Aplikasi Geostatistika Untuk Prediksi Penyebaran Porositas Wilayah
-
Upload
devita-sari-putri -
Category
Documents
-
view
187 -
download
1
description
Transcript of Aplikasi Geostatistika Untuk Prediksi Penyebaran Porositas Wilayah
Geostatistika – Penyebaran Wilayah Porositas Page 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 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 6.7.1 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 2003 .
Geostatistika – Penyebaran Wilayah Porositas Page 3
BAB II
ISI DAN PEMBAHASAN
2.1 Konsep Dasar Geostatistika
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 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 sama-
sama 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 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 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 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 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 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 2003. 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 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 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 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 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 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 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 pengalaman-
pengalaman (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 1960-1970. 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 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 multi-
atribut 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 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:
…… (7)
Dimana untuk didapatkan nilai mean, maka:
….. (8)
Nilai Kovariansi yang sudah dinormalisasi adalah:
….. (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 non-
linear 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 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 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.
….. (11)
Solusi untuk empat pembobotan menghasilkan persamaan normal standar :
….. (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 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 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:
………. (14)
Maka nilai log yang baru dikalkulasi dengan persamaan berikut:
…… (15)
Dimana,
……. (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 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 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 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 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 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 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 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
0.03. 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 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 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 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 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. 220-236.
Hampson-Russel Software Service, Ltd., 2008. 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. 996-1001.
Schultz, P. S., Ronen, S., Hattori, M., and Corbett, C., 1994, Seismic Guided Estimation of Log
Properties, The Leading Edge, Vol. 13, p. 305-315
Sheriff, R.E. and Geldart, L.P., 1995, Exploration Seismology, Cambridge University Press.
Sukmono, Sigit., 2000. Seismik Inversi Untuk Karakterisasi Reservoar. JurusanTeknik
Geofisika. ITB. Bandung.
Sukmono, Sigit., 2007. 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.
http://www.wikipedia.com
http://www.seismikonline.com
http://www.searchanddiscovery.net