Analisis Data Geofisika

:
Memahami Teori Inversi
Dr. Eng. Supriyanto, M.Sc
Edisi I
Departemen Fisika-FMIPA
Univeristas Indonesia
2007
Untuk Muflih Syamil dan Hasan Azmi........
Mottoku : Tenang, Kalem dan Percaya Diri
Kata Pengantar
Buku ini semula merupakan diktat perkuliahan mata kuliah Analisis Data Geofisika yang diberikan
kepada mahasiswa Geofisika pada Departemen Fisika, Fakultas MIPA, Universitas Indonesia.
Acuan utama untuk edisi perdana ini adalah buku Geophysical Data Analysis: Understanding
Inverse Problem Theory and Practice yang ditulis oleh Max A. Meju dan diterbitkan oleh Society
of Exploration Geophysicists pada tahun 1994.
Semoga keberadaan buku ini dapat membantu mahasiswa geofisika untuk memiliki ke-
mampuan memformulasikan masalah, menyusun hipotesis, metode dan solusi sehingga mampu
menyelesaikan masalah-masalah geofisika secara mandiri.
Terima kasih yang tak terhingga ingin saya sampaikan kepada Dede Djuhana yang telah
bersedia berbagi memberikan file format buku dalam L
A
T
E
X sehingga tampilan buku ini menjadi
jauh lebih baik.
Depok, 15 Maret 2007
Supriyanto S.
v
Daftar Isi
Lembar Persembahan i
Kata Pengantar v
Daftar Isi vii
Daftar Gambar ix
Daftar Tabel xi
1 Pendahuluan 1
1.1 Definisi dan Konsep Dasar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Proses geofisika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Eksplorasi geofisika dan inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Macam-macam data geofisika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Deskripsi proses geofisika: Model matematika . . . . . . . . . . . . . . . . . . . . 4
1.6 Diskritisasi dan linearisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Formulasi Masalah Inversi 9
2.1 Klasifikasi masalah inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5.1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Penyelesaian Masalah Overdetermined 23
3.1 Regresi linear sederhana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Metode least square . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Aplikasi least square pada interpretasi seismik refraksi . . . . . . . . . . . . . . . 26
3.4 Inversi least squares linear: pendekatan matriks . . . . . . . . . . . . . . . . . . . 27
3.5 Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4 Constrained Linear Least Squares Inversion 29
4.1 Inversi dengan informasi awal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Memformulasikan persamaan terkonstrain . . . . . . . . . . . . . . . . . . 30
4.1.2 Contoh aplikasi inversi terkonstrain . . . . . . . . . . . . . . . . . . . . . . 31
vii
viii
4.2 Inversi dengan Smoothness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.1 Formulasi masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.2 Solusi masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Daftar Pustaka 37
Indeks 39
Daftar Gambar
1.1 Alur pemodelan inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Alur pemodelan forward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Alur eksperimen lapangan dan eksperimen laboratorium . . . . . . . . . . . . . . 4
1.4 Konfigurasi elektroda pada metode Schlumberger . . . . . . . . . . . . . . . . . . 6
2.1 Sebaran data observasi antara temperatur dan kedalaman . . . . . . . . . . . . . 10
2.2 Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Grafik hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.1 Masalah regresi linear (least squares) yang sederhana . . . . . . . . . . . . . . . 24
3.2 Contoh solusi regresi linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
ix
Daftar Tabel
2.1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 10
2.2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 12
2.3 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 17
3.1 Contoh data observasi yang dapat diolah oleh least squares . . . . . . . . . . . . 24
4.1 Data seismik refraksi: waktu-datang gelombang (t
i
) pada empat posisi geophone
(x
i
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
xi
Bab 1
Pendahuluan
1.1 Definisi dan Konsep Dasar
Dalam geofisika, kegiatan pengukuran lapangan selalu dilakukan berdasarkan prosedur yang
sudah ditentukan. Kemudian, hasil pengukuran dicatat dan disajikan dalam bentuk tabel angka-
angka pengukuran. Hasil pengukuran tersebut sudah barang tentu sangat tergantung pada
kondisi dan sifat fisis batuan bawah permukaan. Tabel angka-angka itu selanjutnya disebut
data observasi atau juga biasa disebut data lapangan .
Kita berharap data eksperimen dapat memberi informasi sebanyak-banyaknya, tidak sekedar
mengenai sifat fisis batuan saja, melainkan juga kondisi geometri batuan bawah permukaan
dan posisi kedalaman batuan tersebut. Informasi itu hanya bisa kita dapat bila kita mengetahui
hubungan antara sifat fisis batuan tersebut dan data observasinya. Penghubung dari keduanya
hampir selalu berupa persamaan matematika atau kita menyebutnya sebagai model matem-
atika. Maka dengan berdasarkan model matematika itulah, kita bisa mengekstrak parameter
fisis batuan dari data observasi. Proses ini disebut proses inversi atau istilah asingnya disebut
inverse modelling, lihat Gambar 2.3. Sementara proses kebalikannya dimana kita ingin mem-
peroleh data prediksi hasil pengukuran berdasarkan parameter fisis yang sudah diketahui, maka
proses ini disebut proses forward atau forward modelling, lihat Gambar 1.2.
Proses inversi adalah suatu proses pengolahan data lapangan yang melibatkan teknik penye-
lesaian matematika dan statistik untuk mendapatkan informasi yang berguna mengenai dis-
tribusi sifat fisis bawah permukaan. Di dalam proses inversi, kita melakukan analisis terhadap
data lapangan dengan cara melakukan curve fitting (pencocokan kurva) antara model matem-
atika dan data lapangan. Tujuan dari proses inversi adalah untuk mengestimasi parameter fisis
batuan yang tidak diketahui sebelumnya (unknown parameter). Proses inversi terbagi dalam
level-level tertentu mulai dari yang paling sederhana seperti fitting garis untuk data seismik
refraksi sampai kepada level yang rumit seperti tomografi akustik dan matching (pencocokan)
kurva resistivity yang multidimensi. Contoh problem inversi dalam bidang geofisika adalah
1. Penentuan struktur bawah tanah
2. Estimasi parameter-parameter bahan tambang
1
2 BAB 1. PENDAHULUAN
Gambar 1.1: Alur pemodelan inversi
Gambar 1.2: Alur pemodelan forward
1.2. PROSES GEOFISIKA 3
3. Estimasi parameter-parameter akumulasi sumber energi
4. Penentuan lokasi gempa bumi berdasarkan waktu gelombang datang
5. Pemodelan respon lithospere untuk mengamati proses sedimentasi
6. Analisis sumur bor pada hidrogeologi
1.2 Proses geofisika
Perambatan gelombang seismik, perambatan gelombang elektromagnetik di bawah tanah dan
juga aliran muatan (arus listrik) ataupun arus fluida pada batuan berpori adalah contoh-contoh
proses geofisika. Data lapangan tak lain merupakan refleksi dari kompleksitas sistem geofisi-
ka yang sedang diamati, yang dikontrol oleh distribusi parameter fisis batuan berikut struktur
geologinya.
1.3 Eksplorasi geofisika dan inversi
Tujuan utama dari kegiatan eksplorasi geofisika adalah untuk membuat model bawah per-
mukaan bumi dengan mengandalkan data lapangan yang diukur bisa pada permukaan bumi
atau di bawah permukaan bumi atau bisa juga di atas permukaan bumi dari ketinggian tertentu.
Untuk mencapai tujuan ini, idealnya kegiatan survey atau pengukuran harus dilakukan secara
terus menerus, berkelanjutan dan terintegrasi menggunakan sejumlah ragam metode geofisika.
Seringkali –bahkan hampir pasti– terjadi beberapa kendala akan muncul dan tak bisa di-
hindari, seperti kehadiran noise pada data yang diukur. Ada juga kendala ketidaklengkapan
data atau malah kurang alias tidak cukup. Namun demikian, dengan analisis data yang paling
mungkin, kita berupaya memperoleh informasi yang relatif valid berdasarkan keterbatasan data
yang kita miliki.
Dalam melakukan analisis, sejumlah informasi mengenai kegiatan akuisisi data juga diper-
lukan, antara lain: berapakah nilai sampling rate yang optimal? Berapa jumlah data yang
diperlukan? Berapa tingkat akurasi yang diinginkan? Selanjutnya –masih bagian dari pros-
es analisis– model matematika yang cocok mesti ditentukan yang mana akan berperan ketika
menghubungkan antara data lapangan dan distribusi parameter fisis yang hendak dicari.
Setelah proses analisis dilalui, langkah berikutnya adalah membuat model bawah permukaan
yang nantinya akan menjadi modal dasar interpretasi. Ujung dari rangkaian proses ini adalah
penentuan lokasi pemboran untuk mengangkat sumber daya alam bahan tambang/mineral dan
oil-gas ke permukaan. Kesalahan penentuan lokasi berdampak langsung pada kerugian meter-
il yang besar dan waktu yang terbuang percuma. Dari sini terlihat betapa pentingnya proses
analisis apalagi bila segala keputusan diambil berdasarkan data eksperimen.
1.4 Macam-macam data geofisika
Data geofisika bisa diperoleh dari pengukuran di lapangan atau bisa juga dari pengukuran di
laboratorium. Gambar 1.3 memperlihatkan alur pengambilan data dari masing-masing pen-
4 BAB 1. PENDAHULUAN
Gambar 1.3: Alur eksperimen lapangan dan eksperimen laboratorium
gukuran.
Pada pengukuran lapangan, data geofisika yang terukur antara lain bisa berupa densitas,
kecepatan gelombang seismik, modulus bulk, hambatan jenis batuan, permeabilitas batuan,
suseptibilitas magnet dan lain sebagainya yang termasuk dalam besaran fisis sebagai karakter-
istik bawah permukaan bumi.
Pada pengukuran di laboratorium, model lapisan bumi ataupun keberadaan anomali dalam
skala kecil dapat dibuat dan diukur respon-nya sebagai data geofisika. Diharapkan hasil uji
laboratoriumtersebut bisa mewakili kondisi lapangan yang sesungguhnya yang dimensinya jauh
lebih besar.
Jika suatu pengukuran diulang berkali-kali, entah itu di lapangan maupun di laboratorium,
seringkali kita temukan hasil pengukuran yang berubah-ubah, walaupun dengan variasi yang
bisa ditolerir. Variasi ini umumnya disebabkan oleh kesalahan instrumen pengukuran (instru-
mental error) atau bisa juga dikarenakan kesalahan manusia (human error). Seluruh variasi ini
bila di-plot kedalam histogram akan membentuk distribusi probabilistik.
1.5 Deskripsi proses geofisika: Model matematika
Seluruh proses geofisika dapat dideskripsikan secara matematika. Sebagaimana yang telah dise-
butkan diawal, suatu formulasi yang bisa menjelaskan sistem geofisika disebut model. Namun
perlu ditekankan juga bahwa istilah model memiliki ragam konotasi berbeda di kalangan geo-
saintis. Misalnya, orang geologi kerapkali menggunakan istilah model konseptual, atau istilah
model fisik yang digunakan untuk menyebutkan hasil laboratorium, atau dalam catatan ini kita
menggunakan istilah model matematika yang merupakan istilah umum dikalangan para ahli
1.6. DISKRITISASI DAN LINEARISASI 5
geofisika.
Kebanyakan proses geofisika dapat dideskripsikan oleh persamaan integral berbentuk
d
i
=

z
0
K
i
(z)p(z)dz (1.1)
dimana d
i
adalah respon atau data yang terukur, p(z) adalah suatu fungsi yang berkaitan den-
gan parameter fisis yang hendak dicari (misalnya: hambatan jenis, densitas, kecepatan, dan
lain-lain) yang selanjutnya disebut parameter model, dan K
i
disebut data kernel. Data kernel
menjelaskan hubungan antara data dan parameter model p(z). Parameter model (misalnya ke-
cepatan, resistivitas dan densitas) bisa jadi merupakan fungsi yang kontinyu terhadap jarak atau
posisi. Sebagai contoh, waktu tempuh t antara sumber gelombang seismik dengan penerimanya
sepanjang lintasan L dalam medium, yang distribusi kecepatan gelombangnya kontinyu v(x, z),
ditentukan oleh
t =

L
1
v(x, z)
dl (1.2)
Deskripsi matematika terhadap sistem geofisika seperti contoh di atas disebut forward mod-
elling. forward modelling digunakan untuk memprediksi data simulasi berdasarkan hipotesa
kondisi bawah permukaan. Data simulasi tersebut biasanya dinamakan data teoritik atau data
sintetik atau data prediksi atau data kalkulasi. Cara seperti ini disebut pendekatan forward
atau lebih dikenal sebagai pemodelan forward (Gambar 1.2).
1.6 Diskritisasi dan linearisasi
Dalam banyak kasus, model bumi selalu fungsi kontinyu terhadap jarak dan kedalaman. Mari
kita ambil kasus massa dan momen inersia bumi. Keduanya terkait dengan densitas bawah
permukaan sesuai rumus-rumus berikut
Massa = 4π

R
0
r
2
ρ(r)dr (1.3)
Moment inersia =

3

R
0
r
4
ρ(r)dr (1.4)
dimana R adalah jejari bumi dan ρ(r) merupakan fungsi densitas terhadap jarak r. ρ(r) juga
berhubungan dengan p(z) pada persamaan (1.1). Persamaan (1.4 dan 1.4) dapat dinyatakan
dalam formulasi yang lebih umum yaitu
d
i
=

R
0
K
i
(r)p(r)dr (1.5)
sama persis dengan persamaan (1.1). Integral ini relatif mudah dievaluasi secara komputasi
dengan matematika diskrit. Pendekatan komputasi memungkinkan kita untuk menyederhanakan
ρ(r)dr menjadi m, sementara K
i
menjadi G
i
sehingga persamaan (1.5) dapat dinyatakan seba-
gai
d
i
=
¸
G
ij
m
j
(1.6)
6 BAB 1. PENDAHULUAN
Gambar 1.4: Konfigurasi elektroda pada metode Schlumberger
Ini adalah bentuk diskritisasi. Secara umum, memang pada kenyataannya ketika melakukan
eksperimen di lapangan, data pengukuran maupun paremeter model selalu dibatasi pada inter-
val tertentu. Kita sering berasumsi bahwa bawah permukaan bumi terdiri dari lapisan-lapisan
yang masing-masing memiliki sifat fisis atau parameter fisis p(z) yang seragam. Misalnya lapisan
tertentu memiliki densitas sekian dan ketebalan sekian. Langkah praktis ini yang terkesan
menyederhanakan obyek lapangan disebut langkah parameterisasi. Dalam kuliah ini, kita
akan selalu memandang model yang diskrit dan juga parameter yang diskrit daripada model
dan paremeter yang kontinyu. Sehingga proses inversi yang akan kita lakukan disebut sebagai
teori inversi diskrit dan bukan teori inversi kontinyu.
Dalam bentuk diskrit, persamaan (1.2) bisa dinyatakan sebagai
t
i
=
p
¸
j=1
L
ij
v
j
(1.7)
Perlu dicatat disini bahwa waktu tempuh t tidak berbanding lurus dengan parameter model
v, melainkan berbanding terbalik. Hubungan ini dinamakan non-linear terhadap v. Namun
demikian, jika kita mendefinisikan parameter model c = 1/v, dimana c adalah slowness gelom-
bang seismik, maka problem ini bisa dinyatakan sebagai
t
i
=
p
¸
j=1
L
ij
c
j
(1.8)
Hubungan ini disebut linear. Persamaan memenuhi bentuk d = Gm. Operasi transformasi seper-
ti itu dinamakan linearisasi parameter. Dan proses menuju kesana dinamakan linearisasi.
Sekarang mari kita lihat problem dari pengukuran resistivitas semu dengan metode Schlum-
berger untuk mengamati lapisan bawah permukaan yang diasumsikan terdiri dari dua lapisan.
Formula model yang diturunkan oleh Parasnis, 1986 adalah
ρ
a
(L) = ρ
1

1 + 2L
2


0
K(λ)J
1
(λL)λdλ

(1.9)
1.6. DISKRITISASI DAN LINEARISASI 7
dimana L = AB/2 adalah jarak masing-masing elektroda terhadap titik tengah, J
1
adalah fungsi
Bessel orde 1 dan K(λ) adalah fungsi parameter (resistivitas masing-masing lapisan yaitu ρ
1
dan ρ
2
serta ketebalan lapisan paling atas t) dari sistem yang kita asumsikan. K(λ) dinyatakan
sebagai
K(λ) =
−k
(−2λt)
1,2
1 +−k
(−2λt)
1,2
dimana
k
1,2
=
ρ
1
−ρ
2
ρ
1
+ ρ
2
Kita bisa lihat bahwa persamaan (1.9) tidak bisa didekati dengan d = Gm sebagaimana yang
dilakukan pada persamaan (1.2). Oleh karena itu persamaan resistivitas semu di atas disebut
highly non-linear.
Bab 2
Formulasi Masalah Inversi
2.1 Klasifikasi masalah inversi
Dalam masalah inversi, kita selalu berhubungan dengan parameter model (M) dan jumlah data
(N) yang mana jumlah dari masing-masing akan menentukan klasifikasi permasalahan inversi
dan cara penyelesaiannya. Bila jumlah model parameter lebih sedikit dibandingkan data lapan-
gan (M < N), maka ini disebut overdetermined, dan cara penyelesaiannya biasanya meng-
gunakan pencocokan (best fit) terhadap data lapangan. Jika dalam kondisi yang lain dimana
jumlah parameter yang ingin dicari lebih banyak dari pada jumlah datanya, maka ini disebut
problem underdetermined. Dalam kasus ini terdapat sekian banyak model yang dapat sesuai
kondisi datanya. Masalah ini disebut non-uniqness. Bagaimana cara untuk mendapatkan mod-
el yang paling mendekati kondisi bawah permukaan? Menurut Meju, 1994 persoalan ini bisa
diselesaikan dengan model yang parameternya berbentuk fungsi kontinyu terhadap posisi. Ka-
sus yang terakhir adalah ketika jumlah data sama atau hampir sama dengan jumlah parameter.
Ini disebut evendetermined. Pada kasus ini model yang paling sederhana dapat diperoleh den-
gan metode inversi langsung.
Pada bab ini, saya mencoba menyajikan dasar teknik inversi yang diaplikasikan pada model
garis, model parabola dan model bidang. Uraian aplikasi tersebut diawali dari ketersediaan
data observasi, lalu sejumlah parameter model (unknown parameter) mesti dicari dengan teknik
inversi. Mari kita mulai dari model garis.
2.2 Inversi Model Garis
Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa
semakin dalam, temperatur semakin tinggi. Misalnya telah dilakukan sebanyak empat kali (N
= 4) pengukuran temperatur (T
i
) pada kedalaman yang berbeda beda (z
i
). Tabel pengukuran
secara sederhana disajikan seperti ini: Grafik sebaran data observasi ditampilkan pada Gambar
2.1. Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus
berikut ini:
m
1
+ m
2
z
i
= T
i
(2.1)
9
10 BAB 2. FORMULASI MASALAH INVERSI
Tabel 2.1: Data temperatur bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) Temperatur (
O
C)
1 z
1
= 5 T
1
= 35
2 z
2
= 16 T
2
= 57
3 z
3
= 25 T
3
= 75
4 z
4
= 100 T
4
= 225
0 10 20 30 40 50 60 70 80 90 100
0
50
100
150
200
250
Kedalaman (meter)
T
e
m
p
e
r
a
t
u
r

(
C
e
l
c
i
u
s
)
Variasi temperatur terhadap kedalaman
Gambar 2.1: Sebaran data observasi antara temperatur dan kedalaman
dimana m
1
dan m
2
adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut mod-
el matematika. Sedangkan m
1
dan m
2
disebut parameter model atau biasa juga disebut
unknown parameter. Pada model matematika di atas terdapat dua buah parameter model,
(M = 2). Sementara jumlah data observasi ada empat, (N = 4), yaitu nilai-nilai kedalaman, z
i
,
dan temperatur, T
i
. Berdasarkan model tersebut, kita bisa menyatakan temperatur dan kedala-
man masing-masing sebagai berikut:
m
1
+ m
2
z
1
= T
1
m
1
+ m
2
z
2
= T
2
m
1
+ m
2
z
3
= T
3
m
1
+ m
2
z
4
= T
4
2.2. INVERSI MODEL GARIS 11
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 z
1
1 z
2
1 z
3
1 z
4
¸
¸
¸
¸
¸
¸
¸
m
1
m
2
¸
=

T
1
T
2
T
3
T
4
¸
¸
¸
¸
¸
¸
(2.2)
Lalu ditulis secara singkat
Gm = d (2.3)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
patkan nilai m
1
dan m
2
pada vektor kolom m? Manipulasi
1
berikut ini bisa menjawabnya
G
t
Gm = G
t
d (2.4)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu G
t
G =

1 z
1
1 z
2
1 z
3
1 z
4
¸
¸
¸
¸
¸
¸
⇒ G
t
=
¸
1 1 1 1
z
1
z
2
z
3
z
4
¸
2. Lakukan perkalian matriks G
t
G
G
t
G =
¸
1 1 1 1
z
1
z
2
z
3
z
4
¸

1 z
1
1 z
2
1 z
3
1 z
4
¸
¸
¸
¸
¸
¸
=
¸
N
¸
z
i
¸
z
i
¸
z
2
i
¸
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian tentukan pula G
t
d
G
t
d =
¸
1 1 1 1
z
1
z
2
z
3
z
4
¸

T
1
T
2
T
3
T
4
¸
¸
¸
¸
¸
¸
=
¸
¸
T
i
¸
z
i
T
i
¸
1
Matrik G biasanya tidak berbentuk bujursangkar. Akibatnya tidak bisa dihitung nilai invers-nya. Dengan menga-
likan matrik G dan transpose matrik G, maka akan diperoleh matrik bujursangkar
12 BAB 2. FORMULASI MASALAH INVERSI
4. Sekarang persamaan (2.4) dapat dinyatakan sebagai
¸
N
¸
z
i
¸
z
i
¸
z
2
i
¸¸
m
1
m
2
¸
=
¸
¸
T
i
¸
z
i
T
i
¸
(2.5)
Berdasarkan data observasi pada tabel di atas, diperoleh
¸
4 146
146 10906
¸¸
m
1
m
2
¸
=
¸
392
25462
¸
(2.6)
Operasi matriks di atas akan menghasilkan nilai m
1
= 25 dan m
2
= 2.
ProgramMatlab telah menyediakan sebuah baris perintah untuk menghitung elemen-elemen
m, yaitu
m=inv(G’
*
G)
*
G’
*
d
Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model garis. An-
da bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki
bentuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model garis:
y = m
1
+ m
2
x. Selanjutnya mari kita pelajari inversi model parabola.
2.3 Inversi Model Parabola
Kembali kita ambil contoh variasi temperatur terhadap kedalaman dengan sedikit modifikasi
data. Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengukuran temperatur (T
i
)
pada kedalaman yang berbeda beda (z
i
). Tabel pengukuran yang diperoleh adalah: Lalu kita
Tabel 2.2: Data temperatur bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) Temperatur (
O
C)
1 z
1
= 5 T
1
= 21, 75
2 z
2
= 8 T
2
= 22, 68
3 z
3
= 14 T
3
= 25, 62
4 z
4
= 21 T
4
= 30, 87
5 z
5
= 30 T
5
= 40, 5
6 z
6
= 36 T
6
= 48, 72
7 z
7
= 45 T
7
= 63, 75
8 z
8
= 60 T
8
= 96
berasumsi bahwa variasi temperatur terhadap kedalaman memenuhi model matematika berikut
ini:
m
1
+ m
2
z
i
+ m
3
z
2
i
= T
i
(2.7)
dimana m
1
, m
2
dan m
3
adalah unknown parameter. Jadi pada model di atas terdapat tiga buah
model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T
1
,
T
2
,..., dan T
8
. Berdasarkan model tersebut, kita bisa menyatakan temperatur dan kedalaman
sebagai sistem persamaan simultan yang terdiri atas 8 persamaan (sesuai dengan jumlah data
2.3. INVERSI MODEL PARABOLA 13
observasi):
m
1
+ m
2
z
1
+ m
3
z
2
1
= T
1
m
1
+ m
2
z
2
+ m
3
z
2
2
= T
2
m
1
+ m
2
z
3
+ m
3
z
2
3
= T
3
m
1
+ m
2
z
4
+ m
3
z
2
4
= T
4
m
1
+ m
2
z
5
+ m
3
z
2
5
= T
5
m
1
+ m
2
z
6
+ m
3
z
2
6
= T
6
m
1
+ m
2
z
7
+ m
3
z
2
7
= T
7
m
1
+ m
2
z
8
+ m
3
z
2
8
= T
8
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(2.8)
Lalu ditulis secara singkat
Gm = d (2.9)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
patkan nilai m
1
, m
2
dan m
3
pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya
G
t
Gm = G
t
d (2.10)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
14 BAB 2. FORMULASI MASALAH INVERSI
1. Tentukan transpos dari matrik kernel, yaitu G
t
G =

1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
⇒ G
t
=

1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
¸
¸
¸
2. Tentukan G
t
G
G
t
G =

1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
¸
¸
¸

1 z
1
z
2
1
1 z
2
z
2
2
1 z
3
z
2
3
1 z
4
z
2
4
1 z
5
z
2
5
1 z
6
z
2
6
1 z
7
z
2
7
1 z
8
z
2
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

N
¸
z
i
¸
z
2
i
¸
z
i
¸
z
2
i
¸
z
3
i
¸
z
2
i
¸
z
3
i
¸
z
4
i
¸
¸
¸
dimana N = 8 dan i = 1, 2, 3, ..., 8.
3. Kemudian tentukan pula G
t
d
G
t
d =

1 1 1 1 1 1 1 1
z
1
z
2
z
3
z
4
z
5
z
6
z
7
z
8
z
2
1
z
2
2
z
2
3
z
2
4
z
2
5
z
2
6
z
2
7
z
2
8
¸
¸
¸

T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

¸
T
i
¸
z
i
T
i
¸
z
2
i
T
i
¸
¸
¸
4. Sekarang persamaan (2.15) dapat dinyatakan sebagai

N
¸
z
i
¸
z
2
i
¸
z
i
¸
z
2
i
¸
z
3
i
¸
z
2
i
¸
z
3
i
¸
z
4
i
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

¸
T
i
¸
z
i
T
i
¸
z
2
i
T
i
¸
¸
¸
(2.11)
2.4. INVERSI MODEL BIDANG 15
Berdasarkan data observasi pada tabel di atas, diperoleh

8 219 8547
219 8547 393423
8547 393423 19787859
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

349, 89
12894, 81
594915, 33
¸
¸
¸
(2.12)
Program Matlab telah menyediakan sebuah baris perintah untuk menghitung elemen-
elemen m, yaitu
m=inv(G’
*
G)
*
G’
*
d
Sehingga operasi matriks di atas akan menghasilkan nilai m
1
= 21, m
2
= 0, 05 dan m
3
=
0, 02.
Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model parabola. An-
da bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki
bentuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model garis:
y = m
1
+ m
2
x + +m
3
x
2
. Selanjutnya mari kita pelajari inversi model bidang atau model 2-
dimensi (2-D).
2.4 Inversi Model Bidang
Dalam catatan ini saya belum sempat mencari contoh data observasi yang sesuai untuk model
2-dimensi. Maka, saya ingin langsung saja mengajukan sebuah model matematika untuk 2-
dimensi berikut ini:
m
1
+ m
2
x
i
+ m
3
y
i
= d
i
(2.13)
dimana m
1
, m
2
dan m
3
merupakan unknown parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d
1
, d
2
, d
3
, ..., d
i
. Berdasarkan model matematika tersebut, kita bisa nyatakan
m
1
+ m
2
x
1
+ m
3
y
1
= d
1
m
1
+ m
2
x
2
+ m
3
y
2
= d
2
m
1
+ m
2
x
3
+ m
3
y
3
= d
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
m
1
+ m
2
x
N
+ m
3
y
N
= d
N
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
¸
¸
¸
¸
¸
¸
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

d
1
d
2
d
3
.
.
.
d
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
16 BAB 2. FORMULASI MASALAH INVERSI
Lalu ditulis secara singkat
Gm = d (2.14)
dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah unknown parameter,
juga dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara
mendapatkan nilai m
1
, m
2
dan m
3
pada vektor kolom m? Sama seperti sebelumnya, kita harus
membuat persamaan matriks berikut ini
G
t
Gm = G
t
d (2.15)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
1. Tentukan transpos dari matrik kernel, yaitu G
t
G =

1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
⇒ G
t
=

1 1 1 · · · 1
x
1
x
2
x
3
· · · x
N
y
1
y
2
y
3
· · · y
N
¸
¸
¸
2. Tentukan G
t
G
G
t
G =

1 1 1 · · · 1
x
1
x
2
x
3
· · · x
N
y
1
y
2
y
3
· · · y
N
¸
¸
¸

1 x
1
y
1
1 x
2
y
2
1 x
3
y
3
.
.
.
.
.
.
.
.
.
1 x
N
y
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

N
¸
x
i
¸
y
i
¸
x
i
¸
x
2
i
¸
x
i
y
i
¸
y
i
¸
x
i
y
i
¸
y
2
i
¸
¸
¸
dimana N = jumlah data. dan i = 1, 2, 3, ..., N.
3. Kemudian tentukan pula G
t
d
G
t
d =

1 1 1 · · · 1
x
1
x
2
x
3
· · · x
N
y
1
y
2
y
3
· · · y
N
¸
¸
¸

d
1
d
2
d
3
.
.
.
d
N
¸
¸
¸
¸
¸
¸
¸
¸
¸
=

¸
d
i
¸
x
i
d
i
¸
y
i
d
i
¸
¸
¸
4. Sekarang, persamaan (2.15) dapat dinyatakan sebagai

N
¸
x
i
¸
y
i
¸
x
i
¸
x
2
i
¸
x
i
y
i
¸
y
i
¸
x
i
y
i
¸
y
2
i
¸
¸
¸

m
1
m
2
m
3
¸
¸
¸
=

¸
d
i
¸
x
i
d
i
¸
y
i
d
i
¸
¸
¸
(2.16)
2.5. CONTOH APLIKASI 17
5. Sampai disini, jika tersedia data observasi, maka anda tinggal memasukan data tersebut ke
dalampersamaan di atas, sehingga nilai elemen-elemen mdapat dihitung dengan perintah
matlab
m=inv(G’
*
G)
*
G’
*
d
Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model linear
dan model parabola)
Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang
anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan
ini, yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan
bidang (atau 2-dimensi): d = m
1
+ m
2
x + m
3
y.
2.5 Contoh aplikasi
2.5.1 Menghitung gravitasi di planet X
Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengelu-
arkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 2.2. Anda diminta un-
Tabel 2.3: Data ketinggian terhadap waktu dari planet X
Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m)
0,00 5,00 2,75 7,62
0,25 5,75 3,00 7,25
0,50 6,40 3,25 6,77
0,75 6,94 3,50 6,20
1,00 7,38 3,75 5,52
1,25 7,72 4,00 4,73
1,50 7,96 4,25 3,85
1,75 8,10 4,50 2,86
2,00 8,13 4,75 1,77
2,25 8,07 5,00 0,58
2,50 7,90
tuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet
tersebut dan kecepatan awal batu. Jelas, ini adalah persoalan inversi, yaitu mencari unkown
parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak
sebuah batu).
Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model
matematika, yang digali dari konsep-konsep fisika, yang kira-kira paling cocok dengan situasi
pengambilan data observasi. Salah satu konsep dari fisika yang bisa diajukan adalah konsep
18 BAB 2. FORMULASI MASALAH INVERSI
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
1
2
3
4
5
6
7
8
9
Waktu (detik)
T
i
n
g
g
i

(
m
e
t
e
r
)
Gambar 2.2: Grafik data pengukuran gerak batu
tentang Gerak-Lurus-Berubah-Beraturan (GLBB), yang formulasinya seperti ini
h
o
+ v
o
t −
1
2
gt
2
= h
Berdasarkan tabel data observasi, ketinggian pada saat t = 0 adalah 5 m. Itu artinya h
o
= 5 m.
Sehingga model matematika (formulasi GLBB) dapat dimodifikasi sedikit menjadi
v
o
t −
1
2
gt
2
= h −h
o
(2.17)
Selanjut, didefinisikan m
1
dan m
2
sebagai berikut
m
1
= v
o
m
2
= −
1
2
g (2.18)
sehingga persamaan model GLBB menjadi
m
1
t
i
+ m
2
t
2
i
= h
i
−5 (2.19)
dimana i menunjukkan data ke-i.
Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel, yaitu dengan
2.5. CONTOH APLIKASI 19
memasukan data observasi kedalam model matematika (persamaan (2.19))
m
1
t
1
+ m
2
t
2
1
= h
1
−5
m
1
t
2
+ m
2
t
2
2
= h
2
−5
m
1
t
3
+ m
2
t
2
3
= h
3
−5
.
.
.
.
.
. =
.
.
.
m
1
t
20
+ m
2
t
2
20
= h
20
−5
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

t
1
t
2
1
t
2
t
2
2
t
3
t
2
3
t
4
t
2
4
.
.
.
.
.
.
t
19
t
2
19
t
20
t
2
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
m
1
m
2
¸
=

h
1
−5
h
2
−5
h
3
−5
.
.
.
h
19
−5
h
20
−5
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
Operasi matrik di atas memenuhi persamaan matrik
Gm = d
Seperti yang sudah dipelajari pada bab ini, penyelesaian masalah inversi dimulai dari proses
manipulasi persamaan matrik sehingga perkalian antara G
t
dan G menghasilkan matriks bujur-
sangkar
G
t
Gm = G
t
d (2.20)
Selanjutnya, untuk mendapatkan m
1
dan m
2
, prosedur inversi dilakukan satu-per-satu
1. Menentukan transpos matrik kernel, yaitu G
t
G =

t
1
t
2
1
t
2
t
2
2
t
3
t
2
3
t
4
t
2
4
.
.
.
.
.
.
t
19
t
2
19
t
20
t
2
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
⇒ G
t
=
¸
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
¸
20 BAB 2. FORMULASI MASALAH INVERSI
2. Menentukan G
t
G
G
t
G =
¸
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
¸

t
1
t
2
1
t
2
t
2
2
t
3
t
2
3
t
4
t
2
4
.
.
.
.
.
.
t
19
t
2
19
t
20
t
2
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
t
2
i
¸
t
3
i
¸
t
3
i
¸
t
4
i
¸
dimana N = 20 dan i = 1, 2, ..., N.
3. Kemudian menentukan hasil perkalian G
t
d
G
t
d =
¸
t
1
t
2
t
3
t
4
. . . t
19
t
20
t
2
1
t
2
2
t
2
3
t
2
4
. . . t
2
19
t
2
20
¸

h
1
h
2
h
3
h
4
.
.
.
h
19
h
20
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
t
i
h
i
¸
t
2
i
h
i
¸
4. Sekarang persamaan (2.20) dapat dinyatakan sebagai
¸
¸
t
2
i
¸
t
3
i
¸
t
3
i
¸
t
4
i
¸¸
m
1
m
2
¸
=
¸
¸
t
i
h
i
¸
t
2
i
h
i
¸
(2.21)
Berdasarkan data observasi, diperoleh
¸
179, 4 689, 1
689, 1 2822, 9
¸¸
m
1
m
2
¸
=
¸
273, 7
796, 3
¸
Hasil operasi matriks ini dapat diselesaikan dengan satu baris statemen di matlab yaitu
m=inv(G’
*
G)
*
G’
*
d
Hasil inversinya adalah nilai kecepatan awal yaitu saat batu dilempar ke atas adalah sebesar
m
1
= v
o
= 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m
2
dimana m
2
= −
1
2
g =
-0,8169; maka disimpulkan nilai g adalah sebesar 1,6338 m/dt
2
.
Gambar 2.3 memperlihatkan kurva hasil inversi berserta sebaran titik data observasi. Garis
berwarna biru merupakan garis kurva fitting hasil inversi parabola. Sedangkan bulatan berwar-
na merah adalah data pengukuran ketinggian (m) terhadap waktu (dt). Jelas terlihat bahwa
garis kurva berwarna biru benar-benar cocok melewati semua titik data pengukuran. Ini me-
nunjukkan tingkat akurasi yang sangat tinggi. Sehingga nilai kecepatan awal dan gravitasi hasil
inversi cukup valid untuk menjelaskan gerak batu di planet X.
2.6. KESIMPULAN 21
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
1
2
3
4
5
6
7
8
9
Waktu (dt)
K
e
t
i
n
g
g
i
a
n

(
m
)
Gambar 2.3: Grafik hasil inversi parabola
2.6 Kesimpulan
Dari sejumlah contoh pada bab ini, terlihat bahwa matrik kernel kerap kali berubah-ubah, sesuai
dengan model matematika. Jadi, model matematika secara otomatis akan mempengaruhi ben-
tuk rupa matrik kernelnya.
Bab 3
Penyelesaian Masalah Overdetermined
3.1 Regresi linear sederhana
Jika suatu masalah inversi dapat direpresentasikan kedalam persamaan d = Gm, maka ia dise-
but linear. Kita dapat menjalankan prosedur yang sederhana untuk memperoleh nilai m dari
data observasi. Dalam kenyataannya, tidak semua data observasi berhimpit dengan satu garis
lurus. Jika kita mencoba melakukan fitting terhadap semua titik data observasi kepada satu
garis, maka garis yang didapat disebut garis regresi. Misalnya, ada satu set data observasi yang
ditulis sebagai (x
1
, y
1
),(x
2
, y
2
),...,(x
n
, y
n
), garis regresi dinyatakan sebagai
y = a
0
+ a
1
x (3.1)
dan setiap data memenuhi relasi berikut
y
i
= a
0
+ a
1
x
i
+ e
i
(3.2)
dimana e
i
disebut residual, atau sering juga disebut misfit atau kesalahan prediksi (prediction
error). Garis regresi tidak akan berhimpit dengan setiap data observasi dan biasanya untuk
kasus inversi seperti ini selalu overdetermined. Secara umum, tipe masalah inversi seperti ini
diselesaikan dengan metode least squares. Dengan metode least squares, kita mencoba memi-
nimalkan error e dengan cara menentukan nilai a
0
dan a
1
sedemikian rupa sehingga diperoleh
jumlah kuadrat error (S) yang minimal.
3.2 Metode least square
Diketahui data eksperimen tersaji pada Tabel 3.1 Lalu data tersebut di-plot dalam sumbu x
dan y. Sekilas, kita bisa melihat bahwa data yang telah di-plot tersebut dapat didekati dengan
sebuah persamaan garis, yaitu a
1
x
i
+ a
0
. Artinya, kita melakukan pendekatan secara linear,
dimana fungsi pendekatan-nya adalah
P(x
i
) = a
1
x
i
+ a
0
(3.3)
23
24 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED
x
i
y
i
x
i
y
i
1 1,3 6 8,8
2 3,5 7 10,1
3 4,2 8 12,5
4 5,0 9 13,0
5 7,0 10 15,6
Tabel 3.1: Contoh data observasi yang dapat diolah oleh least squares
1 2 3 4 5 6 7 8 9 10
0
2
4
6
8
10
12
14
16
X
Y
Gambar 3.1: Masalah regresi linear (least squares) yang sederhana
Problemnya adalah berapakah nilai konstanta a
1
dan a
0
yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
Dengan kata lain, sebisa mungkin y
i
sama dengan P(x
i
) atau dapat diformulasikan sebagai
m
¸
i=1
y
i
−P(x
i
) = 0 (3.4)
m
¸
i=1
y
i
−(a
1
x
i
+ a
0
) = 0 (3.5)
dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
E(a
0
, a
1
) =
m
¸
i=1
y
i
−(a
1
x
i
+ a
0
) (3.6)
Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Ja-
di, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut di-
wujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga
3.2. METODE LEAST SQUARE 25
menjadi
E(a
0
, a
1
) =
m
¸
i=1
[y
i
−(a
1
x
i
+ a
0
)]
2
(3.7)
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
∂E(a
0
, a
1
)
∂a
i
= 0 (3.8)
dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a
0
dan a
1
. Maka mesti ada dua
buah turunan yaitu:
∂E(a
0
, a
1
)
∂a
0
=

∂a
0
m
¸
i=1
[y
i
−(a
1
x
i
+ a
0
)]
2
= 0
2
m
¸
i=1
(y
i
−a
1
x
i
−a
0
)(−1) = 0
a
0
.m+ a
1
m
¸
i=1
x
i
=
m
¸
i=1
y
i
(3.9)
dan
∂E(a
0
, a
1
)
∂a
1
=

∂a
1
m
¸
i=1
[y
i
−(a
1
x
i
+ a
0
)]
2
= 0
2
m
¸
i=1
(y
i
−a
1
x
i
−a
0
)(−x
i
) = 0
a
0
m
¸
i=1
x
i
+ a
1
m
¸
i=1
x
2
i
=
m
¸
i=1
x
i
y
i
(3.10)
Akhirnya persamaan (3.9) dan (3.10) dapat dicari solusinya berikut ini:
a
0
=
¸
m
i=1
x
2
i
¸
m
i=1
y
i

¸
m
i=1
x
i
y
i
¸
m
i=1
x
i
m
¸
m
i=1
x
2
i

−(
¸
m
i=1
x
i
)
2
(3.11)
dan
a
1
=
m
¸
m
i=1
x
i
y
i

¸
m
i=1
x
i
¸
m
i=1
y
i
m
¸
m
i=1
x
2
i

−(
¸
m
i=1
x
i
)
2
(3.12)
Berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka didapat:
a
0
=
385(81) −55(572, 4)
10(385) −(55)
2
= −0, 360
dan
a
1
=
10(572, 4) −55(81)
10(385) −(55)
2
= 1, 538
26 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED
Jadi, fungsi pendekatan-nya, P(x
i
), adalah
P(x
i
) = 1, 538x
i
−0, 360
Nilai a
0
dan a
1
disebut koefisien regresi. Lebih jauh lagi a
0
disebut intercept (titik perpoton-
gan) terhadap sumbu y sedangkan a
1
adalah gradient atau slope (kemiringan garis). Gambar
di bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya
0 2 4 6 8 10
−2
0
2
4
6
8
10
12
14
16

P(x) = 1.538*x − 0.36
Gambar 3.2: Contoh solusi regresi linear
Teknik diatas diterapkan secara rutin dalam analisis data geofisika, khususnya ketika kita
mencoba meng-esktrak satu atau dua parameter model dari data observasi. Teknik ini disebut
analisis regresi linear (linear regression analysis) atau classical least squares fitting. Teknik ini
pertama kali dipakai oleh Gauss pada tahun 1809. Teknik ini pada mulanya digunakan untuk
mencari solusi dari masalah overdetermined namun pada perkembangannya teknik ini diterap-
kan juga pada underdetermined problem setelah dimodifikasi. Ketika kita ingin mendapatkan
lebih dari 2 parameter maka teknik ini disebut analisis regresi multipel (multiple regression
analysis).
3.3 Aplikasi least square pada interpretasi seismik refraksi
Misal (x
1
, t
1
),(x
2
, t
2
),...,(x
n
, t
n
) merupakan data observasi yang dilakukan sebanyak n kali pada
n geophone dengan jarak x
i
, dan anggap persamaan muka gelombang seismik adalah
t =
x
v
+ T
h
Lalu dilinearisasi menjadi
t = a
0
+ a
1
x a
0
= T
h
a
1
=
1
v
Kesalahan (error) diasumsikan hanya berasal dari cuplikan waktu gelombang datang. Pener-
apan metode regresi linear yang berusaha meminimalkan jumlah kuadrat dari residual, e
i
=
3.4. INVERSI LEAST SQUARES LINEAR: PENDEKATAN MATRIKS 27
t
i
−(a
0
+ a
1
x
i
), dapat dinyatakan sesuai persamaan (3.11) dan (3.12)
a
0
=
¸
m
i=1
x
2
i
¸
m
i=1
t
i

¸
m
i=1
x
i
t
i
¸
m
i=1
x
i
m
¸
m
i=1
x
2
i

−(
¸
m
i=1
x
i
)
2
dan
a
1
=
m
¸
m
i=1
x
i
t
i

¸
m
i=1
x
i
¸
m
i=1
t
i
m
¸
m
i=1
x
2
i

−(
¸
m
i=1
x
i
)
2
dengan standard error χ
2
a
1
dan χ
2
a
0
ditentukan oleh rumus berikut
χ
2
a
1
= m
χ
2
D
(3.13)
χ
2
a
0
= χ
2
¸
x
2
D
(3.14)
dimana
D = m

m
¸
i=1
x
2
i

m
¸
i=1
x
i

2
χ
2
=
1
m−2
m
¸
i=1
E
2
i
Sebagai catatan tambahan, χ
2
adalah nilai deviasi rms (root mean square) dari data t
i
terhadap garis regresi hasil analisis (a
0
+a
1
x
i
) dengan faktor (n −2) karena dalam masalah ini
hanya dicari 2 parameter model (a
0
dan a
1
).
3.4 Inversi least squares linear: pendekatan matriks
Metode least squares dapat didekati dengan operasi matriks. Kita tahu bahwa suatu problem
geofisika selalu diupayakan agar dapat disederhanakan menjadi d = Gm. Kita ingin mendap-
atkan nilai m. Dan d = Gm dapat dinyatakan dalam bentuk operasi matriks. Jika data yang
kita miliki sangat ideal dalam arti tidak ada error sama sekali, maka m bisa diperoleh sebagai
berikut
m = G
−1
d
Akan tetapi, pada kenyataannya semua data pengukuran pasti memiliki error yang besarnya
relatif. Karenanya, data observasi tak akan pernah fit secara sempurna dengan model,
d = Gm + e
i
dan selanjutnya satu-satunya cara untuk memperoleh solusi yang unik adalah dengan memini-
malkan jumlah kuadrat dari residual, e
i
. Cara ini akan meminimalkan perbedaan antara data
lapangan dan model yang diprediksi melalui pemodelan forward. Dalamformulasi matematikan
dinyatakan dengan
q = e
T
e = (d −Gm)
T
(d −Gm) (3.15)
28 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED
agar minimal maka q diturunkan terhadap m, sehingga
∂q
∂m
j
=

d
T
d −d
T
Gm−m
T
G
T
d + m
T
G
T
Gm

∂m
j
= 0 (3.16)
atau
−d
T
G−G
T
d + G
T
Gm + m
T
G
T
G = 0
akhirnya diperoleh
2G
T
Gm = 2G
T
d (3.17)
Persamaan (3.17) disebut persamaan normal. Dengan persamaan normal, estimasi parameter
yang dinyatakan dengan ˆ m ditentukan oleh
ˆ m =

G
T
G

−1
G
T
d (3.18)
Persamaan (3.18) disebut unconstrained least squares terhadap masalah inversi d = Gm.
Bagian

G
T
G

−1
G
T
dinamakan Generalized Inverse yang mengolah data d untuk memperoleh
parameter model m. Untuk menyelesaikan persamaan (3.18) dengan operasi matriks secara
numerik atau komputasi bisa menggunakan beberapa metode, diantaranya metode Eliminasi
Gauss, LU-Decomposition, Iterasi Gauss-Seidel, dan Singular Value Decomposition.
3.5 Soal
Diketahui data temperatur borehole sebagai berikut. Tentukan slope dan intercept pada z-axis
dan kemudian perkirakan temperatur pada kedalaman 390m.
Depth, z(m) Temp, t(
o
C)
30 25,0
70 26,2
180 29,7
250 34,3
300 35,5
Bab 4
Constrained Linear Least Squares
Inversion
Pada kebanyakan masalah geofisika, sangat mungkin untuk mendapatkan solusi yang berbeda-
beda yang semuanya bisa saja dipakai untuk menjelaskan data eksperimen. Namun pada
akhirnya, kita harus memilih satu buah solusi yang terbaik. Untuk melakukan hal ini kita harus
menambahkan sejumlah informasi yang sebelumnya tidak ada pada persamaan least squares
d = Gm. Informasi tambahan ini disebut a priori informasi, yang selanjutnya akan digunakan
untuk meng-constrain solusi sehingga diperoleh solusi yang dianggap paling tepat untuk menci-
trakan kondisi bawah permukaan. A priori informasi atau yang saya indonesiakan menjadi
informasi awal ini didapat dari data geofisika yang lainnya, atau bisa juga dari data borehole,
atau juga bersumber dari data geologi.
4.1 Inversi dengan informasi awal
Kita dapat menambahkan informasi awal kepada parameter model dalam suatu proses inver-
si. Secara umum, informasi awal tersebut diharapkan membantu pemodelan inversi sehingga
diperoleh hasil yang unik dari sejumlah kemungkinan solusi. Sekali lagi, proses ini disebut
meng-constrain. Constrain terhadap suatu data dirumuskan sebagai berikut
Dm = h (4.1)
Dimana D adalah matrik -dengan seluruh elemen selain diagonal bernilai nol- yang berop-
erasi pada parameter model m sedemikian rupa sehingga hasilnya sama dengan informasi awal
h. Menghitung persamaan (4.1) berarti kita telah melakukan apa yang disebut dengan linear
equality constraints. Formulasi matematikannya adalah sebagai berikut
φ = (d −Gm)
T
(d −Gm) + β
2
(Dm−h)
T
(Dm−h) (4.2)
29
30 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION
Untuk mendapatkan error minimum maka turunan φ terhadap paramter model m adalah
2G
T
Gm−2G
T
d + 2β
2
D
T
Dm−2β
2
D
T
h = 0
diperoleh persamaan normal
(G
T
G + β
2
D
T
D)m = G
T
d + β
2
D
T
h
Ketika D adalah matri identitas, maka
(G
T
G + β
2
I)m = (G
T
d + β
2
h)
Dari sini solusi constrain didapat sebagai berikut
ˆ m
c
= (G
T
G + β
2
I)
−1
(G
T
d + β
2
h) (4.3)
Formula ini dinamakan inversi linear terkonstrain atau disebut juga the biased linear estima-
tion technique. Keuntungannya adalah formula ini dapat membantu menghasilkan satu solusi
yang unik dari sejumlah solusi yang mungkin pada masalah overdetermined dimana didalamnya
terdapat ketidakpastian sebagai akibat dari kesalahan pengukuran (observational errors).
Parameter β ditentukan secara trial and error, namun biasanya bernilai lebih kecil atau sama
dengan 1 (satu). β disebut faktor pengali undetermined atau disebut juga faktor pengali La-
grange. Sehingga metode ini disebut Lagrange multiplier method (metode pengali Lagrange).
4.1.1 Memformulasikan persamaan terkonstrain
Persamaan Dm = h secara umum memiliki bentuk

1
1
.
.
.
.
.
.
.
.
.
1
¸
¸
¸
¸
¸
¸

m
1
m
2
.
.
.
m
p
¸
¸
¸
¸
¸
¸
=

h
1
h
2
.
.
.
h
p
¸
¸
¸
¸
¸
¸
(4.4)
Namun demikian, persamaan matrik di atas dapat dimodifikasi sesuai kebutuhan. Misalnya jika
informasi awal yang diketahui hanya ada satu, modifikasinya menjadi

1 0 . . . 0

m
1
m
2
.
.
.
m
p
¸
¸
¸
¸
¸
¸
=

h
known

(4.5)
4.1. INVERSI DENGAN INFORMASI AWAL 31
Jika pada kasus lain, kita punya informasi awal yaitu parameter pertama dan parameter ke
empat, maka persamaan matrik terkonstrain menjadi

1
0
0
1
¸
¸
¸
¸
¸
¸

m
1
m
2
m
3
m
4
¸
¸
¸
¸
¸
¸
=

h
1
0
0
h
4
¸
¸
¸
¸
¸
¸
(4.6)
4.1.2 Contoh aplikasi inversi terkonstrain
Contoh 1: Least squares garis terkonstrain
Sekarang kita ingin menerapkan inversi terkonstrain pada pengolahan data first arrivals dari
seismik refraksi. Persamaan least square garis adalah
d
i
= m
1
+ m
2
x
i
(4.7)
atau dalam bentuk kolektif
d = Gm (4.8)
dengan m sebagai parameter model yang terdiri atas m
1
dan m
2
. Sementara data lapangan
merupakan pasangan dari jarak offset x
i
dan waktu datang gelombang (first arrival time) t
i
.
Sekarang kita berasumsi memiliki informasi dari kegiatan explorasi sebelumnya bahwa garis
least square harus melewati titik koordinat (x
c
, t
c
). Jadi kita harus meng-konstrain solusi least
square untuk mengakomodasi informasi awal tersebut. Dalam hal ini, kita hanya punya sebuah
konstrain (Anda bisa saja menambahkan jumlah konstrain-nya bila ada sejumlah informasi awal
yang hendak disertakan pada pengolahan least square). Persamaan konstrain adalah Dm = h,
dimana dalam bentuk matrik dinyatakan

1 x
c

¸
m
1
m
2
¸
=

t
c

(4.9)
Persamaan matrik di atas harus diintegrasikan dengan d = Gm sehingga solusi akhir merupakan
solusi terkonstrain yang kita harapkan lebih akurat dibandingkan jika tidak terkonstrain. Tentu
anda masih ingat pada least square tidak terkonstrain, dimana dikenal dua komponen berikut
G
T
G dan G
T
d. Agar menjadi terkonstrain kedua komponen itu mesti dimodifikasi menjadi
(G
T
G + β
2
I) =

n
¸
x
i
1
¸
x
i
¸
x
2
i
x
c
1 x
c
0
¸
¸
¸
(4.10)
dan
(G
T
d + β
2
h) =

¸
t
i
¸
x
i
t
i
t
c
¸
¸
¸
(4.11)
32 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION
Tabel 4.1: Data seismik refraksi: waktu-datang gelombang (t
i
) pada empat posisi geophone (x
i
)
Trace x
i
(m) t
i
(ms)
1 2 5,1
2 4 9,2
3 6 11,9
4 8 14,9
dimana nilai β mesti kita tentukan. Akhirnya, solusi terkonstrin terhadap inversi garis yang
melewati (x
c
, t
c
) adalah
ˆ m
c
=

m
1
m
2
β
¸
¸
¸
=

n
¸
x
i
1
¸
x
i
¸
x
2
i
x
c
1 x
c
0
¸
¸
¸
−1

¸
t
i
¸
x
i
t
i
t
c
¸
¸
¸
(4.12)
Sekarang, kita melangkah pada kasus nyata. Tabel 4.1 menunjukkan data pengukuran seismik
refraksi. Tentukan parameter model untuk persamaan garis yang melewati titik (x
c
= 8, y
c
=
14, 9)! Langkah pertama kita hitung komponen matrik
(G
T
G + β
2
I) =

n
¸
x
i
1
¸
x
i
¸
x
2
i
x
c
1 x
c
0
¸
¸
¸
=

4 20 1
20 120 8
1 8 0
¸
¸
¸
(4.13)
Kemudian kita hitung komponen matrik yang lain
(G
T
d + β
2
h) =

¸
t
i
¸
x
i
t
i
t
c
¸
¸
¸
=

41, 1
237, 6
14, 9
¸
¸
¸
(4.14)
Problem ini dapat diselesaikan secara numerik dengan metode Eliminasi Gauss. Solusi yang
diperoleh adalah m
1
= 2, 3857, m
2
= 1, 5643 dan β = 0, 2714. Berikut ini adalah script lengkap-
nya dalam Matlab
clear all
clc;
a(1,1)=4;
a(1,2)=20;
a(1,3)=1;
a(1,4)=41.1;
a(2,1)=20;
a(2,2)=120;
a(2,3)=8;
a(2,4)=237.6;
a(3,1)=1;
4.2. INVERSI DENGAN SMOOTHNESS 33
a(3,2)=8;
a(3,3)=0;
a(3,4)=14.9;
a
n=3; % n = jumlah baris
% berikut ini proses triangularisasi -----------
for j=1:(n-1)
kk=j+1;
for k=kk:n
m(k,j)=a(k,j)/a(j,j)
for i=1:(n+1)
a(k,i)=a(k,i)-m(k,j)
*
a(j,i);
end
end
end
% akhir dari proses triangularisasi -------------
a
x(n,1)=a(n,n+1)/a(n,n);
% berikut ini proses substitusi mundur ----------
for k=1:n-1
i=n-1-k+1;
j=i+1;
sum=0;
for k=j:n
sum = sum + a(i,k)
*
x(k,1);
end
x(i,1)=(a(i,n+1)-sum)/a(i,i);
end
% akhir dari proses substitusi mundur -------------
x
4.2 Inversi dengan Smoothness
Cara yang paling efektif untuk menginversi data yang terbatas adalah dengan menentukan kon-
strain sehingan solusi yang diinginkan menjadi smooth (halus). Tingkatan smooth dapat diukur
berdasarkan kondisi fisis atau kondisi geologi.
4.2.1 Formulasi masalah
Mari kita pelajari bagaimana suatu masalah dapat diformulasikan menuju solusi yang smooth.
Jika diinginkan parameter model bervariasi dengan jarak selisih yang kecil, maka lakukanlah
proses minimalisasi perbedaan paramter yang berdekatan (m
1
−m
2
), (m
2
−m
3
),..., (m
p−1
−m
p
).
34 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION
Perbedaan ini dinyatakan sebagai persamaan konstrain Dm = h

1 −1
1 −1
1 −1
¸
¸
¸
¸
¸
¸

m
1
m
2
.
.
.
m
p
¸
¸
¸
¸
¸
¸
=

0
0
0
0
¸
¸
¸
¸
¸
¸
(4.15)
dimana D adalah operator selisih yang bertindak sebagai matrik smoothness dan Dm disebut
penghalus (flatness) solusi vektor parameter model m.
Jika parameter model tidak bervariasi secara smooth terhadap posisi, maka gunakanlah per-
samaan konstrain berbentuk

1
1
.
.
.
.
.
.
.
.
.
1
¸
¸
¸
¸
¸
¸

m
1
m
2
.
.
.
m
p
¸
¸
¸
¸
¸
¸
=

0
0
0
0
¸
¸
¸
¸
¸
¸
(4.16)
Dalam kasus ini, D adalah matrik identitas dengan dimensi p × p dan dimensi h adalah p × 1.
Operasi ini akan mendorong proses inversi menuju kondisi stabil. Untuk mendapatkan solusi
yang smooth, kita gunakan ukuran selisih seperti persamaan (4.2), dinyatakan sebagai
q
2
(m) = (Dm−h)
T
(Dm−h) = m
T
D
T
Dm = m
T
Hm (4.17)
dimana H = D
T
D.
Kita nyatakan mengenai masalah terkonstrain adalah: Dimulai dari data lapangan yang tidak
komplit, tidak lengkap, tidak cukup, kita mencari seluruh kemungkinan solusi dengan residual
q
1
= |d −Gm|
2
dan solusi yang paling smoothness dengan judgement dari ukuran q
2
(m).
Secara matematik, pernyataan di atas memiliki maksud: meminimalkan q
2
= m
T
Hmdibawah
kondisi |d −Gm|
2
= q
1
atau secara umum |d −Gm|
2
≤ q
T
, dimana q
T
adalah nilai toleransi
maksimum dari residual atau misfit.
Masalah konstrain membutuhkan minimalisasi d −Gm
2
dan q
2
(m) secara bersamaan,
φ = (d −Gm)
T
(d −Gm) + β
2
(m
T
D
T
Dm) (4.18)
4.2.2 Solusi masalah
Untuk mendapatkan solusi parameter model, perlu dilakukan minimalisasi terhadap persamaan
(4.18),

d
T
d −m
T
G
T
d −d
T
Gm + m
T
G
T
Gm + β
2
m
T
Hm

∂m
j
= 0
sehingga

G
T
G + β
2
H

m = G
T
d
4.2. INVERSI DENGAN SMOOTHNESS 35
Ini adalah persamaan normal yang baru. Dan akhirnya solusi smoothness diturunkan sebagai
berikut
m
s
=

G
T
G + β
2
H

−1
G
T
d (4.19)
Dan bila D = I,
m
s
=

G
T
G + β
2
I

−1
G
T
d (4.20)
Persamaan (4.20) lebih populer disebut Damped Least Squares solution atau solusi Least Square
Teredam. Nama lainya yang juga cukup terkenal adalah inversi Marquardt.
Daftar Pustaka
[1] Meju, A Max., Geophysical Data Analysis: Understanding Inverse Problem Theory and Prac-
tice, (1994), Society of Exploration Geophysicists (SEG)
37
Indeks
akurasi, 3
arus fluida, 3
bahan tambang, 1
bessel, 7
data lapangan, 1
data observasi, 1
densitas, 4
eksplorasi, 3
elektroda, 7
fitting, 1
forward, 1
gelombang elektromagnetik, 3
gelombang seismik, 3
gempa bumi, 3
geologi, 4
hambatan jenis, 4
hidrogeologi, 3
highly non-linear, 7
human error, 4
instrumen, 4
instrumental error, 4
inversi, 1
inversi diskrit, 6
jejari bumi, 5
kernel, 5
komputasi, 5
laboratorium, 3
linearisasi, 6
lithospere, 3
matematika diskrit, 5
model fisik, 4
model konseptual, 4
model matematika, 1, 4
modulus bulk, 4
momen inersia, 5
noise, 3
non-linear, 6
observasi, 23
parameterisasi, 6
permeabilitas, 4
resistivity, 1
sampling rate, 3
Schlumberger, 6
sedimentasi, 3
seismik refraksi, 1
slowness, 6
sumur bor, 3
unknown parameter, 1
39

Untuk Muflih Syamil dan Hasan Azmi........

Mottoku : Tenang, Kalem dan Percaya Diri

.

Depok. Universitas Indonesia. Semoga keberadaan buku ini dapat membantu mahasiswa geofisika untuk memiliki kemampuan memformulasikan masalah. v . menyusun hipotesis. Acuan utama untuk edisi perdana ini adalah buku Geophysical Data Analysis: Understanding Inverse Problem Theory and Practice yang ditulis oleh Max A.Kata Pengantar Buku ini semula merupakan diktat perkuliahan mata kuliah Analisis Data Geofisika yang diberikan kepada mahasiswa Geofisika pada Departemen Fisika. Fakultas MIPA. 15 Maret 2007 Supriyanto S. Meju dan diterbitkan oleh Society of Exploration Geophysicists pada tahun 1994. Terima kasih yang tak terhingga ingin saya sampaikan kepada Dede Djuhana yang telah A bersedia berbagi memberikan file format buku dalam LTEX sehingga tampilan buku ini menjadi jauh lebih baik. metode dan solusi sehingga mampu menyelesaikan masalah-masalah geofisika secara mandiri.

.

. . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Inversi dengan informasi awal . . . . . . . . . .1 Definisi dan Konsep Dasar . . . . . . . . . . . .4 Macam-macam data geofisika . . . . . . . . . . . . . . . . . . . .6 Kesimpulan . . . . . . . . . . . . . . . . . . . .4 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. . . . . . . . . . . . . . . . 2 Formulasi Masalah Inversi 2. 4. . . . . 3 Penyelesaian Masalah Overdetermined 3. . . . . . . . . . . . . .5 Contoh aplikasi . . . . . . . . . . . .3 Eksplorasi geofisika dan inversi . . . . . . . 4 Constrained Linear Least Squares Inversion 4. . . . 3. . . . . . . . . . . . . . 1. . . .1 Regresi linear sederhana . . . . . . . . . . . . . . . . . . . . .Daftar Isi Lembar Persembahan Kata Pengantar Daftar Isi Daftar Gambar Daftar Tabel 1 Pendahuluan 1. . . .3 Aplikasi least square pada interpretasi seismik refraksi . . . . . . . . . .2 Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . . . . . . . . .1 Klasifikasi masalah inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . . . . . . .3 Inversi Model Parabola . . . . .5. 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Memformulasikan persamaan terkonstrain . . . . .2 Proses geofisika .2 Metode least square . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . . . . . . . . . . . . . . . 2. . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . 3. . . 2. . . . . . . . . . 4. . . . . . . . . . . . . . . . . 2. . . . . . . .1. . . . . . . . . . . . . . . . 3. . . . . . . . . . . .4 Inversi least squares linear: pendekatan matriks . . . . . . . . . . . .5 Soal . . . . . . . . . . . .1. . . 2. . . . . . . . . . . . . . . . . .1 Menghitung gravitasi di planet X . . . . .5 Deskripsi proses geofisika: Model matematika . . . . . . . . . . . . . . . . . 1. . .6 Diskritisasi dan linearisasi . . . . . . . . .2 Contoh aplikasi inversi terkonstrain . . . . . . . . . . vii i v vii ix xi 1 1 3 3 3 4 5 9 9 9 12 15 17 17 21 23 23 23 26 27 28 29 29 30 31 . . . . . . . . . . . . . .

. . . . . . . . .2. .1 Formulasi masalah . . . . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . .viii 4. . . . . . . . . . Daftar Pustaka Indeks 33 33 34 37 39 . . . . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . .2 Solusi masalah . . .2 Inversi dengan Smoothness . . . 4. . . . . .

. . . . . .2 Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . .1 Masalah regresi linear (least squares) yang sederhana . . . . . . . . . . . . . . . . . . . . 1. . .4 Konfigurasi elektroda pada metode Schlumberger . .1 Alur pemodelan inversi . . . . . . . . . . . . . . . . . . . . .1 Sebaran data observasi antara temperatur dan kedalaman . . 2. . . .2 Alur pemodelan forward . . . . . . . . . . . . . 1. . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . .2 Contoh solusi regresi linear . . . . . . . 1. . . . . ix . . . . . . . . . . . . . . . . . . . . . . . 3. . . . . . . . . . . . . . .Daftar Gambar 1. . . . . . . . . . . . . . . . . . . . . .3 Grafik hasil inversi parabola . 2 2 4 6 10 18 21 24 26 3. . . . . . . . . . . 2. . . . . . . .3 Alur eksperimen lapangan dan eksperimen laboratorium . . . . . . . . .

.

. . . 10 12 17 24 32 xi . . . . . . 4. . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . .1 Contoh data observasi yang dapat diolah oleh least squares . . . . . . . . . . .2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . .1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . .Daftar Tabel 2. . . 3. 2. . .1 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi ) . . . . . . . . . . . . . . . . . .3 Data ketinggian terhadap waktu dari planet X . . . . . . . . .

.

Sementara proses kebalikannya dimana kita ingin memperoleh data prediksi hasil pengukuran berdasarkan parameter fisis yang sudah diketahui. Kemudian. Proses ini disebut proses inversi atau istilah asingnya disebut inverse modelling. Proses inversi terbagi dalam level-level tertentu mulai dari yang paling sederhana seperti fitting garis untuk data seismik refraksi sampai kepada level yang rumit seperti tomografi akustik dan matching (pencocokan) kurva resistivity yang multidimensi.2. tidak sekedar mengenai sifat fisis batuan saja. Tujuan dari proses inversi adalah untuk mengestimasi parameter fisis batuan yang tidak diketahui sebelumnya (unknown parameter). Penghubung dari keduanya hampir selalu berupa persamaan matematika atau kita menyebutnya sebagai model matematika. Informasi itu hanya bisa kita dapat bila kita mengetahui hubungan antara sifat fisis batuan tersebut dan data observasinya.1 Definisi dan Konsep Dasar Dalam geofisika. lihat Gambar 2. Hasil pengukuran tersebut sudah barang tentu sangat tergantung pada kondisi dan sifat fisis batuan bawah permukaan.3. Tabel angka-angka itu selanjutnya disebut data observasi atau juga biasa disebut data lapangan . Estimasi parameter-parameter bahan tambang 1 . Di dalam proses inversi. Proses inversi adalah suatu proses pengolahan data lapangan yang melibatkan teknik penyelesaian matematika dan statistik untuk mendapatkan informasi yang berguna mengenai distribusi sifat fisis bawah permukaan. kegiatan pengukuran lapangan selalu dilakukan berdasarkan prosedur yang sudah ditentukan. hasil pengukuran dicatat dan disajikan dalam bentuk tabel angkaangka pengukuran. Penentuan struktur bawah tanah 2. Contoh problem inversi dalam bidang geofisika adalah 1. lihat Gambar 1. Maka dengan berdasarkan model matematika itulah. maka proses ini disebut proses forward atau forward modelling.Bab 1 Pendahuluan 1. kita melakukan analisis terhadap data lapangan dengan cara melakukan curve fitting (pencocokan kurva) antara model matematika dan data lapangan. kita bisa mengekstrak parameter fisis batuan dari data observasi. Kita berharap data eksperimen dapat memberi informasi sebanyak-banyaknya. melainkan juga kondisi geometri batuan bawah permukaan dan posisi kedalaman batuan tersebut.

2: Alur pemodelan forward .2 BAB 1. PENDAHULUAN Gambar 1.1: Alur pemodelan inversi Gambar 1.

Estimasi parameter-parameter akumulasi sumber energi 4. Data lapangan tak lain merupakan refleksi dari kompleksitas sistem geofisika yang sedang diamati. perambatan gelombang elektromagnetik di bawah tanah dan juga aliran muatan (arus listrik) ataupun arus fluida pada batuan berpori adalah contoh-contoh proses geofisika. kita berupaya memperoleh informasi yang relatif valid berdasarkan keterbatasan data yang kita miliki. Gambar 1.1. Ada juga kendala ketidaklengkapan data atau malah kurang alias tidak cukup. Analisis sumur bor pada hidrogeologi 3 1. 1. Dari sini terlihat betapa pentingnya proses analisis apalagi bila segala keputusan diambil berdasarkan data eksperimen.2. yang dikontrol oleh distribusi parameter fisis batuan berikut struktur geologinya. Penentuan lokasi gempa bumi berdasarkan waktu gelombang datang 5. Pemodelan respon lithospere untuk mengamati proses sedimentasi 6. langkah berikutnya adalah membuat model bawah permukaan yang nantinya akan menjadi modal dasar interpretasi.2 Proses geofisika Perambatan gelombang seismik. Setelah proses analisis dilalui. PROSES GEOFISIKA 3.4 Macam-macam data geofisika Data geofisika bisa diperoleh dari pengukuran di lapangan atau bisa juga dari pengukuran di laboratorium.3 Eksplorasi geofisika dan inversi Tujuan utama dari kegiatan eksplorasi geofisika adalah untuk membuat model bawah permukaan bumi dengan mengandalkan data lapangan yang diukur bisa pada permukaan bumi atau di bawah permukaan bumi atau bisa juga di atas permukaan bumi dari ketinggian tertentu. berkelanjutan dan terintegrasi menggunakan sejumlah ragam metode geofisika. idealnya kegiatan survey atau pengukuran harus dilakukan secara terus menerus.3 memperlihatkan alur pengambilan data dari masing-masing pen- . Seringkali –bahkan hampir pasti– terjadi beberapa kendala akan muncul dan tak bisa dihindari. seperti kehadiran noise pada data yang diukur. sejumlah informasi mengenai kegiatan akuisisi data juga diperlukan. Kesalahan penentuan lokasi berdampak langsung pada kerugian meteril yang besar dan waktu yang terbuang percuma. 1. antara lain: berapakah nilai sampling rate yang optimal? Berapa jumlah data yang diperlukan? Berapa tingkat akurasi yang diinginkan? Selanjutnya –masih bagian dari proses analisis– model matematika yang cocok mesti ditentukan yang mana akan berperan ketika menghubungkan antara data lapangan dan distribusi parameter fisis yang hendak dicari. Ujung dari rangkaian proses ini adalah penentuan lokasi pemboran untuk mengangkat sumber daya alam bahan tambang/mineral dan oil-gas ke permukaan. dengan analisis data yang paling mungkin. Untuk mencapai tujuan ini. Namun demikian. Dalam melakukan analisis.

suseptibilitas magnet dan lain sebagainya yang termasuk dalam besaran fisis sebagai karakteristik bawah permukaan bumi.5 Deskripsi proses geofisika: Model matematika Seluruh proses geofisika dapat dideskripsikan secara matematika.4 BAB 1. seringkali kita temukan hasil pengukuran yang berubah-ubah. entah itu di lapangan maupun di laboratorium. modulus bulk. orang geologi kerapkali menggunakan istilah model konseptual. Pada pengukuran lapangan. Misalnya. atau dalam catatan ini kita menggunakan istilah model matematika yang merupakan istilah umum dikalangan para ahli . Seluruh variasi ini bila di-plot kedalam histogram akan membentuk distribusi probabilistik.3: Alur eksperimen lapangan dan eksperimen laboratorium gukuran. PENDAHULUAN Gambar 1. Namun perlu ditekankan juga bahwa istilah model memiliki ragam konotasi berbeda di kalangan geosaintis. walaupun dengan variasi yang bisa ditolerir. Diharapkan hasil uji laboratorium tersebut bisa mewakili kondisi lapangan yang sesungguhnya yang dimensinya jauh lebih besar. model lapisan bumi ataupun keberadaan anomali dalam skala kecil dapat dibuat dan diukur respon-nya sebagai data geofisika. Variasi ini umumnya disebabkan oleh kesalahan instrumen pengukuran (instru- mental error) atau bisa juga dikarenakan kesalahan manusia (human error). data geofisika yang terukur antara lain bisa berupa densitas. permeabilitas batuan. hambatan jenis batuan. Pada pengukuran di laboratorium. kecepatan gelombang seismik. 1. Jika suatu pengukuran diulang berkali-kali. Sebagaimana yang telah disebutkan diawal. suatu formulasi yang bisa menjelaskan sistem geofisika disebut model. atau istilah model fisik yang digunakan untuk menyebutkan hasil laboratorium.

dan lain-lain) yang selanjutnya disebut parameter model.1. Persamaan (1. z) (1.6) . Keduanya terkait dengan densitas bawah permukaan sesuai rumus-rumus berikut R M assa = 4π 0 r2 ρ(r)dr r4 ρ(r)dr (1.4 dan 1. Mari kita ambil kasus massa dan momen inersia bumi. sementara Ki menjadi Gi sehingga persamaan (1. ditentukan oleh t= L 1 dl v(x. z). Kebanyakan proses geofisika dapat dideskripsikan oleh persamaan integral berbentuk z 5 di = 0 Ki (z)p(z)dz (1. waktu tempuh t antara sumber gelombang seismik dengan penerimanya sepanjang lintasan L dalam medium.3) (1.5) dapat dinyatakan sebagai di = Gij mj (1.4) dapat dinyatakan dalam formulasi yang lebih umum yaitu R di = 0 Ki (r)p(r)dr (1.2) Deskripsi matematika terhadap sistem geofisika seperti contoh di atas disebut forward modelling. Parameter model (misalnya kecepatan.6. ρ(r) juga berhubungan dengan p(z) pada persamaan (1. densitas.4) M oment inersia = 8π 3 R 0 dimana R adalah jejari bumi dan ρ(r) merupakan fungsi densitas terhadap jarak r.5) sama persis dengan persamaan (1.1). Data simulasi tersebut biasanya dinamakan data teoritik atau data sintetik atau data prediksi atau data kalkulasi. kecepatan. resistivitas dan densitas) bisa jadi merupakan fungsi yang kontinyu terhadap jarak atau posisi. Sebagai contoh. dan Ki disebut data kernel.6 Diskritisasi dan linearisasi Dalam banyak kasus. Pendekatan komputasi memungkinkan kita untuk menyederhanakan ρ(r)dr menjadi m. Data kernel menjelaskan hubungan antara data dan parameter model p(z). DISKRITISASI DAN LINEARISASI geofisika.2). forward modelling digunakan untuk memprediksi data simulasi berdasarkan hipotesa kondisi bawah permukaan. p(z) adalah suatu fungsi yang berkaitan dengan parameter fisis yang hendak dicari (misalnya: hambatan jenis.1). 1. Integral ini relatif mudah dievaluasi secara komputasi dengan matematika diskrit. Cara seperti ini disebut pendekatan forward atau lebih dikenal sebagai pemodelan forward (Gambar 1. model bumi selalu fungsi kontinyu terhadap jarak dan kedalaman. yang distribusi kecepatan gelombangnya kontinyu v(x.1) dimana di adalah respon atau data yang terukur.

maka problem ini bisa dinyatakan sebagai p ti = j=1 Lij cj (1.6 BAB 1. Kita sering berasumsi bahwa bawah permukaan bumi terdiri dari lapisan-lapisan yang masing-masing memiliki sifat fisis atau parameter fisis p(z) yang seragam. Sekarang mari kita lihat problem dari pengukuran resistivitas semu dengan metode Schlumberger untuk mengamati lapisan bawah permukaan yang diasumsikan terdiri dari dua lapisan. persamaan (1. Secara umum. Langkah praktis ini yang terkesan menyederhanakan obyek lapangan disebut langkah parameterisasi. memang pada kenyataannya ketika melakukan eksperimen di lapangan.2) bisa dinyatakan sebagai p ti = j=1 Lij vj (1. Misalnya lapisan tertentu memiliki densitas sekian dan ketebalan sekian. data pengukuran maupun paremeter model selalu dibatasi pada interval tertentu. 1986 adalah ∞ ρa (L) = ρ1 1 + 2L2 0 K(λ)J1 (λL)λdλ (1.8) Hubungan ini disebut linear. Dan proses menuju kesana dinamakan linearisasi.4: Konfigurasi elektroda pada metode Schlumberger Ini adalah bentuk diskritisasi. Sehingga proses inversi yang akan kita lakukan disebut sebagai teori inversi diskrit dan bukan teori inversi kontinyu. dimana c adalah slowness gelombang seismik.7) Perlu dicatat disini bahwa waktu tempuh t tidak berbanding lurus dengan parameter model v. Operasi transformasi seperti itu dinamakan linearisasi parameter. Dalam bentuk diskrit. melainkan berbanding terbalik. jika kita mendefinisikan parameter model c = 1/v. PENDAHULUAN Gambar 1. Namun demikian. Dalam kuliah ini. kita akan selalu memandang model yang diskrit dan juga parameter yang diskrit daripada model dan paremeter yang kontinyu. Persamaan memenuhi bentuk d = Gm. Formula model yang diturunkan oleh Parasnis. Hubungan ini dinamakan non-linear terhadap v.9) .

Oleh karena itu persamaan resistivitas semu di atas disebut highly non-linear.2).2 (−2λt) (−2λt) 1 + −k1. .2 = −k1. K(λ) dinyatakan sebagai K(λ) = dimana k1.6.9) tidak bisa didekati dengan d = Gm sebagaimana yang dilakukan pada persamaan (1.1. J1 adalah fungsi Bessel orde 1 dan K(λ) adalah fungsi parameter (resistivitas masing-masing lapisan yaitu ρ1 dan ρ2 serta ketebalan lapisan paling atas t) dari sistem yang kita asumsikan. DISKRITISASI DAN LINEARISASI 7 dimana L = AB/2 adalah jarak masing-masing elektroda terhadap titik tengah.2 ρ1 − ρ2 ρ1 + ρ2 Kita bisa lihat bahwa persamaan (1.

.

maka ini disebut overdetermined. Masalah ini disebut non-uniqness. 1994 persoalan ini bisa diselesaikan dengan model yang parameternya berbentuk fungsi kontinyu terhadap posisi. Bagaimana cara untuk mendapatkan model yang paling mendekati kondisi bawah permukaan? Menurut Meju.1. Mari kita mulai dari model garis. saya mencoba menyajikan dasar teknik inversi yang diaplikasikan pada model garis. Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus berikut ini: m1 + m2 zi = Ti 9 (2.1) . maka ini disebut problem underdetermined.2 Inversi Model Garis Pengukuran temperatur terhadap kedalaman di bawah permukaan bumi menunjukkan bahwa semakin dalam. Uraian aplikasi tersebut diawali dari ketersediaan data observasi. Bila jumlah model parameter lebih sedikit dibandingkan data lapangan (M < N ). 2. model parabola dan model bidang.1 Klasifikasi masalah inversi Dalam masalah inversi. Tabel pengukuran secara sederhana disajikan seperti ini: Grafik sebaran data observasi ditampilkan pada Gambar 2. Ini disebut evendetermined. temperatur semakin tinggi. lalu sejumlah parameter model (unknown parameter) mesti dicari dengan teknik inversi. Kasus yang terakhir adalah ketika jumlah data sama atau hampir sama dengan jumlah parameter. Pada bab ini. Pada kasus ini model yang paling sederhana dapat diperoleh dengan metode inversi langsung. Jika dalam kondisi yang lain dimana jumlah parameter yang ingin dicari lebih banyak dari pada jumlah datanya. Dalam kasus ini terdapat sekian banyak model yang dapat sesuai kondisi datanya. Misalnya telah dilakukan sebanyak empat kali (N = 4) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ).Bab 2 Formulasi Masalah Inversi 2. dan cara penyelesaiannya biasanya menggunakan pencocokan (best fit ) terhadap data lapangan. kita selalu berhubungan dengan parameter model (M ) dan jumlah data (N ) yang mana jumlah dari masing-masing akan menentukan klasifikasi permasalahan inversi dan cara penyelesaiannya.

1: Data temperatur bawah permukaan tanah terhadap kedalaman Pengukuran ke-i Kedalaman (m) Temperatur (O C) 1 z1 = 5 T1 = 35 2 z2 = 16 T2 = 57 3 z3 = 25 T3 = 75 4 z4 = 100 T4 = 225 Variasi temperatur terhadap kedalaman 250 200 Temperatur (Celcius) 150 100 50 0 0 10 20 30 40 50 60 Kedalaman (meter) 70 80 90 100 Gambar 2. (N = 4). Rumus di atas disebut model matematika. dan temperatur.1: Sebaran data observasi antara temperatur dan kedalaman dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. Ti . Berdasarkan model tersebut. Pada model matematika di atas terdapat dua buah parameter model. kita bisa menyatakan temperatur dan kedalaman masing-masing sebagai berikut: m1 + m2 z1 = T1 m1 + m2 z2 = T2 m1 + m2 z3 = T3 m1 + m2 z4 = T4 . Sementara jumlah data observasi ada empat. FORMULASI MASALAH INVERSI Tabel 2. zi .10 BAB 2. Sedangkan m1 dan m2 disebut parameter model atau biasa juga disebut unknown parameter. (M = 2). yaitu nilai-nilai kedalaman.

diperlukan langkah-langkah perhitungan berikut ini: 1. yaitu Gt  1 z1     1 z2    G= 1 z3    1 z4 2. juga dinyatakan dalam vektor kolom. m adalah model parameter. INVERSI MODEL GARIS Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:  1 z1        T1  11   1 z2   1 z 3  1 z4 m1 m2    T2   =  T   3  T4 (2. Selanjutnya.2) Lalu ditulis secara singkat Gm = d (2. 4. dan G disebut matrik kernel. Lakukan perkalian matriks Gt G ⇒ Gt = 1 1 1 1 z1 z2 z3 z4 GG= t 1 1 1 1  1 z1 z1 z2 z3 z4    1 z2     1 z = 3   1 z4  N zi zi 2 zi dimana N = 4 dan i = 1. Tentukan transpos dari matrik kernel. Lantas bagaimana cara mendapatkan nilai m1 dan m2 pada vektor kolom m? Manipulasi1 berikut ini bisa menjawabnya Gt Gm = Gt d (2.2. 2. Akibatnya tidak bisa dihitung nilai invers-nya.3) dimana d adalah data yang dinyatakan dalam vektor kolom. Kemudian tentukan pula Gt d  T1  Gd= t 1 1 1 1 z1 z2 z3 z4    T2     T =  3  T4 Ti z i Ti Matrik G biasanya tidak berbentuk bujursangkar. maka akan diperoleh matrik bujursangkar 1 . untuk mendapatkan elemen-elemen m.2. 3. Dengan mengalikan matrik G dan transpose matrik G.4) dimana t disini maksudnya adalah tanda transpos matrik. 3.

. 68 3 z3 = 14 T3 = 25. Program Matlab telah menyediakan sebuah baris perintah untuk menghitung elemen-elemen m. yaitu m=inv(G’*G)*G’*d Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model garis.3 Inversi Model Parabola Kembali kita ambil contoh variasi temperatur terhadap kedalaman dengan sedikit modifikasi data. Selanjutnya mari kita pelajari inversi model parabola. FORMULASI MASALAH INVERSI 4. 62 4 z4 = 21 T4 = 30.2: Data temperatur bawah permukaan tanah terhadap kedalaman Pengukuran ke-i Kedalaman (m) Temperatur (O C) 1 z1 = 5 T1 = 21. Tabel pengukuran yang diperoleh adalah: Lalu kita Tabel 2. dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini. T2 .5) Berdasarkan data observasi pada tabel di atas. Jadi pada model di atas terdapat tiga buah model parameter.4) dapat dinyatakan sebagai N zi zi 2 zi m1 m2 = Ti z i Ti (2.12 BAB 2. Anda bisa mengaplikasikan pada kasus lain.. Berdasarkan model tersebut.. 75 2 z2 = 8 T2 = 22. 2. m2 dan m3 adalah unknown parameter. Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T1 . (M = 3). kita bisa menyatakan temperatur dan kedalaman sebagai sistem persamaan simultan yang terdiri atas 8 persamaan (sesuai dengan jumlah data .6) 146 10906 Operasi matriks di atas akan menghasilkan nilai m1 = 25 dan m2 = 2. diperoleh 4 146 m1 m2 = 392 25462 (2. 72 7 z7 = 45 T7 = 63. 5 6 z6 = 36 T6 = 48. Sekarang persamaan (2. dan T8 . Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ). 87 5 z5 = 30 T5 = 40.7) dimana m1 . yaitu model garis: y = m1 + m2 x. 75 8 z8 = 60 T8 = 96 berasumsi bahwa variasi temperatur terhadap kedalaman memenuhi model matematika berikut ini: 2 m1 + m2 zi + m3 zi = Ti (2..

dan G disebut matrik kernel. Selanjutnya. m adalah model parameter. juga dinyatakan dalam vektor kolom. Lantas bagaimana cara mendapatkan nilai m1 . INVERSI MODEL PARABOLA observasi): 2 m1 + m2 z1 + m3 z1 = T1 2 m1 + m2 z2 + m3 z2 = T2 2 m1 + m2 z3 + m3 z3 = T3 2 m1 + m2 z4 + m3 z4 = T4 2 m1 + m2 z5 + m3 z5 = T5 2 m1 + m2 z6 + m3 z6 = T6 2 m1 + m2 z7 + m3 z7 = T7 2 m1 + m2 z8 + m3 z8 = T8 13 Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:  2 1 z1 z1                Lalu ditulis secara singkat    2  T2  1 z2 z2     2   T3  1 z3 z3         m1 2   T4  1 z4 z4       m2  =   2 1 z5 z5   T5      m3 2  T6  1 z6 z6      T  2 1 z7 z7   7   2 T8 1 z8 z8 Gm = d   T1  (2.2. m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya Gt Gm = Gt d (2.3. untuk mendapatkan elemen-elemen m. diperlukan langkah-langkah perhitungan berikut ini: .8) (2.10) dimana t disini maksudnya adalah tanda transpos matrik.9) dimana d adalah data yang dinyatakan dalam vektor kolom.

14 1.. 3. 8..11) . Tentukan Gt G  2 1 z2 z2   2 1 z3 z3    2  1 z4 z4  2 1 z5 z5    2  1 z6 z6  2 1 z7 z7   2 1 z8 z8   Gt =  z1  1 1 z2 1 z3 1 z4 1 z5 1 z6 1 z7 1  ⇒ 2 2 2 2 2 2 2 z1 z2 z3 z4 z5 z6 z7  z8  2 z8  Gt G =  z 1  1 1 z2 1 z3 1 z4 1 z5 1 z6 1 z7 2 2 2 2 2 2 2 z1 z2 z3 z4 z5 z6 z7      1   z8     2 z8       2 1 z1 z1  2 1 z2 z2   2 1 z3 z3     2 1 z4 z4   = 2 1 z5 z5    2 1 z6 z6   2 1 z7 z7   2 1 z8 z8  N zi 2 zi zi 2 zi 3 zi 2 zi 3  zi  4 zi  dimana N = 8 dan i = 1. Sekarang persamaan (2. 2. 3. Kemudian tentukan pula Gt d  T1   Gt d =  z 1  1 1 z2 1 z3 1 z4 1 z5 1 z6 1 z7 2 2 2 2 2 2 2 z1 z2 z3 z4 z5 z6 z7      1   z8     2 z8       T2   T3     T4   = T5    T6   T7   T8 Ti  z i Ti  2 z i Ti  4. . yaitu Gt  2 1 z1 z1 BAB 2. FORMULASI MASALAH INVERSI        G=        2.15) dapat dinyatakan sebagai    N zi 2 zi zi 2 zi 3 zi 2 zi   3  zi   m2  =  4 zi m3  m1   Ti  z i Ti  2 z i Ti  (2. Tentukan transpos dari matrik kernel..

33 elemen m. m2 = 0. di . m1 + m2 xN + m3 yN = dN Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:  1 1 1 . .   . INVERSI MODEL BIDANG Berdasarkan data observasi pada tabel di atas. Selanjutnya mari kita pelajari inversi model bidang atau model 2dimensi (2-D). .  . . . saya ingin langsung saja mengajukan sebuah model matematika untuk 2dimensi berikut ini: m1 + m2 xi + m3 yi = di (2. 2.  yN dN . .. y1   d1          1 xN      d2  y2  m1    y3   m2  =  d3       . diperoleh  8 219 8547  m1   349. dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini.12) Program Matlab telah menyediakan sebuah baris perintah untuk menghitung elemen- Sehingga operasi matriks di atas akan menghasilkan nilai m1 = 21.   . yaitu model garis: y = m1 + m2 x + +m3 x2 . Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model parabola.  . . m2 dan m3 merupakan unknown parameter yang akan dicari.. . 02. . kita bisa nyatakan m1 + m2 x1 + m3 y1 = d1 m1 + m2 x2 + m3 y2 = d2 m1 + m2 x3 + m3 y3 = d3 .4 Inversi Model Bidang Dalam catatan ini saya belum sempat mencari contoh data observasi yang sesuai untuk model 2-dimensi. . d2 . . Maka. . 89  15      8547 393423   m2  =  12894. Anda bisa mengaplikasikan pada kasus lain. .  m3 . 05 dan m3 = 0. .13) dimana m1 . .2. x1 x2 x3 . . yaitu m=inv(G’*G)*G’*d (2. Adapun yang berlaku sebagai data adalah d1 . . Berdasarkan model matematika tersebut. d3 . ..4. . . 81   219 8547 393423 19787859 m3 594915.

N . . x1 x2 x3 . untuk mendapatkan elemen-elemen m. . . y1  ⇒     G=    2.16) .15) dimana t disini maksudnya adalah tanda transpos matrik. .16 Lalu ditulis secara singkat Gm = d BAB 2. Selanjutnya. dan i = 1.  .  . m adalah unknown parameter. Kemudian tentukan pula Gt d  d1   Gt d =  x1 x2 x3 · · · xN y1 y2 y3 · · · yN  1 1 1 ··· 1           d2   d3  =    . .. y1 1 xN   y2   y3  =    . kita harus membuat persamaan matriks berikut ini Gt Gm = Gt d (2.  . dan G disebut matrik kernel. juga dinyatakan dalam vektor kolom. .15) dapat dinyatakan sebagai    N xi yi xi x2 i xi yi yi  m1   di     xi yi   m2  =  2 m3 yi  xi di  yi d i (2.. 3.  . persamaan (2. Lantas bagaimana cara mendapatkan nilai m1 . Sekarang.  yN   Gt =  x1 x2 x3 · · · xN  y1 y2 y3 · · · yN  1 1 1 ··· 1   Gt G =  x1 x2 x3 · · · xN y1 y2 y 3 · · · yN  1 1 1 ··· 1          1 1 1 . diperlukan langkah-langkah perhitungan berikut ini: 1. .. Tentukan transpos dari matrik kernel.  dN di  xi di  yi d i  4. Tentukan Gt G 1 xN  y2   y3   . yaitu Gt  1 1 1 .  .14) dimana d adalah data yang dinyatakan dalam vektor kolom.  yN  N xi yi xi 2 xi yi xi yi  xi yi  2 yi  dimana N = jumlah data. m2 dan m3 pada vektor kolom m? Sama seperti sebelumnya. 3. . x1 x2 x3 . FORMULASI MASALAH INVERSI (2.  . 2. .

90 tuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet tersebut dan kecepatan awal batu.5 Contoh aplikasi 2.50 7.75 6.2.50 7. yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan bidang (atau 2-dimensi): d = m1 + m2 x + m3 y. ini adalah persoalan inversi.50 6. ia segera mengeluarkan kamera otomatis.40 3.00 4. yaitu mencari unkown parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak sebuah batu).25 5. Salah satu konsep dari fisika yang bisa diajukan adalah konsep .00 5.5.85 1.75 8.77 2.00 2.2.75 3.75 7.00 8.25 3. yang digali dari konsep-konsep fisika.77 0.25 0.25 6.07 5. maka anda tinggal memasukan data tersebut ke dalam persamaan di atas.73 1. Jelas.00 0.3: Data ketinggian terhadap waktu dari planet X Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m) 0.10 4. yang kira-kira paling cocok dengan situasi pengambilan data observasi. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 2. Sampai disini.75 5.52 1.50 6.13 4. Setibanya disana.5. 2.86 2.58 2.75 1.25 7. CONTOH APLIKASI 17 5.1 Menghitung gravitasi di planet X Seorang astronot tiba di suatu planet yang tidak dikenal.00 7.00 7. dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini.62 0. jika tersedia data observasi. Anda diminta unTabel 2. Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model matematika. sehingga nilai elemen-elemen m dapat dihitung dengan perintah matlab m=inv(G’*G)*G’*d Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model linear dan model parabola) Anda bisa mengaplikasikan data pengukuran yang anda miliki.96 4.50 2.25 8.20 1.94 3. lalu melakukan ekperimen kinematika yaitu dengan melempar batu vertikal ke atas.72 4.38 3.

18 9 BAB 2.17) Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel. Sehingga model matematika (formulasi GLBB) dapat dimodifikasi sedikit menjadi 1 vo t − gt2 = h − ho 2 Selanjut. ketinggian pada saat t = 0 adalah 5 m. yang formulasinya seperti ini 1 ho + vo t − gt2 = h 2 Berdasarkan tabel data observasi.18) (2.2: Grafik data pengukuran gerak batu tentang Gerak-Lurus-Berubah-Beraturan (GLBB). Itu artinya ho = 5 m.5 5 Gambar 2.5 2 2. didefinisikan m1 dan m2 sebagai berikut m1 = vo sehingga persamaan model GLBB menjadi m1 ti + m2 t2 = hi − 5 i dimana i menunjukkan data ke-i.5 Waktu (detik) 3 3.5 1 1. (2.5 4 4.19) 1 m2 = − g 2 (2. yaitu dengan . FORMULASI MASALAH INVERSI 8 7 6 Tinggi (meter) 5 4 3 2 1 0 0 0.

. . t2 t2 1 2 3 4 19 20       G=        t2  2  t2  3   t2  4  . . untuk mendapatkan m1 dan m2 . t19 t20 t2 1 t2 2 t2 3 t2 4  m1 m2  h1 − 5            19         . .  .5.  .20) 1. . = . Menentukan transpos matrik kernel. . penyelesaian masalah inversi dimulai dari proses manipulasi persamaan matrik sehingga perkalian antara Gt dan G menghasilkan matriks bujursangkar Gt Gm = Gt d Selanjutnya. t19 t20 t2 t2 t2 t2 . .  2  t19  2 t20 . .19)) m1 t1 + m2 t2 = h1 − 5 1 m1 t2 + m2 t2 = h2 − 5 2 m1 t3 + m2 t2 = h3 − 5 3 .    h19 − 5 h20 − 5 Operasi matrik di atas memenuhi persamaan matrik Gm = d Seperti yang sudah dipelajari pada bab ini. .2. t19 t20 t2 1  ⇒ Gt = t1 t2 t3 t4 . m1 t20 + m2 t2 = h20 − 5 20 Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:               t1 t2 t3 t4 .  2  t19  2 t20   h2 − 5   h3 − 5  = . .  . . prosedur inversi dilakukan satu-per-satu (2. CONTOH APLIKASI memasukan data observasi kedalam model matematika (persamaan (2. . .  . . yaitu Gt  t1 t2 t3 t4 . .  . .

2009 m/dt.  . Sekarang persamaan (2. . t19 t20 t2 t2 t2 t2 . Kemudian menentukan hasil perkalian Gt d  Gt d = t1 t2 t3 t4 . . Ini menunjukkan tingkat akurasi yang sangat tinggi.. Sedangkan bulatan berwarna merah adalah data pengukuran ketinggian (m) terhadap waktu (dt). 7 796. . ..21) Berdasarkan data observasi. t2 19 t2 20 h1                h2   h3    h4  =  . t19 t20 t2 1 t1 t2 t3 t4 ..20) dapat dinyatakan sebagai t2 i t3 i t3 i t4 i m1 m2 = ti hi t2 hi i (2. . 9 Hasil operasi matriks ini dapat diselesaikan dengan satu baris statemen di matlab yaitu m=inv(G’*G)*G’*d Hasil inversinya adalah nilai kecepatan awal yaitu saat batu dilempar ke atas adalah sebesar 1 m1 = vo = 3. 4 689. 2. . Garis berwarna biru merupakan garis kurva fitting hasil inversi parabola.. Jelas terlihat bahwa garis kurva berwarna biru benar-benar cocok melewati semua titik data pengukuran.8169. Sehingga nilai kecepatan awal dan gravitasi hasil inversi cukup valid untuk menjelaskan gerak batu di planet X. 1 m1 m2 = 273.  . t19 t20 t2 1 t2 2 t2 3 t2 4 . Menentukan Gt G BAB 2. Adapun percepatan gravitasi diperoleh dari m2 dimana m2 = − 2 g = -0. . Gambar 2. 1 2822. . 3.3 memperlihatkan kurva hasil inversi berserta sebaran titik data observasi. t2 t2 20 19 4 3 2 1               t2  2  t2  3   t2  = 4  . diperoleh 179. 3 689.  h19   h20 ti hi t2 hi i 4. maka disimpulkan nilai g adalah sebesar 1.  .  2  t19  t2 20  t2 i t3 i t3 i t4 i dimana N = 20 dan i = 1.  . N . ..6338 m/dt2 . FORMULASI MASALAH INVERSI  GG= t t1 t2 t3 t4 .20 2. .

5 1 1.5 2 2. .3: Grafik hasil inversi parabola 2.5 5 Gambar 2. sesuai dengan model matematika.2.6 Kesimpulan Dari sejumlah contoh pada bab ini. Jadi. model matematika secara otomatis akan mempengaruhi bentuk rupa matrik kernelnya. KESIMPULAN 9 21 8 7 6 Ketinggian (m) 5 4 3 2 1 0 0 0. terlihat bahwa matrik kernel kerap kali berubah-ubah.5 4 4.5 Waktu (dt) 3 3.6.

.

atau sering juga disebut misfit atau kesalahan prediksi (prediction error ). ada satu set data observasi yang ditulis sebagai (x1 . dimana fungsi pendekatan-nya adalah P (xi ) = a1 xi + a0 23 (3.1) dimana ei disebut residual.. y2 ).. Jika kita mencoba melakukan fitting terhadap semua titik data observasi kepada satu garis. Garis regresi tidak akan berhimpit dengan setiap data observasi dan biasanya untuk kasus inversi seperti ini selalu overdetermined. yaitu a1 xi + a0 . Kita dapat menjalankan prosedur yang sederhana untuk memperoleh nilai m dari data observasi. Dengan metode least squares.(x2 . tidak semua data observasi berhimpit dengan satu garis lurus.1 Regresi linear sederhana Jika suatu masalah inversi dapat direpresentasikan kedalam persamaan d = Gm. yn ).. Secara umum.Bab 3 Penyelesaian Masalah Overdetermined 3. kita bisa melihat bahwa data yang telah di-plot tersebut dapat didekati dengan sebuah persamaan garis.(xn .. y1 ). Misalnya. kita melakukan pendekatan secara linear.2) (3. tipe masalah inversi seperti ini diselesaikan dengan metode least squares. Artinya. maka garis yang didapat disebut garis regresi. 3. Dalam kenyataannya.3) . kita mencoba meminimalkan error e dengan cara menentukan nilai a0 dan a1 sedemikian rupa sehingga diperoleh jumlah kuadrat error (S) yang minimal. garis regresi dinyatakan sebagai y = a0 + a1 x dan setiap data memenuhi relasi berikut yi = a0 + a1 xi + ei (3.2 Metode least square Diketahui data eksperimen tersaji pada Tabel 3.1 Lalu data tersebut di-plot dalam sumbu x dan y. Sekilas. maka ia disebut linear.

fungsi error-nya tidak pernah bernilai nol. Namun demikian.2 5.4) (3. Jadi.6) Semua data yang diperoleh melalui eksperimen. Suku yang berada disebelah kiri dinamakan fungsi error (error function).3 3. Harapan tersebut diwujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga . m = 10.0 15. sebisa mungkin yi sama dengan P (xi ) atau dapat diformulasikan sebagai m yi − P (xi ) = 0 i=1 m (3.5 4.6 Tabel 3.0 xi 6 7 8 9 10 yi 8. sehingga posisi garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas? Dengan kata lain.8 10. yaitu m E(a0 .24 BAB 3.5 13. tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. kita masih bisa berharap agar fungsi error menghasilkan suatu nilai.1: Masalah regresi linear (least squares) yang sederhana Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa.1 12.5) yi − (a1 xi + a0 ) = 0 i=1 dimana jumlah data.1: Contoh data observasi yang dapat diolah oleh least squares 16 14 12 10 Y 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 X Gambar 3.0 7. PENYELESAIAN MASALAH OVERDETERMINED xi 1 2 3 4 5 yi 1. dimana nilai tersebut adalah nilai yang paling minimum atau paling mendekati nol. a1 ) = i=1 yi − (a1 xi + a0 ) (3.

10) dapat dicari solusinya berikut ini: a0 = dan a1 = m 2 i=1 xi m m m i=1 yi − i=1 xi yi i=1 xi m 2 − ( m x )2 i=1 xi i=1 i m m i=1 xi i=1 yi m − ( i=1 xi )2 m m (3. a1 ) ∂ = ∂a1 ∂a1 m m [yi − (a1 xi + a0 )]2 = 0 i=1 2 i=1 (yi − a1 xi − a0 )(−xi ) = 0 m m m a0 i=1 xi + a1 i=1 x2 i = i=1 xi yi (3.8) dimana i = 0 dan 1. a1 ) = i=1 [yi − (a1 xi + a0 )]2 (3.m + a1 i=1 xi = i=1 yi (3. 4) = −0. maka syarat yang harus dipenuhi adalah: ∂E(a0 .2. karena dalam kasus ini memang cuma ada a0 dan a1 . 538 10(385) − (55)2 .10) Akhirnya persamaan (3.7) Agar fungsi error bisa mencapai nilai minimum.9) dan ∂E(a0 . maka didapat: a0 = dan a1 = 385(81) − 55(572. a1 ) = ∂a0 ∂a0 m m [yi − (a1 xi + a0 )]2 = 0 i=1 2 i=1 (yi − a1 xi − a0 )(−1) = 0 m m a0 . METODE LEAST SQUARE menjadi m 25 E(a0 . a1 ) =0 ∂ai (3.12) Berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini. 4) − 55(81) = 1.11) m i=1 xi yi − m 2 m i=1 xi (3. 360 10(385) − (55)2 10(572.9) dan (3. Maka mesti ada dua buah turunan yaitu: ∂ ∂E(a0 .3.

dan anggap persamaan muka gelombang seismik adalah t= Lalu dilinearisasi menjadi t = a0 + a1 x a0 = Th a1 = 1 v x + Th v Kesalahan (error ) diasumsikan hanya berasal dari cuplikan waktu gelombang datang. tn ) merupakan data observasi yang dilakukan sebanyak n kali pada n geophone dengan jarak xi . Gambar di bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya 16 14 12 10 8 6 4 2 0 −2 0 P(x) = 1.36 2 4 6 8 10 Gambar 3. Penerapan metode regresi linear yang berusaha meminimalkan jumlah kuadrat dari residual.. fungsi pendekatan-nya. PENYELESAIAN MASALAH OVERDETERMINED Jadi. t2 ). adalah P (xi ) = 1. Lebih jauh lagi a0 disebut intercept (titik perpotongan) terhadap sumbu y sedangkan a1 adalah gradient atau slope (kemiringan garis). 360 Nilai a0 dan a1 disebut koefisien regresi. khususnya ketika kita mencoba meng-esktrak satu atau dua parameter model dari data observasi. ei = . 538xi − 0.. t1 ).. Ketika kita ingin mendapatkan lebih dari 2 parameter maka teknik ini disebut analisis regresi multipel (multiple regression analysis ).(x2 .26 BAB 3.538*x − 0..2: Contoh solusi regresi linear Teknik diatas diterapkan secara rutin dalam analisis data geofisika. Teknik ini pada mulanya digunakan untuk mencari solusi dari masalah overdetermined namun pada perkembangannya teknik ini diterapkan juga pada underdetermined problem setelah dimodifikasi.(xn .3 Aplikasi least square pada interpretasi seismik refraksi Misal (x1 . Teknik ini disebut analisis regresi linear (linear regression analysis ) atau classical least squares fitting. P (xi ). 3. Teknik ini pertama kali dipakai oleh Gauss pada tahun 1809.

dapat dinyatakan sesuai persamaan (3. maka m bisa diperoleh sebagai berikut m = G−1 d Akan tetapi. Dan d = Gm dapat dinyatakan dalam bentuk operasi matriks.15) . Jika data yang kita miliki sangat ideal dalam arti tidak ada error sama sekali.4 Inversi least squares linear: pendekatan matriks Metode least squares dapat didekati dengan operasi matriks. 3. data observasi tak akan pernah f it secara sempurna dengan model. ei . INVERSI LEAST SQUARES LINEAR: PENDEKATAN MATRIKS ti − (a0 + a1 xi ). pada kenyataannya semua data pengukuran pasti memiliki error yang besarnya relatif. Kita ingin mendapatkan nilai m. Karenanya. Dalam formulasi matematikan dinyatakan dengan q = eT e = (d − Gm)T (d − Gm) (3.11) dan (3. d = Gm + ei dan selanjutnya satu-satunya cara untuk memperoleh solusi yang unik adalah dengan meminimalkan jumlah kuadrat dari residual.3.4.12) a0 = dan a1 = m 2 i=1 xi m m m i=1 ti − i=1 xi ti i=1 xi m 2 − ( m x )2 i=1 xi i=1 i m m i=1 xi i=1 ti m − ( i=1 xi )2 27 m m m m i=1 xi ti − m 2 i=1 xi dengan standard error χ21 dan χ20 ditentukan oleh rumus berikut a a χ21 a χ20 a dimana m m 2 = m χ2 D x2 D (3. χ2 adalah nilai deviasi rms (root mean square ) dari data ti terhadap garis regresi hasil analisis (a0 + a1 xi ) dengan faktor (n − 2) karena dalam masalah ini hanya dicari 2 parameter model (a0 dan a1 ).14) = χ2 D = m i=1 x2 i m − i=1 2 Ei xi χ 2 = 1 m−2 i=1 Sebagai catatan tambahan. Kita tahu bahwa suatu problem geofisika selalu diupayakan agar dapat disederhanakan menjadi d = Gm.13) (3. Cara ini akan meminimalkan perbedaan antara data lapangan dan model yang diprediksi melalui pemodelan forward.

Bagian GT G −1 GT dinamakan Generalized Inverse yang mengolah data d untuk memperoleh parameter model m.17) disebut persamaan normal.3 35.28 BAB 3. Tentukan slope dan intercept pada z-axis dan kemudian perkirakan temperatur pada kedalaman 390m.18) Persamaan (3. estimasi parameter yang dinyatakan dengan m ditentukan oleh ˆ m = GT G ˆ −1 GT d (3.5 Soal Diketahui data temperatur borehole sebagai berikut. Iterasi Gauss-Seidel. diantaranya metode Eliminasi Gauss.18) dengan operasi matriks secara numerik atau komputasi bisa menggunakan beberapa metode. dan Singular Value Decomposition. sehingga ∂ dT d − dT Gm − mT GT d + mT GT Gm ∂q = =0 ∂mj ∂mj atau −dT G − GT d + GT Gm + mT GT G = 0 akhirnya diperoleh 2GT Gm = 2GT d (3. Depth. Untuk menyelesaikan persamaan (3. 3.18) disebut unconstrained least squares terhadap masalah inversi d = Gm. LU-Decomposition.7 34.17) (3. z(m) 30 70 180 250 300 Temp.0 26. Dengan persamaan normal. PENYELESAIAN MASALAH OVERDETERMINED agar minimal maka q diturunkan terhadap m. t(o C) 25.16) Persamaan (3.5 .2 29.

informasi awal tersebut diharapkan membantu pemodelan inversi sehingga diperoleh hasil yang unik dari sejumlah kemungkinan solusi. Namun pada akhirnya. proses ini disebut meng-constrain.1) Dimana D adalah matrik -dengan seluruh elemen selain diagonal bernilai nol.1 Inversi dengan informasi awal Kita dapat menambahkan informasi awal kepada parameter model dalam suatu proses inversi.Bab 4 Constrained Linear Least Squares Inversion Pada kebanyakan masalah geofisika. atau juga bersumber dari data geologi. Menghitung persamaan (4. Informasi tambahan ini disebut a priori informasi. Secara umum.2) . 4. atau bisa juga dari data borehole. yang selanjutnya akan digunakan untuk meng-constrain solusi sehingga diperoleh solusi yang dianggap paling tepat untuk mencitrakan kondisi bawah permukaan. sangat mungkin untuk mendapatkan solusi yang berbedabeda yang semuanya bisa saja dipakai untuk menjelaskan data eksperimen. Formulasi matematikannya adalah sebagai berikut φ = (d − Gm)T (d − Gm) + β 2 (Dm − h)T (Dm − h) 29 (4. Sekali lagi. kita harus memilih satu buah solusi yang terbaik. Constrain terhadap suatu data dirumuskan sebagai berikut Dm = h (4.1) berarti kita telah melakukan apa yang disebut dengan linear equality constraints. Untuk melakukan hal ini kita harus menambahkan sejumlah informasi yang sebelumnya tidak ada pada persamaan least squares d = Gm.yang beroperasi pada parameter model m sedemikian rupa sehingga hasilnya sama dengan informasi awal h. A priori informasi atau yang saya indonesiakan menjadi informasi awal ini didapat dari data geofisika yang lainnya.

mp  1 0 . . persamaan matrik di atas dapat dimodifikasi sesuai kebutuhan. CONSTRAINED LINEAR LEAST SQUARES INVERSION Untuk mendapatkan error minimum maka turunan φ terhadap paramter model m adalah 2GT Gm − 2GT d + 2β 2 DT Dm − 2β 2 DT h = 0 diperoleh persamaan normal (GT G + β 2 DT D)m = GT d + β 2 DT h Ketika D adalah matri identitas.  1     =     (4.  .  . Parameter β ditentukan secara trial and error. β disebut faktor pengali undetermined atau disebut juga faktor pengali Lagrange. namun biasanya bernilai lebih kecil atau sama dengan 1 (satu). Misalnya jika informasi awal yang diketahui hanya ada satu. modifikasinya menjadi       m1 m2 . . 4.4) Namun demikian..30 BAB 4. maka (GT G + β 2 I)m = (GT d + β 2 h) Dari sini solusi constrain didapat sebagai berikut mc = (GT G + β 2 I)−1 (GT d + β 2 h) ˆ (4. .1. . hp          .   .  . . Keuntungannya adalah formula ini dapat membantu menghasilkan satu solusi yang unik dari sejumlah solusi yang mungkin pada masalah overdetermined dimana didalamnya terdapat ketidakpastian sebagai akibat dari kesalahan pengukuran (observational errors).  m1 m2 .3) Formula ini dinamakan inversi linear terkonstrain atau disebut juga the biased linear estimation technique.5) .  . 0   =   hknown (4.. .1 Memformulasikan persamaan terkonstrain Persamaan Dm = h secara umum memiliki bentuk  1 1 . . mp   h1 h2 . Sehingga metode ini disebut Lagrange multiplier method (metode pengali Lagrange). .

6) Contoh aplikasi inversi terkonstrain Contoh 1: Least squares garis terkonstrain Sekarang kita ingin menerapkan inversi terkonstrain pada pengolahan data first arrivals dari seismik refraksi. Persamaan least square garis adalah di = m1 + m2 xi atau dalam bentuk kolektif d = Gm (4. Agar menjadi terkonstrain kedua komponen itu mesti dimodifikasi menjadi  n xi 1 xi 1   (GT G + β 2 I) =  dan  x2 xc  i xc 0  (4.4. kita hanya punya sebuah konstrain (Anda bisa saja menambahkan jumlah konstrain-nya bila ada sejumlah informasi awal yang hendak disertakan pada pengolahan least square).9) Persamaan matrik di atas harus diintegrasikan dengan d = Gm sehingga solusi akhir merupakan solusi terkonstrain yang kita harapkan lebih akurat dibandingkan jika tidak terkonstrain. maka persamaan matrik terkonstrain menjadi       4.7) dengan m sebagai parameter model yang terdiri atas m1 dan m2 . Tentu anda masih ingat pada least square tidak terkonstrain. kita punya informasi awal yaitu parameter pertama dan parameter ke empat. INVERSI DENGAN INFORMASI AWAL 31 Jika pada kasus lain.10)  (GT d + β 2 h) =   ti  xi ti  tc (4.8) (4. Persamaan konstrain adalah Dm = h. Sekarang kita berasumsi memiliki informasi dari kegiatan explorasi sebelumnya bahwa garis least square harus melewati titik koordinat (xc . dimana dikenal dua komponen berikut GT G dan GT d.1. dimana dalam bentuk matrik dinyatakan 1 xc m1 m2 = tc (4. Sementara data lapangan merupakan pasangan dari jarak offset xi dan waktu datang gelombang (first arrival time) ti . tc ). Dalam hal ini.1. Jadi kita harus meng-konstrain solusi least square untuk mengakomodasi informasi awal tersebut.11) .2 1 0  m1   h1            m2   0     m  =  0 0  3   1 m4 h4 (4.

1 9.9 dimana nilai β mesti kita tentukan. 6  tc 14.1)=20. Akhirnya. Tabel 4. a(1. m2 = 1.1: Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi ) Trace 1 2 3 4 xi (m) 2 4 6 8 ti (ms) 5. a(2. Solusi yang diperoleh adalah m1 = 2. 9)! Langkah pertama kita hitung komponen matrik  n xi 1 xi 1   4 20 1   (GT G + β 2 I) =     x2 xc  =  20 120 8  i xc 0 1 8 0 (4. 5643 dan β = 0. 1   (GT d + β 2 h) =     xi ti  =  237. Tentukan parameter model untuk persamaan garis yang melewati titik (xc = 8. 3857. a(1. kita melangkah pada kasus nyata.12) Sekarang. a(2. tc ) adalah  m1   n xi 1 xi 1 −1    ti     mc =  m2  =  ˆ β  x2 xc  i xc 0  xi ti  tc (4. solusi terkonstrin terhadap inversi garis yang melewati (xc . . CONSTRAINED LINEAR LEAST SQUARES INVERSION Tabel 4. a(2. yc = 14.3)=1.1.13) Kemudian kita hitung komponen matrik yang lain  ti   41. a(1.4)=41. 9 (4.2)=120. Berikut ini adalah script lengkapnya dalam Matlab clear all clc. 2714.1)=1.32 BAB 4.4)=237.6.14) Problem ini dapat diselesaikan secara numerik dengan metode Eliminasi Gauss. a(1.1)=4.2)=20.9 14. a(2. a(3.2 11.1 menunjukkan data pengukuran seismik refraksi.3)=8.

.3)=0. a n=3.1).2.j)*a(j.n). for k=kk:n m(k.j)=a(k. (mp−1 −mp ).2.. Tingkatan smooth dapat diukur berdasarkan kondisi fisis atau kondisi geologi.j)/a(j. 4. (m2 −m3 ).k) * x(k. % n = jumlah baris % berikut ini proses triangularisasi ----------for j=1:(n-1) kk=j+1.1)=(a(i. % berikut ini proses substitusi mundur ---------for k=1:n-1 i=n-1-k+1.n+1)/a(n.j) for i=1:(n+1) a(k. for k=j:n sum = sum + a(i.i)=a(k.4)=14... maka lakukanlah proses minimalisasi perbedaan paramter yang berdekatan (m1 −m2 ). a(3. a(3.4.2)=8.n+1)-sum)/a(i. sum=0.1)=a(n. end x(i.i)-m(k. j=i+1.i).9. end % akhir dari proses substitusi mundur ------------x 33 4.2 Inversi dengan Smoothness Cara yang paling efektif untuk menginversi data yang terbatas adalah dengan menentukan konstrain sehingan solusi yang diinginkan menjadi smooth (halus). INVERSI DENGAN SMOOTHNESS a(3. Jika diinginkan parameter model bervariasi dengan jarak selisih yang kecil. end end end % akhir dari proses triangularisasi ------------a x(n.i).1 Formulasi masalah Mari kita pelajari bagaimana suatu masalah dapat diformulasikan menuju solusi yang smooth. .

Jika parameter model tidak bervariasi secara smooth terhadap posisi. Secara matematik.  . maka gunakanlah persamaan konstrain berbentuk  1 1 . D adalah matrik identitas dengan dimensi p × p dan dimensi h adalah p × 1. (4. tidak lengkap. tidak cukup.   0     . pernyataan di atas memiliki maksud: meminimalkan q2 = mT Hm dibawah kondisi |d − Gm|2 = q1 atau secara umum |d − Gm|2 ≤ qT . kita gunakan ukuran selisih seperti persamaan (4. . .2.   . . Kita nyatakan mengenai masalah terkonstrain adalah: Dimulai dari data lapangan yang tidak komplit.  . Operasi ini akan mendorong proses inversi menuju kondisi stabil.17) dan q2 (m) secara bersamaan.18).  1      0  =    0     0 mp (4. ∂ dT d − mT GT d − dT Gm + mT GT Gm + β 2 mT Hm =0 ∂mj GT G + β 2 H m = GT d sehingga . . dimana qT adalah nilai toleransi maksimum dari residual atau misfit.15) dimana D adalah operator selisih yang bertindak sebagai matrik smoothness dan Dm disebut penghalus (flatness) solusi vektor parameter model m.34 BAB 4.2 Solusi masalah Untuk mendapatkan solusi parameter model. dinyatakan sebagai q2 (m) = (Dm − h)T (Dm − h) = mT DT Dm = mT Hm dimana H = DT D. CONSTRAINED LINEAR LEAST SQUARES INVERSION Perbedaan ini dinyatakan sebagai persamaan konstrain Dm = h       1 −1 1 −1 1 −1       m1 m2 . .2). kita mencari seluruh kemungkinan solusi dengan residual q1 = |d − Gm|2 dan solusi yang paling smoothness dengan judgement dari ukuran q2 (m).   0       0  =    0     0 mp (4.  . perlu dilakukan minimalisasi terhadap persamaan (4. .16) Dalam kasus ini. Masalah konstrain membutuhkan minimalisasi d − Gm 2 (4.18) φ = (d − Gm)T (d − Gm) + β 2 (mT DT Dm) 4. Untuk mendapatkan solusi yang smooth.  .  m1 m2 .

2.20) lebih populer disebut Damped Least Squares solution atau solusi Least Square Teredam.4. .19) GT d (4. INVERSI DENGAN SMOOTHNESS 35 Ini adalah persamaan normal yang baru. Nama lainya yang juga cukup terkenal adalah inversi Marquardt. Dan akhirnya solusi smoothness diturunkan sebagai berikut ms = GT G + β 2 H Dan bila D = I. ms = GT G + β 2 I −1 −1 GT d (4.20) Persamaan (4.

.

Society of Exploration Geophysicists (SEG) 37 . Geophysical Data Analysis: Understanding Inverse Problem Theory and Practice.Daftar Pustaka [1] Meju. (1994).. A Max.

.

4 model matematika. 1 forward. 5 model fisik. 1 model konseptual. 1 bessel. 3 gempa bumi. 3 gelombang elektromagnetik. 6 lithospere. 1 39 . 3 unknown parameter. 5 noise. 3 linearisasi. 1. 1 slowness. 3 geologi. 3 highly non-linear. 5 laboratorium. 3 matematika diskrit. 4 Schlumberger. 1 inversi diskrit. 3 bahan tambang. 7 human error. 5 komputasi. 6 sumur bor.Indeks akurasi. 3 elektroda. 4 instrumental error. 4 hambatan jenis. 4 resistivity. 1 sampling rate. 4 inversi. 3 gelombang seismik. 5 kernel. 3 arus fluida. 6 permeabilitas. 7 fitting. 4 eksplorasi. 3 non-linear. 23 parameterisasi. 6 jejari bumi. 4 momen inersia. 4 modulus bulk. 4 hidrogeologi. 7 data lapangan. 1 densitas. 6 observasi. 6 sedimentasi. 4 instrumen. 3 seismik refraksi. 1 data observasi.

Sign up to vote on this title
UsefulNot useful