BAB I PENDAHULUAN. 1.1 Latar Belakang

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Suatu data yang didapatkan pada suatu aktivitas, umumnya adalah populasi dari sebuah titik-titik poin yang diambil masing-masing karakteristik kuantitas dan karakteristik kualitas. Karakteristik setiap poin akan memiliki nilai yang berbeda dengan karakteristik poin lain. Dengan kata lain setiap poin dalam suatu populasi adalah kumpulan dari variasi nilai karakteristik. Karakteristik tersebut kemudian dilakukan karakterisasi dengan model-model perlakuan yang ada. Data tersebut akan dilakukan permodelan jika dan hanya jika data tersebut memiliki karakteristik yang beragam dengan urutan yang tidak acak. Data tersebut akan digunakan dalam pengolahan yang merupakan hasil dari beberapa problem yang ada di dalam karakteristik tersebut. Sehingga problem tersebut yang akan digunakan dalam perolehan data Statistik. Saat ini,berbagai informasi tidak jarang menyajikan bentuk grafik, table, atau bentuk-bentuk lain. Bahkan, telah dipakai oleh praktisi dalam banyak bidang. Informasi sejenis ini mengharuskan Para Pembaca untuk mampu memahami makna lambang-lambang itu secara tepat dalam konteks defenisi yang sebenarnya. Kekeliruan ketika menafsirkan lambang-lambang tersebut mengakibatkan kesalahpahaman pembaca atas maksud informasi yang disampaikan berdasarkan data statistik. Statistik berasal dari kata state (yunani) yaitu Negara dan digunakan untuk urusan Negara. Statistik digunakan untuk ukuran sebagai wakil dari kelompok fakta. Untuk memperoleh sejumlah informasi yang menjelaskan masalah untuk ditarik kesimpulan yang benar, harus melalui beberapa proses yaitu: proses pengumpulan informasi, pengolahan informasi, dan proses penarikan kesimpulan. Secara umum,statistik adalah rekapitulasi dari fakta yang bentuk angka-angka disusun dalam bentuk table dan diagram yang mendiskripsikan suatu permasalahan.kesemuanya itu memerlukan pengetahuan tersendiri yang disebut Statistika. Dalam statistika,dikenal dengan istilah statistika deskriptif. Statistika deskriptif merupakan bagian dari Statistika yang mempelajari cara pengumpulan dan penyajian data Geostatistika Penyebaran Wilayah Porositas Page 1

2 sehingga mudah dipahami.statistika deskriptif berhubungan dengan menguraikan atau memberikan keterangan-keterangan mengenai suatu data keadaan.dengan kata lain, Statistika deskriptif berfungsi menerangkan keadaan,gejala,atau persoalan. Begitu pula dengan penerapan data statistic dalam bidang Geofisika. Geofisika adalah metode eksplorasi dalam permukaan Bumi dengan beberapa instrumantasi penunjang agar dapat mendapatkan hasil data untuk diperoleh problem atau yang biasa disebut dengan anomali. Anomali ini dapat dipergunakan untuk analisis data statistik baik diskriptif maupun inferensial. Sehingga dalam penulisan makalah ini dapat diterapkannya geostatistika dalam aplikasi bidang geofisika. Tentunya kali ini diambil studi kasus tentang petroleum dengan pembahasan khusus interpretasi agar dapat dikorelasikan dengan geostatistika itu sendiri. Software yang digunakan kali ini adalah Kingdom yang merupakan software yang cukup mampu dalam memvisualisasikan data hasil interpretasi seismik. 1.2 Rumusan Masalah 1) Apa konsep dasar Geostatistika? 2) Apa konsep dasar Seismik? 3) Apakah korelasi seismic dan geostatistika Menggunakan Analisa Multiatribut dan Artificial Neural Network (ANN)? 1.3 Tujuan Penulisan 1) Menjelaskan konsep dasar geostatistika. 2) Mendiskripsikan konsep dasar seismic. 3) Menjelaskan hubungan antara seismic dan geostatistika Menggunakan Analisa Multiatribut dan Artificial Neural Network. 1.4 Metode Penulisan Penulisan makalah ini berdasarkan pada penulisan dengan media sumber informasi yang didapatkan pada dunia maya dan beberapa literature serta didasarkan pada pengalaman pengolahan data studi kasus yang dikutip oleh skripsi Prediksi Penyebaran Porositas Lapangan x Menggunakan Analisa Multiatribut dan Artificial Neural Network oleh : Hadi Purwanto, Fisika, FMIPA Universitas Indonesia Tahun Geostatistika Penyebaran Wilayah Porositas Page 2

3 2.1 Konsep Dasar Geostatistika BAB II ISI DAN PEMBAHASAN Dalam mengaplikasikan statistika terhadap permasalahan sains, industri, atau sosial, pertama-tama dimulai dari mempelajari populasi. Makna populasi dalam statistika dapat berarti populasi benda hidup, benda mati, ataupun benda abstrak. Populasi juga dapat berupa pengukuran sebuah proses dalam waktu yang berbeda-beda, yakni dikenal dengan istilah deret waktu. Melakukan pendataan (pengumpulan data) seluruh populasi dinamakan sensus. Sebuah sensus tentu memerlukan waktu dan biaya yang tinggi. Untuk itu, dalam statistika seringkali dilakukan pengambilan sampel (sampling), yakni sebagian kecil dari populasi, yang dapat mewakili seluruh populasi. Analisis data dari sampel nantinya digunakan untuk menggeneralisasi seluruh populasi. Jika sampel yang diambil cukup representatif, inferensial (pengambilan keputusan) dan simpulan yang dibuat dari sampel dapat digunakan untuk menggambarkan populasi secara keseluruhan. Metode statistika tentang bagaimana cara mengambil sampel yang tepat dinamakan teknik sampling. Analisis statistik banyak menggunakan probabilitas sebagai konsep dasarnya hal terlihat banyak digunakannya uji statistika yang mengambil dasar pada sebaran peluang. Sedangkan matematika statistika merupakan cabang dari matematika terapan yang menggunakan teori probabilitas dan analisis matematika untuk mendapatkan dasar-dasar teori statistika. Ada dua macam statistika, yaitu statistika deskriptif dan statistika inferensial. Statistika deskriptif berkenaan dengan deskripsi data, misalnya dari menghitung rata-rata dan varians dari data mentah; mendeksripsikan menggunakan tabel-tabel atau grafik sehingga data mentah lebih mudah dibaca dan lebih bermakna. Sedangkan statistika inferensial lebih dari itu, misalnya melakukan pengujian hipotesis, melakukan prediksi observasi masa depan, atau membuat model regresi. Geostatistika Penyebaran Wilayah Porositas Page 3

4 Statistika deskriptif berkenaan dengan bagaimana data dapat digambarkan dideskripsikan) atau disimpulkan, baik secara numerik (misalnya menghitung rata-rata dan deviasi standar) atau secara grafis (dalam bentuk tabel atau grafik), untuk mendapatkan gambaran sekilas mengenai data tersebut, sehingga lebih mudah dibaca dan bermakna. Statistika inferensial berkenaan dengan permodelan data dan melakukan pengambilan keputusan berdasarkan analisis data, misalnya melakukan pengujian hipotesis, melakukan estimasi pengamatan masa mendatang (estimasi atau prediksi), membuat permodelan hubungan (korelasi, regresi, deret waktu), dan sebagainya. Terdapat dua jenis utama penelitian yaitu eksperimen dan survei. Keduanya samasama mendalami pengaruh perubahan pada peubah penjelas dan perilaku peubah respon akibat perubahan itu. Beda keduanya terletak pada bagaimana kajiannya dilakukan. Suatu eksperimen melibatkan pengukuran terhadap sistem yang dikaji, memberi perlakuan terhadap sistem, dan kemudian melakukan pengukuran dengan cara yang sama terhadap sistem yang telah diperlakukan untuk mengetahui apakah perlakuan mengubah nilai pengukuran. Bisa juga perlakuan diberikan secara simultan dan pengaruhnya diukur dalam waktu yang bersamaan pula. Metode statistika yang berkaitan dengan pelaksanaan suatu eksperimen dipelajari dalam rancangan percobaan (desain eksperimen). Dalam survei, di sisi lain, tidak dilakukan manipulasi terhadap sistem yang dikaji. Data dikumpulkan dan hubungan (korelasi) antara berbagai peubah diselidiki untuk memberi gambaran terhadap objek penelitian. Teknik-teknik survai dipelajari dalam metode survei. Geostatistik merupakan suatu jembatan antara statistik dan GIS. Analisis geostatistik merupakan teknik geostatistik yang terfokus pada variabel spasial, yaitu hubungan antara variabel yang diukur pada titik tertentu dengan variabel yang sama diukur pada titik dengan jarak tertentu dari titik pertama. Proses yang dilakukan dalam analisis geostatistik adalah meregister seluruh data, mengeksplorasi data, membuat model, melakukan diagnostic dan membandingkan model. Dalam proses analisis yang pertama perlu dilakukan adalah meregister seluruh data yang diperlukan. Hal ini sangat penting dilakukan untuk dapat menggunakan data-data tersebut pada tahapan selanjutnya. Kompatibilitas data untuk dapat dianalisis lebih lanjut Geostatistika Penyebaran Wilayah Porositas Page 4

5 apabila menggunakan GIS tentu sangat penting. Data digital akan memudahkan dengan penggunaan work station. Langkah-langkah analisis yang harus dilakukan meliputi: 1. Eksplorasi Data Pemahaman yang menyeluruh dan dalam pada data yang ada sangat diperlukan untuk dapat menganalisis. Eksplorasi dari pendistribusian data, melihat batasan-batasan secara global dan lokal, melihat pola-pola global, memeriksa korelasi spasial, dan memahami kovariasi dari berbagai data. 2. Pembuatan Model Pada mulanya geostatistik merupakan sinonim dari kriging. Tetapi kemudian dalam perkembangannya juga meliputi metode deterministik. Metode deterministik tidak memiliki penilaian untuk kesalahan prediksi, tidak ada asumsi untuk data sedangkan metode kriging memiliki penilaian untuk kesalahan prediksi dan mengasumsikan data dari proses stokastik. Peta yang dihasilkan dapat berupa peta prediksi (peta interpolasi), peta standar eror, peta Quantile, peta probability. 3. Melakukan Diagnostik Sebelum menghasilkan hasil akhir harus kita ketahui dahulu seberapa bagusnya prediksi nilai di tempat yang tidak memiliki data real. Dalam pemodelan geologi khususnya pemodelan reservoir, model yang baik akan memiliki satu kualitas yang sederhana yaitu harus menyediakan prediksi yang baik dari perilaku reservoir untuk merespon keadaan (Tyson and Math, 2009). Untuk prediksi yang baik harus memiliki prediksi mean eror yang mendekati nol, RMS (root-mean-square) yang lebih kecil lebih baik. Apabila estimasi rata rata standar eror dibandingkan dengan prediksi eror RMS sama maka prediksi bagus, apabila <1 maka overestimate dan apabila >1 maka underestimate. 4. Membandingkan Model Beberapa model yang dihasilkan dari beberapa perlakuan harus dibandingkan untuk melihat mana yang lebih baik. Penggunaan cross validation statistic sangat membantu dalam pembandingan ini. Aturan-aturan dasar sebelumnya untuk prediksi yang baik masih digunakan juga untuk pembandingan model. 2.2 Konsep Dasar Seismic Geostatistika Penyebaran Wilayah Porositas Page 5

6 Metode seismik merupakan salah satu bagian dari metode geofisika eksplorasi yang dikelompokkan dalam metode geofisika aktif, dimana pengukuran dilakukan dengan menggunakan sumber seismik buatan misalnya palu, ledakan, dll. Setelah diberikan gangguan (sumber seismik), terjadi gerakan gelombang di dalam tanah/batuan yang memenuhi hukum-hukum elastisitas ke segala arah dan mengalami pemantulan ataupun pembiasan akibat munculnya perbedaan kecepatan. Kemudian, pada suatu jarak tertentu, gerakan partikel tersebut dapat di rekam sebagai fungsi waktu. Berdasar data rekaman inilah dapat diperkirakan bentuk lapisan/struktur di dalam tanah. Metode Seismik adalah suatu metode dalam ilmu Geofisika yang dipergunakan untuk mendeteksi struktur bawah permukaan. Seismik di bagi menjadi dua yaitu Seismik Refraksi (Bias) dan Seismik Refleksi (Pantul). Prinsip Metode Seismik dipermukaan ditimbulkan oleh sumber menghasilkan gelombang mekanis. Sumber tersebut dapat berupa ledakan(eksplosien), vibroseis, airgun, watergun, hammer, weigh drop, tergantung jenis metode seismik yang dipergunakan. Metode Seismik adalah suatu metode dalam ilmu Geofisika yang dipergunakan untuk mendeteksi struktur bawah permukaan. Metode ini termasuk metode geofisika aktif. Seismik di bagi menjadi dua yaitu Seismik Refraksi (Bias) dan Seismik Refleksi (Pantul). Prinsip Metode Seismik dipermukaan ditimbulkan oleh sumber yang menghasilkan gelombang mekanis. Sumber tersebut dapat berupa ledakan, vibroseis, airgun, watergun, hammer, weigh drop, palu, dan sebagainya. Setelah diberikan gangguan (sumber seismik), terjadi gerakan gelombang di dalam tanah / batuan yang memenuhi hukum-hukum elastisitas ke segala arah dan mengalami pemantulan ataupun pembiasan akibat munculnya perbedaan kecepatan. Kemudian, pada suatu jarak tertentu, gerakan partikel tersebut dapat di rekam sebagai fungsi waktu. Berdasar data rekaman inilah dapat diperkirakan bentuk lapisan/struktur di dalam tanah. Eksperimen seismik aktif pertama kali dilakukan pada tahun 1845 oleh Robert Mallet, yang oleh kebanyakan orang dikenal sebagai bapak seismologi instrumentasi. Mallet mengukur waktu transmisi gelombang seismik, yang dikenal sebagai gelombang permukaan, yang dibangkitkan oleh sebuah ledakan. Mallet meletakkan sebuah wadah kecil berisi merkuri pada beberapa jarak dari sumber ledakan dan mencatat waktu yang Geostatistika Penyebaran Wilayah Porositas Page 6

7 diperlukan oleh merkuri untuk be-riak. Pada tahun 1909, Andrija Mohorovicic menggunakan waktu jalar dari sumber gempa bumi untuk eksperimennya dan menemukan keberadaan bidang batas antara mantel dan kerak bumi yang sekarang disebut sebagai Moho. Hukum Fisika Gelombang Seismik : Gelombang seismik mempunyai kelakuan yang sama dengan kelakuan gelombang cahaya, sehingga hukum-hukum yang berlaku untuk gelombang cahaya berlaku juga untuk gelombang seismik. Hukum-hukum tersebut antara lain: Hukum Huygens mengatakan bahwa gelombang menyebar dari sebuah titik sumber gelombang ke segala arah dengan bentuk bola. Gambar 2.1 Prinsip Hukum Huygens Hukum Snellius menyatakan bahwa bila suatu gelombang jatuh diatas bidang batas dua medium yang mempunyai perbedaan densitas, maka gelombang tersebut akan dibiaskan jika sudut datang gelombang lebih kecil atau sama dengan sudut kritisnya. Gelombang akan dipantulkan jika sudut datangnya lebih besar dari sudut kritisnya. Gelombang datang, gelombang bias, gelombang pantul terletak pada suatu bidang datar. Gelombang seismik adalah gelombang mekanis yang muncul akibat adanya gempa bumi. Sedangkan gelombang secara umum adalah fenomena perambatan gangguan (usikan) dalam medium sekitarnya. Geostatistika Penyebaran Wilayah Porositas Page 7

8 Gambar 2.2 Ilustrasi pembiasan dan formulasi Gangguan ini mula-mula terjadi secara lokal yang menyebabkan terjadinya osilasi (pergeseran) kedudukan partikel-partikel medium, osilasi tekanan maupun osilasi rapat massa. Karena gangguan merambat dari suatu tempat ke tempat lain, berarti ada transportasi energi. Gelombang seismik disebut juga gelombang elastik karena osilasi partikel-partikel medium terjadi akibat interaksi antara gaya gangguan (gradien stress) malawan gaya-gaya elastik. Dari interaksi ini muncul gelombang longitudinal, gelombang transversal dan kombinasi diantara keduanya. Apabila medium hanya memunculkan gelombang longitudinal saja (misalnya di dalam fluida) maka dalam kondisi ini gelombang seismik sering dianggap sabagai gelombang akustik. Dalam eksplorasi minyak dan gas bumi, seismik refleksi lebih lazim digunakan daripada seismik refraksi. Hal tersebut disebabkan karena siesmik refleksi mempunyai kelebihan dapat memberikan informasi yang lebih lengkap dan baik mengenai keadaan struktur bawah permukaan. Penyelidikan seismik dilakukan dengan cara membuat getaran dari suatu sumber getar. Getaran tersebut akan merambat ke segala arah di bawah permukaan sebagai gelombang getar. Gelombang yang datang mengenai lapisan-lapisan batuan akan mengalami pemantulan, pembiasan, dan penyerapan. Respon batuan terhadap gelombang yang datang akan berbeda-beda tergantung sifat fisik batuan yang meliputi densitas, porositas, umur batuan, kepadatan, dan kedalama batuan. Galombang yang dipantulkan akan ditangkap oleh geophone di permukaan dan Geostatistika Penyebaran Wilayah Porositas Page 8

9 diteruskan ke instrument untuk direkam. Hasil rekaman akan mendapatkan penampang seismik. Untuk Studi kasus yang dikutip dari salah satu skripsi Mahasiswa Universitas Indonesia yang dibuat tahun Metode yang digunakan adalah seismik refleksi dengan bantuan processing data software Humpson Russel (HRS). Dengan meningkatnya kebutuhan energi nasional yaitu minyak dan gas bumi,mrndorong perusahaan-perusahaan perminyakan di Indonesia untuk semakin giat melakukan usaha penemuan hidrokarbon maupun mengembangkan lapangan-lapangan produksi yang sudah ada. Gambar 2.3 Industri Migas Dunia Oleh karena itu banyak dikembangkan metode-metode baru yang berkaitan dengan usaha tersebut sebagai solusi permasalahan diatas. Salah satu metode yang cukup efektif yang merupakan integrasi antara data log dan data seismik adalah metode analisa multiatribut. Multiatribut pada dasarnya suatu proses ekstraksi beberapa atribut dari data seismik yang mempunyai korelasi yang baik terhadap data log yang pada akhirnya digunakan untuk memprediksi data log pada setiap lokasi di volume seismik. Atribut seismik sendiri adalah adalah semua informasi yang bisa diperoleh dari data seismik baik melalui pengukuran langsung atau secara logika (Hampson et all, 2001). Analisis atribut seismik dapat memberikan beberapa informasi kualitatif dari geometri dan parameter fisik dari bawah permukaan. Beberapa contoh atribut seismik Geostatistika Penyebaran Wilayah Porositas Page 9

10 adalah amplitudo, fasa, frekuensi, dan lain sebagainya. Atribut seismik ini mewakili sifat fisis batuan yang memantulkan gelombang tersebut, seperti amplitudo dari data seismik adalah faktor penting untuk mendeterminasi parameter fisik, seperti impedansi akustik, koefisien refleksi, velocity, dan lain-lain. Sedangkan komponen fase adalah faktor penting untuk mendeterminasi bentuk reflektor, dan konfigurasi geometri. Salah satu sifat fisik batuan yang bisa dicari penyebarannya dengan analisa multi atribut adalah porositas. Sifat ini memungkinkan suatu matriks batuan mengandung suatu fluida tertentu. Fluida inilah yang kita harapkan sebagai kandungan hidrokarbon. Untuk memprediksi porositas dan penyebarannya pada suatu lapisan batuan diperlukan beberapa parameter dari atribut seismik dan data sumur serta suatu metode untuk mengolahnya sehingga dapat ditampilkan peta penyebaran porositas tersebut. Gambar 2.4 Ilustrasi ragam perangkap hidrokarbon Untuk mencari perangkap hidrokarbon metode seismik refleksi merupakan metode yang paling tepat dan sering digunakan oleh perusahaan-perusahaan minyak. Konsep seismik refleksi pada bidang eksplorasi adalah mengirimkan sinyal pendek gelombang seismik kedalam bumi dan merekam gelombang yang terpantul kembali ke permukaan bumi oleh batas antara dua unit lapisan yang biasa disebut reflektor. Beberapa Sumber Geostatistika Penyebaran Wilayah Porositas Page 10

11 gelombang seismik buatan yaitu dinamit, air gun, water gun, boomer. Sedangkan alat perekam gelombang yang kembali ke permukaan bumi adalah geophone (untuk survei di darat) atau hydrophone (untuk survei di laut). Pada saat akuisisi data dilapangan dilakukan konfigurasi antara source dan receiver sesuai dengan yang diinginkan. Selanjutnya dilakukan perekaman seismik.pada proses perekaman seismik komponen gelombang seismik yang direkam adalah waktu datang gelombang seismik. Dengan waktu datang yang telah diukur maka akan didapatkan waktu tempuh gelombang seismik yang berguna untuk memberi informasi mengenai kecepatan seismik dalam suatu lapisan. Gelombang seismik merambat dari sumber ke penerima melalui lapisan bumi dan mentransfer energi sehingga dapat menggerakkan partikel batuan. Kemampuan partikel batuan untuk bergerak jika dilewati gelombang seismik menentukan kecepatan gelombang sesimik pada lapisan batuan tersebut. Pada proses penjalaran gelombang seismik, ketika gelombang mengenai perbatasan antar dua lapisan yang memiliki impedansi akustik yang berbeda, maka gelombang sesimik akan mengalami refleksi dan refraksi. Refleksi terjadi jika gelombang yang dirambatkan dipantulkan kembali oleh lapisan bumi sedangkan refraksi terjadi jika gelombang tersebut diteruskan ke lapisan berikutnya dan memungkinkan untuk kembali terjadi refleksi dan refraksi. Skema mengenai perambatan gelombang seismik didalam permukaan bumi dari sumber ke penerima diilustrasikan sebagai berikut: Gambar 2.5 Ilustrasi Seimik Refleksi Geostatistika Penyebaran Wilayah Porositas Page 11

12 2.3 korelasi seismic dan geostatistika Menggunakan Analisa Multiatribut dan Artificial Neural Network (ANN) Gelombang sesimik yang dihasilkan sumber dapat merambat sampai menembus lapisan bumi sebagai body waves (gelombang tubuh) ataupun hanya merambat dipermukaan saja yang dikenal sebagai surface waves (gelombang permukaan). Dalam metode sesimik, gelombang yang dipakai dan menjadi perhatian hanya berupa gelombang badan saja sedangkan gelombang permukaan biasanya dianggap sebagai suatu noise (bising). Gambar 2.6 komponen-komponen Gelombang Gelombang tubuh dikelompokkan menjadi dua macam yaitu gelombang Primer (P) dan gelombang sekunder (S). Gelombang P atau gelombang longitudinal selalu muncul lebih dulu dalam rekaman seismogram gempa bumi karena memiliki kecepatan yang lebih besar dibandingkan gelombang S. Pergerakan gelombang ini menyebabkan partikel bergerak kedepan dan mengkompres partikel yang dilaluinya. Penerapan metode sesimik Geostatistika Penyebaran Wilayah Porositas Page 12

13 sangat bergantung dengan gelombang ini. Pergerakan gelombang P ini digambarkan sebagai berikut. Gambar 2.7 Gelombang P Gelombang S atau gelombang transversal memiliki arah rambat yang tegak lurus dengan arah geraknya sehingga kecepatan gelombang S lebih lama dari gelombang P. Gambar 2.8 Gelombang S (a) Impedansi Akustik dan Koefisien Refleksi Impedansi Akustik (Z) adalah hubungan antara densitas suatu batuan (ρ) dan kecepatan gelombang sesimik saat melewati batuan tersebut (V). Geostatistika Penyebaran Wilayah Porositas Page 13

14 (1) Dalam mengontrol harga Impedansi Akustik, kecepatan memiliki arti yang lebih penting dibandingkan dengan densitas (Sukmono, 2002). Hal ini karena densitas suatu batuan memiliki range dimana pada nilai tertentu densitas batuan yang satu akan mengalami suatu overlap dengan densitas batuan lainnya. Batuan yang lebih keras dan kompak (porositas kecil) memiliki Z yang lebih tinggi dibandingkan batuan yang tidak kompak (porositas besar) karena gelombang sesimik akan lebih mudah merambat melewati batuan dengan porositas lebih kecil. Kontras impedansi akustik batuan yang satu dengan batuan yang lainnya disebut sebagai Koefisien Refleksi yang dirumuskan sebagai berikut: (2) Koefisien refleksi mempunyai nilai antara -1 sampai 1. Jika impedansi akustik pada Z2 lebih besar dari impedansi akustik Z1 dan gelombang merambat dari batuan dengan nilai densitas rendah ke batuan dengan harga densitas yang lebih tinggi maka koefisien refleksi akan bernilai positif. (b) Metode Seismik Inversi Pengertian secara lebih spesifik tentang seismik inversi dapat didefiniskan sebagai suatu teknik pembuatan model bawah permukaan dengan menggunakan data seismic sebagai input dan data sumur sebagai kontrol (Sukmono, 2000). Definisi tersebut menjelaskan bahwa metoda inversi merupakan kebalikan dari pemodelan dengan metoda ke depan (forward modelling) yang berhubungan dengan pembuatan seismogram sintetik berdasarkan model bumi. Russel (1988) membagi metoda seismik inversi dalam dua kelompok, yaitu inversi pre-stack dan inversi post-stack. Pada penelitian ini akan dibahas inversi post-stack yang berhubungan dengan inversi amplitudo, dimana dalam inversi ini terdiri dari beberapa algoritma, yaitu inversi bandlimited (rekursif), inversi berbasis model (blocky) dan inversi sparse spike (maximum likelihood) (c) Atribut Seismic Atribut seismik adalah sebagai suatu derivatif pengukuran seismik dasar (Brown, 1996). Karena itu, perhitungan dan penggunaan atribut seismik dapat dirujuk balik kepada Geostatistika Penyebaran Wilayah Porositas Page 14

15 asal mula metode seismik eksplorasi. Contoh paling mudah aplikasi atribut seismik adalah waktu tempuh refleksi dan cuplikan even seismik yang digunakan untuk perkiraan struktur geologi. Atribut seismik adalah segala informasi yang bisa didapat dari data seismik baik dengan pengukuran secara langsung maupun dengan analisis berdasarkan pengalamanpengalaman (Chen dan Sydney, 1997). Sedangkan Barnes (1999) mendefinisikan atribut seismik sebagai sifat kuantitatif dan deskriptif dari data seismik yang dapat ditampilkan pada skala yang sama dengan data orisinil. Seismik atribut seismic juga didefinisikan sebagao karakterisai secara kuantitatif dan deskriptif dari data seismic yang secara langsung dapat ditampilkan dalam skala yang sama dengan data awal (Sukmono,2007) Metode seismik selalu berkembang seiring berkembangnya teknologi-teknologi dan metode-metode baru pendukung metode seismik itu sendiri. Dalaminterpretasi geologi metode seismik konvesional sering menemui banyak kekurangan terutama untuk mencari anomali atau mendeteksi informasi yang terkandung didalam formasi batuan.maka mulailah berkembang metode pengembangan dari tampilan seismik konvesional yaitu penggunaan atribut seismik yang merupakan informasi yang sebenarnya didapat dari data seismik konvensional. Awal mula tercetus ide penggunaan atribut seismik dimulai sekitar tahun Walaupun saat itu masih menggunakan atribut yang langsung didapatkan dari seismik konvensional yaiutu atribut amplitudo. Saat itu metode ini sangat efektif untuk mencari perangkap hidrokarbon. Pada perkembangan berikutnya Taner dan Sheriff (1977) melakukan penelitian kuat refleksi.atribut ini sangat efektif menghilangkan efek distorsi dari polaritas refleksi dan fasa wavelet dari amplitude seismik.ini memudahkan kita melihat bright-spots dan juga bisa menunjukan pembandingan relatif antar anomaly amplitude. (d) Metode Multi Atribut Analisa multi atribut adalah salah satu metode statistik menggunakan lebih dari satu atribut untukmemprediksi properti fisik dari batuan. Tujuan analisa ini adalah adalah mencari hubungan antara log dengan data seismik. Hubungan ini digunakan untuk memprediksi Volome dari properti log pada semua volume seismik. Target Statistik yang digunakan dalam karakteristik reservoir untuk mengestimasi dan menstimulasi hubungan spasial variable pada nilai yang diinginkan pada lokasi yang tiddak mempunyai sampel Geostatistika Penyebaran Wilayah Porositas Page 15

16 data terukur. Hal ini didasarkan pada kenyataan yang sering terjadi di alam bahwa pengukuran suatu variabel di suatu area yang berdekatan adalah sama. Kesamaan antara dua pengukuran tersebut akan menurun seiring dengan bertambahnya jarak pengukuran. Schultz et al. (1994) mengidentifikasi tiga sub-kategori utama pada teknik analisa multiatribut geostatistik, yaitu: Perluasan dari co-kriging untuk melibatkan lebih dari satu atribut sekunder untuk memprediksi parameter utama. Metode yang menggunakan matriks kovariansi untuk memprediksi suatu parameter dari atribut input yang telah diberi bobot secara linear. Metode yang menggunakan Artificial Neural Network atau teknik optimasi non-linear untuk mengkobinasikan atribut-atribut menjadi perkiraan dari parameter yang diinginkan. Analisa multi-atribut pada penelitian ini menggunakan kategori yang kedua. Prosesnya sendiri melibatkan pembuatan dari volum pseudolog yang nantinya akan digunakan untuk memetakan penyebaran porositas. Dalam kasus yang paling umum, kita mencari sebuah fungsi yang akan mengkonversi m atribut yang berbeda ke dalam properti yang diinginkan, ini dapat ditulis sebagai : (3) dimana : P = properti log, sebagai fungsi dari koordinat x,y,z F = fungsi yang menyatakan hubungan antara atribut seismik dan properti log Ai = atribut m, dimana i = 1,...,m. Untuk kasus yang paling sederhana, hubungan antara log properti dan atribut seismik dapat ditunjukkan oleh persamaan jumlah pembobotan linier. (4) Hubungan linier antara log target dan atribut ditunjukkan oleh sebuah garis lurus yang memenuhi persamaan: (5) Koefisien a dan b pada persamaan ini diperoleh dengan meminimalisasikan meansquare prediction error : Geostatistika Penyebaran Wilayah Porositas Page 16

17 .. (6) Dimana penjumlahan dilakukan pada setiap titik di cross-plot. Dengan mengaplikasikan garis regresi tersebut kita dapat memberikan prediksi untuk atribut target. Lalu dihitung kovariansi yang didefinisikan dalam persamaan: Dimana untuk didapatkan nilai mean, maka: (7) Nilai Kovariansi yang sudah dinormalisasi adalah:.. (8).. (9) Nilai ini merupakan prediksi eror, yaitu hasil pengukuran kecocokan untuk garis regresi. Prediksi eror ini merupakan perbedaan RMS antara target log sebenarnya dan target log prediksi.nilai korelasi terkadang dapat diperbaiki dengan mengaplikasikan transform nonlinear untuk variabel target, variable atribut, ataupun keduanya. Regresi Linear Multi Atribut Pengembangan daricross-plot konvensional adalah dengan menggunakan multiple-attribute Gambar 2.9 cross plot dengan 1 atribut Geostatistika Penyebaran Wilayah Porositas Page 17

18 Gambar 2.10 cross plot 2 atribut Dalam metode ini, tujuan kita adalah untuk mencari sebuah operator, yang dapat memprediksi log sumur dari data seismik didekatnya. Pada kenyataannya, kita menganalisa data atribut seismik dan bukan data seismik itu sendiri. Salah satu alas an kenapa kita melakukan hal ini karena menggunakan data atribut seismik lebih menguntungkan dari pada data seismik itu sendiri, banyak dari atribut ini bersifat non linier, sehingga mampu meningkatkan kemampuan prediksi. Pengembangan (extension) analisa linier konvensional terhadap multiple atribut (regresi linier multivariat) dilakukan secara langsung. Geostatistika Penyebaran Wilayah Porositas Page 18

19 Gambar 2.11 Contoh kasus tiga atribut seismik, tiap sampel log target dimodelkan sebagai kombinasi linier dari sampel atribut pada interval waktu yang sama.(emerge, Hampson Russell,2008) Pada tiap sampel waktu, log target dimodelkan oleh persamaan linier :.. (10) Pembobotan (weights) pada persamaan ini dihasilkan dengan meminimalisasiean-squared prediction error. Solusi untuk empat pembobotan menghasilkan persamaan normal standar :.. (11).. (12) Seperti pada kasus atribut tunggal, mean-squared error yang dihitung menggunakan pembobotan, merupakan pengukuran kesesuaian untuk transformasi tersebut, dimana sekarang koordinat x merupakan nilai log yang diprediksi dan koordinat y merupakan nilai real dari data log. (e) ANN (Artificial Neural Network) Perananan ANN dalam Geosains Aplikasi Artificial Neural Network (ANN) dalam bidang geofisika eksplorasi sangat populer beberapa tahun ini. Pengembangan ANN pertama kali dilakukan untuk kepentingan pengolahan data seismik (Hampson et all, 2001). termasuk orang-orang yang pertama yang dapat menunjukkan bahwa ANN dapat digunakan untuk mengestimasi nilai sebenarnya dari beberapa parameter geofisika. Sejak saat itu, banyak orang menggunakan ANN untuk mengatasi berbagai tantangan dalam bidang geofisika seperti horizon tracing, deteksi bright spot, picking batas atas volume seismik, dekonvolusi, dan koreksi NMO. Geostatistika Penyebaran Wilayah Porositas Page 19

20 Gambar 2.12 Jaringan Saraf Manusia dan Jaringan saraf Buatan Aplikasi Artificial Neural Network Dengan menggunakan analisis penurunan multi linear seperti yang telah dibahas pada sub bab sebelumnya, maka akan dihasilkan tansformasi linear dalam memprediksi suatu parameter log yang diplot terhadap atribut seismik. Kemudian akan diperoleh persamaan garis linear yang menunjukkan korelasi antara target log dengan atribut seismik. Persamaan linear inilah yang nantinya akan dipakai untuk memprediksi log sumur di setiap titik dalam area survei seismik. Namun jika kita lihat secara visual, persamaan linear yang dibentuk, umumnya tidak menunjukkan kecocokan yang tinggi dengan data pada plot silang sehingga nilai prediksi error yang dihasilkan dari analisis penurunan multi linear ini biasanya masih cukup tinggi, atau dengan kata lain, tingkat korelasi antara pemodelan log yang dibuat terhadap log yang sebenarnya masih rendah. Oleh karena itu diperlukan suatu metode yang dapat memberikan transformasi nonlinear untuk meningkatkan dan mendapatkan korelasi yang semakin baik antara target log dengan atribut seismik dalam diagram crossplot. Untuk intulah digunakan aplikasi Artificial Neural Network untuk membentuk persamaan nonlinear tesebut (Hampson et all, 2001). Ada beberapa jenis alogaritma dalam ANN. Probabilitas Artificial Neural Network Salah satu alogaritma lain dalam Neural Network yang digunakan untuk memprediksi log properties dari data atribut seismik adalah Probabilistic Neural Network (PNN). Data training yang digunakan pada alogaritma PNN ini terdiri atas serangkaian contoh training untuk setiap sampel seismik pada jendela analisis dari semua sumur Geostatistika Penyebaran Wilayah Porositas Page 20

21 .. (13) Dimana ada n contoh training dan 3 atribut seismik yang digunakan dan L adalah nilai target log yang dihitung atau dipredksi untuk setiap contoh training. Dari data training yang diberikan, alogaritma PNN akan mengasumsikan nilai output log yang baru dan dapat dituliskan sebagai kombinasi linear dari nilai log pada data training. Untuk suatu data sampel baru dengan nilai atribut: Maka nilai log yang baru dikalkulasi dengan persamaan berikut:. (14) Dimana, (15). (16) Pada persamaan 15 dan persamaan 16 menggambarkan aplikasi dari alogaritma PNN. Kemudian, hasil validasi dengan menggunakan analisis PNN diberikan dalam persamaan 17 sebagai berikut : (17) Dari Persamaan 17 merupakan cara untuk mendapatkan hasil validasi untuk target sampel ke m. Prediksi nilai validasi dari target sampel ke m dilakukan ketika sampel yang dimaksud tidak diperhitungkan dalam data training. Jika nilai sebenarnya dari sampel tersebut sudah diketahui (biasanya sampel dari data log sumur yang sudah tersedia) maka dapat dihitung nilai prediksi errornya untuk sampel tersebut. Dengan melakukan pengulangan proses ini untuk setiap sampel training, maka total prediksi errornya dapat dicari dengan persamaan: Geostatistika Penyebaran Wilayah Porositas Page 21

22 Gambar 2.13 Plot silang antara target log porositas dengan atribut seismik yang diturunkan melalui analisis PNN Dapat dilihat bahwa hasil yang diturunkan melalui analisis PNN akan membentuk transformasi non-linear antara target log dengan atribut seismik pada diagram plot silang. Persamaan non linear yang dibentuk melalui aplikasi PNN ini akan digunakan untuk melakukan pemodelan terhadap log sumur, dan umumnya hasil transformasi non-linear akan memberikan nilai korelasi yang lebih baik antara log sebenarnya dengan pemodelan log yang dibuat dibandingkan dengan hasil transformasi linear yang dihasilkan melalui penurunan multi atribut. Sehingga pada umumnya hasil yang diturunkan dengan analisis neural network akan memberikan nilai korelasi yang optimum. (f) Validasi Data Transformasi multi-atribut dengan jumlah atribut N+1 selalu mempunya prediksi eror lebih kecil atau sama dengan transformasi dengan N atribut. Menambah jumlah atribut, serupa dengan mencari kurva regresi yang cocok untuk sebuah plot data, dengan menggunakan polinomial yang ordenya semakin besar. Apabila jumlah atribut yang Geostatistika Penyebaran Wilayah Porositas Page 22

23 digunakan semakin banyak, maka eror prediksi akan semakin berkurang. Masalah yang kemudian timbul adalah, biasanya data yang dihasilkan akan buruk bila diterapkan pada data baru (yang tidak termasuk dalam data training), karena atribut tersebut terlalu dicocokan dengan data training. Hal ini biasa disebut dengan over-training. Untuk analisis lebih lanjut maka perlunya dipahami terlebih dahulu diagram alir atau flow chart sebagai berikut: Gambar 2.14 Flow Chart Gambar 2.15 Layout data Geostatistika Penyebaran Wilayah Porositas Page 23

24 Single Atribut Interpretation Gambar 2.16 Log Target Data Seismic single atribut mencoba mencari atribut terbaik dari semua atribut yang kita inputkemudian akan ditunjukan hasil korelasi dari beberapa atribut. Biasanya nilai korelasi dan error akan berkorelasi dengan target log yang diinginkan. Misalnya dalam penelitian ini akan memprediksi log porositas pada volume seismic, maka atribut yang berkaitan erat dengan porositas adalah AI (akustik Impedance).Terlihat setelah semua atribut kita coba dan kita urutkan nilai error terkecil dan korelasinya didapat atribut AI yangpaling baik. Geostatistika Penyebaran Wilayah Porositas Page 24

25 Gambar 2.17 Daftar error dan korelasi single attribute Gambar 2.18 aplikasi regresi single atribut Gambar 2.19 Cross Plot single Atribut Geostatistika Penyebaran Wilayah Porositas Page 25

26 Multi attribute interpretation Untuk menentukan atribut mana saja yang akan digunakan dalam prediksi log ini dilakukan training terhadap log target dengan beberapa atribut seismik. Dari proses training ini diperoleh kelompok atribut seismik terbaik yang akan dipergunakan untuk memprediksi log porositas. Hasil dari single-attribute yang telah kita pilih akan dijadikan sebagai input pada multi atribut, proses ini disebut step-wise regression. Gambar 2.20 Validasi error Eror validasi adalah sebuah parameter yang menjadi acuan dalam proses penambahan atribut yang kita kehendaki. Teorinya semakin kita menambahkan atribut, maka akan meningkatkan nilai korelasi antara data actual log dan predicted log. Tetapi kalau kita penambahan atribut kita tidak dikontrol akan terjadi yang disebut over training.boleh jadi nilai korelasinya baik tetapi sebenarnya data itu mempunyai tingkat kepercayaan yang rendah. Dari grafik diatas terlihat bahwa dari 7 atribut yang dicoba untuk dicari korelasinya ternyata hanya 3 atribut yang boleh kita pilih. Dari atribut pertama grafik validation error (grafik berwana merah ) menunjukan penurunan error sampai dengan atributketiga,selanjutnya dari atribut ketiga ke atribut ke empat sudah mengalami peningkatan error. Jadi hal yang harus dilakukan adalah mencari nilai korelasi Geostatistika Penyebaran Wilayah Porositas Page 26

27 dari pasangan ketiga atribut tersebut (AI,Amplitudo sesaat,filter frekuensi 35/4045/50).kemudian kita mencoba untuk mengaplikasikannya dengan membuat predicted log dan hasilnya bisa dilihat dari grafik dibawah ini. Gambar 2.21 Aplikasi Mmulti Atribute Gambar 2.22 cross plot multi attribute Geostatistika Penyebaran Wilayah Porositas Page 27

28 Seperti yang sudah dijelaskan di pengolahan data, bahwa untukmengaplikasikan metode analisa multi atribut, terlebih dahulu dilakukanpemilihan atribut tunggal terbaik dan hasilnya adalah atribut dari AI ( AkustikImpedance ) berikut adalah hasil dari aplikasi single atribut: Gambar 2.23 Single Atribute porosity Hasil compute porosity diatas adalah hasil yang didapatkan setelah kita yakin bahwa single atribut yang kita pilih adalah mewakili dan ada korelasi secara fisis dengan target log yang diinginkan. Kemudian volume predicted log tadi disebarkan di area volume seismik yang dikehendaki. Dalam penelitian ini saya membatasi bahwa formasi batuan yang saya hitung dan analisa adalah formasi baturaja, bisa terlihat bahwa formasi baturaja adalah formasi yang ketebalannya berkisar antara 100an meter. Single atribut mencoba untuk menghitung persebaran porositas berdasarkan persebaran AI karena terlihat bawha atribut AI yang mempunyai korelasi paling bagus yaitu 0.48 dan error paling kecil yaitu Kalau kita bandingkan persebaran AI hasil Inversi dengan Persebaran Porositas menggunakan atribut AI terlihat Pola persebaran yang mirip. Terlihat kalau harga AI tinggi kecendrungan porositas rendah Geostatistika Penyebaran Wilayah Porositas Page 28

29 Gambar 2.24 Multi Atribue porosity Setelah menghitung volume log porositas yang disebarkan pada volume seismic dengan single-atribut, kita mencoba mencari pasangan atribut yang lain. Tujuan dari Pemilihan beberapa pasangan atribut adalah untuk mendapatkan persebaran pola porositas yang lebih detail dibandingkan dengan hasil dari singleatribut. Dalam proses ini kita perlu teliti memilih pasangan atribut dan efek yang ditimbulkannya. Dalam tahap ini dicoba memasangkan atribut AI dengan atributatribut lain. Ternyata banyak kemungkinan yang bisa kita pilih, tetapi kita harus menggunakan prinsip pemilihan pasanngan atribut, yaitu kita memilih atribut yang ketika kita pasangkan dengan atribut Ai akan menghasilkan error yang lebih kecil dibandingkan kalo Ai dipasangkan dengan atribut lain. Ketika kita menambahkan atribut lagi dalam pasangan atribut yang telah kita miliki ada parameter yang membatasi kita yaitu error validasi. Bisa saja makin banyak atribut memberikan korelasi yang semakin meningkat tetapi kita tetap harus mengecek dengan validasi errornya. Metode Neural Network PNN lebih baik untuk mencakup interval yang dinamis dan frekuensi-tinggi di tampilkan dalam log porositas pada masingmasing sumur. Porositas tinggi dan rendah pada data sumur di ekspresikan dalam domain resolusi waktu. Hal ini karena hasil dari neural network adalah fungsi non linear dan sangat dikontrol dari training Geostatistika Penyebaran Wilayah Porositas Page 29

30 dan data sumur. Ketika jauh dari control sumur hasil dari PNN mennunjukkan variasi lateral dalam penyebaran porositas yang kurang mewakili stratigrafi pada kontrol reservoir. Karena network di uji dalam time window yang relatif kecil dan atribut yang di gunakan berasal dari data seismik, kita tidak dapat mengharapkan trend umum dan komponen frekuensi rendah dari porositas yang dihasilkan. Metode ini sebenarnya menyempurnakan metode multiatribut karena set data yang digunakan berasal dari pemodelan pasangan atribut yang digunakan. Pada multi atribut hanya bertumpu pada pemilihan atribut yang sesuai tapi kurang mempertimbangkan pengaruh jarak dari data-data sumur yang digunakan. Metone PNN mencoba untuk mempermudah penentuan pola penyebaran porositas ketika pola itu susah untuk diaplikasikn dengan atribut seismic. Akan terlihat dari korelasi dan hasil compute porosity bahwa PNN akan menyempurnakan hasil dari Multi-atribut. Berikut adalah hasil penampang PNN : Gambar 2.25 Penampang porositas PNP Geostatistika Penyebaran Wilayah Porositas Page 30

31 BAB III PENUTUP 3.1 Kesimpulan Berdasarkan penelitian ini tahap multi atribut terbukti memberikan hasil yang baik untuk estimasi properti log daripada hasil single-atributt. Step-wise multi-regression analysis dan validation test digunakan untuk mendeterminasi atribut terbaik.tahapan ini yang menentukan banyaknya atribut dan juga atributatribut terbaik yang akan digunakan. Ketelitian dalam pemilihan dan penambahan atribut sangat penting. Jika kita terlalu banyak menambahkan jumlah atribut akan terjadi over training. Over training adalah penyimpangan pola distribusi data dari data log sebenarnya, walaupun korelasi menunjukan nilai yang meningkat tetapi tingkat kepercayaannnya rendah. Oleh karena itu perlu ada control dari hasil error validasi. 3.2 Saran Diharapkan lebih dikembangkannya konsep dasar seismik explorasi untuk pengolahan data atribut dan multi atribut agar dapat membuat analisis interpretasi menjadi lebih baik dan tidak kaku (flexible) Geostatistika Penyebaran Wilayah Porositas Page 31

32 DAFTAR PUSTAKA Aulia, K., 1996, Petroleum Geology Indonesia Basins volume II centralsumatra basin, PT. Pertamina BPPKA, 232h. Badley, M.E., 1985, Practical Seismic Interpretation, Prentice Hall. Branches, Rafael E. dkk, 2002, Seismic Attributes to Pseudo-well-log VolumeUsing Brown, R.A, 1999, Interpretation of Three-Dimensional Seismic Data Fifth Edition, AAPG Memoir 42. Chen,Q. and Sidney,S., 1997, Seismic attributes technology for reservoir forecasting and monitoring, Western Atlas International. Inc, Houston. Hampson, D., Schuelke, J., and Qurein, J. A., 2001, Use of Multiattribute Transforms to Predict Log Properties from Seismic Data, Geophysics, 66, p Hampson-Russel Software Service, Ltd., EMERGE Tutorial Haris, Abdul, 2006, Seismik Eksplorasi, UI: Depok Haris, Abdul, Komputasi Geofisika program magister geofisika reservoir program pascasarjana fisika FMIPA UI, UI: Depok. Harsono, A., 1997, Evaluasi Formasi dan Aplikasi Log, Schlumberger Oilfield Service, Edisi ke- 8, Jakarta. Herawan, Fitriyanda. (2007). Analisa Multiatribut Seismik Untuk Memetakan Lithologi dan Porositas Reservoar x lapangan FY. Skripsi S1 Teknik Geofisika, ITB Munadi, Suprajitno, Dr., 2002, Pengolahan Data Seismik prinsip dasar dan metodologi, UI: Depok. Neural Networks : Practical Considerations, The Leading Edge, Vol. 21, No. 10, p Schultz, P. S., Ronen, S., Hattori, M., and Corbett, C., 1994, Seismic Guided Estimation of Log Properties, The Leading Edge, Vol. 13, p Sheriff, R.E. and Geldart, L.P., 1995, Exploration Seismology, Cambridge University Press. Sukmono, Sigit., Seismik Inversi Untuk Karakterisasi Reservoar. JurusanTeknik Geofisika. ITB. Bandung. Sukmono, Sigit., Atribut seismik Untuk Karakterisasi Reservoar. Jurusan Teknik Geofisika. ITB. Bandung. Telford, W.M., Sheriff, R.E., Geldart, L.P., 1990, Applied Geophysics, Cambridge University Press. Ylmas, Ozdogan, 2001, Seismic Data Analysis, Society of Exploration Geophysicists, Tulsa, USA. Yopee, J., 2006, Penentuan Distribusi Impedansi Akustik Menggunakan Inversi Metode Modelbased. Jurusan Geofisika Universitas Indonesia, Depok Geostatistika Penyebaran Wilayah Porositas Page 32