Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Keberadaan noise pada data magnetotellurik dapat membiaskan hasil interpretasi. Noise ini dapat eliminasi dibutuhkan remote station yang jauh dar lokasi pengukuran dan bebas dari interferensi. Remote station diasumsikan bahwa terbebas dari noise, sehingga data dari remote station dapat digunakan untuk mereduksi noise pada stasiun pengukuran. Akan tetapi penambahan remote station ini akan meningkatkan biaya operasional eksplorasi dan juga akan membutuhkan banyak waktu serta sulit untuk mencari lokasi yang terbebas dari noise, terutama pada eksporasi geothermal dikarenakan area di Indonesia yang biasanya memiliki medan dan akses sulit dilalui. Oleh karena itu, diperlukan teknologi yang dapat mengreduksi noise pada data magnetotellurik dan meningkatkan kualitas data sehingga dapat mengurangi biaya dan waktu dalam eksplorasi. Melalui metode continuous wavelet transform, data magnetotellurik yang terkontaminasi noise dapat direduksi tanpa ada bantuan remote station dan akan menyebabkan eksplorasi geothermal menjadi lebih efisien. Metode continuous wavelet transform mengolah data magnetotelurik berupa time series domain yang masih belum difilter dan mengubah data time series domain tersebut ke dalam time-frequency domain. Pengubahan menjadi time-frequency menggunakan metode continuous wqavelet transform untuk dianalisis keberadaan noisenya pada frekuensi dan waktu kemunculan noise yang kemudian dihilangkan. Data yang telah dihilangkan akan dapat diolah menjadi apparent resistivity dan fase vs frekuensi. Hasil filter yang telah dilakukan dibandingkan dengan pengolahan software komersil. Dimana filter berhasil menghilangkan keberadaan noise transient yang muncul dengan kisaran frekuensi 30-400 Hz dan kemunculan selama 0.2-0.4 detik. Sehingga filter ini dapt menjadi alternatif lain dalam penghilangan noise pada data magnetotelurik.

---

The presence of noise in magnetotelluric data can produce a bias in its interpretation. To eliminate this noise, a remote station that is far from interference is needed. Assuming that the remote station is almost free from noise, the data from remote station can be used to reduce the noise from measurement station. However, adding an additional station means there will be an increase in exploration cost. Also, adding a remote station itself can be challenging and time-wasting since finding an area that is free from interference is quite hard to do, especially for geothermal exploration area in Indonesia that usually have difficult terrain and access. To answer this, we need a technology that can reduce noise from magnetotelluric data and improve the data quality while keeping the cost and time of exploration as low as possible. By using continuous wavelet transform method, the noise from magnetotelluric data can be reduced without the need to use a remote station which makes exploration becomes more efficient. The continuous wavelet transform method processes magnetotelluric data from unfiltered time series domain and changes the domains time series data into a time-frequency domain. Changing processes to a time-frequency uses the continuous wavelet transform method to analyze the existence of the frequency and time of occurrence of noise which is then removed. Data that has been removed will be processed into apparent resistivity and phase vs frequency. The filter results have been done compared to commercial software processing. Where the filter successfully eliminates the presence of transient noise that appears with a frequency range of 30-400 Hz and emergence for 0.2-0.4 seconds. So this filter can be another alternative in noise removal in magnetotelluric data.

Abstrak :
Data seismik merupakan data yang secara alami tidak stasioner, karena mempunyai berbagai kandungan frekuensi dalam domain waktu. Salah satu atribut seismik yang bertujuan untuk mencirikan tanggap frekuensi yang tergantung waktu dari batuan dan reservoir bawah permukaan adalah dekomposisi waktu-frekuensi atau sering disebut sebagai dekomposisi spektral. Dengan dekomposisi spektral diharapkan lapisan-lapisan sedimen yang tidak tampak terpisah (berada di dalam satu wiggle wavelet) dengan menggunakan data seismik konvensional, akan tampak terpisah jelas. Salah satu metode dari dekomposisi spektral yaitu Continous Wavelet Transform (CWT). CWT adalah metoda dekomposisi waktu-frekuensi (time-frequency decomposition) yang ditujukan untuk mengkarakterisasi respon seismik pada frekuensi tertentu. Studi ini dilakukan dengan mengaplikasikan CWT pada wavelet dan frekuensi tertentu untuk melihat resolusi dari seismik .Wavelet yang digunakan pada studi ini adalah wavelet morlet, complex Gaussian-4, daubechies-5, coiflet-3 dan symlet-2 pada frekuensi 20 Hz, 40 Hz, 60 Hz dan 80 Hz (pada data sintetik 2D seismik) serta 40 Hz, 60 Hz, 80 Hz (pada data real 2D seismik). Dan hasil yang diperoleh dari penelitian ini menunjukkan bahwa pada data seismik sintetik 2D seismik dilakukan aplikasi CWT dengan time sample 3s dan 50 CDP trace menunjukkan bahwa semakin tinggi frekuensi maka pemisahan lapisan tipis yang dapat dilakukan semakin baik. Pada data seismik real 2D, pemisahan lapisan tipis pada batubara terjadi pada tuning frequency 80 Hz dengan menggunakan wavelet symlet-2. ......Seismic data is naturally a non-stationary data, because it has many frequencies information in time domain. One of seismic attributes, which is used to characterize the frequency response as function of time and reservoir rock, is time-frequency decomposition or commonly known as spectral decomposition. By using spectral decomposition, it is expected that thin sedimentary layers (in one wiggle wavelet) can be separated rather than using conventionally seismic data. CWT is one of time-frequency decomposition method to decompose the seismic signal into single frequency. This study had been carried out by implementing CWT in certain wavelet and frequency to analyze the seismic resolution. The various wavelets had been used this study, they are morlet, complex Gaussian-4, daubechies-5, coiflet-3 and symlet-2. The various frequencies of 20 hz, 40 Hz, 60 Hz dan 80 Hz frequency (for 2D synthetic seismic data) and 40 Hz, 60 Hz, 80 Hz frequency (for 2D real seismic data) are applied. The application of 2D synthetic seismic data that is implemented with CWT, 0.3 s time sample and 50 trace, shows that the use of higher frequency shows better separation. In addition, the application of 2D real seismic data shows that the best separation is in the frequency of 80 Hz with wavelet symlet-2.