Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
65
LAMPIRAN
LAMPIRAN A Pengolahan Data Mikrotremor Menggunakan Metode
HVSR dengan Software Geopsy
Software Geopsy merupakan Perangkat lunak yang digunakan untuk
pengolahan data mikrotremor menggunakan metode HVSR, hasil data yang
ditambilkan merupakan kurva H/V. Sehingga dengan adanya kurva H/V
didapat nilai dari frekuensi dominan (f0 ) dan nilai amplifikasi (A).
Berikut merupakan langkah-langkah dalam melakukan pengolahan data
menggunakan metode HVSR dengan Software Geopsy .
1. Membuka aplikasi software Geopsy
i
2. Klik import signals, kemudian dicari file penyimpanan data titik-titik
pengukuran kemudian mengklik open.
66
3. File>>Import Signal >>File, lalu cari data. Mikrotremor .Kemudian
akan munculdata-data seperti di bawah berikut untuk setiap titik
perwaktu .
4. Selanjutnya setelah data dibuka akan muncul data tabel dan gelombang
hasil rekaman pada sumbu east-north-vertikal,seperti di bawah ini
5. Kemudian untuk memunculkan kurva H/V pilih toolbar H/V lalu akan
muncul H/V toolbox>>anti-triggering on filtered signal >>select
67
6. Klik start untuk memulai sebelum menampilkan kurva H/V software
geopsy akan terlebih dahulu memunculkan kurva dengan pickingan
noise yang telah dilakukan secara auto namun jika masih ada noise
yang terlewatkan kita bisa kembali ke toolbox lalu pilih remove.
7. Klik start maka akan muncul grafik H/V dengan menunjukan nilai
frekuensi dan nilai amplifikasinya dari hasil yang di remove .
68
LAMPIRAN B Pengolahan Menggunakan Metode EMD dan EEMD
dengan software Mattlab (Data Mikrotremor)
Software Matlab menggunakan path searching (pencarian direktori) untuk
menemukan file dengan ektensi “ m ” (m-file) yang mengandung skrip dan
fungsi.
1. Ketik skip metode EEMD pada Command Window. clc
clear all
disp('Input data seismik komponen Z');
[fileNameZ,filePathZ]=uigetfile('*.*','Select Data!');
Z=rdmseed(fullfile(filePathZ,fileNameZ));
Fs=100; %Frekuensi Sampling
dz = cat(1,Z.d);
dz=dz-mean(dz);%EMD
L=length(dz);
N=length(dz);
t=(1:N)/6000;
tz=t;
E=20;%JUMLAH ENSEMBLE
for j=1:E try % for cc=1:C y1 = j*wgn(length(dz),1,0);%WHITE NOISE dz=dz+y1;%EEMD
[imf,residual] = emd(dz);
% figure()
%emd(dz,'Interpolation','pchip');
hasilimf1(:,j)=imf(:,1);%HASIL DEKOMPOSISI EEMD hasilimf2(:,j)=imf(:,2); hasilimf3(:,j)=imf(:,3); hasilimf4(:,j)=imf(:,4); hasilimf5(:,j)=imf(:,5); hasilimf6(:,j)=imf(:,6); hasilimf7(:,j)=imf(:,7); hasilimf8(:,j)=imf(:,8); hasilimf9(:,j)=imf(:,9); hasilimf10(:,j)=imf(:,10);
hasilresidual(:,j)=residual;
end end
69
imf1eemd= mean(hasilimf1,L); %HASIL IMF AKHIR EEMD imf2eemd= mean(hasilimf2,L); imf3eemd= mean(hasilimf3,L); imf4eemd= mean(hasilimf4,L); imf5eemd= mean(hasilimf5,L); imf6eemd= mean(hasilimf6,L); imf7eemd= mean(hasilimf7,L); imf8eemd= mean(hasilimf8,L); imf9eemd= mean(hasilimf9,L); imf10eemd= mean(hasilimf10,L);
gg=hasilimf1.'; ggm=mean(gg); ggmt=ggm.';
figure() plot (tz,ggmt)
N=length(ggmt); Y=fft(ggmt); % PROSES FFT P2 = abs(Y/N); P1 = P2(1:N/2+1); P1(2:end-1) = 2*P1(2:end-1); f = Fs*(0:(N/2))/N; figure() plot(f,P1) title('Single-Sided Amplitude Spectrum of X(t)') xlabel('f (Hz)') ylabel('|P1(f)|')
vv=dz-(ggmt); % SINYAL BARU trnn=datenum([2019,7,7,2,10,00]); mkmseed('IT.PHYS.Y4.AZ.B',vv,trnn,Fs);
figure() plot (t,dz)
figure() plot (t,vv)
Y=fft(vv); P25 = abs(Y/N); P15 = P25(1:N/2+1); P15(2:end-1) = 2*P15(2:end-1);
f = Fs*(0:(N/2))/N; figure() plot(f,P15) title('Single-Sided Amplitude Spectrum of X(t)') xlabel('f (Hz)') ylabel('|P1(f)|')
70
Data mikrotremor yang akan melalui proses EMD terdiri dari 3 komponen
yaitu E-N-Z yang akan diproses satu persatu sehingga menghasilkan file
baru ( data mikrotremor yang telah terdekomposisikan).
Skrip diatas merupakan skrip dari metode EMD, yang output dari skip
tersebut akan mendekomposisikan sinyal utama menjadi beberapa IMF dan
akan menjadi data baru yang tersimpan secara otomatis di folder yang
nantinya data tersebut akan di kerjakan kembali di software geopsy.
2.Jalankan skrip pemprograman EMD sehingga data yang di jalankan akan
mengasilkan sinyal-sinyal yang telah terdekomposisikan.
Sinyal imf yang telah ditampilkan setelah menjalankan program EMD pada
matlab di save sehingga dapat dianalisis satu persatu imf yang telah
ditampilkan sehingga menggunakan metode FFT untuk mengurangi sinyal
asli dengan imf yang dianggap buruk.
Ternyta dalam penggunaan metode EMD masih memiliki kekurangan yang
akan membuat sedikit sulit untuk menginterpretasikan hasil akirnya. Metode
EMD memiliki kelemahan yaitu mode mixing, dimna setiap imf terdiri dari
Cara pengerjaannya sama seperti metode emd yaitu menjalankan metode
eemd dengan file data mikrotremor x,y,z yang di peroses satu persatu dan
data tersebut akan tersimpan secara otomatis di suatu file yang isi file
tersbut telah mereduksi noise yang ada di data mikrotremor. Hal tersebut
dapat dibuktikan dengan melakukan pengolahan menggunakan metode H/V
menggunakan software geopsy dengan melihat nilai frekuensi dominan dan
amplifikasi dari data mikrotremor yang telah melewati proses emd dan
eemd dengan data mikrotremor yang original. Sehingga kita dapat
menyimpulkan apakah metode ini dapat meruduksi noise tanpa mengubah
kualitas data mikrotremor itu sendri.
71
LAMPIRAN C Hasil Pengolahan Data Mikrotremor EEMD
Hasil pengolahan data
HASIL DEKOMPOSISI SINYAL PADA TITIK YN 1
TIME SERIES IMF
SPECTRUME AMPLITUDE
KOMPONEN Z
IMF 1
IMF 2
IMF 2
IMF 2
KOMPONEN N
IMF 1
IMF 1
72
IMF 2
IMF 2
KOMPONEN Z
IMF 1
IMF 1
IMF 2
IMF 2
73
HASIL GEOPSY DATA MIKROTREMOR
SEBELUM
WINDOWING
H/V
KURVA H/V
DENGAN FO= 0.85 , A0=4,48
74
SESUDAH
WINDOWING
H/V
KURVA H/V
DENGAN F0=0.76 , A0=3,29,
75
HASIL DEKOMPOSISI SINYAL PADA TITIK YN 13
TIME SERIES SEPCTRUME AMPLITUDE
KOMPONEN E
IMF 1
IMF 1
IMF 2
IMF2
KOMPONEN N
IMF 1
IMF 2
76
IMF 1
IMF 2
KOMPONEN Z
IMF 1
IMF 1
IMF 2
IMF 2
77
SEBELUM
WINDOWING
H/V
KURVA
FO=0.6,A0=3.2
78
SETELAH
WINDOWING
H/V
KURVA H/V
VV=dz-(IMF1+IMF2) VV=dz-(IMF1)
79
HASIL DEKOMPOSISI SINYAL PADA TITIK YN 13
TIME SERIES SEPCTRUME AMPLITUDE
KOMPONEN E
IMF 1
IMF 1
IMF 2
IMF2
KOMPONEN N
IMF 1
IMF 1
80
IMF 2
IMF 2
KOMPONEN Z
IMF 1
IMF 1
IMF 2
IMF 2
81
SEBELUM
WINDOWING
H/V
KURVA H/V
82
SETELAH
WINDOWNIG
H/V
KURVA H/V
Vv= x(t)-IMF1
83
Lampiran D. Penggolahan Data Sintesis
1. Script Algoritma Data Sintesis
clc clear all E=3; %JUMLAH ENSEMBLE %%Time specifications: Fs = 100; % samples per second dt = 1/Fs; % seconds per sample StopTime = 10; % seconds t = (0:dt:StopTime-dt)'% seconds %%Sine wave: Fc1 = 1 ; % hertz Fc2 = 2; Fc3 = 3; Fc4 = 4; Fc5 = 5; A=10;
x1 = cos(2*pi*Fc1*t); x2 = cos(2*pi*Fc2*t); x3 = cos(2*pi*Fc3*t); x4 = cos(2*pi*Fc4*t); x5 = cos(2*pi*Fc5*t); xgabung = x1+x2+x3+x4+x5; %data sintesis
figure; plot(t,xgabung); xlabel('time (in seconds)'); title('Signal versus Time'); zoom xon;
for j=1:E try % for cc=1:C
% white noise y1 = j*0.05*wgn(length(xgabung),1,0); xgabung=xgabung+y1;
[imf,residual] = emd(xgabung);
% figure() % emd(xgabung,'Interpolation','pchip');
hasilimf1(:,j)=imf(:,1); hasilimf2(:,j)=imf(:,2); hasilimf3(:,j)=imf(:,3); hasilimf4(:,j)=imf(:,4); hasilimf5(:,j)=imf(:,5); hasilimf6(:,j)=imf(:,6); hasilimf7(:,j)=imf(:,7); hasilimf8(:,j)=imf(:,8); hasilimf9(:,j)=imf(:,9); hasilimf10(:,j)=imf(:,10); hasilresidual(:,j)=residual;
end end
L=length(xgabung);
84
imf1eemd= mean(hasilimf1,L); % imf2eemd= mean(hasilimf2,L); % imf3eemd= mean(hasilimf3,L); % imf4eemd= mean(hasilimf4,L); % imf5eemd= mean(hasilimf5,L); % imf6eemd= mean(hasilimf6,L); % imf7eemd= mean(hasilimf7,L); % imf8eemd= mean(hasilimf8,L); % imf9eemd= mean(hasilimf9,L); % imf10eemd= mean(hasilimf10,L); gg=hasilimf1.'; ggm=mean(gg); ggmt=ggm.';
figure() plot(t,xgabung)
figure() plot (t,ggmt)
N=length(xgabung); Y=fft(xgabung); P2 = abs(Y/N); P1 = P2(1:N/2+1); P1(2:end-1) = 2*P1(2:end-1); f = Fs*(0:(N/2))/N; figure() plot(f,P1) title('Single-Sided Amplitude Spectrum of X(t)') xlabel('f (Hz)') ylabel('|P1(f)|')
Y2=fft(ggmt); P3 = abs(Y2/N); P12 = P3(1:N/2+1); P12(2:end-1) = 2*P12(2:end-1);
f = Fs*(0:(N/2))/N; figure() plot(f,P12) title('Single-Sided Amplitude Spectrum of X(t)') xlabel('f (Hz)') ylabel('|P1(f)|')
vv=xgabung-(ggmt);
Y5=fft(vv); P24 = abs(Y5/N); P15 = P24(1:N/2+1); P15(2:end-1) = 2*P15(2:end-1);
f = Fs*(0:(N/2))/N; figure() plot(f,P15) title('Single-Sided Amplitude Spectrum of X(t)') xlabel('f (Hz)') ylabel('|P1(f)|')
figure ()
plot (t,vv)
85
Nomor
IMF
Time serise Spectrum amplitude
Data sintesis 1 dengan frekuensi: 1,0.1,10,20,30.
IMF 1
IMF 2
IMF 3
IMF 4
86
IMF 5
Data sintesis dengan frekuensi :1,2,3,4,5 Hz
IMF 1
IMF 2
IMF 3
87
IMF 4
IMF 5
Data sintesis dengan frekuensi : 1,2,3,4,5 Hz. dengan penambahan amplitude =10
IMF 1
IMF 2
88
IMF 3
IMF 4
IMF 5
Data sintesis 1,0.1,10,20,30 Hz. Amplitudo 10
IMF 1
89
IMF 2
IMF 4
IMF 4
IMF 5