Inversi Tak-Linier Magnetotelurik Dua-Dimensi

Menggunakan Algoritma Monte Carlo Rantai Markov

Nugroho D. Hananto dan Djedi S. Widarto

Pusat Penelitian Geoteknologi – Lembaga Ilmu Pengetahuan Indonesia

Komplek LIPI Jl. Sangkuriang Bandung - 40135
e-mail : nugroho@geotek.lipi.go.id

ABSTRAK
Dalam formulasi masalah inversi menggunakan inferensi Bayes, solusi inversi adalah fungsi peluang model
posterior yang merupakan aktualisasi peluang model a priori. Pemecahan masalah inversi tak-linier
dilakukan dengan algoritma Monte Carlo Markov Chain (MCMC) dimana peluang transisi dari rantai
Markov homogen digunakan untuk mengeksplorasi ruang model secara efektif. Penyelesaian inversi tak-
linier ini memiliki kemampuan untuk menghindari jebakan minimum lokal yang sering terjadi dalam inversi
dengan pendekatan linier. Penerapan pemodelan inversi MCMC pada data sintetik magnetotelurik 2-D
menunjukkan bahwa inversi data mode TE atau TM secara mandiri menghasilkan citra yang kurang fokus
karena sensitivitas masing-masing mode. Namun demikian, resolusi model inversi dari data mode TE dan
TM secara terpadu menghasilkan citra yang memuaskan.

ABSTRACT
In formulation of inverse problem using Bayesian inference, solution to the inverse problem is expressed as
posterior probability of model obtained as actualisation of given prior model probabilty. The non-linear
inverse problem is resolved by using Monte Carlo Markov Chain (MCMC) algorithm where the transition
probability of a homogenous Markov chain is employed to explore effectively the model space. This non-
linear approach has the ability to overcome local minima entraptment, which occasionally occurs in the
linearized inversion. Application of the algorithm to invert separate TE and TM mode of MT synthetic data
results in non-focused images due to different sensitivities of TE and TM data. However, simultaneous
inversion of TE and TM data gives satisfactorily results.

1. PENDAHULUAN memecahkan fungsi tak-linier ini dengan cara

Inversi secara teoritis adalah suatu teori
matematika yang mencoba menjelaskan bagaimana
informasi tentang suatu sistem fisis terparamete-
risasi dapat diturunkan dari sekumpulan data hasil
pengamatan (Mosegaard & Tarantola, 1995).
Dalam geofisika, teori inversi telah secara luas
dikembangkan dengan tujuan untuk mengambil
kesimpulan tentang interior bumi dari sekumpulan
data fisika yang diamati di permukaan. Pemecahan
inversi biasanya dilakukan dengan mencari suatu
model optimum dimana respon yang dihasilkan
oleh model itu mendekati data hasil pengamatan.
Hal ini dilakukan dengan meminimumkan suatu
fungsi obyektif tertentu yang menggambarkan
seberapa dekat data pengamatan dengan respon
hasil penghitungan suatu model (Menke, 1993).
Fungsi obyektif yang diminimumkan dalam
inversi geofisika biasanya adalah suatu fungsi yang
tak-linier. Sifat tak-linier ini timbul dari
kompleksnya fenomena fisis yang diamati.
Pendekatan linier dapat dilakukan untuk
mendekati gradien fungsi obyektif dengan
menerapkan ekspansi deret Taylor orde pertama.
Informasi itu selanjutnya digunakan untuk
melakukan modifikasi pada parameter model
secara iteratif hingga diperoleh suatu model
optimal.
Pendekatan linier pada fungsi obyektif yang
tak-linier seringkali memberikan solusi yang tidak
konvergen dan terjebak pada minimum lokal.
Kelemahan pendekatan linier ini dapat diatasi
dengan melakukan pendekatan global (tanpa
linierisasi) pada fungsi obyektif. Metoda stokastik
berbasis Monte Carlo seperti UMC (Uniform
Monte Carlo), SA (Simulated Annealing) dan GA
(Genetic Algorithm) sangat menarik diterapkan
untuk melakukan optimasi fungsi misfit dalam
ruang parameter multi-dimensi (Sambridge, 1999).
Dalam makalah ini dibahas pemecahan
masalah inversi tak-linier pada data magnetotelurik
dua-dimensi (MT 2-D) menggunakan skema
Monte Carlo dalam formulasi statistika Bayes.

2

Simulasi rantai Markov ergodik dilakukan untuk
menyatakan distribusi (probabilty density function
atau PDF) a posteriori marginal dari model
parameter. Selanjutnya algoritma pemrograman
diuji coba pada data respon model sintetik MT
untuk mengetahui resolusi hasil inversi.
2. TEORI
Masalah inversi yang akan diselesaikan adalah
menentukan suatu himpunan model parameter
yang tidak diketahui m = [mi ] (i = 1,2,..., M ) dari
himpunan data hasil pengamatan
(i = 1,2,..., ND). Setiap parameter model memiliki
nilai tertentu yang diberikan oleh suatu himpunan
nilai a priori yang mungkin ρ = [ρi ]( j = 1,2,...N ) .
Dalam kasus ini, perumusan Bayes dapat
dituliskan sebagai
g (d m ) h (m )
Π (m d ) =
∑ g (d m) h(m)
m∈ X
dimana g ( d m) mengacu pada
kondisional dari data yang dihasilkan oleh model
(forward modelling), sedangkan h(m) adalah
rapat peluang a priori model. Parameter X berisi
himpunan NM model yang mungkin (semua
kombinasi N nilai a priori yang mungkin untuk M
parameter model) (Grandis dkk., 1998).
Masalah yang hendak ditinjau secara khusus
adalah peluang marginal model dengan elemen
tertentu dari parameter model mi = ρ k tanpa
mempedulikan elemen model yang lain yang dapat
dituliskan sebagai :
∑ g (d m = ρ )h( m = ρ )
m∈ X i ,k
i k
Π( mi = ρk d ) =
∑ g (d m)h(m)
m∈ X
Rapat peluang posterior fungsi Π pada persamaan
(1) dan (2) tidak dapat dihitung secara langsung.
Namun demikian dapat dilakukan simulasi untuk
memilih sampel secara efisien dari bagian ruang
model yang berkontribusi terbanyak pada
denominator persamaan (2).
Dimulai dari elemen manapun dalam ruang
model, ditentukan peluang relatif dari satu
parameter, misalkan mi = ρk untuk k = 1,2,..., N
dengan seluruh harga elemen lain tetap. Peluang
relatif ini pada kenyataannya adalah kasus khusus
dari persamaan (2). Peluang kondisional model
JURNAL GEOFISIKA 2004/2
dengan mi = ρ k (dan harga elemen model lain
tetap) dinyatakan oleh :
g (d mi = ρk )h( mi = ρk )
p(mi = ρk d ) = N
(3)
∑ g (d m = ρ ) h ( m = ρ )
j =1
i j i j
dimana (mi = ρk ) menyatakan secara implisit
bahwa parameter model m selain mi adalah tetap.
Denominator persamaan (3) dapat dihitung untuk
sejumlah N nilai a priori untuk parameter model.
Peluang relatif ini dapat digunakan sebagai bobot
d = [d i ] bagi nilai a priori parameter model yang dipilih
untuk memperbaharui nilai mi .
Peluang kondisional data yang diberikan oleh
model g (d mi = ρk ) dalam persamaan (3) adalah
fungsi likelihood yang berkaitan dengan distribusi
galat dari data. Dengan mengasumsikan galat yang
bersifat Gaussian dan peluang yang seragam untuk
(1)
setiap nilai a priori dapat dituliskan bentuk yang
lebih eksplisit dari persamaan (3) sebagai berikut :
exp( − E ( mi = ρ k ))
peluang p( mi = ρ k ) = N
(4)
∑ exp(− E (m = ρ ))
j =1
i j
dimana notasi vektor d telah dihilangkan untuk
penyederhanaan dan E ( mi = ρk ) adalah fungsi
misfit. Fungsi misfit ini didefinisikan sebagai
perbedaan antara data hasil pengamatan dan data
hasil penghitungan. Evaluasi persamaan (4)
memerlukan pemecahan masalah pemodelan
kedepan untuk vektor model m dimana pada suatu
iterasi elemen ke-i adalah sama dengan ρ k untuk
k = 1,2,..., N .
i k Nilai parameter model mi diperbaharui dengan
melakukan seleksi acak dari nilai-nilai a priori
yang telah diberi bobot dengan peluang relatifnya.
Pada tahapan ini diperlukan penyelesaian
(2) pemodelan kedepan sejumlah nilai a priori yang
diberikan untuk setiap parameter model m.
Parameterisasi model dan proses seleksi nilai a
priori untuk m1 secara skematis diperlihatkan pada
Gambar 1.
Peluang relatif pada persamaan (4)
merefleksikan kecenderungan pemilihan sampel
pada ruang model. Harga parameter model yang
menghasilkan misfit kecil akan lebih mungkin
terpilih daripada parameter model dengan misfit
yang besar. Dengan demikian pemilihan nilai ρ k
tertentu untuk harga parameter mi dengan nilai
misfit yang besar tetap dapat terjadi hanya saja
peluangnya lebih kecil. Sifat ini memungkinkan
3
JURNAL GEOFISIKA 2004/2

algoritma inversi non-linier ini untuk lepas dari MODEL SINTETIK

jebakan minimum lokal (Rothman, 1986). 0 3.0

-150
2.5

Kedalaman (m)
-300

-450 2.0

-600
1.5
-750

-900 1.0
0 300 600 900 1200
Jarak (m)

Gambar 2. Model sintetik dengan anomali

konduktif (10 Ωm) dan anomali resistif (1000 Ωm)
pada medium 100 Ωm (skala warna adalah dalam
log resistivitas).

Inversi dilakukan pada data sintetik yang

Gambar 1.
(a) Parameterisasi model dan (b) Pemilihan harga
“a priori” untuk satu elemen model.
3. HASIL DAN PEMBAHASAN
Algoritma inversi diuji dengan melakukan
inversi data MT sintetik 2-D. Skema pemodelan
kedepan yang digunakan adalah algoritma elemen
hingga yang dikembangkan oleh Uchida (1993).
Model yang ditinjau berupa model blok sederhana
dengan dua anomali. Benda anomali pertama
bersifat konduktif (10 Ωm) sedangkan benda
anomali kedua bersifat resistif (1000 Ωm) yang
berada dalam lingkungan setengah ruang (half-
space) homogen dengan tahanan-jenis 100 Ωm.
Tahanan-jenis semu dan fasa respon model
dihitung pada 24 stasiun dengan jarak antar stasiun
serba sama 50 m. Penghitungan respon sintetik
dilakukan dalam mode TM (transverse magnetic),
dihasilkan dari pemodelan kedepan respon model
pada mode TE, mode TM, dan mode paduan TE
dan TM. Inversi ini bertujuan untuk mendapatkan
kembali citra model dari data sintetik. Iterasi
dibatasi hanya sampai 10 iterasi dengan
pertimbangan waktu komputasi yang panjang dan
kecenderungan pola misfit yang diharapkan telah
mengalami kejenuhan.
Kurva misfit terhadap iterasi selanjutnya
digambarkan untuk melihat konvergensi inversi.
Pada selang dimana konvergensi telah tercapai,
dilakukan penghitungan harga parameter model
rata-rata (berdasarkan estimasi Bayes) sebagai
model inversi. Penghitungan variansi model tidak
dilakukan karena jumlah iterasi yang sedikit
sehingga hasilnya dianggap tidak dapat
merepresentasikan ketidakpastian model inversi.
Citra model hasil inversi untuk mode TM
ditampilkan pada Gambar 3 sedangkan kurva
misfit sebagai fungsi iterasi diperlihatkan pada
Gambar 4.
MODEL INVERSI TM
0 3.0
-150
2.5
Kedalaman (m)

-300
mode TE (transverse electric). Pada mode TM
arah medan magnet sejajar arah struktur (strike). -450 2.0

Frekuensi yang digunakan adalah sebanyak 11 -600

frekuensi antara 2 Hz hingga 2048 Hz. Pada 1.5
-750
seluruh data sintetik diberikan derau Gaussian
sebesar 0.3 %. Tipper pada mode TE tidak -900
0 300 600 900 1200
1.0

digunakan. Pada Gambar 2 ditampilkan model Jarak (m)

Log
Tahanan-jenis
sintetik yang digunakan dalam penelitian ini. (Ohm.m)

Gambar 3. Citra model hasil inversi mode TM.

4
 JURNAL GEOFISIKA 2004/2

paduan TE dan TM tersebut terlihat bahwa proses

inversi telah menghasilkan citra yang mendekati
model sintetik. Hal ini disebabkan karena
18 informasi yang digunakan pada mode paduan ini
15 lebih lengkap dan saling melengkapi karena data
misfit (x1000)

12 mode TE dan mode TM digunakan secara

9 bersama-sama untuk melakukan evaluasi model
6 parameter a priori. Penggunaan kedua mode
secara bersamaan akan menambah informasi yang
3
dapat disarikan dari kedua mode itu. Namun
0
demikian, waktu komputasi yang diperlukan juga
1 4 7 10
menjadi dua kali lipat lebih lama daripada inversi
iterasi pada satu mode saja.
Kurva misfit sebagai fungsi iterasi juga
menunjukkan adanya kemampuan algoritma ini
Gambar 4. Kurva misfit sebagai fungsi iterasi pada
menghindari minimum lokal pada iterasi ke-5 dan
inversi mode TM.
kemudian mencoba merekonstruksi citra kembali
melalui pembaharuan nilai parameter model
hingga konvergen pada iterasi ke-10.
Dari citra diatas terlihat bahwa algoritma
inversi telah dapat meresolusi daerah anomali
resisitif sedangkan daerah anomali konduktif tidak MODEL INVERSI TE
teresolusi dengan baik. Hal ini disebabkan sifat 0 3.0

mode TM yang lebih sensitif pada anomali -150

anomali resistif (Uchida, 1993). 2.5
Kedalaman (m)

-300
Kurva misfit menunjukkan penurunan nilai
-450 2.0
misfit yang signifikan hingga iterasi ke-5. Pada
iterasi berikutnya kurva misfit sedikit berosilasi -600
1.5
hingga akhirnya konvergen pada iterasi ke-10. -750
Osilasi ini menunjukkan kemampuan algoritma
-900 1.0
inversi untuk mengenali adanya minimum lokal 0 300 600 900 1200
Log
yang ditemui pada iterasi tertentu dan kemudian Jarak (m) Tahanan-jenis
melakukan upaya pembaharuan parameter model (Ohm.m)
sebagai usaha untuk lepas dari jebakan minimum
lokal tersebut.
Gambar 5. Citra model hasil inversi mode TE.
Hasil inversi pada mode TE ditampilkan pada
Gambar 5 sedangkan kurva misfit sebagai fungsi
iterasi inversi mode TE ditampilkan pada Gambar
6. Dari citra hasil inversi dapat diamati bahwa MODE TE DATA SINTETIK
daerah anomali konduktif relatif dapat terresolusi
sedangkan daerah anomali resistif tidak dapat 18
terresolusi dengan baik. Hal ini disebabkan sifat
15
inheren dari mode TE yang relatif tidak sensitif
misfit(x1.0e+3)

terhadap anomali resistif. 12

9
Kurva misfit yang diperoleh menunjukkan
adanya penurunan yang tajam pada iterasi kedua 6
yang kemudian berosilasi hingga konvergen pada 3
iterasi ke-10. Pola ini menunjukkan bahwa nilai
0
misfit pada iterasi kedua merupakan salah satu 1 4 7 10
minimum lokal yang dapat dihindari algoritma ini
iterasi
dengan jalan melakukan pembaharuan nilai
parameter model.
Citra hasil inversi data sintetik pada mode
paduan TE dan TM ditampilkan pada Gambar 7 Gambar 6. Kurva misfit sebagai fungsi iterasi pada
sedangkan kurva misfit sebagai fungsi iterasi inversi mode TE.
diperlihatkan pada Gambar 8. Dari citra mode

5
JURNAL GEOFISIKA 2004/2

Dalam penelitian ini juga telah diperlihatkan

MODEL INVERSI TE & TM bahwa algoritma inversi tak-linier ini memiliki
0 3.0 kemampuan untuk lepas dari jebakan minimum
-150 lokal. Disamping itu algoritma inversi Monte
2.5 Carlo Rantai Markov bersifat umum (generik)
Kedalaman (m)

-300
sehingga dapat diterapkan pada penyelesaian
-450 2.0 masalah estimasi parameter berdasarkan data
-600
geofisika lainnya. Untuk itu perlu diperhitungkan
1.5 penyesuaian yang menyangkut pemodelan kedepan
-750 dan adanya ambiguitas inheren pada setiap metoda
-900 1.0 atau data geofisika yang ditinjau.
0 300 600 900 1200 Log
Jarak (m) Tahanan-jenis
(Ohm.m)

UCAPAN TERIMA KASIH

Gambar 7. Citra model hasil inversi mode TE dan
TM. Penulis menyampaikan ucapan terima kasih
kepada Dr. Hendra Grandis dan rekan-rekan dari
Lab. Geofisika Terapan, Program Studi Geofisika
Dept. GM-ITB yang telah memberikan masukan
MODE TE&TM DATA SINTETIK dan diskusi untuk penulisan makalah ini.

18
15 DAFTAR PUSTAKA
misfit(x1.0e+3)

12
Grandis, H., Mogi, T., Widarto, D.S., 1998, 3-D
9 magnetotelluric inversion using Markov chain
6 algorithm, Proceeding of 99th SEG Japan
Conference, Tokyo, Japan.
3
0 Menke, W., 1984, Introduction to geophysical
1 4 7 10 data analysis: discrete inverse theory,
Academic Press, Orlando.
iterasi
Mosegaard, K. and Tarantola, A. , 1995, Monte
Carlo sampling of solutions to inverse
Gambar 8. Kurva misfit sebagai fungsi iterasi pada problems, J. Geophys. Res., 100, 12.431 –
inversi mode TE dan TM. 12.447.
Rothman,D.H., 1986, Automatic estimation of
large residual statics corrections, Geophysics,
4. KESIMPULAN 51, 332 – 346.
Penerapan algoritma Monte Carlo Rantai Sambridge, M., 1999, Geophysical inversion with
Markov pada inversi data sintetik menghasilkan a neighbourhood algorithm – I. Searching a
citra tahanan-jenis yang baik untuk inversi paduan parameter space, Geophys. J. Int, 138, 479-
TE dan TM. Inversi mode TE menghasilkan citra 494.
tahanan-jenis daerah anomali tahanan-jenis rendah
yang baik sedangkan inversi mode TM Uchida, T., 1993, Smooth 2-D inversion of
menghasilkan citra daerah anomali tahanan-jenis magnetotelluric data based on statistical
tinggi yang baik. Temuan ini berkaitan dengan criterion ABIC, J. Geomag. Geoelectr., 45, 841
sensitivitas data mode TE dan TM dimana mode – 858.
TE lebih sensitif terhadap anomali tahanan-jenis
rendah sedangkan mode TM lebih sensitif terhadap
anomali tahanan-jenis tinggi.