Represented By:
Eki Komara
2231610
• Teori Dasar
• Metodologi Penelitian
• Hasil
• Kesimpulan
Pendahuluan
• Latar belakang
j 2ft
S ( , f ) d (t ) w( t , f ) e dt (1)
f ( t )
2 2
f (2)
w( t , f ) e 2
2
Karena
w( t , f )d 1
maka S inverse transform dapat dirumuskan menjadi :
S ( , f )e
j 2ft
d (t ) ddf (3)
Teori Dasar
• S Transform
Gambar 1. Pemodelan S
Transform menggunakan
software Matlab
Metodologi Penelitian
• Time-varying spectral modelling
n
k
a0 a1 f
an f
A( f ) f e (4)
untuk 0 k 3 dan 4 n 7
A fw
( , f , xi )
j i n
j A f ( , f , x j ) (5)
j = weighting coefficient
n = width of weighted window
Metodologi Penelitian
• Time-varying spectral modelling
Ketika j dan i j memiliki hubungan yang linear, secara matematis dapat dituliskan
1 i j
j j i n, i n 1,..., i n (6)
n 1 (n 1) 2
Selain proses low pass filter untuk mendapatkan amplitudo spektrum time-varying wavelet,
pada proses least square fitting dan multi-channel statistical weighting juga memiliki
karakteristik low pass filter sehingga hasilnya dapat merefleksikan trend atenuasi yang
disebabkan oleh difusi muka gelombang dan faktor formasi.
Metodologi Penelitian
• Deconvolution operator
1 f f a atau f f d
AMAX ( x)
fb f fc
O( , f , x) A fw ( , f , x) * AMAX ( x) (7)
* AMAX ( x) f a f f b atau f c f f d
1
A fw ( , f , x) * AMAX ( x)
dimana
AMAX ( x ) max A fw ( , f , x)
=slope weighting coefficient0, 1
= white noise coefficient,0.005 0.05
Metodologi Penelitian
• Rekonstruksi S domain
j 2ft
R1 (t , x) S ( , f , x )O ( , f , x ) e ddf (8)
dimana
w( f ) = sumber gelombang dalam domain
frekuensi