝑇0

Aperiodik Aperiodik

Transien dengan waktu 𝑇0 Transien dengan waktu 2𝑇0

 Autokorelasi | Transformasi Fourier
Korelasi antara fungsi P(t)
dan fungsi S(t) sama den
gan konvolusi pencermina
n P(t) dan S(t) yang di tuli
skan sbb :
Sehingga auto-korelasin
ya :
Dimana P(-t) adalah cer
minan dari X(t), kemudi
an transformasi Fourier
persamaan diatas didap
at :
𝑍𝑝,𝑠 = 𝑝 −𝑡 ∗ 𝑆(𝑡) Sehingga dapat diformula
sikan teorema dari
autokorelasi sbb :
Transfo Transformasi Fourier dari
𝑍𝑝,𝑝 𝑡 = 𝑝 −𝑡 ∗ 𝑝(𝑡) Transformasi
rmasi F suatu auto-korelasi P(t)
Fourier
ourier adalah spectrum energi
dari
Fungsinya itu sendiri
𝑍𝑝,𝑝 𝑓 = 𝑃 ∗ 𝑓 . 𝑃 𝑓 (P(t)), bersifat real dan
= 𝑃(𝑓) 2 even.
Autokorelasi
Suatu fungsi auto-korelasi bersifat simetri dan even,
sehingga :
Simetris 𝑍𝑝,𝑝 𝑡 = 𝑍𝑝,𝑝 (−𝑡)

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

dengan ∆t=spasi data dan n=1,2,3,……..,∞.

Implemetasi Korelasi
dalam Pengolahan Dat
a Geofisika
• Alfan Aiman Shubhi
155090707111013
• Andhika Widyawatmaja
155090707111010
• Stacking seismic data using local correlation

• Prespective of cross correlation in seicmic monitoring at the International Data Centre

 1. Stacking seismic data using local correlation

Koefisien korelasi global yang tidak terpusat antara 2 sinyal diskrit ai dan bi dapat
didefinisikan sebagai fungsi berikut :

Dimana N adalah panjang sinyal.

 1. Stacking seismic data using local correlation

• Stacking using local correlation

Masalah penggabungan koleksi dari seismic trace menjadi single trace umumnya
disebut Stacking in Seismic data processing. Proses ini digunakan untuk
mengatenuasi noise acak dan sekaligus memperkuat sinyal koheren. Biasanya
Stacked Trace yang diinginkan diperkirakan dengan merata-rata trace dari CMP
Gather (Mayne, 1962) :
1. Stacking seismic data using local correlation
 2. Prespective of cross correlation in seicmic monitoring at the International Data Centre

• 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 :

Dapat memberikan petunjuk t

Untuk merekonstruksi signal entang adanya efek multipel
01 ,perlu asumsi tentang fasa 02 dan memperkirakan frekuensi
dari spektrum. nya (dalam persoalan seismik
).

Fungsi autokorelasi dan korel

asi silang yang digunakan unt
03 uk merancang 04alat penting pe
ngolahan data seismik yaitu d
ekonvolusi prediktif.
 Fungsi Autokorelasi
Dalam seismik noise yang dianggap sebagai sinyal pengganggu dibagi menjadi 2 yaitu :
tidak dapat diprediksi dan ber
1. Coherent noise sifat acak, memiliki spektrum
memiliki karakteristik yang biasanya berbasis pada trace yang lebar, memiliki energi
per trace membentuk suatu keteraturan , sehingga dapat dili yang relatif rendah (berasosia
hat pada setiap trace dan memungkinkan untuk memprediks si dengan amplitudo kecil),
inya. Noise ini timbul akibat peledakan yang dilakukan pada dan dapat dikurangi dengan
sumber saat pengambilan data. cara stacking. noise ini diseb
abkan oleh segala sesuatu
Beberapa jenis noise yang termasuk dalam kategori ini antara lain: yang tidak disebabkan oleh
A. Ground roll sumber (source). Noise acak
Noise yang menjalar melalui permukaan yang radial (gelombang ini dapat ditimbulkan oleh
permukaan) menuju receiver. adanya angin, hujan, aliran air
B. Air blast (air wave) , aktifitas manusia, hewan,
Noise yang memiliki karakter hampir sama dengan ground roll, han aktifitas mesin industri, dan
ya saja kecepatan air blast lebih rendah. faktor lingkungan lainnya.
C. Multiple 2. Ambient noise
Adalah sinyal refleksi yang dapat berupa short- path multiple (SPM
) maupun long– path multiple (LPM).
 Dekonvolusi
Dekonvolusi adalah suatu proses untuk meniadakan konvolusi. Seperti banyak d
iketahui bahwa fenomena perambatan gelombang seismik yang dipakai dalam seismik
eksplorasi dapat di dekati dengan model konvolusi. Trace seismik dapat dianggap seba
gai hasil antara deret koefisien refleksi dengan sinyal seismik.

Tujuan proses dekonvolusi itu sendiri ada 2 macam, yaitu:

1. Menghilangkan noise yang bersifat koheren (seperti multipel dan dereverberasi).

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 :

dimana persamaan ini adalah auto-korelasi dari nois

e tersebut. Sehingga dari uraian ini dapat diketahui b
ahwa suatu noise yang memenuhi kedua syarat tadi (
a dan b), maka asumsi diatas akan mempunyai spect
rum amplitude dengan definisi yang baik (tertentu),
sedangkan spectrum phasenya random atau dengan
kata lain noise ini mempunyai definisi auto-koreksi
yang baik.
4. Autokorelasi pada Time Series
Ketika time series akan dianalisis, maka tahap yang pertama dilak
ukan ialah mengidentifikasi trend yang ada dan membuangnya. Ta
hap selanjutnya adalah dengan mengidentifikasi terdapat atau tidak
sinyal periodik yaitu dengan menggunakan fungsi autokorelasi (bo
x and jenkis 1976). Fungsi ini didefinisikan dari koefisien korelasi
linier (koefisien korelasi) antara titik yang merupakan bagian dari t
ime series f(t) dengan bagian yang lain f(t+lag) untuk semua nilai l
ag
 Filtering
Pada data seismik, filtering digunakan dalam upaya menyelamatkan frekuensi yang dikehendaki
dari gelombang seismik dan membuang yang tidak dikehendaki memperkuat sinyal. Pada kawasan
frekuensi, fungsi autokorelasi hanya mengandung spektrum amplitudo. Terdapat beberapa macam
jenis filtering yaitu :
1. Band pass
Amplitudo yang berasosiasi dengan frekuensi - frekuensi a, b, c dan d adalah 0, 1, 1, 0. filter balik
dapat didisain dengan memilih amplitudo seperti 1, 0, 0, 1,ini berarti frekuensi yang dibuang/
ditolak oleh filter Band-pass.
2. Low pass (high cut)
Urutan amplitudo untuk frekuensi a, b, c dan d adalah 1, 1, 0, 0dengan nilai frekuensi a dan d
sembarang. Taper berada antara frekuensi b dan c.
3. High pass (low cut).
Urutan amplitudo untuk frekuensi a,b,c dan d adalah 0,0,1,1dengan nilai frekuensi a dan d
sembarang.
 Didalam pengolahan data seismik band
pass filter lebih umum digunakan karen
a biasanya gelombang seismik terkonta
minasi noise frekuensi rendah (ground
roll) dan noise frekuensi tinggi (ambient
noise).
Studi Kasus
Ricky Kurniawan
(155090707111002)
Esti Ma’rufatul Khusna
(155090700111011)
 Studi kasus
ANALISIS SINYAL SEISMIK
GUNUNG MERAPI, JAWA TENGAH
INDONESIA
MENGGUNAKAN METODE ADAPLET
(TAPIS ADAPTIF BERBASIS WAVELET)
ABSTRAK
Mempelajari sinyal yang diperoleh dari
alam untuk mendapatkan karaktersinyal yang
bersangkutan merupakan penelitian yang dapat
dimanfaatkan untuk mendapatkan model maupun
karakter sinyal yang bersangkutan. Selanjutnya dari
model maupun karakter tersebut dapat ditarik cara
prediksi data, ekstraksi fitur serta analisis maupun
proses lanjutan lainnya secara tepat.
 Pendahuluan

Mempelajari sinyal yang diperoleh dari alam untuk

mendapatkan karakter sinyal yang bersangkutan merupakan

penelitian yang dapat dimanfaatkan untuk mendapatkan model

maupun karakter sinyal yang bersangkutan. Selanjutnya dari

model maupun karakter tersebut dapat ditarik cara prediksi data,

ekstraksi fitur serta analisis maupun proses lanjutan lainnya

secara tepat.
 Pendahuluan

Tujuan penelitian ini adalah melakukan studi analisis,

termasuk memperoleh fitur-fitur dari sinyal non-stasioner
menggunakan metode Adaplet (penggabungan Metode
Adaptif dan Wavelet yang telah dikenal bersifat novel
untuk melakukan proses prediksi linear).
 Tinjauan Pustaka
Wavelet merupakan fungsi matematis yang dapat mewakili data menjadi beberapa komponen

frekuensi dan waktu yang berbeda-beda dan hasil analisisnya berupa komponen-komponen dengan r

esolusi yang sesuai dengan skalanya.

Teori Wavelet didasarkan pada analisis komponen-komponen sinyal menggunakan sekumpul

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

semua fungsi basis turunannya.

 Wavelet secara umum dapat dikelompokkan kedalam be
berapa kelas dengan beberapa macam cara, misalnya, kit
a dapat menggolongkan berdasarkan durasi atau support:
wavelet dengan support tak-hingga dan wavelet dengan s
upport berhingga Ada beberapa wavelet dengan support t
ak-hingga yang populer seperti Wavelet Gaussian, Mexic
an Hat, Morlet, dan Meyer
 Tapis Adaptif adalah suatu ‘alat’ komputasi
yang mampu memodelkan hubungan antara du
a sinyal secara real-time (waktu nyata) dan seca
ra iteratif (berulang-ulang). Tapis adaptif didefini
sikan berdasar empat aspek, yaitu:
1. Sinyal yang diproses;
2. Struktur yang menentukan bagaimana sinyal kel
uaran dihasilkan dari sinyal masukan;
3. Parameter-parameter di dalam struktur yang da
pat diubah secara iteratif untuk mengubah hubu
ngan masukan-keluaran; serta
4. Algoritma adaptif yang menentukan bagaimana
parameter-parameter tersebut diubah dari waktu
ke waktu.
 Dengan memilih struktur tapis adaptif tertentu, maka perlu juga
dipilih berapa dan tipe apa parameter yang akan dilibatkan (yang nila
inya bisa berubah-ubah, menyesuaikan sepanjang waktu). Algoritma
adaptif digunakan untuk memperbaharui nilai parameter-parameter t
ersebut juga dipilih sedemikian hingga diperoleh kriteria ralat yang se
kecil mungkin, yang merupakan bentuk prosedur optimasi.
 APLIKASI TAPIS ADAPTIF: PREDIKSI LINEAR

Terdapat beberapa aplikasi tapis adaptif, sedangkan yan

g digunakan dalam penelitian ini adalah Prediksi Linear, yang
diagram blok-nya ditunjukkan pada gambar. Dalam hal ini, sin
yal masukan x(n) diperoleh dari sinyal tanggap yang diingink
an d(n) melalui tundaan waktu berikut ( merupakan nilai bilan
gan bulat penundaan).
Selama proses tapisan adaptif akan diperoleh sekumpulan ra

lat e(n), yag kemudian di-autokorelasi-kan sehingga akan me

mbentuk kurve yang memiliki koefisien-koefisien polinomial.
Koefisien-koefisien polinomial ini yang kemudian digunakan s
ebagai ’model’ untuk sinyal yang diamati, hal ini berkaitan de
ngan pola-pola ranah waktu yang terdapat pada sinyal yang
bersangkutan. Selain itu, koefisien pada tipe-tipe sinyal terten
tu bisa dibandingkan sehingga diperoleh persamaan linear ga
ris y=ax+b yang merupakan fitur sinyal yang bersangkutan.
 Metodologi Penelitian

1. Melakukan penundaan sinyal asli d(n) untuk mendapatkan x(n) yang

diumpankan ke tapis Adaptif sehingga menghasilkan keluaran y(n)
2. Kemudian keluaran dibandingkan dengan masukan sinyal asli d(n)
sebagai sinyal yang dikehendaki yang menghasilkan keluaran ralat e(n)
yang akhirnya menghasilkan keluaran ralat e(n) yang kemudian
digunakan sebagai tuner untuk tapis adaptif yang bersangkutan,
sedemikian hingga ralat e(n) bisa mendekati 0
Parameter yang digunakan dalam adaplet

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).

Metode ini membutuhkan parameter-parameter yaitu: da

ta x dan y yang masing-masing merupakan hasil autokor
elasi dalam ranah waktu, serta parameter penghalusan p
.
• Spline penghalusan meminimalkan persamaan be
rikut

• Jika p = 0 maka akan dihasilkan sebuah garis luru

s kuadrat terkecil (least square), sedangkan jika p
= 1 maka dihasilkan sebuah garis interpolan splin
e kubik (cubic spline interpolant)
Contoh hasil proses atau Analisis Adaplet
menggunakan Wavelet Coiflet-5
Analisis dengan Metode
Adaplet menggunakan 3 m
acam sinyal-sinyal seismik
Gunung Merapi, yang masin
g-masing mewakili 3 event
yang berbeda, untuk melihat
pola-pola tertentu berkaitan
dengan aktivitas seismik
volkanik.
 Hasil dan pembahasan

• 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

KESIMPULAN UNTUK SINYAL TIPE-1

• Berdasarkan pengamatan dan pembahasan yang dilakukan dapa
t disimpulkan bahwa untuk sinyal-sinyal yang memiliki kemiripan
dengan Tipe-1 memiliki koefisien-1, 2, 3 dan 4 dari Adaplet yang
sama, sebagaimana ditunjukkan pada Tabel 2.
 Hasil dan Pembahasan

• SINYAL TIPE-2
Sinyal Tipe-2 memiliki pola yang
berbeda dengan Sinyal Tipe-1.
 Hasil dan Pembahasan

• KESIMPULAN UNTUK SINYAL TIPE-2

• Berdasarkan pengamatan dan pembahasan yang dilakukan dapat disim
pulkan bahwa untuk sinyal-sinyal yang memiliki kemiripan dengan Tipe-
2 memiliki koefisien-1, 2, 3, dan 4 dari Adaplet yang sama, sebagaimana
ditunjukkan pada Tabel 4.
 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

Penggunaan Metode Adaplet memungkinkan analisis pola-pola kuantitatif

dengan memperhatikan parameter koefisien-koefisien polinomial model siny
al untuk tipe-tipe sinyal non-stasioner dengan pola visual tertentu, hal ini dib
uktikan dengan hasil eksperimen untuk 3 (tiga) macam jenis event sinyal ya
ng memberikan koefisien-koefisien polinomial, relasi antar koefisien ralat pr
ediksi maupun pengelompokan (klaster) koefisien-koefisien secara khusus.
Studi Kasus Korelasi
 Pendahuluan

• Keteraturan pola dan distribusi curah hujan di suatu wilayah merupakan

jaminan berlangsungnya aktifitas pertanian. Namun kondisi ini akan men
galami kekacauan manakala terjadi fenomena iklim ekstrim seperti El Ni
no, La Nina maupun Dipole Mode.
• Fenomena El Nino Southern Oscillation (ENSO) merupakan salah satu c
ontoh nyata bahwa perubahan SPL berpengaruh terhadap curah hujan.
• Perubahan SPL diketahui memiliki pengaruh yang besar terhadap variab
ilitas curah hujan dan diduga hal ini terkait dengan perubahan pola ano
mali SPL tersebut baik secara spasial maupun temporal.
 Metode

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

• Hubungan antara curah hujan Kabupaten Cilacap dengan SPL wilayah I

ndonesia diketahui berdasarkan analisis korelasi antara kedua paramete
r tersebut. Analisis korelasi dilakukan untuk setiap bulan (Januari-Desem
ber).
• Korelasi yang dihasilkan berupa nilai koefisien korelasi spasial di wilaya
h Indonesia yang menyatakan keeratan hubungan kedua parameter ters
ebut. Proses analisis dilakukan dengan perangkat lunak Grid Analysis a
nd Display System (GrADS) dan Matlab 6 Rel. 13.
 Prediski Curah Hujan Bulanan

• 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

Dari penyebaran nilai koefisien korelasi terlihat adanya keterkaitan a

ntara curah hujan kabupaten Cilacap dengan SPL wilayah Indonesia
.
Terdapat korelasi positif dan negatif dalam keterkaitannya.
Validasi Model Prakiraan Curah Hujan
 Prakiraan Curah Hujan

• Hasil prediksi menunjukkan flu

ktuasi curah hujan yang relatif r
endah yaitu kurang dari 100 m
m/bulan dengan standar devias
i 19,23.
• Model prakiraan curah hujan wilayah Indonesia ini bisa dikembangkan u
ntuk kabupaten sentra pangan lainnya. Apabila tersedia data prediksi SP
L dengan jangka waktu yang lebih rapat misalnya mingguan atau harian,
maka prakiraan curah hujan dapat dilakukan untuk interval waktu yang l
ebih pendek (mingguan atau harian).
 Thank you
Insert the title of your subtitle Here
1. Apakah korelasi dapat dialikasikan pada metode geofisika lain ? (meta)
2. Pada saat apa metode korelasi dan autokorelasi dilakukan ? (tania)
3. Tapis itu apa ? (Syafiq)
4. Pada metodologi ada istilah tunner, itu maksudnya apa ? (wanda)
5. Apa perbedaan mendasar dari kedua studi kasus ? (Pak Sukir)
6. Ada prediksi dan ada data, bagaimana diperoleh prediksi dan datanya, dan apa hubungannya dengan
prediksi? (Pak Sukir)
7. Perlu diulang antara Zn Ze, Zs (Pak Sukir)
8. Sinyal seismik itu berupa apa ? (Pak Sukir)
9. Sebenarnya pada step apa korelasi dan autokorelasi digunakan ? (Pak Sukir)
10. Apakah sama antara filtering dengan korelasi ? (Pak Sukir)
11. Apakah filtering bisa digunakan di banyak data? (Yusuf Krisna)