LAMPIRAN. LAMPIRAN A Pengolahan Data Mikrotremor Menggunakan Metode HVSR dengan Software Geopsy

(1)

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.

(2)

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

(3)

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 .

(4)

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

(5)

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)|')

(6)

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.

(7)

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

(8)

IMF 2 IMF 2 KOMPONEN Z

IMF 1 IMF 1

IMF 2 IMF 2

(9)

HASIL GEOPSY DATA MIKROTREMOR SEBELUM WINDOWING

H/V

KURVA H/V

(10)

SESUDAH

WINDOWING

H/V

KURVA H/V

(11)

TIME SERIES SEPCTRUME AMPLITUDE KOMPONEN E

IMF 1 IMF 1

IMF 2 IMF2

KOMPONEN N

(12)

IMF 1 IMF 2 KOMPONEN Z

IMF 1 _{IMF 1}

IMF 2 IMF 2

(13)

SEBELUM

WINDOWING

H/V

KURVA

(14)

SETELAH WINDOWING H/V KURVA H/V VV=dz-(IMF1+IMF2) VV=dz-(IMF1)

(15)

TIME SERIES SEPCTRUME AMPLITUDE KOMPONEN E

IMF 1 IMF 1

IMF 2 IMF2

KOMPONEN N

(16)

IMF 2 IMF 2 KOMPONEN Z IMF 1 IMF 1 IMF 2 IMF 2

(17)

SEBELUM

WINDOWING

H/V

(18)

SETELAH

WINDOWNIG

H/V

KURVA H/V

(19)

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);

(20)

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 ()

(21)

Nomor IMF

Time serise Spectrum amplitude Data sintesis 1 dengan frekuensi: 1,0.1,10,20,30.

IMF 1

IMF 2

IMF 3

(22)

IMF 5

Data sintesis dengan frekuensi :1,2,3,4,5 Hz IMF 1

IMF 2

(23)

IMF 4

IMF 5

Data sintesis dengan frekuensi : 1,2,3,4,5 Hz.

dengan penambahan amplitude =10 IMF 1

(24)

IMF 3

IMF 4

IMF 5

Data sintesis 1,0.1,10,20,30 Hz. Amplitudo 10 IMF 1

(25)

IMF 2

IMF 4

IMF 5