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