Analisis Data Geofisika

:
Memahami Teori Inversi
Dr. Eng. Supriyanto, M.Sc
Edisi I
Departemen Fisika-FMIPA
Univeristas Indonesia
2007
Untuk Muflih Syamil, Hasan Azmi dan Farah Raihanah
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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.2 Analisa data seismik pada reflektor tunggal horizontal . . . . . . . . . . . 28
2.5.3 Analisa data seismik pada reflektor tunggal miring . . . . . . . . . . . . . 29
2.6 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3 Penyelesaian Masalah Overdetermined 31
3.1 Regresi linear sederhana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Metode least square . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Aplikasi regresi linear pada analisis data seismik refraksi . . . . . . . . . . . . . . 34
3.4 Regresi linear dengan pendekatan matriks . . . . . . . . . . . . . . . . . . . . . . 36
3.5 Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
vii
viii
4 Constrained Linear Least Squares Inversion 41
4.1 Inversi dengan informasi awal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1.1 Memformulasikan persamaan terkonstrain . . . . . . . . . . . . . . . . . . 43
4.1.2 Contoh aplikasi inversi terkonstrain . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Inversi dengan Smoothness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.1 Formulasi masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.2 Solusi masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Daftar Pustaka 49
Indeks 51
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 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . . 10
2.2 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman . . . . . . 14
2.3 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . . 15
2.4 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman. Tanda
titik merah adalah data observasi sementara kurva biru adalah kurva hasil inversi 18
2.5 Data observasi perubahan nilai terhadap posisi koordinat x dan y . . . . . . . . . 20
2.6 Hasil inversi berbentuk bidang. Saya sebut saja sebagai bidang inversi . . . . . . 23
2.7 Ini adalah hasil inversi yang sama, hanya saja bidang inversi diputar (di-rotasi)
pada suatu arah sehingga kita bisa saksikan dan pastikan bahwa sebaran titik
data observasi berada di-dekat permukaan bidang inversi . . . . . . . . . . . . . 23
2.8 Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.9 Grafik hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.10 Reflektor mendatar pada kedalaman z. Kecepatan gelombang v dianggap kon-
stan. S adalah sumber gelombang seismik dan R adalah penerima gelombang
seismik. Jarak antara S dan R disebut offset (x). Sementara garis merah yang
ada panahnya adalah lintasan gelombang seismik. . . . . . . . . . . . . . . . . . 29
2.11 Reflektor miring dengan sudut kemiringan sebesar α. Kecepatan gelombang v
dianggap konstan. S adalah sumber gelombang seismik dan R adalah penerima
gelombang seismik. Jarak antara S dan R disebut offset (x). Sementara garis
merah yang ada panahnya adalah lintasan gelombang seismik. . . . . . . . . . . 30
3.1 Hasil plotting data observasi dalam sumbu-x dan sumbu-y . . . . . . . . . . . . . 32
3.2 Contoh solusi regresi linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
ix
Daftar Tabel
2.1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 10
2.2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 15
2.3 Distribusi suatu nilai dalam area tertentu . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 25
2.5 Data variasi offset (x) dan travel time (t) . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Data variasi offset (x) dan travel time (t) . . . . . . . . . . . . . . . . . . . . . . . 30
3.1 Contoh data observasi yang dapat diolah oleh least squares . . . . . . . . . . . . 32
3.2 Data seismik refraksi: waktu-datang gelombang, t
i
, dan jarak antara source dan
receiver atau jarak offset, x
i
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Data seismik refraksi: waktu-datang gelombang (t
i
) pada empat posisi geophone
(x
i
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1 Data seismik refraksi: waktu-datang gelombang (t
i
) pada empat posisi geophone
(x
i
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
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 2.9. 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

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 data (N);
yang mana jumlah dari masing-masing akan menentukan klasifikasi permasalahan inversi dan
cara penyelesaiannya. Bila jumlah model parameter lebih sedikit dibandingkan data observasi
(M < N), maka permasalahan inversi ini disebut overdetermined. Umumnya masalah ini dis-
elesaikan menggunakan pencocokan (best fit) terhadap data observasi. Dalam kondisi yang lain
dimana jumlah parameter yang ingin dicari (M) lebih banyak dari pada jumlah datanya (N),
maka masalah inversi ini disebut underdetermined. Dalam kasus ini terdapat sekian banyak
model yang dapat sesuai kondisi datanya. Inilah yang disebut dengan masalah non-uniqness.
Bagaimana cara untuk mendapatkan model yang paling mendekati kondisi bawah permukaan?
Menurut Meju, 1994 persoalan ini bisa diselesaikan dengan model yang parameternya berben-
tuk fungsi kontinyu terhadap posisi. Kasus 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 menggunakan 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
Secara teori, variasi temperatur bawah permukaan akan semakin meningkat ketika temper-
atur tersebut diukur semakin kedalam permukaan bumi. Misalnya telah dilakukan sebanyak
sepuluh kali (N = 10) pengukuran temperatur (T
i
) pada kedalaman yang berbeda beda (z
i
)
sebagaimana ditunjukan datanya pada Tabel 2.6.
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
= 35.4
2 z
2
= 16 T
2
= 50.1
3 z
3
= 25 T
3
= 77.3
4 z
4
= 40 T
4
= 92.3
5 z
5
= 50 T
5
= 137.6
6 z
6
= 60 T
6
= 147.0
7 z
7
= 70 T
7
= 180.8
8 z
8
= 80 T
8
= 182.7
9 z
9
= 90 T
9
= 188.5
10 z
10
= 100 T
10
= 223.2
0 20 40 60 80 100
0
50
100
150
200
250
Kedalaman (m)
S
u
h
u

(
C
e
l
c
i
u
s
)
Variasi Suhu vs Kedalaman
Gambar 2.1: Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah
Source code untuk menggambar grafik tersebut dalam Matlab adalah
1 clc
2 clear
3 close
4
5 % Data observasi
6 z = [5 16 25 40 50 60 70 80 90 100];
7 T = [35.4 50.1 77.3 92.3 137.6 147.0 180.8 182.7 188.5 223.2];
8
9 % Plot data observasi
10 plot(z,T,’
*
r’);
11 grid;
12 xlabel(’Kedalaman (m)’);
13 ylabel(’Suhu (Celcius)’);
14 title(’\fontsize{14} Variasi Suhu vs Kedalaman’);
2.2. INVERSI MODEL GARIS 11
Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus
berikut ini:
m
1
+m
2
z
i
= T
i
(2.1)
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 = 10), yaitu nilai-nilai kedala-
man, z
i
, dan temperatur, T
i
. Berdasarkan model tersebut, kita bisa menyatakan temperatur dan
kedalaman 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
m
1
+m
2
z
5
= T
5
m
1
+m
2
z
6
= T
6
m
1
+m
2
z
7
= T
7
m
1
+m
2
z
8
= T
8
m
1
+m
2
z
9
= T
9
m
1
+m
2
z
10
= T
10
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

1 z
1
1 z
2
1 z
3
1 z
4
1 z
5
1 z
6
1 z
7
1 z
8
1 z
9
1 z
10
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
m
1
m
2
¸
=

T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
T
9
T
10
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(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-
12 BAB 2. FORMULASI MASALAH INVERSI
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:
G
T
Gm = G
T
d
[G
T
G]
−1
G
T
Gm = [G
T
G]
−1
G
T
d
m = [G
T
G]
−1
G
T
d (2.5)
1. Tentukan transpos dari matrik kernel, yaitu G
T
G =

1 z
1
1 z
2
1 z
3
1 z
4
1 z
5
1 z
6
1 z
7
1 z
8
1 z
9
1 z
10
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
⇒ G
T
=
¸
1 1 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
9
z
10
¸
2. Lakukan perkalian matriks G
T
G
G
T
G =
¸
1 1 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
9
z
10
¸

1 z
1
1 z
2
1 z
3
1 z
4
1 z
5
1 z
6
1 z
7
1 z
8
1 z
9
1 z
10
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
N
¸
z
i
¸
z
i
¸
z
2
i
¸
dimana N = 10 atau sesuai dengan jumlah data observasi; sementara i = 1, 2, 3, ..., 10.
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
2.2. INVERSI MODEL GARIS 13
3. Kemudian tentukan pula G
T
d
G
T
d =
¸
1 1 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
9
z
10
¸

T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
T
9
T
10
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
=
¸
¸
T
i
¸
z
i
T
i
¸
4. Dengan menggunakan hasil dari langkah 2 dan langkah 3, maka persamaan (2.4) dapat
dinyatakan sebagai
G
T
Gm = G
T
d
¸
N
¸
z
i
¸
z
i
¸
z
2
i
¸¸
m
1
m
2
¸
=
¸
¸
T
i
¸
z
i
T
i
¸
(2.6)
Berdasarkan data observasi pada tabel di atas, diperoleh
m = [G
T
G]
−1
G
T
d
¸
m
1
m
2
¸
=
¸
N
¸
z
i
¸
z
i
¸
z
2
i
¸
−1
¸
¸
T
i
¸
z
i
T
i
¸
(2.7)
¸
m
1
m
2
¸
=
¸
10 536
536 38006
¸
−1
¸
1314
88855
¸
Operasi matriks di atas akan menghasilkan nilai m
1
= 24.9 dan m
2
= 2.0.
Perintah di Matlab untuk menghitung elemen-elemen m, yaitu
m=inv(G’
*
G)
*
G’
*
d
Secara lebih lengkap, source code Matlab untuk melakukan inversi data observasi adalah
1 clc
2 clear
3 close
4
5 % Data observasi
6 z = [5 16 25 40 50 60 70 80 90 100];
7 T = [35.4 50.1 77.3 92.3 137.6 147.0 180.8 182.7 188.5 223.2];
8
14 BAB 2. FORMULASI MASALAH INVERSI
9 % Plot data observasi
10 plot(z,T,’
*
r’);
11 grid;
12 xlabel(’Kedalaman (m)’);
13 ylabel(’Suhu (Celcius)’);
14 title(’\fontsize{14} Variasi Suhu vs Kedalaman’);
15
16 % Membentuk matrik kernel G dan vektor d
17 n = length(z);
18 for k = 1:n
19 G(k,1) = 1;
20 G(k,2) = z(k);
21 end
22 d = T’;
23
24 % Perhitungan inversi dengan general least-squares
25 m = inv(G’
*
G)
*
G’
*
d;
26
27 % Plot hasil inversi (berupa garis least-squares)
28 hold on;
29 zz = 0:0.5:z(n);
30 TT = m(1) + m(2)
*
zz;
31 plot(zz,TT);
0 20 40 60 80 100
0
50
100
150
200
250
Kedalaman (m)
S
u
h
u

(
C
e
l
c
i
u
s
)
Variasi Suhu vs Kedalaman
Gambar 2.2: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman
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 15
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: Data observasi
Tabel 2.2: Data temperatur bawah permukaan tanah terhadap kedalaman
Pengukuran ke-i Kedalaman (m) Temperatur (
O
C)
1 z
1
= 5 T
1
= 20, 8
2 z
2
= 8 T
2
= 22, 6
3 z
3
= 14 T
3
= 25, 3
4 z
4
= 21 T
4
= 32, 7
5 z
5
= 30 T
5
= 41, 5
6 z
6
= 36 T
6
= 48, 2
7 z
7
= 45 T
7
= 63, 7
8 z
8
= 60 T
8
= 74, 6
tersebut selanjutnya di-plot ke dalam grafik variasi suhu terhadap kedalaman.
5 10 15 20 25 30 35 40 45 50
20
30
40
50
60
70
80
Kedalaman (m)
S
u
h
u

(
C
e
l
c
i
u
s
)
Variasi Suhu vs Kedalaman
Gambar 2.3: Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah
Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman memenuhi model matem-
atika berikut ini:
m
1
+m
2
z
i
+m
3
z
2
i
= T
i
(2.8)
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
16 BAB 2. FORMULASI MASALAH INVERSI
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
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
¸
(2.9)
Lalu ditulis secara singkat
Gm = d (2.10)
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 (2.11)
dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
2.3. INVERSI MODEL PARABOLA 17
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 (2.16) 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
¸
¸
¸
(2.12)
18 BAB 2. FORMULASI MASALAH INVERSI
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
¸
¸
¸
(2.13)
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.
Gabungan antara data observasi dan kurva hasil inversi diperlihatkan oleh Gambar 2.4 Script
0 10 20 30 40 50
10
20
30
40
50
60
70
80
Kedalaman (m)
S
u
h
u

(
C
e
l
c
i
u
s
)
Variasi Suhu vs Kedalaman
Gambar 2.4: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman. Tanda titik
merah adalah data observasi sementara kurva biru adalah kurva hasil inversi
Matlab yang lengkap untuk tujuan ini adalah
1 clc
2 clear
3 close
4
5 % Data observasi
6 z = [5 8 14 21 30 36 45 50];
7 T = [20.8 22.6 25.3 32.7 41.5 48.2 63.7 74.6];
8
9 % Plot data observasi
10 plot(z,T,’
*
r’);
2.3. INVERSI MODEL PARABOLA 19
11 grid;
12 xlabel(’Kedalaman (m)’);
13 ylabel(’Suhu (Celcius)’);
14 title(’\fontsize{14} Variasi Suhu vs Kedalaman’);
15
16 % Membentuk matrik kernel G dan vektor d
17 n = length(z);
18 for k = 1:n
19 G(k,1) = 1;
20 G(k,2) = z(k);
21 G(k,3) = z(k).^2;
22 end
23 d = T’;
24
25 % Perhitungan inversi dengan general least-squares
26 m = inv(G’
*
G)
*
G’
*
d;
27
28 % Plot hasil inversi (berupa garis least-squares)
29 hold on;
30 zz = 0:0.5:z(n);
31 TT = m(1) + m(2)
*
zz + m(3)
*
zz.^2;
32 plot(zz,TT);
Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model parabola.
Anda 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).
20 BAB 2. FORMULASI MASALAH INVERSI
2.4 Inversi Model Bidang
Misalnya telah dilakukan sebanyak sepuluh kali (N = 10) pengukuran suatu nilai parameter
pada suatu area sebagaimana ditunjukan datanya pada Tabel 2.3.
Tabel 2.3: Distribusi suatu nilai dalam area tertentu
Pengukuran ke-i X (m) Y (m) Nilai
1 2 3 10,6
2 5 6 23,5
3 7 2 27,3
4 4 7 20,8
5 1 8 11,1
6 3 9 18,9
7 6 4 25,4
8 9 1 33,5
9 8 5 33,2
10 4 5 24,1
0
2
4
6
8
10
0
5
10
10
15
20
25
30
35
X (m)
Sebaran nilai terhadap X dan Y
Y (m)
N
i
l
a
i
Gambar 2.5: Data observasi perubahan nilai terhadap posisi koordinat x dan y
Source code untuk menggambar grafik tersebut dalam Matlab adalah
1 clc
2 clear
3 close
4
5 % Data observasi
6 x = [2 5 7 4 1 3 6 9 8 4];
7 y = [3 6 2 7 8 9 4 1 5 5];
8 nilai = [10.6 23.5 27.3 20.8 11.1 18.9 25.4 33.5 33.2 24.1];
2.4. INVERSI MODEL BIDANG 21
9
10 % Plot data observasi
11 plot3(x,y,nilai,’
*
r’);
12 grid;
13 xlabel(’X (m)’);
14 ylabel(’Y (m)’);
15 zlabel(’Nilai’);
16 title(’\fontsize{14} Sebaran nilai terhadap X dan Y’);
Model matematika untuk 2-dimensi berikut ini digunakan untuk analisa data tersebut:
m
1
+m
2
x
i
+m
3
y
i
= d
i
(2.14)
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
N
. Berdasarkan model matematika tersebut, kita bisa ny-
atakan
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
¸
¸
¸
¸
¸
¸
¸
¸
¸
Lalu ditulis secara singkat
Gm = d (2.15)
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 (2.16)
dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
22 BAB 2. FORMULASI MASALAH INVERSI
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 (2.16) 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
¸
¸
¸
(2.17)
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)
Gabungan antara data observasi dan kurva hasil inversi diperlihatkan oleh Gambar 2.6
2.4. INVERSI MODEL BIDANG 23
0
2
4
6
8
10
0
5
10
0
10
20
30
40
X (m)
Sebaran nilai terhadap X dan Y
Y (m)
N
i
l
a
i
Gambar 2.6: Hasil inversi berbentuk bidang. Saya sebut saja sebagai bidang inversi
Gambar 2.7: Ini adalah hasil inversi yang sama, hanya saja bidang inversi diputar (di-rotasi)
pada suatu arah sehingga kita bisa saksikan dan pastikan bahwa sebaran titik data observasi
berada di-dekat permukaan bidang inversi
Script Matlab yang lengkap untuk tujuan ini adalah
1 clc
24 BAB 2. FORMULASI MASALAH INVERSI
2 clear
3 close
4
5 % Data observasi
6 x = [2 5 7 4 1 3 6 9 8 4];
7 y = [3 6 2 7 8 9 4 1 5 5];
8 nilai = [10.6 23.5 27.3 20.8 11.1 18.9 25.4 33.5 33.2 24.1];
9
10 % Plot data observasi
11 plot3(x,y,nilai,’
*
r’);
12 grid;
13 xlabel(’X (m)’);
14 ylabel(’Y (m)’);
15 zlabel(’Nilai’);
16 title(’\fontsize{14} Sebaran nilai terhadap X dan Y’);ndata = length(nilai);
17
18 % Membentuk matrik kernel G dan vektor d
19 ndata = length(x);
20 for k = 1:ndata
21 G(k,1) = 1;
22 G(k,2) = x(k);
23 G(k,3) = y(k);
24 end
25 d = nilai’;
26
27 % Perhitungan inversi dengan general least-squares
28 m = inv(G’
*
G)
*
G’
*
d;
29
30 % Plot hasil inversi (berupa garis least-squares)
31 hold on;
32 [X,Y] = meshgrid(min(x):max(x),min(y):max(y));
33 Z = m(1) + X.
*
m(2) + Y.
*
m(3);
34 surf(X,Y,Z);
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 2.8. Anda diminta un-
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
2.5. CONTOH APLIKASI 25
Tabel 2.4: 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
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
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
(2.18)
Selanjut, didefinisikan m
1
dan m
2
sebagai berikut
m
1
= v
o
m
2
= −
1
2
g (2.19)
sehingga persamaan model GLBB menjadi
m
1
t
i
+m
2
t
2
i
= h
i
− 5 (2.20)
dimana i menunjukkan data ke-i.
Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel, yaitu dengan
memasukan data observasi kedalam model matematika (persamaan (2.20))
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
26 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 2.8: Grafik data pengukuran gerak batu
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 (2.21)
Selanjutnya, untuk mendapatkan m
1
dan m
2
, prosedur inversi dilakukan satu-per-satu
2.5. CONTOH APLIKASI 27
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
¸
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 (2.21) 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
¸
(2.22)
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
28 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 (dt)
K
e
t
i
n
g
g
i
a
n

(
m
)
Gambar 2.9: Grafik hasil inversi parabola
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 2.9 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.
2.5.2 Analisa data seismik pada reflektor tunggal horizontal
Suatu survei seismik dilakukan untuk mengetahui kedalaman sebuah reflektor mendatar seba-
gaimana tampak pada gambar
Waktu tempuh gelombang (t), yang bergerak sesuai dengan lintasan warna merah, memenuhi
model matematika berikut ini
4z
2
v
2
+
x
2
v
2
= t
2
(2.23)
Data observasi yang berhasil dihimpun dari survei tersebut adalah
Berdasarkan data tersebut, tuliskan langkah demi langkah proses inversi selengkap mungkin
untuk menentukan:
• kecepatan gelombang seismik (v) pada lapisan
• kedalaman reflektor mendatar (z) terhadap permukaan (surface)
2.5. CONTOH APLIKASI 29
S R1 R2 R3 R4 R5 R6 R8 R7
v
z
Surface
Reflektor
Gambar 2.10: Reflektor mendatar pada kedalaman z. Kecepatan gelombang v dianggap konstan.
S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik. Jarak antara S
dan R disebut offset (x). Sementara garis merah yang ada panahnya adalah lintasan gelombang
seismik.
Tabel 2.5: Data variasi offset (x) dan travel time (t)
Receiver R ke-i Offset (x), meter Travel time (t), detik
1 60 0, 5147
2 80 0, 5151
3 100 0, 5155
4 120 0, 5161
5 140 0, 5167
6 160 0, 5175
7 180 0, 5183
8 200 0, 5192
Petunjuk: sederhanakan model matematika di atas menjadi
m
1
+m
2
x
2
= t
2
(2.24)
Hasil yang benar adalah: kecepatan = 2797 m/dt ; kedalaman = 719 meter. Jika anda tidak
mendapatkan kedua angka tersebut, maka proses inversi anda mungkin masih keliru!
2.5.3 Analisa data seismik pada reflektor tunggal miring
Suatu survei seismik dilakukan untuk mengetahui keberadaan sebuah reflektor miring seba-
gaimana tampak pada gambar
Waktu tempuh gelombang (t), yang bergerak sesuai dengan lintasan warna merah, memenuhi
model matematika berikut ini
t
2
=
4z
2
v
2
+
4xz sin α
v
2
+
x
2
v
2
(2.25)
Data observasi yang berhasil dihimpun dari survei tersebut adalah
Berdasarkan data tersebut, tentukan:
• kecepatan gelombang seismik (v) pada lapisan
• kedalaman reflektor miring (z) terhadap permukaan (surface) — jarak terdekat ke sumber
gelombang seismik
• sudut kemiringan reflektor (α)
30 BAB 2. FORMULASI MASALAH INVERSI
S R2 R3 R4 R5 Surface
Reflektor
R1
O
S R2 R3 R4 R5
v
z
Surface
Reflektor
R1
O
a
x
Gambar 2.11: Reflektor miring dengan sudut kemiringan sebesar α. Kecepatan gelombang v
dianggap konstan. S adalah sumber gelombang seismik dan R adalah penerima gelombang
seismik. Jarak antara S dan R disebut offset (x). Sementara garis merah yang ada panahnya
adalah lintasan gelombang seismik.
Tabel 2.6: Data variasi offset (x) dan travel time (t)
Receiver R ke-i Offset (x), meter Travel time (t), detik
1 60 0, 4877
2 80 0, 4900
3 100 0, 4924
4 120 0, 4949
5 140 0, 4974
Petunjuk: sederhanakan model matematika di atas menjadi
m
1
+m
2
x +m
3
x
2
= t
2
(2.26)
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 error, residual, atau sering juga disebut misfit atau kesalahan prediksi (pre-
diction error). Garis regresi tidak akan berhimpit dengan setiap data observasi dan biasanya
untuk kasus inversi seperti ini selalu overdetermined. Secara umum, tipe masalah inversi seper-
ti ini diselesaikan dengan metode least squares. Dengan metode least squares, kita mencoba
meminimalkan error, e
i
, 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)
31
32 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED
Tabel 3.1: Contoh data observasi yang dapat diolah oleh least squares
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
1 2 3 4 5 6 7 8 9 10
0
2
4
6
8
10
12
14
16
X
Y
Gambar 3.1: Hasil plotting data observasi dalam sumbu-x dan sumbu-y
Problemnya adalah berapakah nilai konstanta a
1
dan a
0
yang sedemikian rupa, sehingga po-
sisi garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di
atas? Dengan kata lain, sebisa mungkin y
i
(pada persamaan (3.2)) sama dengan P(x
i
) (pada
persamaan (3.3)) 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 33
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
34 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 regresi linear pada analisis data seismik refraksi
Tabel 3.2 menampilkan data survei seismik refraksi yang dilakukan dengan jarak offset x
i
dan
waktu tempuh gelombang dari source ke receiver dicatat dalam t
i
. Anggap saja persamaan travel
time adalah
t
i
=
x
i
v
+T
h
(3.13)
Parameter x
i
dan t
i
berperan sebagai known parameter (parameter yang diketahui). Semen-
tara kecepatan gelombang pada medium, v, dan waktu tempuh gelombang secara vertikal, T
h
bertindak sebagai unknowm parameter (parameter yang tidak diketahui). Metode regresi linear,
atau yang juga akrab disebut least square, dilakukan untuk memecahkan unknown parameter
tersebut, artinya metode regresi linear berupaya mencari nilai v dan T
h
. Pertama-tama proses
3.3. APLIKASI REGRESI LINEAR PADA ANALISIS DATA SEISMIK REFRAKSI 35
Tabel 3.2: Data seismik refraksi: waktu-datang gelombang, t
i
, dan jarak antara source dan
receiver atau jarak offset, 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
linearisasi dilakukan terhadap persamaan (3.13) sehingga menjadi
t
i
= a
0
+a
1
x
i
dimana a
0
= T
h
dan a
1
=
1
v
(3.14)
Kesalahan (error) diasumsikan hanya berasal dari cuplikan waktu gelombang datang. Pen-
erapan metode regresi linear yang berusaha meminimalkan jumlah kuadrat dari error, e
i
=
t
i
− (a
0
+ a
1
x
i
), dapat dinyatakan sesuai persamaan (3.11) dan (3.12). Dengan jumlah data,
m = 4, maka
a
0
=
¸
4
i=1
x
2
i
¸
4
i=1
t
i

¸
4
i=1
x
i
t
i
¸
4
i=1
x
i
4

¸
4
i=1
x
2
i

¸
4
i=1
x
i

2
= 2, 25
dan
a
1
=
4
¸
4
i=1
x
i
t
i

¸
4
i=1
x
i
¸
4
i=1
t
i
4

¸
4
i=1
x
2
i

¸
4
i=1
x
i

2
= 1, 605
Dengan demikian kecepatan gelombang seismik pada medium tersebut
1
adalah v = 1/a
1
=
623, 053 m/dt. Adapun standard error χ
2
a
1
dan χ
2
a
0
ditentukan oleh rumus berikut
χ
2
a
1
= m
χ
2
D
(3.15)
χ
2
a
0
= χ
2
¸
x
2
D
(3.16)
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 (m−2) karena dalam masalah ini
hanya dicari 2 parameter model (a
0
dan a
1
).
1
Nilai kecepatan yang diperoleh adalah nilai hasil analisis regresi linear. Namun itu bukan nilai yang mutlak, kare-
na bisa jadi, pengukuran kecepatan gelombang menggunakan (misalnya) sonic-log memperoleh hasil yang berbeda,
walaupun perbedaan tersebut tidak boleh terlalu jauh atau masih bisa diterima
36 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED
3.4 Regresi linear dengan pendekatan matriks
Metode regresi linear dapat didekati dengan operasi matriks. Caranya sama persis dengan yang
telah dibahas pada Bab 2. Pendekatan matrik ini dimulai dari upaya membuat persamaan ma-
trik d = Gm dari persamaan model (persamaan (3.13)). Unknown parameter, yang hendak
dipecahkan, terkandung pada elemen-elemen vektor m. 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 bervariasi. Karenanya, data observasi tak akan pernah fit secara sempurna dengan model.
Itu artinya keberadaan misfit tidak pernah bisa dihindari. Konsekuensinya, misfit (baca: error)
tersebut mesti disertakan pada d = Gm
d = Gm+e
i
(3.17)
dan selanjutnya, solusi regresi linear diupayakan dengan cara meminimalkan jumlah kuadrat
dari error, e
i
. Cara ini tak lain berupaya untuk memperoleh misfit terkecil yaitu jarak perbedaan
terkecil antara data survei dan model. Dalam formulasi matematika, kuadrat error tersebut
dinyatakan dengan
q = e
T
e = (d −Gm)
T
(d −Gm) (3.18)
Dimana simbol T maksudnya adalah operasi transpose. Agar kuadrat error di atas menghasilkan
nilai minimal, maka persamaan (3.18), diturunkan terhadap m dan hasilnya harus sama dengan
nol
∂q
∂m
j
=

d
T
d −d
T
Gm−m
T
G
T
d +m
T
G
T
Gm

∂m
j
= 0
sehingga
−d
T
G−G
T
d +G
T
Gm+m
T
G
T
G = 0
akhirnya diperoleh
2G
T
Gm = 2G
T
d
G
T
Gm = G
T
d (3.19)
Persamaan (3.19) disebut persamaan normal
2
. Dengan persamaan normal, estimasi unknown
parameter yang terkandung pada vektor m ditentukan oleh
m =

G
T
G

−1
G
T
d (3.20)
Persamaan (3.20) 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
2
Sebetulnya kita sudah menuliskannya di Bab 2 sebagai persamaan (2.4), namun tanpa penurunan rumus
3.4. REGRESI LINEAR DENGAN PENDEKATAN MATRIKS 37
parameter model m. Untuk menyelesaikan persamaan (3.20) dengan operasi matriks secara
numerik atau komputasi bisa menggunakan beberapa metode, diantaranya metode Eliminasi
Gauss, LU-Decomposition, Iterasi Gauss-Seidel, dan Singular Value Decomposition.
3.4.0.1 Aplikasi pada data survei seismik refraksi
Kembali kita tampilkan Tabel 3.3 merupakan data survei seismik refraksi yang dilakukan dengan
jarak offset x
i
, dan persamaan travel time adalah
t
i
=
x
i
v
+T
h
Tabel 3.3: 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
Pertama-tama proses linearisasi dilakukan terhadap persamaan travel time sehingga menjadi
t
i
= a
0
+a
1
x
i
dimana a
0
= T
h
dan a
1
=
1
v
Berdasarkan linearisasi tersebut, kita bisa menyusun sistem persamaan linear sebagai berikut:
t
1
= a
0
+a
1
x
1
t
2
= a
0
+a
1
x
2
t
3
= a
0
+a
1
x
3
t
4
= a
0
+a
1
x
4
Semua persamaan tersebut dapat dinyatakan dalam operasi matrik (d = Gm) berikut ini:

t
1
t
2
t
3
t
4
¸
¸
¸
¸
¸
¸
=

1 x
1
1 x
2
1 x
3
1 x
4
¸
¸
¸
¸
¸
¸
¸
a
0
a
1
¸
dimana
d =

t
1
t
2
t
3
t
4
¸
¸
¸
¸
¸
¸
G =

1 x
1
1 x
2
1 x
3
1 x
4
¸
¸
¸
¸
¸
¸
dan m =
¸
a
0
a
1
¸
38 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED
Selanjutnya, unknown parameter, a
0
dan a
1
, dipecahkan dengan menggunakan persamaan (3.20).
Untuk menuju kesana, langkah-langkah penyelesaian berikutnya adalah
1. Menentukan transpos dari matrik G, yaitu G
T
G =

1 x
1
1 x
2
1 x
3
1 x
4
¸
¸
¸
¸
¸
¸
⇒ G
T
=
¸
1 1 1 1
x
1
x
2
x
3
x
4
¸
2. Melakukan perkalian matriks G
T
G
G
T
G =
¸
1 1 1 1
x
1
x
2
x
3
x
4
¸

1 x
1
1 x
2
1 x
3
1 x
4
¸
¸
¸
¸
¸
¸
=
¸
N
¸
x
i
¸
x
i
¸
x
2
i
¸
dimana N = 4 dan i = 1, 2, 3, 4.
3. Kemudian menentukan perkalian G
T
d
G
T
d =
¸
1 1 1 1
x
1
x
2
x
3
x
4
¸

t
1
t
2
t
3
t
4
¸
¸
¸
¸
¸
¸
=
¸
¸
t
i
¸
x
i
t
i
¸
4. Sekarang persamaan (3.20) dapat dinyatakan sebagai
¸
a
0
a
1
¸
=
¸
N
¸
x
i
¸
x
i
¸
x
2
i
¸
−1
¸
¸
t
i
¸
x
i
t
i
¸
(3.21)
Berdasarkan data survei pada Tabel 3.3 di atas, diperoleh
¸
a
0
a
1
¸
=
¸
4 20
20 120
¸
−1
¸
41, 1
237, 6
¸
(3.22)
Operasi matriks di atas akan menghasilkan nilai a
0
= 2, 25 dan a
1
= 1, 605. Dengan
demikian v = 1/a
1
= 623, 053 m/dt
3.5. SOAL 39
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
Geofisika merupakan ilmu yang bertujuan untuk memahami kondisi bawah permukaan bu-
mi dengan menggunakan prinsip-prinsip ilmu fisika. Karena letaknya yang berada dibawah
permukaan bumi, maka obyek geofisika tidak bisa diamati dengan mata telanjang. Sebagai
gantinya, mau tidak mau obyek tersebut dipelajari dengan mengamati respon bawah permukaan
bumi ketika suatu gangguan fisis diberikan padanya. Selanjutnya, respon tersebut dianalisis
hingga diperoleh solusi yang nantinya siap menjadi acuan interpretasi.
Masalahnya, pada kebanyakan pengamatan geofisika, sangat mungkin mendapatkan solusi
yang berbeda-beda, yang semuanya itu bisa saja dipakai untuk menjelaskan data observasi.
Inilah yang disebut dengan istilah non-uniqueness problem atau non-unik. Namun demikian
pada akhirnya, kita harus memilih satu buah solusi yang paling baik menurut kita. Karena kita
sadar bahwa obyek yang sedang kita incar dibawah sana, pastilah hanya berada dalam satu
kondisi tertentu yang unik.
Untuk mendapatkan solusi yang unik, kita harus menambahkan sejumlah informasi yang
sebelumnya tidak ada pada persamaan least square d = Gm. Informasi tambahan ini disebut
a priori information, yang selanjutnya akan digunakan untuk meng-constrain solusi sehingga
diperoleh solusi yang dianggap paling tepat untuk menggambarkan kondisi bawah permukaan.
A priori information, 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 (h) kepada parameter model dalam suatu proses in-
versi. Secara umum, informasi awal (h) tersebut diharapkan membantu pemodelan inversi
sehingga diperoleh hasil yang unik dari sejumlah kemungkinan solusi. Sekali lagi, proses ini
disebut meng-constrain, sementara solusi yang diperoleh disebut solusi ter-constrain. Constrain
41
42 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION
terhadap suatu data dirumuskan sebagai berikut
Dm = h (4.1)
Dimana D adalah matrik -dengan seluruh elemen selain diagonal bernilai nol- yang beroperasi
pada parameter model m sedemikian rupa sehingga parameter m "dipaksa" untuk sama per-
sis dengan informasi awal (h). Kalau kita menyelesaikan persamaan (4.1), berarti kita telah
melakukan apa yang disebut dengan linear equality constraints. Formulasi matematika-nya
adalah sebagai berikut
φ = (d −Gm)
T
(d −Gm) +β
2
(Dm−h)
T
(Dm−h) (4.2)
Untuk mendapatkan error minimum maka turunan φ terhadap parameter model m dibuat sama
dengan nol
2G
T
Gm− 2G
T
d + 2β
2
D
T
Dm− 2β
2
D
T
h = 0
sehingga diperoleh persamaan normal
(G
T
G+β
2
D
T
D)m = G
T
d +β
2
D
T
h (4.3)
Ketika D adalah matrik identitas, maka persamaan normal berubah menjadi
(G
T
G+β
2
I)m = (G
T
d +β
2
h) (4.4)
Dari sini solusi ter-constrain didapat sebagai berikut
ˆ m
c
= (G
T
G+β
2
I)
−1
(G
T
d +β
2
h) (4.5)
Formula ini dinamakan inversi linear terkonstrain atau disebut juga the biased linear estima-
tion technique. Keuntungannya adalah formula ini dapat membantu mendapatkan satu solusi
yang unik dari sejumlah solusi yang mungkin pada masalah overdetermined, dimana didalam-
nya terdapat ketidakpastian sebagai akibat dari kesalahan pengukuran (observational errors)
dan ketidakpastian (uncertainties). Parameter β ditentukan secara coba-coba (trial and error),
namun biasanya ia memiliki nilai antara nol dan satu. Konstanta β disebut faktor pengali un-
determined atau disebut juga faktor pengali Lagrange. Sehingga metode ini disebut Lagrange
multiplier method (metode pengali Lagrange).
4.1. INVERSI DENGAN INFORMASI AWAL 43
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
¸
¸
¸
¸
¸
¸
(4.6)
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

(4.7)
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
¸
¸
¸
¸
¸
¸
(4.8)
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
t
i
= m
1
+m
2
x
i
(4.9)
dengan 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
. Jika ada 4 data
lapangan, sistem persamaan linear yang bisa disusun adalah
t
1
= m
1
+m
2
x
1
t
2
= m
1
+m
2
x
2
t
3
= m
1
+m
2
x
3
t
4
= m
1
+m
2
x
4
Sekarang kita berasumsi memiliki informasi konstrain dari kegiatan explorasi sebelumnya bah-
wa solusi least square harus melewati titik koordinat (x
c
, t
c
). Jadi kita harus meng-konstrain
44 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION
solusi least square untuk mengakomodasi informasi awal tersebut.

1 x
c

¸
m
1
m
2
¸
=

t
c

(4.10)
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.
G
T
G =
¸
n
¸
x
i
¸
x
i
¸
x
2
i
¸
dan
G
T
d =
¸
¸
t
i
¸
x
i
t
i
¸
Agar menjadi terkonstrain kedua komponen itu mesti dimodifikasi sedemikian rupa sehingga
menjadi
(G
T
G+β
2
I) =

n
¸
x
i
1
¸
x
i
¸
x
2
i
x
c
1 x
c
0
¸
¸
¸
(4.11)
dan
(G
T
d +β
2
h) =

¸
t
i
¸
x
i
t
i
t
c
¸
¸
¸
(4.12)
Sebelum dilanjut, mari kita tengok lagi persamaan normal (4.4) secara utuh, yaitu
(G
T
G+β
2
I)m = (G
T
d +β
2
h)
Sekarang mari kita masukkan kedua komponen kedalam persamaan (4.4)

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

m
1
m
2
β
¸
¸
¸
=

¸
t
i
¸
x
i
t
i
t
c
¸
¸
¸
(4.13)
dimana nilai β mesti kita tentukan secara coba-coba namun dalam batas antara nol dan satu.
4.1. INVERSI DENGAN INFORMASI AWAL 45
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
Akhirnya, solusi terkonstrain 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
¸
¸
¸
(4.14)
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
¸
¸
¸
(4.15)
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
¸
¸
¸
(4.16)
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;
a(3,2)=8;
46 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION
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
).
4.2. INVERSI DENGAN SMOOTHNESS 47
Perbedaan ini dinyatakan sebagai persamaan konstrain Dm = h

1 −1
1 −1
1 −1
¸
¸
¸
¸
¸
¸

m
1
m
2
.
.
.
m
p
¸
¸
¸
¸
¸
¸
=

0
0
0
0
¸
¸
¸
¸
¸
¸
(4.17)
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
¸
¸
¸
¸
¸
¸
(4.18)
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 (4.19)
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) (4.20)
4.2.2 Solusi masalah
Untuk mendapatkan solusi parameter model, perlu dilakukan minimalisasi terhadap persamaan
(4.20),

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
48 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION
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 (4.21)
Dan bila D = I,
m
s
=

G
T
G+β
2
I

−1
G
T
d (4.22)
Persamaan (4.22) 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)
49
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, 31
parameterisasi, 6
permeabilitas, 4
resistivity, 1
sampling rate, 3
Schlumberger, 6
sedimentasi, 3
seismik refraksi, 1
slowness, 6
sumur bor, 3
unknown parameter, 1
51

Untuk Muflih Syamil, Hasan Azmi dan Farah Raihanah

.

Mottoku : Tenang. Kalem dan Percaya Diri .

.

Acuan utama untuk edisi perdana ini adalah buku Geophysical Data Analysis: Understanding Inverse Problem Theory and Practice yang ditulis oleh Max A. 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. Fakultas MIPA.Kata Pengantar Buku ini semula merupakan diktat perkuliahan mata kuliah Analisis Data Geofisika yang diberikan kepada mahasiswa Geofisika pada Departemen Fisika. Depok. Meju dan diterbitkan oleh Society of Exploration Geophysicists pada tahun 1994. Universitas Indonesia. menyusun hipotesis. 15 Maret 2007 Supriyanto S. metode dan solusi sehingga mampu menyelesaikan masalah-masalah geofisika secara mandiri. v . Semoga keberadaan buku ini dapat membantu mahasiswa geofisika untuk memiliki kemampuan memformulasikan masalah.

.

. . . . . . 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . 2 Formulasi Masalah Inversi 2. .5 Soal . .2 Inversi Model Garis .4 Inversi Model Bidang . . . . . . . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Definisi dan Konsep Dasar .5. . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . .5 Contoh aplikasi . . . . . . . . . . . . . . . . . . . .Daftar Isi Lembar Persembahan Kata Pengantar Daftar Isi Daftar Gambar Daftar Tabel 1 Pendahuluan 1. .4 Regresi linear dengan pendekatan matriks . . . . . . . . 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . vii i v vii ix xi 1 1 3 3 3 4 5 9 9 9 15 20 24 24 28 29 30 31 31 31 34 36 39 . . . . . . . . . . . .3 Inversi Model Parabola . . . .6 Diskritisasi dan linearisasi . . . . . . . . . . 1. . . . . . . . . . . . . . . . . . . . . . . . . .6 Kesimpulan . . . . . . . . . . . . 2. . . .3 Aplikasi regresi linear pada analisis data seismik refraksi . . . . . .1 Regresi linear sederhana . . . . . . . . . . . . .2 Metode least square . 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5. . . . . . . . . . . 3. . . . . . . . . . . 3. . 1. . 3 Penyelesaian Masalah Overdetermined 3. . . . . . . . . . . . . . . . .1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . .2 Proses geofisika . . . . . . . . . . . . .1 Klasifikasi masalah inversi . . . . . . . . . . . . . . . . . . .2 Analisa data seismik pada reflektor tunggal horizontal . . . .3 Analisa data seismik pada reflektor tunggal miring . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. . . .5 Deskripsi proses geofisika: Model matematika . . . . . .4 Macam-macam data geofisika . . . . . . . . . . . . . .3 Eksplorasi geofisika dan inversi . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.

. 4. . . . . 4. . . .1 Inversi dengan informasi awal . . . . .2 Inversi dengan Smoothness . . . . . . . . . . . 4. . . . .1. . . 4. . . . . . . . . . . . . . . .2 Solusi masalah . . . . . . .2. . . . . . . . . . . . . . .1 Memformulasikan persamaan terkonstrain .viii 4 Constrained Linear Least Squares Inversion 4. . . . . . . . . . . . . . . . . . .1 Formulasi masalah . . . . Daftar Pustaka Indeks 41 41 43 43 46 46 47 49 51 . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . . . . . . . . . . . .2 Contoh aplikasi inversi terkonstrain .

Sementara garis merah yang ada panahnya adalah lintasan gelombang seismik. . . . . . . . 1. . . . 3. . . . . . . . . . . . . . . . . . . . . . . . . . .2 Alur pemodelan forward . . 2. . . . . . . . . . . . . .1 Alur pemodelan inversi . . . . . . . . . .2 Contoh solusi regresi linear . . Jarak antara S dan R disebut offset (x). . .5 Data observasi perubahan nilai terhadap posisi koordinat x dan y . . . . . . . . . . . . . . . . . . . . . . .1 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . 1. . . . 2. . . . . . . . . . .6 Hasil inversi berbentuk bidang. . . . . . .7 Ini adalah hasil inversi yang sama. . . . . . . . . . .3 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . . 2. 2. . 2 2 4 6 10 14 15 18 20 23 23 26 28 29 30 32 34 ix . . . . . . . .4 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman. . . . . . . . . . . . . . . . .4 Konfigurasi elektroda pada metode Schlumberger . Sementara garis merah yang ada panahnya adalah lintasan gelombang seismik. . . .10 Reflektor mendatar pada kedalaman z. . . . . .Daftar Gambar 1. . S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik. S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik. . . . . . . . . . . 3. . . . . . . .1 Hasil plotting data observasi dalam sumbu-x dan sumbu-y . . . . . 2. . . . . . 2.11 Reflektor miring dengan sudut kemiringan sebesar α. 2. Tanda titik merah adalah data observasi sementara kurva biru adalah kurva hasil inversi 2. . Jarak antara S dan R disebut offset (x). Saya sebut saja sebagai bidang inversi . . . . . . . . . . .8 Grafik data pengukuran gerak batu .9 Grafik hasil inversi parabola . . . Kecepatan gelombang v dianggap konstan. . . . . . . . . . . . . . . . . Kecepatan gelombang v dianggap konstan. . hanya saja bidang inversi diputar (di-rotasi) pada suatu arah sehingga kita bisa saksikan dan pastikan bahwa sebaran titik data observasi berada di-dekat permukaan bidang inversi . . . . . . . . . . 1. . . 2. .3 Alur eksperimen lapangan dan eksperimen laboratorium . . . . . . . . . 2. . . . . . . . . . . 2. . . . . . . . .2 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman . . . . . . .

.

45 xi . . . 10 15 20 25 29 30 32 35 37 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . dan jarak antara source dan receiver atau jarak offset. 3. . . . . . . . . . . .1 Contoh data observasi yang dapat diolah oleh least squares . .6 Data variasi offset (x) dan travel time (t) . . . . . 2. .2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . . . . . . . .1 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi ) . . . . . . . . . . . . . . xi . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi ) . . . . .3 Distribusi suatu nilai dalam area tertentu . . . . . .Daftar Tabel 2. . . . . . 2. . . . . . . . . .5 Data variasi offset (x) dan travel time (t) . . . . . . 2. . . . . . . . 4. . . . . . . . . . . . . . . . . . . . . . . . 2. . . .4 Data ketinggian terhadap waktu dari planet X . . .1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . 3. . . . . . . . . . . . . . . . . . . .2 Data seismik refraksi: waktu-datang gelombang. ti . . . . . . . . . . . . .

.

Kemudian. Maka dengan berdasarkan model matematika itulah.1 Definisi dan Konsep Dasar Dalam geofisika. Contoh problem inversi dalam bidang geofisika adalah 1. Kita berharap data eksperimen dapat memberi informasi sebanyak-banyaknya. Sementara proses kebalikannya dimana kita ingin memperoleh data prediksi hasil pengukuran berdasarkan parameter fisis yang sudah diketahui. Tujuan dari proses inversi adalah untuk mengestimasi parameter fisis batuan yang tidak diketahui sebelumnya (unknown parameter). lihat Gambar 1. melainkan juga kondisi geometri batuan bawah permukaan dan posisi kedalaman batuan tersebut. Tabel angka-angka itu selanjutnya disebut data observasi atau juga biasa disebut data lapangan . 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. lihat Gambar 2. kita bisa mengekstrak parameter fisis batuan dari data observasi. Proses ini disebut proses inversi atau istilah asingnya disebut inverse modelling. tidak sekedar mengenai sifat fisis batuan saja.9.Bab 1 Pendahuluan 1. 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. Di dalam proses inversi. hasil pengukuran dicatat dan disajikan dalam bentuk tabel angkaangka pengukuran. kegiatan pengukuran lapangan selalu dilakukan berdasarkan prosedur yang sudah ditentukan. Penghubung dari keduanya hampir selalu berupa persamaan matematika atau kita menyebutnya sebagai model matematika. Penentuan struktur bawah tanah 2. maka proses ini disebut proses forward atau forward modelling. Informasi itu hanya bisa kita dapat bila kita mengetahui hubungan antara sifat fisis batuan tersebut dan data observasinya.2. kita melakukan analisis terhadap data lapangan dengan cara melakukan curve fitting (pencocokan kurva) antara model matematika dan data lapangan. Estimasi parameter-parameter bahan tambang 1 . Hasil pengukuran tersebut sudah barang tentu sangat tergantung pada kondisi dan sifat fisis batuan bawah permukaan.

1: Alur pemodelan inversi Gambar 1. PENDAHULUAN Gambar 1.2 BAB 1.2: Alur pemodelan forward .

idealnya kegiatan survey atau pengukuran harus dilakukan secara terus menerus. Estimasi parameter-parameter akumulasi sumber energi 4. Seringkali –bahkan hampir pasti– terjadi beberapa kendala akan muncul dan tak bisa dihindari. Namun demikian. 1. dengan analisis data yang paling mungkin.1. seperti kehadiran noise pada data yang diukur. Penentuan lokasi gempa bumi berdasarkan waktu gelombang datang 5. Kesalahan penentuan lokasi berdampak langsung pada kerugian meteril yang besar dan waktu yang terbuang percuma. Dari sini terlihat betapa pentingnya proses analisis apalagi bila segala keputusan diambil berdasarkan data eksperimen.2.4 Macam-macam data geofisika Data geofisika bisa diperoleh dari pengukuran di lapangan atau bisa juga dari pengukuran di laboratorium. Ada juga kendala ketidaklengkapan data atau malah kurang alias tidak cukup.2 Proses geofisika Perambatan gelombang seismik. Untuk mencapai tujuan ini. Analisis sumur bor pada hidrogeologi 3 1. 1. Pemodelan respon lithospere untuk mengamati proses sedimentasi 6. PROSES GEOFISIKA 3. berkelanjutan dan terintegrasi menggunakan sejumlah ragam metode geofisika. perambatan gelombang elektromagnetik di bawah tanah dan juga aliran muatan (arus listrik) ataupun arus fluida pada batuan berpori adalah contoh-contoh proses geofisika.3 memperlihatkan alur pengambilan data dari masing-masing pen- . kita berupaya memperoleh informasi yang relatif valid berdasarkan keterbatasan data yang kita miliki. langkah berikutnya adalah membuat model bawah permukaan yang nantinya akan menjadi modal dasar interpretasi. 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. sejumlah informasi mengenai kegiatan akuisisi data juga diperlukan. yang dikontrol oleh distribusi parameter fisis batuan berikut struktur geologinya.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. Setelah proses analisis dilalui. Gambar 1. Ujung dari rangkaian proses ini adalah penentuan lokasi pemboran untuk mengangkat sumber daya alam bahan tambang/mineral dan oil-gas ke permukaan. Dalam melakukan analisis. Data lapangan tak lain merupakan refleksi dari kompleksitas sistem geofisika yang sedang diamati.

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

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

Operasi transformasi seperti itu dinamakan linearisasi parameter. Sehingga proses inversi yang akan kita lakukan disebut sebagai teori inversi diskrit dan bukan teori inversi kontinyu. jika kita mendefinisikan parameter model c = 1/v. Dan proses menuju kesana dinamakan linearisasi. Sekarang mari kita lihat problem dari pengukuran resistivitas semu dengan metode Schlumberger untuk mengamati lapisan bawah permukaan yang diasumsikan terdiri dari dua lapisan.2) bisa dinyatakan sebagai p ti = j=1 Lij vj (1. kita akan selalu memandang model yang diskrit dan juga parameter yang diskrit daripada model dan paremeter yang kontinyu. Secara umum. dimana c adalah slowness gelombang seismik.6 BAB 1. data pengukuran maupun paremeter model selalu dibatasi pada interval tertentu.4: Konfigurasi elektroda pada metode Schlumberger Ini adalah bentuk diskritisasi. 1986 adalah ∞ ρa (L) = ρ1 1 + 2L2 0 K(λ)J1 (λL)λdλ (1. Langkah praktis ini yang terkesan menyederhanakan obyek lapangan disebut langkah parameterisasi.9) . maka problem ini bisa dinyatakan sebagai p ti = j=1 Lij cj (1.7) Perlu dicatat disini bahwa waktu tempuh t tidak berbanding lurus dengan parameter model v. Hubungan ini dinamakan non-linear terhadap v. Dalam bentuk diskrit. Namun demikian. Kita sering berasumsi bahwa bawah permukaan bumi terdiri dari lapisan-lapisan yang masing-masing memiliki sifat fisis atau parameter fisis p(z) yang seragam. persamaan (1.8) Hubungan ini disebut linear. Dalam kuliah ini. melainkan berbanding terbalik. Persamaan memenuhi bentuk d = Gm. PENDAHULUAN Gambar 1. memang pada kenyataannya ketika melakukan eksperimen di lapangan. Misalnya lapisan tertentu memiliki densitas sekian dan ketebalan sekian. Formula model yang diturunkan oleh Parasnis.

2 = −k1.9) tidak bisa didekati dengan d = Gm sebagaimana yang dilakukan pada persamaan (1.1. Oleh karena itu persamaan resistivitas semu di atas disebut highly non-linear. 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.6.2 ρ1 − ρ2 ρ1 + ρ2 Kita bisa lihat bahwa persamaan (1. DISKRITISASI DAN LINEARISASI 7 dimana L = AB/2 adalah jarak masing-masing elektroda terhadap titik tengah.2). K(λ) dinyatakan sebagai K(λ) = dimana k1. .2 (−2λt) (−2λt) 1 + −k1.

.

Uraian aplikasi tersebut diawali dari ketersediaan data observasi. Pada kasus ini model yang paling sederhana dapat diperoleh menggunakan metode inversi langsung.2 Inversi Model Garis Secara teori.Bab 2 Formulasi Masalah Inversi 2. variasi temperatur bawah permukaan akan semakin meningkat ketika temperatur tersebut diukur semakin kedalam permukaan bumi. lalu sejumlah parameter model (unknown parameter) mesti dicari dengan teknik inversi. Mari kita mulai dari model garis. 2. yang mana jumlah dari masing-masing akan menentukan klasifikasi permasalahan inversi dan cara penyelesaiannya.6. maka masalah inversi ini disebut underdetermined. Ini disebut evendetermined. kita selalu berhubungan dengan parameter model (M ) dan data (N ). Misalnya telah dilakukan sebanyak sepuluh kali (N = 10) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ) sebagaimana ditunjukan datanya pada Tabel 2. Bagaimana cara untuk mendapatkan model yang paling mendekati kondisi bawah permukaan? Menurut Meju. maka permasalahan inversi ini disebut overdetermined.1 Klasifikasi masalah inversi Dalam masalah inversi. Pada bab ini. 1994 persoalan ini bisa diselesaikan dengan model yang parameternya berbentuk fungsi kontinyu terhadap posisi. Dalam kondisi yang lain dimana jumlah parameter yang ingin dicari (M ) lebih banyak dari pada jumlah datanya (N ). 9 . Kasus yang terakhir adalah ketika jumlah data sama atau hampir sama dengan jumlah parameter. Bila jumlah model parameter lebih sedikit dibandingkan data observasi (M < N ). Inilah yang disebut dengan masalah non-uniqness. Dalam kasus ini terdapat sekian banyak model yang dapat sesuai kondisi datanya. saya mencoba menyajikan dasar teknik inversi yang diaplikasikan pada model garis. model parabola dan model bidang. Umumnya masalah ini diselesaikan menggunakan pencocokan (best fit ) terhadap data observasi.

0 7 z7 = 70 T7 = 180.0 180. % Plot data observasi plot(z.3 137. title(’\fontsize{14} Variasi Suhu vs Kedalaman’).8 8 z8 = 80 T8 = 182.8 182.3 4 z4 = 40 T4 = 92. .10 BAB 2.6 6 z6 = 60 T6 = 147.1: Data temperatur bawah permukaan tanah terhadap kedalaman Pengukuran ke-i Kedalaman (m) Temperatur (O C) 1 z1 = 5 T1 = 35. FORMULASI MASALAH INVERSI Tabel 2.7 9 z9 = 90 T9 = 188.7 188. ylabel(’Suhu (Celcius)’). T = [35.2].3 92.5 223. grid.1: Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah Source code untuk menggambar grafik tersebut dalam Matlab adalah 1 2 3 4 5 6 7 8 9 10 11 12 13 14 clc clear close % Data observasi z = [5 16 25 40 50 60 70 80 90 100].3 5 z5 = 50 T5 = 137.2 Variasi Suhu vs Kedalaman 250 200 Suhu (Celcius) 150 100 50 0 0 20 40 60 Kedalaman (m) 80 100 Gambar 2.4 50.1 3 z3 = 25 T3 = 77.6 147.5 10 z10 = 100 T10 = 223. xlabel(’Kedalaman (m)’).4 2 z2 = 16 T2 = 50.’*r’).1 77.T.

Sementara jumlah data observasi ada empat. dan G disebut matrik kernel. yaitu nilai-nilai kedalaman. INVERSI MODEL GARIS 11 Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus berikut ini: m1 + m2 zi = Ti (2. Lantas bagaimana cara menda- .2. m adalah model parameter. Berdasarkan model tersebut. (M = 2). Ti . Pada model matematika di atas terdapat dua buah parameter model.1) dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari.3) dimana d adalah data yang dinyatakan dalam vektor kolom. dan temperatur.2. Rumus di atas disebut model matematika. (N = 10). Sedangkan m1 dan m2 disebut parameter model atau biasa juga disebut unknown parameter. zi . juga dinyatakan dalam vektor kolom.2) Gm = d (2. 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 m1 + m2 z5 = T5 m1 + m2 z6 = T6 m1 + m2 z7 = T7 m1 + m2 z8 = T8 m1 + m2 z9 = T9 m1 + m2 z10 = T10 Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:  1 1 1 1 1 1 1 1 1 1 z1   T1                      Lalu ditulis secara singkat  z2   z3    z4   z5    z6   z7    z8   z9   z10 m1 m2           =           T2   T3    T4   T5    T6   T7    T8   T9   T10 (2.

12 BAB 2. 2. Dengan mengalikan matrik G dan transpose matrik G. sementara i = 1. 3. FORMULASI MASALAH INVERSI patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi1 berikut ini bisa menjawabnya GT Gm = GT d (2. Tentukan transpos dari matrik kernel. Selanjutnya. yaitu GT  1 1 1 1 1 1 1 1 1 1 z1  (2.5)           G=           z2   z3    z4   z5    z6   z7    z8   z9   z10 ⇒ GT = 1 1 1 1 1 1 1 1 1 1 z1 z2 z3 z4 z5 z6 z7 z8 z9 z10 2. Lakukan perkalian matriks GT G  1 1 1 1 1 1 1 1 1 1 z1  GT G = 1 1 1 1 1 1 1 1 1 1 z1 z2 z3 z4 z5 z6 z7 z8 z9 z10                      z2   z3    z4   z5   = z6   z7    z8   z9   z10 N zi zi 2 zi dimana N = 10 atau sesuai dengan jumlah data observasi. Akibatnya tidak bisa dihitung nilai invers-nya. maka akan diperoleh matrik bujursangkar 1 . Matrik G biasanya tidak berbentuk bujursangkar.. diperlukan langkah-langkah perhitungan berikut ini: GT Gm = GT d [GT G]−1 GT Gm = [GT G]−1 GT d m = [GT G]−1 GT d 1.4) dimana T disini maksudnya adalah tanda transpos matrik.. .. untuk mendapatkan elemen-elemen m. 10.

diperoleh m = [GT G]−1 GT d −1 m1 m2 m1 m2 = N zi 10 zi 2 zi −1 Ti z i Ti 1314 88855 (2. maka persamaan (2.3 92.2.8 182.6 147.0 180.6) Berdasarkan data observasi pada tabel di atas.7 188.4 50. .2.5 223. T = [35. yaitu m=inv(G’*G)*G’*d Secara lebih lengkap.0.1 77.4) dapat dinyatakan sebagai GT Gm = GT d N zi zi 2 zi m1 m2 = Ti z i Ti (2. Perintah di Matlab untuk menghitung elemen-elemen m. Dengan menggunakan hasil dari langkah 2 dan langkah 3. Kemudian tentukan pula GT d                      T1  13 GT d = 1 1 1 1 1 1 1 1 1 1 z1 z2 z3 z4 z5 z6 z7 z8 z9 z10  T2   T3    T4   T5   = T6   T7    T8   T9   T10 Ti z i Ti 4. source code Matlab untuk melakukan inversi data observasi adalah 1 2 3 4 5 6 7 8 clc clear close % Data observasi z = [5 16 25 40 50 60 70 80 90 100].3 137.9 dan m2 = 2.2].7) = 536 536 38006 Operasi matriks di atas akan menghasilkan nilai m1 = 24. INVERSI MODEL GARIS 3.

dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini. yaitu model garis: y = m1 + m2 x.5:z(n). xlabel(’Kedalaman (m)’). Variasi Suhu vs Kedalaman 250 200 Suhu (Celcius) 150 100 50 0 0 20 40 60 Kedalaman (m) 80 100 Gambar 2.1) = 1.TT). for k = 1:n G(k. ylabel(’Suhu (Celcius)’).14 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 BAB 2. FORMULASI MASALAH INVERSI % Plot data observasi plot(z.2: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model garis. grid. G(k. zz = 0:0. TT = m(1) + m(2)*zz.’*r’). end d = T’. Selanjutnya mari kita pelajari inversi model parabola. Anda bisa mengaplikasikan pada kasus lain. % Membentuk matrik kernel G dan vektor d n = length(z). plot(zz. title(’\fontsize{14} Variasi Suhu vs Kedalaman’). .T.2) = z(k). % Plot hasil inversi (berupa garis least-squares) hold on. % Perhitungan inversi dengan general least-squares m = inv(G’*G)*G’*d.

3: Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman memenuhi model matematika berikut ini: 2 m1 + m2 zi + m3 zi = Ti (2. 7 8 z8 = 60 T8 = 74. 3 4 z4 = 21 T4 = 32..2. 6 tersebut selanjutnya di-plot ke dalam grafik variasi suhu terhadap kedalaman. m2 dan m3 adalah unknown parameter. 8 2 z2 = 8 T2 = 22. Berdasarkan model tersebut..2: Data temperatur bawah permukaan tanah terhadap kedalaman Pengukuran ke-i Kedalaman (m) Temperatur (O C) 1 z1 = 5 T1 = 20. INVERSI MODEL PARABOLA 15 2.. 6 3 z3 = 14 T3 = 25. Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T1 . T2 . Variasi Suhu vs Kedalaman 80 70 60 Suhu (Celcius) 50 40 30 20 5 10 15 20 25 30 Kedalaman (m) 35 40 45 50 Gambar 2. 5 6 z6 = 36 T6 = 48. Tabel pengukuran yang diperoleh adalah: Data observasi Tabel 2.3. 7 5 z5 = 30 T5 = 41.8) dimana m1 . 2 7 z7 = 45 T7 = 63. dan T8 . kita bisa menyatakan temperatur dan kedalaman sebagai sistem persamaan simultan yang terdiri atas 8 persamaan (sesuai dengan jumlah data . Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ).. Jadi pada model di atas terdapat tiga buah model parameter. (M = 3).3 Inversi Model Parabola Kembali kita ambil contoh variasi temperatur terhadap kedalaman dengan sedikit modifikasi data.

diperlukan langkah-langkah perhitungan berikut ini: . FORMULASI MASALAH INVERSI 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 Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:                 Lalu ditulis secara singkat Gm = d (2. m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya GT Gm = GT d (2.10) 2 1 z1 z1    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   T1  (2. Lantas bagaimana cara mendapatkan nilai m1 .11) dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya. m adalah model parameter.9) dimana d adalah data yang dinyatakan dalam vektor kolom.16 observasi): BAB 2. dan G disebut matrik kernel. juga dinyatakan dalam vektor kolom. untuk mendapatkan elemen-elemen m.

3. Kemudian tentukan pula GT d  T1   GT d =  z1  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. 2.2. yaitu GT  2 1 z1 z1 17        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 2. Tentukan transpos dari matrik kernel.. Tentukan GT G  2 1 z1 z1  GT G =  z1  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 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 = 1.16) 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. 3.. . 8. INVERSI MODEL PARABOLA 1. 3.12) .. Sekarang persamaan (2.

3 32. 05 dan m3 = 0.7 41. Sehingga operasi matriks di atas akan menghasilkan nilai m1 = 21. % Plot data observasi plot(z. Tanda titik merah adalah data observasi sementara kurva biru adalah kurva hasil inversi Matlab yang lengkap untuk tujuan ini adalah 1 2 3 4 5 6 7 8 9 10 clc clear close % Data observasi z = [5 8 14 21 30 36 45 50].2 63. diperoleh  8 219 8547  m1   349.7 74. m2 = 0.5 48.6].13) Matlab telah menyediakan sebuah baris perintah untuk menghitung elemen-elemen m.8 22. 81   219 8547 393423 19787859 m3 594915.4 Script Variasi Suhu vs Kedalaman 80 70 60 Suhu (Celcius) 50 40 30 20 10 0 10 20 30 Kedalaman (m) 40 50 Gambar 2. 02. 89       8547 393423   m2  =  12894. T = [20.T. FORMULASI MASALAH INVERSI Berdasarkan data observasi pada tabel di atas.6 25. Gabungan antara data observasi dan kurva hasil inversi diperlihatkan oleh Gambar 2.4: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman. .18 BAB 2. 33 yaitu m=inv(G’*G)*G’*d (2.’*r’).

G(k. end d = T’. plot(zz.^2. dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini. Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model parabola.3) = z(k). yaitu model garis: y = m1 + m2 x + +m3 x2 .3. .^2. Selanjutnya mari kita pelajari inversi model bidang atau model 2dimensi (2-D). % Perhitungan inversi dengan general least-squares m = inv(G’*G)*G’*d. title(’\fontsize{14} Variasi Suhu vs Kedalaman’). INVERSI MODEL PARABOLA 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 19 grid. zz = 0:0. TT = m(1) + m(2)*zz + m(3)*zz.TT). for k = 1:n G(k. G(k. ylabel(’Suhu (Celcius)’). xlabel(’Kedalaman (m)’).2) = z(k). % Plot hasil inversi (berupa garis least-squares) hold on. % Membentuk matrik kernel G dan vektor d n = length(z). Anda bisa mengaplikasikan pada kasus lain.2.1) = 1.5:z(n).

8 11. Tabel 2.2 10 4 5 24. nilai = [10.3 20. .20 BAB 2.3.9 25.5 3 7 2 27.5 9 8 5 33.9 7 6 4 25.6 2 5 6 23.4 33. y = [3 6 2 7 8 9 4 1 5 5].3: Distribusi suatu nilai dalam area tertentu Pengukuran ke-i X (m) Y (m) Nilai 1 2 3 10.2 24.8 5 1 8 11.1 18.5 33.5: Data observasi perubahan nilai terhadap posisi koordinat x dan y Source code untuk menggambar grafik tersebut dalam Matlab adalah 1 2 3 4 5 6 7 8 clc clear close % Data observasi x = [2 5 7 4 1 3 6 9 8 4]. FORMULASI MASALAH INVERSI 2.3 4 4 7 20.4 8 9 1 33.1].6 23.1 6 3 9 18.4 Inversi Model Bidang Misalnya telah dilakukan sebanyak sepuluh kali (N = 10) pengukuran suatu nilai parameter pada suatu area sebagaimana ditunjukan datanya pada Tabel 2.5 27.1 Sebaran nilai terhadap X dan Y 35 30 25 Nilai 20 15 10 10 10 5 4 Y (m) 0 2 0 X (m) 8 6 Gambar 2.

.4. m1 + m2 xN + m3 yN = dN Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:          Lalu ditulis secara singkat Gm = d (2.. . kita harus membuat persamaan matriks berikut ini GT Gm = GT d (2. ..  . y1   d1  1 xN      d2  y2  m1    y3   m2  =  d3       . xlabel(’X (m)’). ylabel(’Y (m)’). Adapun yang berlaku sebagai data adalah d1 . d2 . untuk mendapatkan elemen-elemen m. INVERSI MODEL BIDANG 9 10 11 12 13 14 15 16 21 % Plot data observasi plot3(x.’*r’). juga dinyatakan dalam vektor kolom. . kita bisa nyatakan m1 + m2 x1 + m3 y1 = d1 m1 + m2 x2 + m3 y2 = d2 m1 + m2 x3 + m3 y3 = d3 . .15) 1 1 1 . . .. title(’\fontsize{14} Sebaran nilai terhadap X dan Y’). . . m2 dan m3 merupakan unknown parameter yang akan dicari.  m3 .y. zlabel(’Nilai’).2. . grid. . diperlukan langkah-langkah perhitungan berikut ini: . Selanjutnya.14) dimana m1 . . m adalah unknown parameter.  yN dN dimana d adalah data yang dinyatakan dalam vektor kolom. Lantas bagaimana cara mendapatkan nilai m1 . . x1 x2 x3 . .   . .16) dimana T disini maksudnya adalah tanda transpos matrik. . . .nilai.   . d3 . dN . . dan G disebut matrik kernel. Model matematika untuk 2-dimensi berikut ini digunakan untuk analisa data tersebut: m1 + m2 xi + m3 yi = di (2. m2 dan m3 pada vektor kolom m? Sama seperti sebelumnya. Berdasarkan model matematika tersebut.  .

. maka anda tinggal memasukan data tersebut ke dalam persamaan di atas. Sampai disini. 3. 2.  dN di  xi di  yi d i  4.  . Tentukan transpos dari matrik kernel.  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 .  yN  N xi yi xi x2 i xi yi yi  xi yi  2 yi  dimana N = jumlah data.  .  . jika tersedia data observasi. . .6 . x1 x2 x3 .22 1. y1  ⇒ BAB 2. 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  =    . N .16) 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. . . Sekarang. ..  . FORMULASI MASALAH INVERSI     G=    2. yaitu GT  1 1 1 . 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) Gabungan antara data observasi dan kurva hasil inversi diperlihatkan oleh Gambar 2.  . . persamaan (2... dan i = 1.  . x1 x2 x3 . Tentukan GT G 1 xN  y2   y3   . .17) 5. .

2.7: Ini adalah hasil inversi yang sama.4. hanya saja bidang inversi diputar (di-rotasi) pada suatu arah sehingga kita bisa saksikan dan pastikan bahwa sebaran titik data observasi berada di-dekat permukaan bidang inversi Script Matlab yang lengkap untuk tujuan ini adalah 1 clc . Saya sebut saja sebagai bidang inversi Gambar 2. INVERSI MODEL BIDANG 23 Sebaran nilai terhadap X dan Y 40 30 Nilai 20 10 0 10 10 5 4 Y (m) 0 2 0 X (m) 8 6 Gambar 2.6: Hasil inversi berbentuk bidang.

5 27.1) = 1. FORMULASI MASALAH INVERSI clear close % Data observasi x = [2 5 7 4 1 3 6 9 8 4].Y.1]. xlabel(’X (m)’).1 18.min(y):max(y)). grid. ia segera mengeluarkan kamera otomatis.2) = x(k). % Plot hasil inversi (berupa garis least-squares) hold on.6 23.24 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 BAB 2.4 33. Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model . Z = m(1) + X. Anda bisa mengaplikasikan data pengukuran yang anda miliki. end d = nilai’. y = [3 6 2 7 8 9 4 1 5 5]. surf(X. yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan bidang (atau 2-dimensi): d = m1 + m2 x + m3 y.Y] = meshgrid(min(x):max(x). nilai = [10. lalu melakukan ekperimen kinematika yaitu dengan melempar batu vertikal ke atas. ylabel(’Y (m)’).8. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 2. for k = 1:ndata G(k. G(k.2 24. ini adalah persoalan inversi. Setibanya disana. dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini. 2.3) = y(k). zlabel(’Nilai’).8 11. % Membentuk matrik kernel G dan vektor d ndata = length(x).5 Contoh aplikasi 2. Jelas. G(k.y.Z).’*r’). % Plot data observasi plot3(x.3 20. [X.*m(3).1 Menghitung gravitasi di planet X Seorang astronot tiba di suatu planet yang tidak dikenal. % Perhitungan inversi dengan general least-squares m = inv(G’*G)*G’*d. yaitu mencari unkown parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak sebuah batu). title(’\fontsize{14} Sebaran nilai terhadap X dan Y’).5. Anda diminta untuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet tersebut dan kecepatan awal batu.nilai.*m(2) + Y.9 25.ndata = length(nilai).5 33.

13 4. yang formulasinya seperti ini 1 ho + vo t − gt2 = h 2 Berdasarkan tabel data observasi.00 2.38 3. CONTOH APLIKASI Tabel 2.85 1.25 5.72 4.75 7.58 2. ketinggian pada saat t = 0 adalah 5 m. = .86 2.75 6.00 7.73 1. .50 7. 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.50 6.90 25 matematika. .4: Data ketinggian terhadap waktu dari planet X Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m) 0.77 0.19) (2.50 2.25 3.25 7.96 4.75 3.62 0. yaitu dengan memasukan data observasi kedalam model matematika (persamaan (2.77 2.25 0.20) 1 m2 = − g 2 (2.20 1. Itu artinya ho = 5 m. .20)) m1 t1 + m2 t2 = h1 − 5 1 m1 t2 + m2 t2 = h2 − 5 2 m1 t3 + m2 t2 = h3 − 5 3 .50 7.10 4. yang kira-kira paling cocok dengan situasi pengambilan data observasi. Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel.25 6.5.40 3.18) .75 1.00 4.00 5.94 3.00 7.25 8. .00 0. Sehingga model matematika (formulasi GLBB) dapat dimodifikasi sedikit menjadi 1 vo t − gt2 = h − ho 2 Selanjut. Salah satu konsep dari fisika yang bisa diajukan adalah konsep tentang Gerak-Lurus-Berubah-Beraturan (GLBB).52 1. yang digali dari konsep-konsep fisika.75 5.2.07 5.50 6.75 8. . . m1 t20 + m2 t2 = h20 − 5 20 (2. .00 8.

8: Grafik data pengukuran gerak batu Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:               t1 t2 t3 t4 .5 2 2.21) . untuk mendapatkan m1 dan m2 . prosedur inversi dilakukan satu-per-satu (2. .5 1 1.  t2  19  t2 20   h2 − 5   h3 − 5  = . FORMULASI MASALAH INVERSI 8 7 6 Tinggi (meter) 5 4 3 2 1 0 0 0.5 4 4.26 9 BAB 2.5 5 Gambar 2. . penyelesaian masalah inversi dimulai dari proses manipulasi persamaan matrik sehingga perkalian antara Gt dan G menghasilkan matriks bujursangkar Gt Gm = Gt d Selanjutnya.  .  .5 Waktu (detik) 3 3. t19 t20 t2 1 t2 2 t2 3 t2 4  m1 m2  h1 − 5                    . .    h19 − 5 h20 − 5 Operasi matrik di atas memenuhi persamaan matrik Gm = d Seperti yang sudah dipelajari pada bab ini.  .

. Menentukan Gt G  t2  2  t2  3   t2  4  .. N .  . yaitu Gt  t1 t2 t3 t4 .  2  t19  2 t20  GG= t t1 t2 t3 t4 . Kemudian menentukan hasil perkalian Gt d  Gt d = t1 t2 t3 t4 .. . . t19 t20 t2 1 t2 2 2 t3 h1 t2 4 . . Menentukan transpos matrik kernel. 2. t2 19 t2 20               h2   h3    h4  =  ..  . . t19 t20 t2 1 t1 t2 t3 t4 . 1 2822. 3 689.  . .  ..22) Berdasarkan data observasi. 3. . . 9 Hasil operasi matriks ini dapat diselesaikan dengan satu baris statemen di matlab yaitu .2. t19 t20 t2 t2 t2 t2 .   t2  19  t2 20  t2 i t3 i t3 i t4 i dimana N = 20 dan i = 1. diperoleh 179.  . t19 t20 2 2 t1 t2 t2 t2 . .5.  h19   h20  ti hi t2 hi i 4. t2 t2 3 4 19 20               t2  2  t2  3   t2  = 4  . t2 t2 20 19 4 3 2 1 27       G=       2. .21) dapat dinyatakan sebagai 2 ti 3 ti t3 i t4 i m1 m2 = ti hi t2 hi i (2. . Sekarang persamaan (2. . . t19 t20 t2 1  ⇒ Gt = t1 t2 t3 t4 . .. 4 689. . 1 m1 m2 = 273. . 7 796. CONTOH APLIKASI 1.

Sedangkan bulatan berwarna merah adalah data pengukuran ketinggian (m) terhadap waktu (dt).5 5 Gambar 2.2009 m/dt.28 9 BAB 2. tuliskan langkah demi langkah proses inversi selengkap mungkin untuk menentukan: • kecepatan gelombang seismik (v) pada lapisan • kedalaman reflektor mendatar (z) terhadap permukaan (surface) . Jelas terlihat bahwa garis kurva berwarna biru benar-benar cocok melewati semua titik data pengukuran. Ini menunjukkan tingkat akurasi yang sangat tinggi.23) Data observasi yang berhasil dihimpun dari survei tersebut adalah Berdasarkan data tersebut. 2.9: Grafik hasil inversi parabola m=inv(G’*G)*G’*d Hasil inversinya adalah nilai kecepatan awal yaitu saat batu dilempar ke atas adalah sebesar 1 m1 = vo = 3. Garis berwarna biru merupakan garis kurva fitting hasil inversi parabola.8169. yang bergerak sesuai dengan lintasan warna merah.9 memperlihatkan kurva hasil inversi berserta sebaran titik data observasi. Adapun percepatan gravitasi diperoleh dari m2 dimana m2 = − 2 g = -0.5 1 1.5. Sehingga nilai kecepatan awal dan gravitasi hasil inversi cukup valid untuk menjelaskan gerak batu di planet X. maka disimpulkan nilai g adalah sebesar 1. Gambar 2.5 Waktu (dt) 3 3. memenuhi model matematika berikut ini 4z 2 x2 + 2 = t2 v2 v (2.5 4 4.6338 m/dt2 .2 Analisa data seismik pada reflektor tunggal horizontal Suatu survei seismik dilakukan untuk mengetahui kedalaman sebuah reflektor mendatar sebagaimana tampak pada gambar Waktu tempuh gelombang (t).5 2 2. FORMULASI MASALAH INVERSI 8 7 6 Ketinggian (m) 5 4 3 2 1 0 0 0.

Jarak antara S dan R disebut offset (x).25) Data observasi yang berhasil dihimpun dari survei tersebut adalah Berdasarkan data tersebut. 5147 2 80 0. maka proses inversi anda mungkin masih keliru! 2. Kecepatan gelombang v dianggap konstan. 5161 5 140 0. tentukan: • kecepatan gelombang seismik (v) pada lapisan • kedalaman reflektor miring (z) terhadap permukaan (surface) — jarak terdekat ke sumber gelombang seismik • sudut kemiringan reflektor (α) . meter Travel time (t).5. 5151 3 100 0. Tabel 2. Sementara garis merah yang ada panahnya adalah lintasan gelombang seismik.2. yang bergerak sesuai dengan lintasan warna merah.24) Hasil yang benar adalah: kecepatan = 2797 m/dt . 5183 8 200 0.5: Data variasi offset (x) dan travel time (t) Receiver R ke-i Offset (x). memenuhi model matematika berikut ini t2 = 4z 2 4xz sin α x2 + + 2 v2 v2 v (2. 5167 6 160 0. detik 1 60 0. S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik.10: Reflektor mendatar pada kedalaman z. CONTOH APLIKASI 29 S R1 R2 R3 R4 R5 R6 R7 R8 Surface z v Reflektor Gambar 2. 5192 Petunjuk: sederhanakan model matematika di atas menjadi m1 + m2 x2 = t2 (2.5. Jika anda tidak mendapatkan kedua angka tersebut. 5175 7 180 0.3 Analisa data seismik pada reflektor tunggal miring Suatu survei seismik dilakukan untuk mengetahui keberadaan sebuah reflektor miring sebagaimana tampak pada gambar Waktu tempuh gelombang (t). kedalaman = 719 meter. 5155 4 120 0.

4877 2 80 0. Jarak antara S dan R disebut offset (x). Kecepatan gelombang v dianggap konstan.11: Reflektor miring dengan sudut kemiringan sebesar α.6 Kesimpulan Dari sejumlah contoh pada bab ini. model matematika secara otomatis akan mempengaruhi bentuk rupa matrik kernelnya. detik 1 60 0. sesuai dengan model matematika. . 4900 3 100 0. meter Travel time (t).30 BAB 2. 4924 4 120 0. Sementara garis merah yang ada panahnya adalah lintasan gelombang seismik. FORMULASI MASALAH INVERSI x Surface S R1 R2 R3 R4 R5 z v a Reflektor O Gambar 2. Jadi.26) 2. Tabel 2. terlihat bahwa matrik kernel kerap kali berubah-ubah. S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik.6: Data variasi offset (x) dan travel time (t) Receiver R ke-i Offset (x). 4949 5 140 0. 4974 Petunjuk: sederhanakan model matematika di atas menjadi m1 + m2 x + m3 x2 = t2 (2.

1) dimana ei disebut error. garis regresi dinyatakan sebagai y = a0 + a1 x dan setiap data memenuhi relasi berikut yi = a0 + a1 xi + ei (3. yn ).1 Lalu data tersebut di-plot dalam sumbu x dan y. yang minimal.. tidak semua data observasi berhimpit dengan satu garis lurus.2) (3. tipe masalah inversi seperti ini diselesaikan dengan metode least squares. maka ia disebut linear. kita melakukan pendekatan secara linear. Dalam kenyataannya. Misalnya. Dengan metode least squares. Secara umum. ada satu set data observasi yang ditulis sebagai (x1 .. kita mencoba meminimalkan error. residual. kita bisa melihat bahwa data yang telah di-plot tersebut dapat didekati dengan sebuah persamaan garis. Kita dapat menjalankan prosedur yang sederhana untuk memperoleh nilai m dari data observasi.(xn . ei . 3.1 Regresi linear sederhana Jika suatu masalah inversi dapat direpresentasikan kedalam persamaan d = Gm. atau sering juga disebut misfit atau kesalahan prediksi (pre- diction error ). (S). Artinya..2 Metode least square Diketahui data eksperimen tersaji pada Tabel 3. Jika kita mencoba melakukan fitting terhadap semua titik data observasi kepada satu garis. dengan cara menentukan nilai a0 dan a1 sedemikian rupa sehingga diperoleh jumlah-kuadrat-error. Sekilas. y2 ). dimana fungsi pendekatan-nya adalah P (xi ) = a1 xi + a0 31 (3. Garis regresi tidak akan berhimpit dengan setiap data observasi dan biasanya untuk kasus inversi seperti ini selalu overdetermined.3) .(x2 . maka garis yang didapat disebut garis regresi. y1 ).Bab 3 Penyelesaian Masalah Overdetermined 3. yaitu a1 xi + a0 ..

m = 10. dimana nilai tersebut adalah nilai yang paling minimum atau paling mendekati nol.1 3 4.1: Contoh data observasi yang dapat diolah oleh least squares xi yi xi yi 1 1.0 10 15.1: Hasil plotting data observasi dalam sumbu-x dan sumbu-y Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa. kita masih bisa berharap agar fungsi error menghasilkan suatu nilai.3)) atau dapat diformulasikan sebagai m yi − P (xi ) = 0 i=1 m (3. sebisa mungkin yi (pada persamaan (3. yaitu m E(a0 .3 6 8. sehingga posisi garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas? Dengan kata lain.5) yi − (a1 xi + a0 ) = 0 i=1 dimana jumlah data. Suku yang berada disebelah kiri dinamakan fungsi error (error function).2 8 12. a1 ) = i=1 yi − (a1 xi + a0 ) (3.8 2 3. Jadi.5 4 5.5 7 10. tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. fungsi error-nya tidak pernah bernilai nol.32 BAB 3.0 9 13. Namun demikian.0 5 7.6 16 14 12 10 Y 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 X Gambar 3.2)) sama dengan P (xi ) (pada persamaan (3.6) Semua data yang diperoleh melalui eksperimen. Harapan tersebut diwujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga . PENYELESAIAN MASALAH OVERDETERMINED Tabel 3.4) (3.

Maka mesti ada dua buah turunan yaitu: ∂ ∂E(a0 . METODE LEAST SQUARE menjadi m 33 E(a0 .8) dimana i = 0 dan 1.m + a1 i=1 xi = i=1 yi (3. a1 ) =0 ∂ai (3. 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 . 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. maka didapat: a0 = dan a1 = 385(81) − 55(572.7) Agar fungsi error bisa mencapai nilai minimum. a1 ) = i=1 [yi − (a1 xi + a0 )]2 (3. maka syarat yang harus dipenuhi adalah: ∂E(a0 .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 (3.3.11) m i=1 xi yi − m 2 m i=1 xi (3.10) Akhirnya persamaan (3. karena dalam kasus ini memang cuma ada a0 dan a1 .2. 4) = −0.9) dan ∂E(a0 . 360 10(385) − (55)2 10(572. 4) − 55(81) = 1.9) dan (3. 538 10(385) − (55)2 .12) Berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini.

artinya metode regresi linear berupaya mencari nilai v dan Th . Th bertindak sebagai unknowm parameter (parameter yang tidak diketahui).2 menampilkan data survei seismik refraksi yang dilakukan dengan jarak offset xi dan waktu tempuh gelombang dari source ke receiver dicatat dalam ti . 538xi − 0.538*x − 0. Lebih jauh lagi a0 disebut intercept (titik perpotongan) terhadap sumbu y sedangkan a1 adalah gradient atau slope (kemiringan garis).36 2 4 6 8 10 Gambar 3. Teknik ini pertama kali dipakai oleh Gauss pada tahun 1809. 3. Metode regresi linear. dilakukan untuk memecahkan unknown parameter tersebut. v. atau yang juga akrab disebut least square. Pertama-tama proses . Sementara kecepatan gelombang pada medium. fungsi pendekatan-nya. Teknik ini disebut analisis regresi linear (linear regression analysis ) atau classical least squares fitting.3 Aplikasi regresi linear pada analisis data seismik refraksi Tabel 3.34 BAB 3. adalah P (xi ) = 1.2: Contoh solusi regresi linear Teknik diatas diterapkan secara rutin dalam analisis data geofisika. PENYELESAIAN MASALAH OVERDETERMINED Jadi. Anggap saja persamaan travel time adalah ti = xi + Th v (3.13) Parameter xi dan ti berperan sebagai known parameter (parameter yang diketahui). 360 Nilai a0 dan a1 disebut koefisien regresi. khususnya ketika kita mencoba meng-esktrak satu atau dua parameter model dari data observasi. Ketika kita ingin mendapatkan lebih dari 2 parameter maka teknik ini disebut analisis regresi multipel (multiple regression analysis ). P (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. Teknik ini pada mulanya digunakan untuk mencari solusi dari masalah overdetermined namun pada perkembangannya teknik ini diterapkan juga pada underdetermined problem setelah dimodifikasi. dan waktu tempuh gelombang secara vertikal.

karena bisa jadi. 25 − − 4 i=1 xi 4 2 i=1 xi 4 i=1 ti 2 4 i=1 xi = 1. 605 Dengan demikian kecepatan gelombang seismik pada medium tersebut1 adalah v = 1/a1 = 623.9 linearisasi dilakukan terhadap persamaan (3. ei = ti − (a0 + a1 xi ).2 11. walaupun perbedaan tersebut tidak boleh terlalu jauh atau masih bisa diterima 1 . 053 m/dt.16) = χ2 D = m i=1 x2 i m − i=1 2 Ei xi χ2 = 1 m−2 i=1 Sebagai catatan tambahan.11) dan (3. maka a0 = dan a1 = 4 4 4 2 i=1 xi 4 i=1 ti 4 2 i=1 xi 4 i=1 xi ti − − 4 i=1 xi ti 4 i=1 xi 4 4 i=1 xi 2 = 2. m = 4. APLIKASI REGRESI LINEAR PADA ANALISIS DATA SEISMIK REFRAKSI 35 Tabel 3. ti . Namun itu bukan nilai yang mutlak. dan jarak antara source dan receiver atau jarak offset.14) Kesalahan (error ) diasumsikan hanya berasal dari cuplikan waktu gelombang datang. Nilai kecepatan yang diperoleh adalah nilai hasil analisis regresi linear.15) (3.2: Data seismik refraksi: waktu-datang gelombang.13) sehingga menjadi ti = a0 + a1 xi dimana a0 = Th dan a1 = 1 v (3.12).3. χ2 adalah nilai deviasi rms (root mean square ) dari data ti terhadap garis regresi hasil analisis (a0 + a1 xi ) dengan faktor (m − 2) karena dalam masalah ini hanya dicari 2 parameter model (a0 dan a1 ).9 14. pengukuran kecepatan gelombang menggunakan (misalnya) sonic-log memperoleh hasil yang berbeda. xi Trace 1 2 3 4 xi (m) 2 4 6 8 ti (ms) 5. Penerapan metode regresi linear yang berusaha meminimalkan jumlah kuadrat dari error. dapat dinyatakan sesuai persamaan (3.1 9.3. Adapun 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. Dengan jumlah data.

36

BAB 3. PENYELESAIAN MASALAH OVERDETERMINED

3.4 Regresi linear dengan pendekatan matriks
Metode regresi linear dapat didekati dengan operasi matriks. Caranya sama persis dengan yang telah dibahas pada Bab 2. Pendekatan matrik ini dimulai dari upaya membuat persamaan matrik d = Gm dari persamaan model (persamaan (3.13)). Unknown parameter, yang hendak dipecahkan, terkandung pada elemen-elemen vektor m. 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 bervariasi. Karenanya, data observasi tak akan pernah fit secara sempurna dengan model. Itu artinya keberadaan misfit tidak pernah bisa dihindari. Konsekuensinya, misfit (baca: error) tersebut mesti disertakan pada d = Gm d = Gm + ei (3.17)

dan selanjutnya, solusi regresi linear diupayakan dengan cara meminimalkan jumlah kuadrat dari error, ei . Cara ini tak lain berupaya untuk memperoleh misfit terkecil yaitu jarak perbedaan terkecil antara data survei dan model. Dalam formulasi matematika, kuadrat error tersebut dinyatakan dengan q = eT e = (d − Gm)T (d − Gm) (3.18)

Dimana simbol T maksudnya adalah operasi transpose. Agar kuadrat error di atas menghasilkan nilai minimal, maka persamaan (3.18), diturunkan terhadap m dan hasilnya harus sama dengan nol ∂ dT d − dT Gm − mT GT d + mT GT Gm ∂q = =0 ∂mj ∂mj −dT G − GT d + GT Gm + mT GT G = 0 akhirnya diperoleh 2GT Gm = 2GT d GT Gm = GT d (3.19)

sehingga

Persamaan (3.19) disebut persamaan normal2 . Dengan persamaan normal, estimasi unknown parameter yang terkandung pada vektor m ditentukan oleh m = GT G
−1

GT d

(3.20)

Persamaan (3.20) disebut unconstrained least squares terhadap masalah inversi d = Gm. Bagian GT G
2

−1

GT dinamakan Generalized Inverse yang mengolah data d untuk memperoleh

Sebetulnya kita sudah menuliskannya di Bab 2 sebagai persamaan (2.4), namun tanpa penurunan rumus

3.4. REGRESI LINEAR DENGAN PENDEKATAN MATRIKS

37

parameter model m. Untuk menyelesaikan persamaan (3.20) dengan operasi matriks secara numerik atau komputasi bisa menggunakan beberapa metode, diantaranya metode Eliminasi Gauss, LU-Decomposition, Iterasi Gauss-Seidel, dan Singular Value Decomposition. 3.4.0.1 Aplikasi pada data survei seismik refraksi

Kembali kita tampilkan Tabel 3.3 merupakan data survei seismik refraksi yang dilakukan dengan jarak offset xi , dan persamaan travel time adalah ti = xi + Th v

Tabel 3.3: 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) 5,1 9,2 11,9 14,9

Pertama-tama proses linearisasi dilakukan terhadap persamaan travel time sehingga menjadi ti = a0 + a1 xi dimana a0 = Th dan a1 = 1 v

Berdasarkan linearisasi tersebut, kita bisa menyusun sistem persamaan linear sebagai berikut: t1 = a0 + a1 x1 t2 = a0 + a1 x2 t3 = a0 + a1 x3 t4 = a0 + a1 x4 Semua persamaan tersebut dapat dinyatakan dalam operasi matrik (d = Gm) berikut ini:  t1   1 x1 

     t2   1 x2   =   t   1 x  3   3   t4 1 x4 dimana  t1   1 x1      

a0 a1

   t2    d=   t3  t4

  1 x2 G=  1 x 3  1 x4

dan

m=

a0 a1

38

BAB 3. PENYELESAIAN MASALAH OVERDETERMINED

Selanjutnya, unknown parameter, a0 dan a1 , dipecahkan dengan menggunakan persamaan (3.20). Untuk menuju kesana, langkah-langkah penyelesaian berikutnya adalah 1. Menentukan transpos dari matrik G, yaitu GT  1 x1 

   1 x2    G= 1 x3    1 x4 2. Melakukan perkalian matriks GT G

GT =

1

1

1

1

x1 x2 x3 x4

G G=

T

1

1

1

1

1 x1

x1 x2 x3 x4

  1 x2   1 x 3  1 x4

  =  

N xi

xi
2 xi

dimana N = 4 dan i = 1, 2, 3, 4. 3. Kemudian menentukan perkalian GT d  t1 

G d=

T

1

1

1

1

x1 x2 x3 x4

   t2     t =  3  t4

ti xi ti

4. Sekarang persamaan (3.20) dapat dinyatakan sebagai
−1

a0 a1

=

N xi

xi x2 i

ti xi ti

(3.21)

Berdasarkan data survei pada Tabel 3.3 di atas, diperoleh
−1

a0 a1

=

4

20

41, 1 237, 6

20 120

(3.22)

Operasi matriks di atas akan menghasilkan nilai a0 = 2, 25 dan a1 = 1, 605. Dengan demikian v = 1/a1 = 623, 053 m/dt

Depth.3 35.2 29. t(o C) 25.3.5.0 26. Tentukan slope dan intercept pada z-axis dan kemudian perkirakan temperatur pada kedalaman 390m.5 . z(m) 30 70 180 250 300 Temp.7 34.5 Soal Diketahui data temperatur borehole sebagai berikut. SOAL 39 3.

.

Karena kita sadar bahwa obyek yang sedang kita incar dibawah sana. atau juga bersumber dari data geologi. Karena letaknya yang berada dibawah permukaan bumi. yang selanjutnya akan digunakan untuk meng-constrain solusi sehingga diperoleh solusi yang dianggap paling tepat untuk menggambarkan kondisi bawah permukaan. Masalahnya. Informasi tambahan ini disebut a priori information. maka obyek geofisika tidak bisa diamati dengan mata telanjang. Sebagai gantinya. respon tersebut dianalisis hingga diperoleh solusi yang nantinya siap menjadi acuan interpretasi. yang semuanya itu bisa saja dipakai untuk menjelaskan data observasi. informasi awal (h) tersebut diharapkan membantu pemodelan inversi sehingga diperoleh hasil yang unik dari sejumlah kemungkinan solusi. Namun demikian pada akhirnya. proses ini disebut meng-constrain. sementara solusi yang diperoleh disebut solusi ter-constrain. kita harus memilih satu buah solusi yang paling baik menurut kita. atau yang saya indonesiakan menjadi informasi awal. Secara umum. pastilah hanya berada dalam satu kondisi tertentu yang unik. Sekali lagi. Selanjutnya. 4. Constrain 41 . Inilah yang disebut dengan istilah non-uniqueness problem atau non-unik. atau bisa juga dari data borehole. A priori information. mau tidak mau obyek tersebut dipelajari dengan mengamati respon bawah permukaan bumi ketika suatu gangguan fisis diberikan padanya.Bab 4 Constrained Linear Least Squares Inversion Geofisika merupakan ilmu yang bertujuan untuk memahami kondisi bawah permukaan bumi dengan menggunakan prinsip-prinsip ilmu fisika. Untuk mendapatkan solusi yang unik. pada kebanyakan pengamatan geofisika. kita harus menambahkan sejumlah informasi yang sebelumnya tidak ada pada persamaan least square d = Gm. sangat mungkin mendapatkan solusi yang berbeda-beda. ini didapat dari data geofisika yang lainnya.1 Inversi dengan informasi awal Kita dapat menambahkan informasi awal (h) kepada parameter model dalam suatu proses inversi.

2) Untuk mendapatkan error minimum maka turunan φ terhadap parameter model m dibuat sama dengan nol 2GT Gm − 2GT d + 2β 2 DT Dm − 2β 2 DT h = 0 sehingga diperoleh persamaan normal (GT G + β 2 DT D)m = GT d + β 2 DT h Ketika D adalah matrik identitas.42 BAB 4. Konstanta β disebut faktor pengali undetermined atau disebut juga faktor pengali Lagrange. Kalau kita menyelesaikan persamaan (4. maka persamaan normal berubah menjadi (GT G + β 2 I)m = (GT d + β 2 h) Dari sini solusi ter-constrain didapat sebagai berikut mc = (GT G + β 2 I)−1 (GT d + β 2 h) ˆ (4. Formulasi matematika-nya adalah sebagai berikut φ = (d − Gm)T (d − Gm) + β 2 (Dm − h)T (Dm − h) (4.yang beroperasi pada parameter model m sedemikian rupa sehingga parameter m "dipaksa" untuk sama persis dengan informasi awal (h). Parameter β ditentukan secara coba-coba (trial and error).4) (4. Sehingga metode ini disebut Lagrange multiplier method (metode pengali Lagrange). Keuntungannya adalah formula ini dapat membantu mendapatkan satu solusi yang unik dari sejumlah solusi yang mungkin pada masalah overdetermined.5) (4. CONSTRAINED LINEAR LEAST SQUARES INVERSION terhadap suatu data dirumuskan sebagai berikut Dm = h (4. berarti kita telah melakukan apa yang disebut dengan linear equality constraints.1) Dimana D adalah matrik -dengan seluruh elemen selain diagonal bernilai nol.1). . namun biasanya ia memiliki nilai antara nol dan satu. dimana didalamnya terdapat ketidakpastian sebagai akibat dari kesalahan pengukuran (observational errors) dan ketidakpastian (uncertainties).3) Formula ini dinamakan inversi linear terkonstrain atau disebut juga the biased linear estimation technique.

 . .1. Misalnya jika informasi awal yang diketahui hanya ada satu.  .1.. INVERSI DENGAN INFORMASI AWAL 4.6) Namun demikian.  . sistem persamaan linear yang bisa disusun adalah t1 = m1 + m2 x1 t2 = m1 + m2 x2 t3 = m1 + m2 x3 t4 = m1 + m2 x4 Sekarang kita berasumsi memiliki informasi konstrain dari kegiatan explorasi sebelumnya bahwa solusi least square harus melewati titik koordinat (xc . .2 1 0  m1   h1        m2   0   =   m   0  0  3    1 m4 h4 (4.  m1 m2 . . Persamaan least square garis adalah ti = m1 + m2 xi (4. . mp   h1 h2 . .  .7) Jika pada kasus lain. kita punya informasi awal yaitu parameter pertama dan parameter ke empat. hp     . .9) dengan parameter model yang terdiri atas m1 dan m2 . modifikasinya menjadi       m1 m2 .. Sementara data lapangan merupakan pasangan dari jarak offset xi dan waktu datang gelombang (first arrival time) ti . 0   =   hknown (4. Jika ada 4 data lapangan.  1     =          (4.1 Memformulasikan persamaan terkonstrain 43 Persamaan Dm = h secara umum memiliki bentuk  1 1 . tc ). . Jadi kita harus meng-konstrain .   . . maka persamaan matrik terkonstrain menjadi       4.8) Contoh aplikasi inversi terkonstrain Contoh 1: Least squares garis terkonstrain Sekarang kita ingin menerapkan inversi terkonstrain pada pengolahan data first arrivals dari seismik refraksi. mp  1 0 .4. persamaan matrik di atas dapat dimodifikasi sesuai kebutuhan.1.

.10) Persamaan matrik di atas harus diintegrasikan dengan d = Gm sehingga solusi akhir merupakan solusi terkonstrain yang kita harapkan lebih akurat dibandingkan jika tidak terkonstrain.13) dimana nilai β mesti kita tentukan secara coba-coba namun dalam batas antara nol dan satu. yaitu (GT G + β 2 I)m = (GT d + β 2 h) Sekarang mari kita masukkan kedua komponen kedalam persamaan (4.12) Sebelum dilanjut. 1 xc m1 m2 = tc (4.4) secara utuh.4)    n xi 1 xi 1  m1   ti     x2 xc   m2  =  i β xc 0  xi ti  tc (4. dimana dikenal dua komponen berikut GT G dan GT d.44 BAB 4. mari kita tengok lagi persamaan normal (4. GT G = dan GT d = ti xi ti n xi xi 2 xi Agar menjadi terkonstrain kedua komponen itu mesti dimodifikasi sedemikian rupa sehingga menjadi  n xi 1 xi 1   (GT G + β 2 I) =  dan  x2 xc  i xc 0  (4.11)  (GT d + β 2 h) =   ti  xi ti  tc (4. CONSTRAINED LINEAR LEAST SQUARES INVERSION solusi least square untuk mengakomodasi informasi awal tersebut. Tentu anda masih ingat pada least square tidak terkonstrain.

3)=8.3)=1.2)=8. kita melangkah pada kasus nyata.6.15) Kemudian kita hitung komponen matrik yang lain  ti   41. Tentukan parameter model untuk persamaan garis yang melewati titik (xc = 8. Tabel 4. Berikut ini adalah script lengkapnya dalam Matlab clear all clc. a(2. a(1. a(2. a(1. 5643 dan β = 0. 9 (4. solusi terkonstrain terhadap inversi garis yang melewati (xc .4)=41. 1   (GT d + β 2 h) =     xi ti  =  237.1: 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(3.9 Akhirnya. m2 = 1. INVERSI DENGAN INFORMASI AWAL 45 Tabel 4.2)=120.4. 2714. a(3.1 menunjukkan data pengukuran seismik refraksi. a(2.1. 6  tc 14.1)=4. 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. a(2.14) Sekarang. yc = 14.2)=20.1)=1. 3857.1 9. . tc ) adalah  m1   n xi 1 xi 1 −1    ti     mc =  m2  =  ˆ β  x2 xc  i xc 0  xi ti  tc (4. a(1. Solusi yang diperoleh adalah m1 = 2.1)=20.2 11.16) Problem ini dapat diselesaikan secara numerik dengan metode Eliminasi Gauss.9 14. a(1.4)=237.1.

4.1)=a(n..9. end % akhir dari proses substitusi mundur ------------x 4.46 a(3.1). % berikut ini proses substitusi mundur ---------for k=1:n-1 i=n-1-k+1.i)=a(k. CONSTRAINED LINEAR LEAST SQUARES INVERSION % berikut ini proses triangularisasi ----------for j=1:(n-1) kk=j+1. j=i+1. a(3.k) * x(k. (m2 −m3 ).1 Formulasi masalah Mari kita pelajari bagaimana suatu masalah dapat diformulasikan menuju solusi yang smooth. maka lakukanlah proses minimalisasi perbedaan paramter yang berdekatan (m1 −m2 ).2 Inversi dengan Smoothness Cara yang paling efektif untuk menginversi data yang terbatas adalah dengan menentukan konstrain sehingan solusi yang diinginkan menjadi smooth (halus). Jika diinginkan parameter model bervariasi dengan jarak selisih yang kecil.j)*a(j. % n = jumlah baris BAB 4. end x(i.j) for i=1:(n+1) a(k. for k=kk:n m(k.4)=14.1)=(a(i.3)=0. end end end % akhir dari proses triangularisasi ------------a x(n..n+1)/a(n. Tingkatan smooth dapat diukur berdasarkan kondisi fisis atau kondisi geologi.j)=a(k.i)-m(k.i).i). a n=3.n).2..n+1)-sum)/a(i. sum=0. for k=j:n sum = sum + a(i.j)/a(j. (mp−1 −mp ).. .

. kita mencari seluruh kemungkinan solusi dengan residual q1 = |d − Gm|2 dan solusi yang paling smoothness dengan judgement dari ukuran q2 (m).20) φ = (d − Gm)T (d − Gm) + β 2 (mT DT Dm) 4. Kita nyatakan mengenai masalah terkonstrain adalah: Dimulai dari data lapangan yang tidak komplit. Jika parameter model tidak bervariasi secara smooth terhadap posisi. pernyataan di atas memiliki maksud: meminimalkan q2 = mT Hm dibawah kondisi |d − Gm|2 = q1 atau secara umum |d − Gm|2 ≤ qT . Operasi ini akan mendorong proses inversi menuju kondisi stabil.17) dimana D adalah operator selisih yang bertindak sebagai matrik smoothness dan Dm disebut penghalus (flatness) solusi vektor parameter model m.  . Masalah konstrain membutuhkan minimalisasi d − Gm 2 (4.4.19) dan q2 (m) secara bersamaan. .  1      0  =    0     0 mp (4.18) Dalam kasus ini.  . ∂ 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 . Secara matematik.   0     . tidak lengkap.   .2. perlu dilakukan minimalisasi terhadap persamaan (4.2 Solusi masalah Untuk mendapatkan solusi parameter model. INVERSI DENGAN SMOOTHNESS Perbedaan ini dinyatakan sebagai persamaan konstrain Dm = h       1 −1 1 −1 1 −1       m1 m2 . D adalah matrik identitas dengan dimensi p × p dan dimensi h adalah p × 1. dimana qT adalah nilai toleransi maksimum dari residual atau misfit.  . . Untuk mendapatkan solusi yang smooth. kita gunakan ukuran selisih seperti persamaan (4.2.  . . . tidak cukup. (4. .   0  47      0  =    0     0 mp (4. dinyatakan sebagai q2 (m) = (Dm − h)T (Dm − h) = mT DT Dm = mT Hm dimana H = DT D.20). maka gunakanlah persamaan konstrain berbentuk  1 1 .  m1 m2 .2).

22) lebih populer disebut Damped Least Squares solution atau solusi Least Square Teredam. Dan akhirnya solusi smoothness diturunkan sebagai berikut ms = GT G + β 2 H Dan bila D = I.48 BAB 4. .22) Persamaan (4. CONSTRAINED LINEAR LEAST SQUARES INVERSION Ini adalah persamaan normal yang baru.21) GT d (4. Nama lainya yang juga cukup terkenal adalah inversi Marquardt. ms = GT G + β 2 I −1 −1 GT d (4.

(1994). A Max. Society of Exploration Geophysicists (SEG) 49 . Geophysical Data Analysis: Understanding Inverse Problem Theory and Practice.Daftar Pustaka [1] Meju..

.

31 parameterisasi. 4 hidrogeologi. 3 highly non-linear. 5 kernel. 3 gelombang seismik. 6 sedimentasi. 3 matematika diskrit. 3 geologi. 4 eksplorasi. 6 observasi. 1 forward. 3 elektroda. 4 model matematika. 3 seismik refraksi. 4 instrumental error. 6 sumur bor. 6 jejari bumi. 5 komputasi. 7 fitting. 4 instrumen. 3 gempa bumi. 5 model fisik. 3 gelombang elektromagnetik. 1 densitas. 1 bessel. 1 51 . 1 slowness. 3 bahan tambang. 3 arus fluida. 6 lithospere. 7 human error. 4 inversi. 1 data observasi. 4 resistivity. 3 linearisasi. 1 inversi diskrit. 5 noise. 1 model konseptual. 4 modulus bulk. 1 sampling rate. 3 non-linear. 4 momen inersia.Indeks akurasi. 4 Schlumberger. 4 hambatan jenis. 7 data lapangan. 5 laboratorium. 3 unknown parameter. 1. 6 permeabilitas.

Sign up to vote on this title
UsefulNot useful