P. 1
Analisis Data Geofisika

Analisis Data Geofisika

|Views: 521|Likes:

More info:

Published by: Nuel Pratama Sitanggang on May 19, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/24/2012

pdf

text

original

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

.

Kalem dan Percaya Diri .Mottoku : Tenang.

.

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

.

. . . . . . . . . . . . . . . . . . . . . . . . . . . 3. . . 3. . . .6 Kesimpulan . 3. . . . 2 Formulasi Masalah Inversi 2. . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . . . 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. . . . . . . . . . 1.4 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . .3 Eksplorasi geofisika dan inversi . . . . . .2 Metode least square . . . 1.5 Deskripsi proses geofisika: Model matematika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Regresi linear sederhana . . . . . . . . . 2. . . . . .5 Contoh aplikasi . . . . . . . .4 Macam-macam data geofisika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Regresi linear dengan pendekatan matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . .6 Diskritisasi dan linearisasi . . . . . . . . . 2. . . . . . . . . . . . . . . 1. . . . . . . . . . . . . . . 2. . 2. . . . . 3 Penyelesaian Masalah Overdetermined 3. .3 Analisa data seismik pada reflektor tunggal miring . . . . . . .1 Menghitung gravitasi di planet X . . . . . . . . . . . . .5 Soal . . . . . . . . .Daftar Isi Lembar Persembahan Kata Pengantar Daftar Isi Daftar Gambar Daftar Tabel 1 Pendahuluan 1. . . . . .5. . . . 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 . . . .2 Analisa data seismik pada reflektor tunggal horizontal . 2. .1 Klasifikasi masalah inversi . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . .5. . . . . . . . 2. . . . . . . . .1 Definisi dan Konsep Dasar . . . . . . .2 Proses geofisika . . . . . . . . . . . . .3 Aplikasi regresi linear pada analisis data seismik refraksi . . . . . . . . . . . . . . . . . . . .2 Inversi Model Garis . . . . . . . . . . . .

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

.4 Konfigurasi elektroda pada metode Schlumberger . .2 Alur pemodelan forward . . . . . . . . . . . 2. . . . . . 2. Sementara garis merah yang ada panahnya adalah lintasan gelombang seismik. . . . . . . . . . . . . .2 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman . . . . . . . . . . . . S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik. . 1. . . . Jarak antara S dan R disebut offset (x). S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik. Sementara garis merah yang ada panahnya adalah lintasan gelombang seismik. . . . . . . . . . . 2 2 4 6 10 14 15 18 20 23 23 26 28 29 30 32 34 ix . . 2. . 2. . 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 . 2. . . . . . . . . .10 Reflektor mendatar pada kedalaman z. . . . . .3 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . . . . . . . . . . . . .1 Alur pemodelan inversi . . . . . . . . . . . . Saya sebut saja sebagai bidang inversi . . . . .2 Contoh solusi regresi linear . 3. . . .7 Ini adalah hasil inversi yang sama. . . . . . . . 2. . . . . . . . . . . . . . 2. Tanda titik merah adalah data observasi sementara kurva biru adalah kurva hasil inversi 2. . Kecepatan gelombang v dianggap konstan. . . . . . . . Kecepatan gelombang v dianggap konstan. . . . . . . . . 2. . . . . . . . . . 1. . . . .1 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . 1. . . . . . . . . .4 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman.8 Grafik data pengukuran gerak batu . . . . . . .Daftar Gambar 1. .5 Data observasi perubahan nilai terhadap posisi koordinat x dan y . . . . . . . . .6 Hasil inversi berbentuk bidang. . . .1 Hasil plotting data observasi dalam sumbu-x dan sumbu-y . . . . . 2. . . . . . . . . . . . . . . . . . . . . Jarak antara S dan R disebut offset (x). .3 Alur eksperimen lapangan dan eksperimen laboratorium . . . . . . . . .9 Grafik hasil inversi parabola . . . . . . . .11 Reflektor miring dengan sudut kemiringan sebesar α. . . . . . . . . . 3. . . . . . . . . . . 2. . . . . . . . . . . .

.

. . . . . . . . . . . . . . . . . . . . . . . .3 Distribusi suatu nilai dalam area tertentu . . . . . . . . 2. . . . . 2. .5 Data variasi offset (x) dan travel time (t) . . . . . . . . . . . . . . . . . . . . . dan jarak antara source dan receiver atau jarak offset. . . . . . . . . 2. . . . .6 Data variasi offset (x) dan travel time (t) . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 15 20 25 29 30 32 35 37 3.3 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi ) . . . . . . . . . . . . . . . .4 Data ketinggian terhadap waktu dari planet X . . . . . . . .1 Contoh data observasi yang dapat diolah oleh least squares . . . . . . . . . . . . . . . . . . ti . . . . . . . . . . .1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . .Daftar Tabel 2. . . . . . . 3. . . .2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . 45 xi . . . .2 Data seismik refraksi: waktu-datang gelombang. . xi .1 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi ) . . . . 4. . . . . . . . . . . . . . . . . 3. . . . . . . . . .

.

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.Bab 1 Pendahuluan 1. Penghubung dari keduanya hampir selalu berupa persamaan matematika atau kita menyebutnya sebagai model matematika. Tabel angka-angka itu selanjutnya disebut data observasi atau juga biasa disebut data lapangan .1 Definisi dan Konsep Dasar Dalam geofisika. Sementara proses kebalikannya dimana kita ingin memperoleh data prediksi hasil pengukuran berdasarkan parameter fisis yang sudah diketahui. kita melakukan analisis terhadap data lapangan dengan cara melakukan curve fitting (pencocokan kurva) antara model matematika dan data lapangan. Informasi itu hanya bisa kita dapat bila kita mengetahui hubungan antara sifat fisis batuan tersebut dan data observasinya.2. hasil pengukuran dicatat dan disajikan dalam bentuk tabel angkaangka pengukuran. Maka dengan berdasarkan model matematika itulah. Kita berharap data eksperimen dapat memberi informasi sebanyak-banyaknya. kita bisa mengekstrak parameter fisis batuan dari data observasi. melainkan juga kondisi geometri batuan bawah permukaan dan posisi kedalaman batuan tersebut. maka proses ini disebut proses forward atau forward modelling. Contoh problem inversi dalam bidang geofisika adalah 1.9. Tujuan dari proses inversi adalah untuk mengestimasi parameter fisis batuan yang tidak diketahui sebelumnya (unknown parameter). lihat Gambar 2. tidak sekedar mengenai sifat fisis batuan saja. Di dalam proses inversi. Proses inversi adalah suatu proses pengolahan data lapangan yang melibatkan teknik penyelesaian matematika dan statistik untuk mendapatkan informasi yang berguna mengenai distribusi sifat fisis bawah permukaan. Kemudian. Hasil pengukuran tersebut sudah barang tentu sangat tergantung pada kondisi dan sifat fisis batuan bawah permukaan. kegiatan pengukuran lapangan selalu dilakukan berdasarkan prosedur yang sudah ditentukan. Penentuan struktur bawah tanah 2. Proses ini disebut proses inversi atau istilah asingnya disebut inverse modelling. Estimasi parameter-parameter bahan tambang 1 . lihat Gambar 1.

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

4 Macam-macam data geofisika Data geofisika bisa diperoleh dari pengukuran di lapangan atau bisa juga dari pengukuran di laboratorium. Untuk mencapai tujuan ini. Ada juga kendala ketidaklengkapan data atau malah kurang alias tidak cukup. dengan analisis data yang paling mungkin. seperti kehadiran noise pada data yang diukur. berkelanjutan dan terintegrasi menggunakan sejumlah ragam metode geofisika. kita berupaya memperoleh informasi yang relatif valid berdasarkan keterbatasan data yang kita miliki. perambatan gelombang elektromagnetik di bawah tanah dan juga aliran muatan (arus listrik) ataupun arus fluida pada batuan berpori adalah contoh-contoh proses geofisika. yang dikontrol oleh distribusi parameter fisis batuan berikut struktur geologinya. Dari sini terlihat betapa pentingnya proses analisis apalagi bila segala keputusan diambil berdasarkan data eksperimen. Pemodelan respon lithospere untuk mengamati proses sedimentasi 6.3 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. Namun demikian. Estimasi parameter-parameter akumulasi sumber energi 4. sejumlah informasi mengenai kegiatan akuisisi data juga diperlukan. Gambar 1.2. PROSES GEOFISIKA 3.1. langkah berikutnya adalah membuat model bawah permukaan yang nantinya akan menjadi modal dasar interpretasi. Data lapangan tak lain merupakan refleksi dari kompleksitas sistem geofisika yang sedang diamati. Penentuan lokasi gempa bumi berdasarkan waktu gelombang datang 5. Ujung dari rangkaian proses ini adalah penentuan lokasi pemboran untuk mengangkat sumber daya alam bahan tambang/mineral dan oil-gas ke permukaan. 1. 1. Seringkali –bahkan hampir pasti– terjadi beberapa kendala akan muncul dan tak bisa dihindari. Dalam melakukan analisis.3 memperlihatkan alur pengambilan data dari masing-masing pen- . Kesalahan penentuan lokasi berdampak langsung pada kerugian meteril yang besar dan waktu yang terbuang percuma. idealnya kegiatan survey atau pengukuran harus dilakukan secara terus menerus.2 Proses geofisika Perambatan gelombang seismik. 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. Setelah proses analisis dilalui. Analisis sumur bor pada hidrogeologi 3 1.

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

4) dapat dinyatakan dalam formulasi yang lebih umum yaitu R di = 0 Ki (r)p(r)dr (1.6.2). dan lain-lain) yang selanjutnya disebut parameter model. Keduanya terkait dengan densitas bawah permukaan sesuai rumus-rumus berikut R M assa = 4π 0 r2 ρ(r)dr r4 ρ(r)dr (1. z). Mari kita ambil kasus massa dan momen inersia bumi.3) (1. yang distribusi kecepatan gelombangnya kontinyu v(x. resistivitas dan densitas) bisa jadi merupakan fungsi yang kontinyu terhadap jarak atau posisi. ditentukan oleh t= L 1 dl v(x.5) sama persis dengan persamaan (1.1).1).2) Deskripsi matematika terhadap sistem geofisika seperti contoh di atas disebut forward modelling.1) dimana di adalah respon atau data yang terukur. p(z) adalah suatu fungsi yang berkaitan dengan parameter fisis yang hendak dicari (misalnya: hambatan jenis.4) M oment inersia = 8π 3 R 0 dimana R adalah jejari bumi dan ρ(r) merupakan fungsi densitas terhadap jarak r. DISKRITISASI DAN LINEARISASI geofisika. Sebagai contoh. forward modelling digunakan untuk memprediksi data simulasi berdasarkan hipotesa kondisi bawah permukaan. Persamaan (1. Data simulasi tersebut biasanya dinamakan data teoritik atau data sintetik atau data prediksi atau data kalkulasi.6) . ρ(r) juga berhubungan dengan p(z) pada persamaan (1.5) dapat dinyatakan sebagai di = Gij mj (1.6 Diskritisasi dan linearisasi Dalam banyak kasus. Kebanyakan proses geofisika dapat dideskripsikan oleh persamaan integral berbentuk z 5 di = 0 Ki (z)p(z)dz (1. sementara Ki menjadi Gi sehingga persamaan (1. 1. z) (1.4 dan 1. Pendekatan komputasi memungkinkan kita untuk menyederhanakan ρ(r)dr menjadi m. Data kernel menjelaskan hubungan antara data dan parameter model p(z). kecepatan. Cara seperti ini disebut pendekatan forward atau lebih dikenal sebagai pemodelan forward (Gambar 1. densitas. Parameter model (misalnya kecepatan. model bumi selalu fungsi kontinyu terhadap jarak dan kedalaman. Integral ini relatif mudah dievaluasi secara komputasi dengan matematika diskrit. waktu tempuh t antara sumber gelombang seismik dengan penerimanya sepanjang lintasan L dalam medium.1. dan Ki disebut data kernel.

Namun demikian. PENDAHULUAN Gambar 1. persamaan (1. Persamaan memenuhi bentuk d = Gm. Sehingga proses inversi yang akan kita lakukan disebut sebagai teori inversi diskrit dan bukan teori inversi kontinyu. Kita sering berasumsi bahwa bawah permukaan bumi terdiri dari lapisan-lapisan yang masing-masing memiliki sifat fisis atau parameter fisis p(z) yang seragam. Secara umum.4: Konfigurasi elektroda pada metode Schlumberger Ini adalah bentuk diskritisasi.9) . data pengukuran maupun paremeter model selalu dibatasi pada interval tertentu. kita akan selalu memandang model yang diskrit dan juga parameter yang diskrit daripada model dan paremeter yang kontinyu. Formula model yang diturunkan oleh Parasnis. Dalam bentuk diskrit. memang pada kenyataannya ketika melakukan eksperimen di lapangan. Operasi transformasi seperti itu dinamakan linearisasi parameter.7) Perlu dicatat disini bahwa waktu tempuh t tidak berbanding lurus dengan parameter model v.8) Hubungan ini disebut linear.2) bisa dinyatakan sebagai p ti = j=1 Lij vj (1. melainkan berbanding terbalik.6 BAB 1. jika kita mendefinisikan parameter model c = 1/v. Sekarang mari kita lihat problem dari pengukuran resistivitas semu dengan metode Schlumberger untuk mengamati lapisan bawah permukaan yang diasumsikan terdiri dari dua lapisan. Dan proses menuju kesana dinamakan linearisasi. dimana c adalah slowness gelombang seismik. 1986 adalah ∞ ρa (L) = ρ1 1 + 2L2 0 K(λ)J1 (λL)λdλ (1. Dalam kuliah ini. Langkah praktis ini yang terkesan menyederhanakan obyek lapangan disebut langkah parameterisasi. Misalnya lapisan tertentu memiliki densitas sekian dan ketebalan sekian. maka problem ini bisa dinyatakan sebagai p ti = j=1 Lij cj (1. Hubungan ini dinamakan non-linear terhadap v.

K(λ) dinyatakan sebagai K(λ) = dimana k1.1.6.9) tidak bisa didekati dengan d = Gm sebagaimana yang dilakukan pada persamaan (1. J1 adalah fungsi Bessel orde 1 dan K(λ) adalah fungsi parameter (resistivitas masing-masing lapisan yaitu ρ1 dan ρ2 serta ketebalan lapisan paling atas t) dari sistem yang kita asumsikan.2 (−2λt) (−2λt) 1 + −k1. Oleh karena itu persamaan resistivitas semu di atas disebut highly non-linear.2 ρ1 − ρ2 ρ1 + ρ2 Kita bisa lihat bahwa persamaan (1.2 = −k1.2). . DISKRITISASI DAN LINEARISASI 7 dimana L = AB/2 adalah jarak masing-masing elektroda terhadap titik tengah.

.

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

4 50. xlabel(’Kedalaman (m)’).6 147.6 6 z6 = 60 T6 = 147.5 10 z10 = 100 T10 = 223.3 4 z4 = 40 T4 = 92.7 9 z9 = 90 T9 = 188.’*r’).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].2 Variasi Suhu vs Kedalaman 250 200 Suhu (Celcius) 150 100 50 0 0 20 40 60 Kedalaman (m) 80 100 Gambar 2.T. % Plot data observasi plot(z.10 BAB 2.8 8 z8 = 80 T8 = 182.1 77.3 92. FORMULASI MASALAH INVERSI Tabel 2.3 137. ylabel(’Suhu (Celcius)’). T = [35.3 5 z5 = 50 T5 = 137.4 2 z2 = 16 T2 = 50.8 182.7 188.5 223. title(’\fontsize{14} Variasi Suhu vs Kedalaman’).0 180.0 7 z7 = 70 T7 = 180.1: Data temperatur bawah permukaan tanah terhadap kedalaman Pengukuran ke-i Kedalaman (m) Temperatur (O C) 1 z1 = 5 T1 = 35.1 3 z3 = 25 T3 = 77. grid. .2].

Pada model matematika di atas terdapat dua buah parameter model. Sedangkan m1 dan m2 disebut parameter model atau biasa juga disebut unknown parameter. (M = 2). dan G disebut matrik kernel.3) dimana d adalah data yang dinyatakan dalam vektor kolom. Rumus di atas disebut model matematika. zi . Berdasarkan model tersebut. yaitu nilai-nilai kedalaman. juga dinyatakan dalam vektor kolom. m adalah model parameter. Lantas bagaimana cara menda- . Ti . Sementara jumlah data observasi ada empat. INVERSI MODEL GARIS 11 Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus berikut ini: m1 + m2 zi = Ti (2.2) Gm = d (2.2. 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 (2.2.1) dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. (N = 10). dan temperatur.

maka akan diperoleh matrik bujursangkar 1 . 3. 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. 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..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. Selanjutnya. . Tentukan transpos dari matrik kernel. 10. FORMULASI MASALAH INVERSI patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi1 berikut ini bisa menjawabnya GT Gm = GT d (2. Akibatnya tidak bisa dihitung nilai invers-nya. 2.. Dengan mengalikan matrik G dan transpose matrik G. sementara i = 1. yaitu GT  1 1 1 1 1 1 1 1 1 1 z1  (2. untuk mendapatkan elemen-elemen m. Matrik G biasanya tidak berbentuk bujursangkar.12 BAB 2..4) dimana T disini maksudnya adalah tanda transpos matrik.

T = [35. 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. 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]. Dengan menggunakan hasil dari langkah 2 dan langkah 3.2.9 dan m2 = 2.8 182.0 180.4) dapat dinyatakan sebagai GT Gm = GT d N zi zi 2 zi m1 m2 = Ti z i Ti (2.1 77.4 50.5 223. .0.3 137.7 188. INVERSI MODEL GARIS 3.2].7) = 536 536 38006 Operasi matriks di atas akan menghasilkan nilai m1 = 24.3 92. yaitu m=inv(G’*G)*G’*d Secara lebih lengkap. maka persamaan (2. 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 4.2.6) Berdasarkan data observasi pada tabel di atas. Perintah di Matlab untuk menghitung elemen-elemen m.6 147.

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

Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T1 . INVERSI MODEL PARABOLA 15 2.3 Inversi Model Parabola Kembali kita ambil contoh variasi temperatur terhadap kedalaman dengan sedikit modifikasi data. 6 tersebut selanjutnya di-plot ke dalam grafik variasi suhu terhadap kedalaman.3. Berdasarkan model tersebut... 8 2 z2 = 8 T2 = 22.2: Data temperatur bawah permukaan tanah terhadap kedalaman Pengukuran ke-i Kedalaman (m) Temperatur (O C) 1 z1 = 5 T1 = 20. 2 7 z7 = 45 T7 = 63. T2 . (M = 3). dan T8 .. Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi ). m2 dan m3 adalah unknown parameter. 3 4 z4 = 21 T4 = 32. 6 3 z3 = 14 T3 = 25.. 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. 7 8 z8 = 60 T8 = 74. Tabel pengukuran yang diperoleh adalah: Data observasi Tabel 2.2. Jadi pada model di atas terdapat tiga buah model parameter. kita bisa menyatakan temperatur dan kedalaman sebagai sistem persamaan simultan yang terdiri atas 8 persamaan (sesuai dengan jumlah data . 7 5 z5 = 30 T5 = 41.8) dimana m1 .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. 5 6 z6 = 36 T6 = 48.

9) dimana d adalah data yang dinyatakan dalam vektor kolom.11) dimana t disini maksudnya adalah tanda transpos matrik. dan G disebut matrik kernel. untuk mendapatkan elemen-elemen m. Lantas bagaimana cara mendapatkan nilai m1 . m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya GT Gm = GT d (2. juga dinyatakan dalam vektor kolom.16 observasi): BAB 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. diperlukan langkah-langkah perhitungan berikut ini: . m adalah model parameter. 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. Selanjutnya.

. 3.16) 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. 8... 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. 2.3. 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. 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 2.2. INVERSI MODEL PARABOLA 1.12) . . Tentukan transpos dari matrik kernel. 3. Sekarang persamaan (2.

18 BAB 2.6 25. % Plot data observasi plot(z.3 32. FORMULASI MASALAH INVERSI Berdasarkan data observasi pada tabel di atas. 33 yaitu m=inv(G’*G)*G’*d (2.4 Script Variasi Suhu vs Kedalaman 80 70 60 Suhu (Celcius) 50 40 30 20 10 0 10 20 30 Kedalaman (m) 40 50 Gambar 2.2 63. 05 dan m3 = 0. . diperoleh  8 219 8547  m1   349. Gabungan antara data observasi dan kurva hasil inversi diperlihatkan oleh Gambar 2.7 41. m2 = 0. 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].’*r’).8 22.7 74.5 48. 02.T.4: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman.6]. 81   219 8547 393423 19787859 m3 594915. T = [20. 89       8547 393423   m2  =  12894. Sehingga operasi matriks di atas akan menghasilkan nilai m1 = 21.13) Matlab telah menyediakan sebuah baris perintah untuk menghitung elemen-elemen m.

Selanjutnya mari kita pelajari inversi model bidang atau model 2dimensi (2-D). % Membentuk matrik kernel G dan vektor d n = length(z). dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini. end d = T’. for k = 1:n G(k. Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model parabola.3. zz = 0:0.2. .2) = z(k). title(’\fontsize{14} Variasi Suhu vs Kedalaman’). xlabel(’Kedalaman (m)’).^2.3) = z(k).5:z(n). Anda bisa mengaplikasikan pada kasus lain.^2. 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. TT = m(1) + m(2)*zz + m(3)*zz. % Perhitungan inversi dengan general least-squares m = inv(G’*G)*G’*d. G(k. yaitu model garis: y = m1 + m2 x + +m3 x2 . G(k. ylabel(’Suhu (Celcius)’). % Plot hasil inversi (berupa garis least-squares) hold on.1) = 1. plot(zz.TT).

2 24.9 7 6 4 25.8 11.9 25. FORMULASI MASALAH INVERSI 2. Tabel 2.2 10 4 5 24.4 8 9 1 33. y = [3 6 2 7 8 9 4 1 5 5]. nilai = [10.8 5 1 8 11.6 2 5 6 23.3.1 6 3 9 18.1 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 33.4 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 9 8 5 33.6 23.5 33.1 18.3 4 4 7 20.1].3 20.5: 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].5 3 7 2 27.20 BAB 2.3: Distribusi suatu nilai dalam area tertentu Pengukuran ke-i X (m) Y (m) Nilai 1 2 3 10. .5 27.

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

 ..  . 3. Tentukan GT G 1 xN  y2   y3   . Sampai disini. y1  ⇒ BAB 2.  . FORMULASI MASALAH INVERSI     G=    2. N .  . . Sekarang. Kemudian tentukan pula GT d  d1   Gt d =  x1 x2 x3 · · · xN y1 y2 y3 · · · yN  1 1 1 ··· 1           d2   d3  =    . maka anda tinggal memasukan data tersebut ke dalam persamaan di atas. y1 1 xN   y2   y3  =    .  . . yaitu GT  1 1 1 .22 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. 2. jika tersedia data observasi.6 . 3. . . .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.  .  dN di  xi di  yi d i  4. .. . dan i = 1. x1 x2 x3 .17) 5.  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 . persamaan (2.  yN  N xi yi xi x2 i xi yi yi  xi yi  2 yi  dimana N = jumlah data. Tentukan transpos dari matrik kernel. x1 x2 x3 .

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 .4. 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 2.2.6: Hasil inversi berbentuk bidang. Saya sebut saja sebagai bidang inversi Gambar 2.

1) = 1. Anda bisa mengaplikasikan data pengukuran yang anda miliki. 2. % Plot data observasi plot3(x. FORMULASI MASALAH INVERSI clear close % Data observasi x = [2 5 7 4 1 3 6 9 8 4].8 11.9 25.*m(3). [X.2) = x(k). Z = m(1) + X.Y] = meshgrid(min(x):max(x).6 23.3 20. dengan syarat kasus yang anda tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini. grid. title(’\fontsize{14} Sebaran nilai terhadap X dan Y’). % Plot hasil inversi (berupa garis least-squares) hold on. end d = nilai’.*m(2) + Y.Z).1]. ia segera mengeluarkan kamera otomatis. yaitu mencari unkown parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak sebuah batu). Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 2.8. % Membentuk matrik kernel G dan vektor d ndata = length(x).5 Contoh aplikasi 2.’*r’). y = [3 6 2 7 8 9 4 1 5 5]. ini adalah persoalan inversi.5. Jelas.1 Menghitung gravitasi di planet X Seorang astronot tiba di suatu planet yang tidak dikenal.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 2.5 33. % Perhitungan inversi dengan general least-squares m = inv(G’*G)*G’*d. Setibanya disana. Anda diminta untuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet tersebut dan kecepatan awal batu. for k = 1:ndata G(k.min(y):max(y)). Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model . nilai = [10. zlabel(’Nilai’). lalu melakukan ekperimen kinematika yaitu dengan melempar batu vertikal ke atas. yaitu memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan bidang (atau 2-dimensi): d = m1 + m2 x + m3 y.Y.nilai. G(k.4 33. surf(X.y.2 24.5 27. G(k.ndata = length(nilai).3) = y(k). xlabel(’X (m)’).1 18. ylabel(’Y (m)’).

72 4.5.75 6.52 1.62 0.75 8.50 7. = .96 4.19) (2.40 3. .94 3.00 2.25 7.00 7. Sehingga model matematika (formulasi GLBB) dapat dimodifikasi sedikit menjadi 1 vo t − gt2 = h − ho 2 Selanjut.00 4.50 7.25 0. .50 6. Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel.07 5.75 7.00 0.75 3.75 1.00 5. ketinggian pada saat t = 0 adalah 5 m. Salah satu konsep dari fisika yang bisa diajukan adalah konsep tentang Gerak-Lurus-Berubah-Beraturan (GLBB). .50 2.00 8. . . CONTOH APLIKASI Tabel 2.25 3.13 4.77 0.38 3. .4: Data ketinggian terhadap waktu dari planet X Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m) 0.85 1. yang formulasinya seperti ini 1 ho + vo t − gt2 = h 2 Berdasarkan tabel data observasi.2.25 5.58 2.25 6.77 2.50 6. yaitu dengan memasukan data observasi kedalam model matematika (persamaan (2.20) 1 m2 = − g 2 (2. didefinisikan m1 dan m2 sebagai berikut m1 = vo sehingga persamaan model GLBB menjadi m1 ti + m2 t2 = hi − 5 i dimana i menunjukkan data ke-i. Itu artinya ho = 5 m.20 1.86 2. yang digali dari konsep-konsep fisika. m1 t20 + m2 t2 = h20 − 5 20 (2.25 8.20)) m1 t1 + m2 t2 = h1 − 5 1 m1 t2 + m2 t2 = h2 − 5 2 m1 t3 + m2 t2 = h3 − 5 3 . .73 1.90 25 matematika. yang kira-kira paling cocok dengan situasi pengambilan data observasi.10 4.00 7.75 5.18) .

prosedur inversi dilakukan satu-per-satu (2. penyelesaian masalah inversi dimulai dari proses manipulasi persamaan matrik sehingga perkalian antara Gt dan G menghasilkan matriks bujursangkar Gt Gm = Gt d Selanjutnya.  t2  19  t2 20   h2 − 5   h3 − 5  = .5 2 2.5 Waktu (detik) 3 3.  .  .8: Grafik data pengukuran gerak batu Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:               t1 t2 t3 t4 . . t19 t20 t2 1 t2 2 t2 3 t2 4  m1 m2  h1 − 5                    .26 9 BAB 2. .5 5 Gambar 2.5 1 1.    h19 − 5 h20 − 5 Operasi matrik di atas memenuhi persamaan matrik Gm = d Seperti yang sudah dipelajari pada bab ini. .  . untuk mendapatkan m1 dan m2 .21) . FORMULASI MASALAH INVERSI 8 7 6 Tinggi (meter) 5 4 3 2 1 0 0 0.5 4 4.

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

2009 m/dt.5 5 Gambar 2. yang bergerak sesuai dengan lintasan warna merah.8169.5. memenuhi model matematika berikut ini 4z 2 x2 + 2 = t2 v2 v (2. 2. maka disimpulkan nilai g adalah sebesar 1. Adapun percepatan gravitasi diperoleh dari m2 dimana m2 = − 2 g = -0.28 9 BAB 2.23) Data observasi yang berhasil dihimpun dari survei tersebut adalah Berdasarkan data tersebut. Jelas terlihat bahwa garis kurva berwarna biru benar-benar cocok melewati semua titik data pengukuran.6338 m/dt2 .9 memperlihatkan kurva hasil inversi berserta sebaran titik data observasi. Sehingga nilai kecepatan awal dan gravitasi hasil inversi cukup valid untuk menjelaskan gerak batu di planet X.5 2 2.5 4 4. FORMULASI MASALAH INVERSI 8 7 6 Ketinggian (m) 5 4 3 2 1 0 0 0.5 Waktu (dt) 3 3. tuliskan langkah demi langkah proses inversi selengkap mungkin untuk menentukan: • kecepatan gelombang seismik (v) pada lapisan • kedalaman reflektor mendatar (z) terhadap permukaan (surface) .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. Gambar 2. Garis berwarna biru merupakan garis kurva fitting hasil inversi parabola. Sedangkan bulatan berwarna merah adalah data pengukuran ketinggian (m) terhadap waktu (dt). Ini menunjukkan tingkat akurasi yang sangat tinggi.5 1 1.2 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).

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

Kecepatan gelombang v dianggap konstan.11: Reflektor miring dengan sudut kemiringan sebesar α.26) 2. Tabel 2. meter Travel time (t). 4877 2 80 0.30 BAB 2. S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik. sesuai dengan model matematika.6 Kesimpulan Dari sejumlah contoh pada bab ini. 4974 Petunjuk: sederhanakan model matematika di atas menjadi m1 + m2 x + m3 x2 = t2 (2. . Jarak antara S dan R disebut offset (x). FORMULASI MASALAH INVERSI x Surface S R1 R2 R3 R4 R5 z v a Reflektor O Gambar 2. Jadi. Sementara garis merah yang ada panahnya adalah lintasan gelombang seismik. model matematika secara otomatis akan mempengaruhi bentuk rupa matrik kernelnya. detik 1 60 0. 4949 5 140 0. terlihat bahwa matrik kernel kerap kali berubah-ubah. 4900 3 100 0. 4924 4 120 0.6: Data variasi offset (x) dan travel time (t) Receiver R ke-i Offset (x).

tidak semua data observasi berhimpit dengan satu garis lurus. Kita dapat menjalankan prosedur yang sederhana untuk memperoleh nilai m dari data observasi. garis regresi dinyatakan sebagai y = a0 + a1 x dan setiap data memenuhi relasi berikut yi = a0 + a1 xi + ei (3. ei .2 Metode least square Diketahui data eksperimen tersaji pada Tabel 3. Dengan metode least squares.. yn ). Secara umum. kita bisa melihat bahwa data yang telah di-plot tersebut dapat didekati dengan sebuah persamaan garis. tipe masalah inversi seperti ini diselesaikan dengan metode least squares. y1 ). Garis regresi tidak akan berhimpit dengan setiap data observasi dan biasanya untuk kasus inversi seperti ini selalu overdetermined. ada satu set data observasi yang ditulis sebagai (x1 .1 Regresi linear sederhana Jika suatu masalah inversi dapat direpresentasikan kedalam persamaan d = Gm.Bab 3 Penyelesaian Masalah Overdetermined 3.2) (3. residual.(xn . kita melakukan pendekatan secara linear. atau sering juga disebut misfit atau kesalahan prediksi (pre- diction error ). Artinya.1 Lalu data tersebut di-plot dalam sumbu x dan y. dengan cara menentukan nilai a0 dan a1 sedemikian rupa sehingga diperoleh jumlah-kuadrat-error..(x2 . kita mencoba meminimalkan error. dimana fungsi pendekatan-nya adalah P (xi ) = a1 xi + a0 31 (3. Dalam kenyataannya... yaitu a1 xi + a0 . Jika kita mencoba melakukan fitting terhadap semua titik data observasi kepada satu garis. y2 ). yang minimal. maka garis yang didapat disebut garis regresi. maka ia disebut linear.3) . 3. (S). Misalnya. Sekilas.1) dimana ei disebut error.

1 3 4. sebisa mungkin yi (pada persamaan (3. m = 10.5 4 5. Namun demikian.32 BAB 3.1: Contoh data observasi yang dapat diolah oleh least squares xi yi xi yi 1 1. yaitu m E(a0 . Suku yang berada disebelah kiri dinamakan fungsi error (error function).5 7 10.6) Semua data yang diperoleh melalui eksperimen. sehingga posisi garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas? Dengan kata lain.0 10 15. PENYELESAIAN MASALAH OVERDETERMINED Tabel 3.6 16 14 12 10 Y 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 X Gambar 3.4) (3.1: Hasil plotting data observasi dalam sumbu-x dan sumbu-y Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa. a1 ) = i=1 yi − (a1 xi + a0 ) (3.3 6 8. Harapan tersebut diwujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga .2)) sama dengan P (xi ) (pada persamaan (3.3)) atau dapat diformulasikan sebagai m yi − P (xi ) = 0 i=1 m (3. fungsi error-nya tidak pernah bernilai nol.5) yi − (a1 xi + a0 ) = 0 i=1 dimana jumlah data. dimana nilai tersebut adalah nilai yang paling minimum atau paling mendekati nol.8 2 3.0 9 13.2 8 12. Jadi.0 5 7. tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. kita masih bisa berharap agar fungsi error menghasilkan suatu nilai.

4) − 55(81) = 1. a1 ) =0 ∂ai (3. a1 ) = i=1 [yi − (a1 xi + a0 )]2 (3.3. 360 10(385) − (55)2 10(572.9) dan (3. karena dalam kasus ini memang cuma ada a0 dan a1 .m + a1 i=1 xi = i=1 yi (3. a1 ) ∂ = ∂a1 ∂a1 m m [yi − (a1 xi + a0 )]2 = 0 i=1 2 i=1 (yi − a1 xi − a0 )(−xi ) = 0 m m m a0 i=1 xi + a1 i=1 x2 i = i=1 xi yi (3.8) dimana i = 0 dan 1.10) 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. METODE LEAST SQUARE menjadi m 33 E(a0 . 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 .12) Berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini.10) Akhirnya persamaan (3. 538 10(385) − (55)2 . maka syarat yang harus dipenuhi adalah: ∂E(a0 .7) Agar fungsi error bisa mencapai nilai minimum. Maka mesti ada dua buah turunan yaitu: ∂ ∂E(a0 .2.11) m i=1 xi yi − m 2 m i=1 xi (3.9) dan ∂E(a0 . 4) = −0. maka didapat: a0 = dan a1 = 385(81) − 55(572.

P (xi ). PENYELESAIAN MASALAH OVERDETERMINED Jadi. dan waktu tempuh gelombang secara vertikal. Th bertindak sebagai unknowm parameter (parameter yang tidak diketahui). Ketika kita ingin mendapatkan lebih dari 2 parameter maka teknik ini disebut analisis regresi multipel (multiple regression analysis ).2 menampilkan data survei seismik refraksi yang dilakukan dengan jarak offset xi dan waktu tempuh gelombang dari source ke receiver dicatat dalam ti . 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. khususnya ketika kita mencoba meng-esktrak satu atau dua parameter model dari data observasi. 360 Nilai a0 dan a1 disebut koefisien regresi. dilakukan untuk memecahkan unknown parameter tersebut. Lebih jauh lagi a0 disebut intercept (titik perpotongan) terhadap sumbu y sedangkan a1 adalah gradient atau slope (kemiringan garis). adalah P (xi ) = 1. Teknik ini disebut analisis regresi linear (linear regression analysis ) atau classical least squares fitting.2: Contoh solusi regresi linear Teknik diatas diterapkan secara rutin dalam analisis data geofisika. artinya metode regresi linear berupaya mencari nilai v dan Th . atau yang juga akrab disebut least square. Anggap saja persamaan travel time adalah ti = xi + Th v (3. 538xi − 0. Metode regresi linear. Pertama-tama proses .3 Aplikasi regresi linear pada analisis data seismik refraksi Tabel 3.34 BAB 3.13) Parameter xi dan ti berperan sebagai known parameter (parameter yang diketahui). Sementara kecepatan gelombang pada medium. fungsi pendekatan-nya.538*x − 0. v. 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 diterapkan juga pada underdetermined problem setelah dimodifikasi. 3.36 2 4 6 8 10 Gambar 3.

dapat dinyatakan sesuai persamaan (3. 605 Dengan demikian kecepatan gelombang seismik pada medium tersebut1 adalah v = 1/a1 = 623. Dengan jumlah data.2 11. m = 4.2: Data seismik refraksi: waktu-datang gelombang.11) dan (3. APLIKASI REGRESI LINEAR PADA ANALISIS DATA SEISMIK REFRAKSI 35 Tabel 3. ti . xi Trace 1 2 3 4 xi (m) 2 4 6 8 ti (ms) 5.15) (3.16) = χ2 D = m i=1 x2 i m − i=1 2 Ei xi χ2 = 1 m−2 i=1 Sebagai catatan tambahan. Penerapan metode regresi linear yang berusaha meminimalkan jumlah kuadrat dari error. 053 m/dt.9 14. 25 − − 4 i=1 xi 4 2 i=1 xi 4 i=1 ti 2 4 i=1 xi = 1. ei = ti − (a0 + a1 xi ). 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 (3.14) Kesalahan (error ) diasumsikan hanya berasal dari cuplikan waktu gelombang datang. dan jarak antara source dan receiver atau jarak offset. 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 ).1 9. Namun itu bukan nilai yang mutlak. pengukuran kecepatan gelombang menggunakan (misalnya) sonic-log memperoleh hasil yang berbeda.13) sehingga menjadi ti = a0 + a1 xi dimana a0 = Th dan a1 = 1 v (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 = 2.12). karena bisa jadi.3.9 linearisasi dilakukan terhadap persamaan (3. walaupun perbedaan tersebut tidak boleh terlalu jauh atau masih bisa diterima 1 . Nilai kecepatan yang diperoleh adalah nilai hasil analisis regresi linear.3.

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

5 Soal Diketahui data temperatur borehole sebagai berikut. Depth. SOAL 39 3.7 34. Tentukan slope dan intercept pada z-axis dan kemudian perkirakan temperatur pada kedalaman 390m. t(o C) 25. z(m) 30 70 180 250 300 Temp.3.5 .0 26.2 29.5.3 35.

.

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

Kalau kita menyelesaikan persamaan (4.2) 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. . Konstanta β disebut faktor pengali undetermined atau disebut juga faktor pengali Lagrange.yang beroperasi pada parameter model m sedemikian rupa sehingga parameter m "dipaksa" untuk sama persis dengan informasi awal (h).42 BAB 4. Sehingga metode ini disebut Lagrange multiplier method (metode pengali Lagrange). Formulasi matematika-nya adalah sebagai berikut φ = (d − Gm)T (d − Gm) + β 2 (Dm − h)T (Dm − h) (4.1). Keuntungannya adalah formula ini dapat membantu mendapatkan satu solusi yang unik dari sejumlah solusi yang mungkin pada masalah overdetermined. 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 (4.4) (4. 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) Dimana D adalah matrik -dengan seluruh elemen selain diagonal bernilai nol.5) (4. CONSTRAINED LINEAR LEAST SQUARES INVERSION terhadap suatu data dirumuskan sebagai berikut Dm = h (4. Parameter β ditentukan secara coba-coba (trial and error). berarti kita telah melakukan apa yang disebut dengan linear equality constraints. namun biasanya ia memiliki nilai antara nol dan satu.

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 .6) Namun demikian.  m1 m2 . . modifikasinya menjadi       m1 m2 . 0   =   hknown (4. . kita punya informasi awal yaitu parameter pertama dan parameter ke empat.4.1 Memformulasikan persamaan terkonstrain 43 Persamaan Dm = h secara umum memiliki bentuk  1 1 . .  . mp  1 0 .  . Persamaan least square garis adalah ti = m1 + m2 xi (4. . . Sementara data lapangan merupakan pasangan dari jarak offset xi dan waktu datang gelombang (first arrival time) ti .  1     =          (4.  . INVERSI DENGAN INFORMASI AWAL 4. Misalnya jika informasi awal yang diketahui hanya ada satu.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   h1 h2 . tc ).1. Jika ada 4 data lapangan. persamaan matrik di atas dapat dimodifikasi sesuai kebutuhan. maka persamaan matrik terkonstrain menjadi       4.. . hp     .   .1.. Jadi kita harus meng-konstrain . .7) Jika pada kasus lain.2 1 0  m1   h1        m2   0   =   m   0  0  3    1 m4 h4 (4. .  .1.9) dengan parameter model yang terdiri atas m1 dan m2 .

CONSTRAINED LINEAR LEAST SQUARES INVERSION solusi least square untuk mengakomodasi informasi awal tersebut. Tentu anda masih ingat pada least square tidak terkonstrain.12) Sebelum dilanjut. yaitu (GT G + β 2 I)m = (GT d + β 2 h) Sekarang mari kita masukkan kedua komponen kedalam persamaan (4. dimana dikenal dua komponen berikut GT G dan GT d.13) dimana nilai β mesti kita tentukan secara coba-coba namun dalam batas antara nol dan satu. 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. 1 xc m1 m2 = tc (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. mari kita tengok lagi persamaan normal (4.4) secara utuh. .44 BAB 4.11)  (GT d + β 2 h) =   ti  xi ti  tc (4.4)    n xi 1 xi 1  m1   ti     x2 xc   m2  =  i β xc 0  xi ti  tc (4.

3)=8.9 14. a(3. a(2.15) Kemudian kita hitung komponen matrik yang lain  ti   41.1 menunjukkan data pengukuran seismik refraksi.14) Sekarang. a(1. 3857. a(1.1)=20.1)=1. a(2.9 Akhirnya. Tabel 4. solusi terkonstrain terhadap inversi garis yang melewati (xc .1 9.6.4)=237. Berikut ini adalah script lengkapnya dalam Matlab clear all clc. 5643 dan β = 0. INVERSI DENGAN INFORMASI AWAL 45 Tabel 4. a(3.4. Tentukan parameter model untuk persamaan garis yang melewati titik (xc = 8. tc ) adalah  m1   n xi 1 xi 1 −1    ti     mc =  m2  =  ˆ β  x2 xc  i xc 0  xi ti  tc (4. 6  tc 14.16) Problem ini dapat diselesaikan secara numerik dengan metode Eliminasi Gauss. a(1.3)=1.1. m2 = 1.4)=41. kita melangkah pada kasus nyata. .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. yc = 14. a(2.1)=4. 9 (4.2)=20. 2714.2)=120.2 11. a(2.2)=8.1. Solusi yang diperoleh adalah m1 = 2. 9)! Langkah pertama kita hitung komponen matrik  n xi 1 xi 1   4 20 1   (GT G + β 2 I) =     x2 xc  =  20 120 8  i xc 0 1 8 0 (4. a(1. 1   (GT d + β 2 h) =     xi ti  =  237.

Tingkatan smooth dapat diukur berdasarkan kondisi fisis atau kondisi geologi. CONSTRAINED LINEAR LEAST SQUARES INVERSION % berikut ini proses triangularisasi ----------for j=1:(n-1) kk=j+1. end % akhir dari proses substitusi mundur ------------x 4..2.1 Formulasi masalah Mari kita pelajari bagaimana suatu masalah dapat diformulasikan menuju solusi yang smooth. % n = jumlah baris BAB 4. end end end % akhir dari proses triangularisasi ------------a x(n.i). a n=3. sum=0. Jika diinginkan parameter model bervariasi dengan jarak selisih yang kecil. maka lakukanlah proses minimalisasi perbedaan paramter yang berdekatan (m1 −m2 ).n+1)/a(n. a(3.n+1)-sum)/a(i.9.j)=a(k.46 a(3. for k=kk:n m(k.j)*a(j.2 Inversi dengan Smoothness Cara yang paling efektif untuk menginversi data yang terbatas adalah dengan menentukan konstrain sehingan solusi yang diinginkan menjadi smooth (halus).j)/a(j.3)=0. for k=j:n sum = sum + a(i.j) for i=1:(n+1) a(k.k) * x(k. (mp−1 −mp ).4)=14. (m2 −m3 ).1).1)=a(n..i).i)-m(k. 4. . end x(i..i)=a(k. j=i+1.1)=(a(i..n). % berikut ini proses substitusi mundur ---------for k=1:n-1 i=n-1-k+1.

Untuk mendapatkan solusi yang smooth.18) Dalam kasus ini. tidak cukup. Operasi ini akan mendorong proses inversi menuju kondisi stabil.   . Masalah konstrain membutuhkan minimalisasi d − Gm 2 (4. pernyataan di atas memiliki maksud: meminimalkan q2 = mT Hm dibawah kondisi |d − Gm|2 = q1 atau secara umum |d − Gm|2 ≤ qT .   0  47      0  =    0     0 mp (4.  1      0  =    0     0 mp (4.2. (4. Secara matematik. maka gunakanlah persamaan konstrain berbentuk  1 1 . . Kita nyatakan mengenai masalah terkonstrain adalah: Dimulai dari data lapangan yang tidak komplit.  .2.   0     .2).19) dan q2 (m) secara bersamaan.20). . . . . D adalah matrik identitas dengan dimensi p × p dan dimensi h adalah p × 1. . INVERSI DENGAN SMOOTHNESS Perbedaan ini dinyatakan sebagai persamaan konstrain Dm = h       1 −1 1 −1 1 −1       m1 m2 .20) φ = (d − Gm)T (d − Gm) + β 2 (mT DT Dm) 4. dinyatakan sebagai q2 (m) = (Dm − h)T (Dm − h) = mT DT Dm = mT Hm dimana H = DT D.2 Solusi masalah Untuk mendapatkan solusi parameter model.  .4.  m1 m2 .  . perlu dilakukan minimalisasi terhadap persamaan (4. dimana qT adalah nilai toleransi maksimum dari residual atau misfit. Jika parameter model tidak bervariasi secara smooth terhadap posisi. tidak lengkap. kita gunakan ukuran selisih seperti persamaan (4.17) dimana D adalah operator selisih yang bertindak sebagai matrik smoothness dan Dm disebut penghalus (flatness) solusi vektor parameter model m.  . ∂ 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 . kita mencari seluruh kemungkinan solusi dengan residual q1 = |d − Gm|2 dan solusi yang paling smoothness dengan judgement dari ukuran q2 (m).

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

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

.

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->