DEKONVOLUSI MENGGUNAKAN METODA NEURAL NETWORK SEBAGAI PRE-PROCESSING UNTUK INVERSI DATA SEISMIK
TUGAS AKHIR
Disusun untuk memenuhi syarat kurikuler Program Sarjana (S1) Program Studi Geofisika Institut Teknologi Bandung
Oleh : Agi Robby Rizaldi 124 03 003
PROGRAM STUDI GEOFISIKA FAKULTAS TEKNIK PERTAMBANGAN DAN PERMINYAKAN INSTITUT TEKNOLOGI BANDUNG 2007
PROGRAM STUDI GEOFISIKA FAKULTAS TEKNIK PERTAMBANGAN DAN PERMINYAKAN INSTITUT TEKNOLOGI BANDUNG
Lembar Pengesahan
DEKONVOLUSI MENGGUNAKAN METODA NEURAL NETWORK SEBAGAI PRE-PROCESSING UNTUK INVERSI DATA SEISMIK
Disusun oleh : Agi Robby Rizaldi 124 03 002 Bandung,
September 2007
Telah diperiksa disetujui oleh :
Pembimbing
Sonny Winardhie Ph.D 131 679 362
NEURAL NETWORK
Abstrak Dekonvolusi merupakan suatu metode seismik untuk menghilangkan efek wavelet seismik sehingga didapat estimasi reflektifitas bawah permukaan. Hilangnya efek wavelet akan meningkatkan resolusi temporal sehingga data seismik akan lebih mudah untuk diinterpretasikan. Disamping itu, hasil estimasi reflektifitas akan dapat digunakan sebagai input data yang lebih layak untuk proses inversi seismik. Dalam tugas akhir ini, digunakan metoda neural network untuk melakukan proses dekonvolusi. Aplikasi dari neural network yang digunakan untuk melakukan dekonvolusi adalah backpropagation. Backpropagation adalah salah satu program komputasi untuk penerapan neural network yang banyak digunakan untuk memecahkan masalah nonlinear. Dalam neural netwok ini, digunakan sebuah input layer, tiga buah hidden layer, dan sebuah output layer. Fungsi transfer yang digunakan adalah logsig pada hidden layer dan linear pada output layer. Model sintetik yang digunakan adalah model wedge yang terdiri atas empat buah lapisan dengan kecepatan yang berbeda-beda. Tugas akhir ini menggunakan data sintetik tanpa noise hingga yang ber-noise 25%. Noise yang digunakan adalah random noise yang telah melalui filter Butterworth, sehingga berupa color noise. Dekonvolusi dengan menggunakan neural network cukup optimal digunakan untuk memetakan batas lapisan dengan data yang tidak terlalu ber-noise. Operator filter dekonvolusi yang baik diperoleh dari data yang ber-noise rendah sehingga dapat diaplikasikan pada data yang cukup ber-noise. Namun jika operator filter diperoleh dari data yang ber-noise tinggi maka operator filter yang diperoleh tidak akan bekerja dengan optimal. Kata kunci : Neural Network, Backpropagation, Dekonvolusi, Lapisan Wedge
NEURAL NETWORK Abstract Deconvolution is a seismic method which has purpose in eliminating the effect of seismic wavelet, in order to get the estimation of sub surface reflectivity. The elimination of wavelet effect will increase seismic temporal resolution, and this will give an easier way for making an interpretation of seismic section. Besides that, we could use the results of reflectivity estimation as a better input for seismic inversion process. In this research, we will use neural network as a method in the deconvolution process. For the deconvolution process itself, we will use backpropagation as an application of neural network. Backpropagation is one of a computation program that applied neural network, in order to solve a non linier problem. In this neural network, we used an input layer, three hidden layer, and an output layer. As a transfer function, we used logsig mode for hidden layer and linier mode for the output layer. A synthetic model was defined as a wedge model with four layers where every layer has a different velocity value. On the other hand, we will also use a clean synthetic data (without noise) and a synthetic data with noise that gradually increase from 5 until 25 percent noise. In this research we used a random noise, and furthermore we could call it as a Color Noise, because it has been applied through a butterworth filter. Deconvolution process using neural network method shows an optimum results in describing layer boundaries, especially for minimum noisy data. We could have a good deconvolution operator filter from a little less noisy data, so it can be applied for a low percentage noisy data. Otherwise, a high noisy data will make the deconvolution operator filter work worse. Keywords : Neural Network, Backpropagation, Deconvolution, Wedge Model
NEURAL NETWORK KATA PENGANTAR Puji dan syukur kami ucapkan kepada Allah SWT, karena hanya atas berkat dan rahmat-Nya lah Tugas Akhir dan penulisan Tugas Akhir ini dapat selesai. Tugas Akhir ini berjudul DEKONVOLUSI MENGGUNAKAN METODA NEURAL NETWORK SEBAGAI PRE-PROCESSING UNTUK INVERSI DATA SEISMIK. Tujuan dibuatnya Tugas Akhir ini adalah untuk memenuhi syarat kelulusan mata kuliah Tugas Akhir (GF-40Z1) Progam Studi Geofisika, Fakultas Teknik Pertambangan dan Perminyakan, Institut Teknologi Bandung. Laporan ini tidak akan selesai tanpa bantuan dari berbagai pihak, oleh karena itu kami ingin mengucapkan terima kasih kepada : 1. Bapak IGN Sonny Winardhie, Ph.D selaku dosen pembimbing yang telah mencurahkan pikiran dan tenaga guna mengarahkan penulis selama mengerjakan Tugas Akhir ini. 2. Seluruh dosen dan staff program studi geofisika yang telah banyak membantu penulis selama masa studinya. 3. Kedua orang tua dan adik-adik yang senantiasa mendukung dan memberikan motivasi dalam menuntut ilmu. 4. Teman-teman Himpunan Mahasiswa Geofisika Dan Meteorologi ITB, Khususnya angkatan 2003, Terutama Program Studi Geofisika atas dukungannya. 5. Untuk “Bella Luna” yang telah memberikan bantuan baik secara moral dan moril menjelang seminar dan sidang serta semangat untuk menyelesaikan Tugas Akhir ini. 6. Semua pihak yang telah turut menyumbangkan pikirandan perhatiannya kepada penulis, namun penulis tidak dapat menyebutkannya satu persatu. Penulis menyadari Tugas Akhir ini masih belum sempurna, karena keterbatasan kemampuan penulis. Namun penulis berharap kekurang sempurnaan ini dapat menjadi pendorong studi-studi selanjutnya. Bandung, September 2007 Penulis,