Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dekomposisi spektral telah diaplikasikan untuk interpretasi data seismik 3D dalam meningkatkan resolusi, meningkatkan visualisasi stratigrafi, memprediksi ketebalan lapisan tipis, mengurangi noise, dan mendeteksi langsung keberadaan hidrokarbon. Beberapa metode yang telah digunakan untuk melakukan dekomposisi spektral amplitudo antara lain: DFT (Discrete Fourier Transform), EMD (Empirical Mode Decomposition), CWT (Continuous Wavelet Transform) dan MPD (Matching Pursuit Decomposition).Pada kasus ini, Metode Empirical Mode Decomposition digunakan untuk mendekomposisi suatu sinyal utama menjadi beberapa sub-sinyal yang bervariasi, yang memiliki berbagai macam frekuensi. Beberapa sub-sinyal tersebut biasa disebut IMF (Interinsic Mode Function). Kemudian dilakukan Hilbert Transform untuk setiap IMF.Hasil yang didapatkan dari proses Spectral Decomposition dengan metode Empirical Mode Decomposition menunjukan distribusi channel pada daerah Stratton Texas terlihat cukup baik dan memiliki resolusi yang lebih baik dibandingkan metode konvensional seperti FFT.

---

Spectral Decomposition has been applied to the interpretation of 3D seismic data to enhance resolution, improved visualization of stratigraphic features, thickness estimation for thin beds, noise suppression, and direct hydrocarbon indication. There are variety of spectral decomposition methods. These include the DFT (Dicrete Fourier Transform), EMD (Empirical Mode Decomposition), CWT (Continuous Wavelet Transform) and MPD (Matching Pursuit Decomposition).

In this study, Empirical Mode Decomposition method is used to decompose a main signal into several sub signal, which has many types of frequencies. Some subsignals are usually called IMF(Interinsic Mode Function). Then do the Hilbert transform to each IMF.

The results of spectral decomposition with EMD method can show channel distribution in Stratton Texas Field more clearly and have better resolution than conventional methods such as FFT."

"Dekomposisi spektral telah diaplikasikan pada data seismik dalam meningkatkan resolusi, visualisasi stratigrafi, memprediksi ketebalan lapisan tipis, dan mendeteksi langsung keberadaan hidrokarbon. Pada kasus ini, Metode Empirical Mode Decomposition digunakan untuk mendekomposisi suatu sinyal utama menjadi beberapa sub-sinyal yang bervariasi, yang memiliki berbagai macam frekuensi. Beberapa sub-sinyal tersebut biasa disebut IMF (Intrinsic Mode Function). Tahap selanjutnya dilakukan Transfromasi Hilbert untuk setiap IMF.Hasil yang didapatkan dari proses Spectral Decomposition dengan metode Empirical Mode Decomposition dan Transformasi Hilbert menunjukkan kemampuan yang bagus pada data sintetik. Sedangkan pada data riil mampu membedakan respon gas dan batu bara pada anomali brigth spot dengan melalui analisis Transformasi Hilbert berdasarkan respon amplitudo sesaat.

---

Spectral decomposition have been applied for seismic data to enhance resoution, improve stratigraphy visualization, thin bed prediction, and direct hydrocarbon indicator. In this case, the empirical mode decomposition method is used to decompose main signal into several variated sub-signal that have many types of frequencies. Some sub signal are usually called IMF (intrinsic mode function). Then do the Hilbert Transform to each IMF to get the time frequency section.

The result from the spectral decomposition method using empirical mode decomposition show good performance on syntethic data. While on real data can be clarified gas and coal response from the brigth spot anomaly by Hilbert-Huang transform method based on instantaneous amplitude."

"Cluster analysis dari atribut seismik merupakan suatu metode yang digunakan untuk mengelompokkan litologi dari data seismik yang telah direkam dan diproses. Secara prinsip, cluster analisis memproyeksikan N atribut seismik ke sistem koordinat dengan N-dimensi yang menghasilkan K cluster yang merepresentasikan litologi yang berbeda. Penentuan center dari data dapat dilakukan secara acak yang kemudian berubah-rubah karena proses iterasi (unsupervised). Dekomposisi spektral mengubah amplitudo seismik sebagai fungsi ruang dan waktu menjadi frekuensi, ruang, dan waktu. Dekomposisi spektral telah digunakan dalam berbagai aplikasi seperti penentuan ketebalan lapisan tipis, visualisasi stratigrafi, dan deteksi hidrokarbon secara langsung. Metode dekomposisi spektral yang biasa digunakan antara lain STFT (short-time fourier transform), CWT (continuous wavelet transform), dan EMD (Empirical Mode Decomposition). Ada banyak atribut-atribut yang dapat diekstrak dari data seismik dan pemilihan atribut yang hanya dapat mempengaruhi distribusi litologi ini secara dominan bukan merupakan hal yang mudah karena pada kenyataannya beberapa atribut tidak memberikan kontribusi dalam pengelompokkan litologi. Untuk mengurangi hal itu, penulis menggunakan principal component analysis pada atribut seismik. Metode ini memilih atribut yang telah terotasi yang memberikan kontribusi untuk clustering berdasarkan urutan nilai eigen valuenya. Hasil yang didapatkan menunjukkan konsistensi dengan peta litologi yang sudah ada.

---

Cluster analysis of seismic attributes is a method used to classify the lithology of the seismic data that has been recorded and processed. In principle, cluster analysis of seismic attributes to transform the N system with N-dimensional coordinates that produce K clusters that represent different lithologies. Determination of center of data is done through a random process that later change of due process of iteration (unsupervised).

The spectral decomposition of seismic change amplitude as a function of space and time into the frequency, space and time. Spectral decomposition has been used in various applications such as thickness estimation for thin beds, visualization stratigraphy, reservoir characterization, and direct hydrocarbon detection. There are a variety of spectral decomposition methods, STFT (short-time Fourier transform), CWT (continuous wavelet transform), MPD (matching pursuit decomposition) and EMD (Empirical Mode Decomposition). The method used in this study is the method of EMD.

There are many attributes that can be extracted from seismic data and the selection of attributes that can only affect the distribution of the dominant lithology is not an easy thing because of the fact that some attributes do not contribute to the grouping of lithology. To reduce it, the author uses principal component analysis on seismic attributes. This method of selecting the attributes that have been rotated to contribute to clustering based on the sequence of eigenvalues valuenya. The results obtained show consistency with existing lithologic maps."

"Ada banyak metode yang telah diterapkan terhadap data seismik dalam karakterisasi reservoar. Dekomposisi spektral telah diaplikasikan untuk interpretasi data seismik 3D seperti meningkatkan resolusi, meningkatkan visualisasi stratigrafi, memprediksi ketebalan lapisan tipis, mengurangi noise, dan mendeteksi langsung keberadaan hidrokarbon. Beberapa metode yang digunakan untuk menguraikan spektral amplitudo antara lain: DFT (discrete Fourier transform), MEM (maximum entropy method) CWT (continuous wavelet transform) dan MPD (matching pursuit decomposition). Metode matching pursuit decomposition merupakan proses crosscorrelation dari suatu wavelet dictionary terhadap tras seismik. Hasil korelasi terbaik wavelet didalam tras seismik kemudian dikurangi dari tras tersebut. Kemudian dilakukan cross-correlation lagi antara wavelet dictionary dengan residual tras seismik, dan hasil korelasi terbaiknya dikurangi lagi dari tras residual tersebut. Proses ini dilakukan secara iteratif hingga energi yang tersisa dari tras residual berada dibawah batas yang ditentukan. Hasil keluaran dari proses ini adalah susunan dari wavelet dengan waktu tempuh masing-masing dan amplitudo untuk setiap tras seismik. Hasil yang didapatkan dari proses dekomposisi spektral dengan metode MPD menunjukkan distribusi channel pada formasi Caddo terlihat lebih jelas dan mempunyai resolusi yang lebih baik dibandingkan metode DFT.

---

Many methods have been applied to seismic data in the reservoir characterization. Spectral decomposition has been applied to 3D seismic data interpretation include enhanced resolution, improved visualization of stratigraphic features, thickness estimation for thin beds, noise suppression, and direct hydrocarbon indication. There are a variety of spectral decomposition methods. These include the DFT (dicrete Fourier transform), MEM (maximum entropy method), CWT (continuous wavelet transform), and MPD (matching pursuit decomposition). Matching pursuit decomposition involves cross-correlation of a wavelet dictionary against the seismic trace. The projection of the best correlating wavelet on the seismic trace is then subtracted from that trace. The wavelet dictionary is then cross-correlated against the residual, and again the best correlating wavelet projection is subtracted. The process is repeated iteratively until the energy left in the residual falls below some acceptable threshold. The output of the process is a list of wavelets with their respective arrival times and amplitudes for each seismic trace. The results of spectral decomposition with MPD method can show distributary channel in Caddo formation more clearly and have good resolution compared DFT method."

"Indeks Harga Saham Gabungan (IHSG) merupakan indeks saham yang biasanya digunakan investor untuk melihat kondisi pasar saham. IHSG merupakan data yang berjenis runtun waktu. Peramalan yang akurat pada IHSG dapat membantu investor meminimalisir risiko. Salah satu model runtun waktu yang sering digunakan adalah model Autoregressive Integrated Moving Average (ARIMA) dimana model ini mengasumsikan bahwa runtun masa kini memiliki hubungan linier dengan runtun historisnya. Jika terdapat pola nonlinier pada data runtun waktu, diperlukan model lain yang dapat mengakomodir pola nonlinier tersebut seperti model Recurrent Neural Network (RNN). Namun, bisa saja sebuah runtun waktu memiliki pola linier dan nonlinier sehingga dikembangkan sebuah model hybrid ARIMA-RNN. Data runtun waktu yang digunakan pada model hybrid ARIMA-RNN direpresentasikan sebagai penjumlahan dari komponen linear dan nonlinier. Ketika dijumpai runtun waktu yang kompleks, model hybrid ARIMA-RNN tidak mampu mendekomposisi data sebagai komponen linier dan nonlinier. Kompleksitas suatu runtun waktu dapat ditentukan dengan menggunakan Sample Entropy (SE). Meramalkan runtun waktu yang kompleks dengan model hybrid ARIMA-RNN dapat mengakibatkan penurunan performa peramalan. Untuk meningkatkan performa model hybrid ARIMA-RNN, diperkenalkan metode dekomposisi (filter) untuk mengurangi kompleksitas dari runtun waktu. Penelitian ini mengonstruksi model hybrid ARIMA-RNN dengan filter Empirical Mode Decomposition (EMD). Konstruksi model hybrid ARIMA-RNN diterapkan pada data indeks penutupan harian IHSG dari tanggal 1 Januari 2016 hingga 31 Desember 2019. Filter EMD pada data tersebut menghasilkan 6 IMF (Intrinsic Mode Function) dan residual yang kompleksitasnya bervariasi. Berdasarkan perhitungan menggunakanSample Entropy (SE) didapat IMF1 hingga IMF5 adalah runtun kompleksitas tinggi sedangkan IMF6 dan residual adalah runtun kompleksitas rendah. Runtun kompleksitas tinggi dan kompleksitas rendah selanjutnya masing-masing dimodelkan dengan RNN danARIMA. Hasil peramalan akhir pada model hybrid ARIMA-RNN dengan filter EMD memberikan nilai RMSE sebesar 35,5702. Nilai RMSE yang didapat lebih kecil dibandingkan nilai RMSE pada model ARIMA, model RNN, dan model hybrid ARIMARNN. Hasil penelitian menunjukkan bahwa model hybrid ARIMA-RNN dengan filter EMD memberikan performa peramalan terbaik pada ramalan IHSG dan juga penggunaan filter EMD memberikan peningkatan performa peramalan pada model hybrid ARIMARNN.

---

Indonesia Composite Index (IDX Composite) is a stock index that is usually used by investors to see stock market conditions. Accurate forecasting on the IDX composite, which is time series data, may assist investors in reducing risk. Autoregressive Integrated Moving Average (ARIMA) model, which implies a linear relationship between the current series and its historical series, is one of the time series models that is frequently used. Other model, such as the Recurrent Neural Network (RNN) model, is required if the time series data contain a nonlinear pattern. A hybrid ARIMA-RNN model was developed since it is possible for a time series that have both a linear and nonlinear pattern. The sum of the linear and nonlinear components is used to represent the time series data in the ARIMA-RNN hybrid model. The ARIMA-RNN hybrid model is unable to separate the data into linear and nonlinear components when a complex time series is present. The complexity of a time series can be determined by using Sample Entropy (SE). The ARIMA-RNN hybrid model's forecasting performance may suffer when forecasting complex time series. To improve the performance of the hybrid ARIMA-RNN model, a decomposition (filter) method is introduced to reduce complexity and deal with nonstationary and nonlinear time series. This research constructs a hybrid ARIMA-RNN model with the Empirical Mode Decomposition (EMD) filter. The construction of the hybrid ARIMA-RNN model is applied to the daily closing of IDX composite from 1 January 2016 to 31 December 2019. The EMD filter on the data produces 6 IMFs and a residual with varying complexity. Based on calculations using Sample Entropy (SE), IMF1 to IMF5 are high complexity time series, while IMF6 and the residual are low complexity time series. The high and low complexity time series are then modeled with RNN and ARIMA, respectively. The final forecasting result on the hybrid ARIMA-RNN model with the EMD filter gives an RMSE value of 35.5702. This RMSE value is smaller than the RMSE values of the ARIMA model, the RNN model, and the hybrid ARIMARNN model. The results show that the hybrid ARIMA-RNN model with the EMD filter provides the best forecasting performance for the IDX composite forecast and also the use of the EMD filter improves the forecasting performance of the hybrid ARIMA-RNN model."

"ABSTRAKReservoir Mid Main Carbonate (MMC) merupakan bagian dari Formasi CibulakanAtas yang berumur Miosen awal. Berdasarkan data pemboran, lapisan MMCberpotensi sebagai reservoir batugamping dengan indikasi hidrokarbon berupa gas.Penelitian ini bertujuan untuk memetakan karakter reservoir dari MMC danpersebarannya di lapangan penelitian dengan menggunakan data yang terbatasdalam memetakan karakter reservoir daan persebaran dari lapisan MMC sehinggabisa ditentukan target pengembangan lapangan ke depan. Penelitian ini dilakukandengan data acuan berupa tiga sumur eksplorasi yang kurang tersebar dan jugaseismik post-stack 2D multivintage yang memerlukan proses optimalisasi terlebihdahulu. Proses balancing amplitude dan miss-tie seismik dilakukan untukmengurangi efek multivintage sebelum dilakukan inversi seismik dan upayakarakterisasi lebih detil dilakuakn dengan atribut Spectral Decomposition berbasisContinuous Wavelet Transformation. Karakter batugamping MMC ini terdiri daribatugamping-1 dan batugamping-2 yang keduanya merupakan fasies batugampingklastik backreef dengan nilai porositas efektif berkisar antara 5-15% dengan nilaiporositas tertinggi diketahui relatif berada pada daerah tenggara dan barat lautlapangan. Berangkat dari model porositas reservoir MMC, interpretasi struktur danintegrasi dengan hasil analisis Spectral Decomposition selanjutnya ditentukan letakjebakan migas yang diajukan sebagai target eksplorasi selanjutnya.

---

ABSTRACTThe Mid Main Carbonate (MMC) reservoir is part of the early Miocene UpperCibulakan Formation. Based on MMC drilling data, it has potential to be limestonereservoir with indication of gas hydrocarbon. This study aim is to map thecharacteristic of MMC reservoir and its distribution on the targeted field of researchbased on limited data, so that it can be determined the future field developmenttarget. This study was conducted with reference data in form of three exploratorywells and post-stack 2D multivintage seismic which requires optimization processprior to start characterization method. The process of balancing amplitude and misstieseismic is done first to reduce multivintage effect for the further seismicinversion which then detailed characterization were done using attribute of SpectralDecomposition based on Continuous Wavelet Transformation. The MMClimestone characteristic consists of limestone-1 and limestone-2, both of which arefacies of backreef clastic limestone with effective porosity values ranging from 5-15% with the highest known porosity value is relatively on the southeast andnorthwest regions of the area. Based on the MMC reservoir porosity model,structural interpretation and integration with Spectral Decomposition analysisresults this study then determined the location of proposed oil and gas traps as thenext exploration target."

"Data seismik merupakan data yang secara alami tidak stasioner, karena mempunyai berbagai kandungan frekuensi dalam domain waktu. Salah satu atribut seismik yang bertujuan untuk mencirikan tanggap frekuensi yang tergantung waktu dari batuan dan reservoir bawah permukaan adalah dekomposisi waktu-frekuensi atau sering disebut sebagai dekomposisi spektral. Dengan dekomposisi spektral diharapkan lapisan-lapisan sedimen yang tidak tampak terpisah (berada di dalam satu wiggle wavelet) dengan menggunakan data seismik konvensional, akan tampak terpisah jelas. Salah satu metode dari dekomposisi spektral yaitu Continous Wavelet Transform (CWT).CWT adalah metoda dekomposisi waktu-frekuensi (time-frequency decomposition) yang ditujukan untuk mengkarakterisasi respon seismik pada frekuensi tertentu. Studi ini dilakukan dengan mengaplikasikan CWT pada wavelet dan frekuensi tertentu untuk melihat resolusi dari seismik .Wavelet yang digunakan pada studi ini adalah wavelet morlet, complex Gaussian-4, daubechies-5, coiflet-3 dan symlet-2 pada frekuensi 20 Hz, 40 Hz, 60 Hz dan 80 Hz (pada data sintetik 2D seismik) serta 40 Hz, 60 Hz, 80 Hz (pada data real 2D seismik)Dan hasil yang diperoleh dari penelitian ini menunjukkan bahwa pada data seismik sintetik 2D seismik dilakukan aplikasi CWT dengan time sample 3s dan 50 CDP trace menunjukkan bahwa semakin tinggi frekuensi maka pemisahan lapisan tipis yang dapat dilakukan semakin baik. Pada data seismik real 2D, pemisahan lapisan tipis pada batubara terjadi pada tuningfrequency 80 Hz dengan menggunakan wavelet symlet-2.

---

Seismic data is naturally a non-stationary data, because it has many frequencies information in time domain. One of seismic attributes, which is used to characterize the frequency response as function of time and reservoir rock, is time-frequency decomposition or commonly known as spectral decomposition. By using spectral decomposition, it is expected that thin sedimentary layers (in one wiggle wavelet) can be separated rather than using conventionally seismic data.

CWT is one of time-frequency decomposition method to decompose the seismic signal into single frequency. This study had been carried out by implementing CWT in certain wavelet and frequency to analyze the seismic resolution. The various wavelets had been used this study, they are morlet, complex Gaussian-4, daubechies- 5, coiflet-3 and symlet-2. The various frequencies of 20 hz, 40 Hz, 60 Hz dan 80 Hz frequency (for 2D synthetic seismic data) and 40 Hz, 60 Hz, 80 Hz frequency (for 2D real seismic data) are applied.

The application of 2D synthetic seismic data that is implemented with CWT, 0.3 s time sample and 50 trace, shows that the use of higher frequency shows better separation. In addition, the application of 2D real seismic data shows that the best separation is in the frequency of 80 Hz with wavelet symlet-2."

"Noise linier adalah energi seismik yang menjalar di sepanjang permukaan (gelombang permukaan). Karakteristik noise linier adalah frekuensi rendah, kecepatan rendah, dan amplitudo tinggi. Noise linier masih menjadi permasalahan dalam data seismik, sebab mampu menyamarkan sinyal refleksi. Teknik pengolahan yang saat ini digunakan adalah filter F-K, berpotensi untuk mereduksi sinyal refleksi yang berada pada rentang slope noise. Metode dekomposisi spektral berbasis transformasi wavelet merupakan metode filtering alternatif, mampu mendekomposisikan data seismik menjadi beberapa subband melalui filter low-pass dan filter high-pass. Setiap filtering mendekomposisikan data seismik ke dalam domain frekuensi (f) dan bilangan gelombang (k). Metode ini diujikan pada data real seismik darat 2-D yang memiliki rentang velocity 20 m/ms hingga 100 m/ms. Terdapat 2 metode filtering, yaitu membuang subband yang mengandung noise dan menggunakan filter F-K pada subband yang mengandung noise. Metode filtering 2 lebih efektif mereduksi noise linier pada data penelitian dibandingkan metode filtering 1. Hal ini dibuktikan pada hasil penelitian yang menunjukkan peningkatan kualitas tampilan shot point gather dan stacking.

---

Linear noise is seismic energy that propagates along the surface (surface waves). Characteristic of linear noise is low-frequency, low-velocity, and high amplitude. Linear noise is such a problem in land seismic data, because able to disguise signal reflection. Current processing techniques aimed at linear noise suppression, such as f-k filtering has potentially to reduce signal reflection which range in noise slope. A new alternative to f-k filtering is spectral decomposition based on wavelet transform, which decomposes seismic data into different sub bands by applying low-pass and high-pass filters. Each filtering decomposes the seismic data into frequency and wavenumber domain. This method is applied in real 2-D land seismic data to reduce linear noise with velocity range 20 m/ms to 100 m/ms. There are two methods of filtering, killing sub bands which contained noise and using f-k filter on sub band which contained noise. Second method is more effective to reduce linear noise than first method. This technique leads to the improvement of shot records and final stack quality."

"Metode Common Reflection Surface (CRS) Stack merupakan metode stack yang lebih baru dari metode konvensional atau Common Mid Point (CMP) Stack. Kedua metode ini digunakan untuk mendapatkan penampang bawah permukaan yang sesuai dengan kondisi lapangan. Operator yang digunakan pada metode CRS stack sangat berbeda dengan metode CMP stack. Pada metode konvensial dibutuhkan pembuatan model kecepatan dari proses analisis kecepatan untuk dapat melakukan koreksi NMO. Semakin tepat pemilihan kecepatan yang dilakukan maka semakin baik penampang bawah permukaan yang dihasilkan. Pada metode CRS stack, atribut yang digunakan lebih sesuai dengan keadaan lokal dari reflektor. Atribut ini berupa sudut datang gelombang normal (α), jari-jari kelengkungan gelombang Normal Incidence Point (RNIP) dan jari-jari kelengkungan gelombang normal (RN). Ketiga atribut ini dapat di ekstrak dengan melakukan penentuan dip dan luas apertur. Penggunaan atribut lokal ini menjadikan metode ini dapat melakukan imaging yang lebih baik pada reflektor yang memiliki kemiringan tajam dibandingkan metode konvensional. Parameter luas apertur dapat memperbanyak jumlah trace yang akan di stack pada metode CRS stack sehingga dapat meningkatkan rasio S/N daripada metode konvensional dikarenakan proses stack pada metode konvensional dilakukan hanya dengan beberapa gather CMP. Pada pengolahan data seismik laut ini, dilakukan proses geometri, sorting, filtering, trace editing dan dekonvolusi untuk mengkondisikan data sebelum masuk pada tahapan stacking. Metode CMP stack dimulai dengan melakukan velocity picking pada penampang semblance untuk mendapatkan model kecepatan yang menjadi syarat dalam melakukan stacking konvensional. Untuk metode CRS stack, dilakukan variasi pada parameter maksimum dip, dip increament dan lebar apertur agar menghasilkan penampang bawah permukaan yang paling sesuai. Hasil dari penelitian ini memperlihatkan bahwa metode CRS stack dapat melakukan imaging subsurface lebih baik dibandingkan metode konvensional, terutama dalam aspek kemenerusan reflektor, meningkatnya rasio S/N, imaging reflektor dalam, dan dapat menangani reflektor yang memiliki kemiringan atau dip yang curam.

---

The Common Reflection Surface (CRS) Stack method is a newer stack method than the conventional method or the Common Mid Point (CMP) Stack. Both methods are used to obtain a subsurface section that is suitable for field conditions. The operators used in the CRS stack method are very different from the CMP stack method. In the conventional method, it is necessary to create a velocity model from the velocity analysis process to be able to apply NMO corrections. The more precise the selection of velocity, the better the resulting subsurface cross-section. In the CRS stack method, the attributes used are more in line with the local state of the reflector. These attributes are the emergence angle (α), the radius of curvature of the Normal Incidence Point (RNIP), and the radius of curvature of the normal wave (RN). These three attributes can be extracted by determining the dip and aperture width. The use of this local attribute makes this method able to perform better imaging on reflectors that have a steep dip than conventional methods. The aperture area parameter can increase the number of traces that will be stacked on the CRS stack method so that it can increase the S/N ratio than the conventional method because the stacking process in the conventional method is carried out only with a few CMP gathers. In this marine seismic data processing, geometry, sorting, filtering, trace editing, and deconvolution processes are carried out to condition the data before entering the stacking stage. The CMP stack method starts with velocity picking on the semblance cross-section to obtain a velocity model that is a requirement for conventional stacking. For the CRS stack method, variations are carried out on the parameters of maximum dip, dip increment, and aperture width in order to produce the most suitable subsurface section. The results of this study show that the CRS stack method can perform subsurface imaging better than conventional methods, especially in terms of reflector continuity, increased S/N ratio, deep reflector imaging, and can handle reflectors that have steep dip."

"Migrasi seismik merupakan salah satu proses akhir dalam processing seismik. Proses migrasi bertujuan untuk meningkatkan resolusi lateral data seismik dengan cara memindahkan kedudukan reflektor pada posisi dan waktu pantul yang sebenarnya berdasarkan lintasan gelombang. Hal ini disebabkan karena penampang seismik hasil stack belumlah mencerminkan kedudukan yang sebenarnya, karena rekaman normal incident belum tentu tegak lurus terhadap bidang permukaan, terutama untuk bidang reflektor yang miring. Selain itu, migrasi juga dapat menghilangkan pengaruh difraksi gelombang yang muncul akibat pengaruh struktur geologi seperti patahan, sinklin, dan antiklin. Migrasi yang digunakan dalam penelitian ini, yaitu migrasi dengan menggunakan metode fourier split step dan finite-difference. Kedua metode migrasi yang digunakan tersebut diaplikasikan pada empat macam data seismik sintetik yang telah dibuat melalui pemodelan seismik Data seismik sintetik yang dibuat terdiri dari empat macam model geologi, yaitu model geologi dua perlapisan (sinklin-antiklin), model geologi tiga perlapisan (patahan), dan model geologi empat perlapisan dan satu channel, pada model geologi yang ketiga ini terdapat dua macam model kecepatan, yaitu model yang memiliki kecepatan kontinu dan model yang memiliki kecepatan tidak kontinu. Dilakukan perbandingan antara kedua metode migrasi yang digunakan terhadap data seismik sintetik yang ada. Hasil migrasi dengan menggunakan metode finite-difference terlihat lebih baik dalam mengatasi variasi kecepatan lateral yang sederhana maupun kompleks dibandingkan dengan metode fourier split step. Tapi, migrasi dengan menggunakan metode fourier split step lebih membutuhkan waktu yang singkat dalam hal proses komputasi dibandingkan metode finite-difference.

---

Seismic migration is a part of final process in seismic processing. The purpose of migration is to enhance spatial resolution of seismic data. This migration is performed by moving the position of reflector with regards to the real position and reflecting time based on the wave path. The different image between the stacked section and true subsurface position of the event due to the record of normal incidence is not always perpendicular to its reflector, especially a reflector with a certain dip. In addition, migration collapse diffraction effect is shown from the result of geological structure such as fault, sincline and anticline.

The migration algorithm that was used is split step fourier and finite-difference migration. Both migration methods were applied to four types of synthetic seismic data that were produced by seismic modeling. The produced synthetic seismic data consisted of four types of geological modeling which are: double layered geological model (syncline - anticline), triple layered geological model (fault), four layered geology model, and one channel. For the third geological models it was found that there were two types of velocity model, a continual velocity and the other was not. Comparison was then done for the two migration methods used with the existing synthetic seismic data.

The results show that finite-difference migration is better than split step fourier migration in solving and handling variation of a simple and complex lateral velocity. In contrast, split step fourier migration is faster than finite-difference migration in the computation process."