Anda di halaman 1dari 45

Analisis Data Geosika:

Memahami Teori Inversi


Dr. Eng. Supriyanto, M.Sc
Edisi I
Departemen Fisika-FMIPA
Univeristas Indonesia
2007
Untuk Muih Syamil dan Hasan Azmi........
Mottoku : Tenang, Kalem dan Percaya Diri
Kata Pengantar
Buku ini semula merupakan diktat perkuliahan mata kuliah Analisis Data Geosika yang diberikan
kepada mahasiswa Geosika 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 geosika untuk memiliki ke-
mampuan memformulasikan masalah, menyusun hipotesis, metode dan solusi sehingga mampu
menyelesaikan masalah-masalah geosika secara mandiri.
Terima kasih yang tak terhingga ingin saya sampaikan kepada Dede Djuhana yang telah
bersedia berbagi memberikan le 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 Denisi dan Konsep Dasar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Proses geosika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Eksplorasi geosika dan inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Macam-macam data geosika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Deskripsi proses geosika: Model matematika . . . . . . . . . . . . . . . . . . . . 3
1.6 Diskritisasi dan linearisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Masalah Inversi di Geosika 7
2.1 Arti dari masalah inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Contoh-contoh pemodelan inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3 Formulasi Masalah Inversi 9
3.1 Klasikasi masalah inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2 Diskritisasi dan parameterisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.3 Masalah formulasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3.1 Distribusi densitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3.2 Pengukuran temperatur pada sumur . . . . . . . . . . . . . . . . . . . . . 11
3.3.3 Desain lter digital pada dekonvolusi seismik . . . . . . . . . . . . . . . . 11
4 Penyelesaian Masalah Overdetermined 13
4.1 Regresi linear sederhana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 Metode least square . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.3 Aplikasi least square pada interpretasi seismik refraksi . . . . . . . . . . . . . . . 16
4.4 Inversi least squares linear: pendekatan matriks . . . . . . . . . . . . . . . . . . . 17
4.5 Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
vii
viii
5 Constrained Linear Least Squares Inversion 19
5.1 Inversi dengan informasi awal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
5.1.1 Memformulasikan persamaan terkonstrain . . . . . . . . . . . . . . . . . . 20
5.1.2 Contoh aplikasi inversi terkonstrain . . . . . . . . . . . . . . . . . . . . . . 21
5.2 Inversi dengan Smoothness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2.1 Formulasi masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2.2 Solusi masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Daftar Pustaka 27
Indeks 29
Daftar Gambar
1.1 Alur eksperimen lapangan dan eksperimen laboratorium . . . . . . . . . . . . . . 3
1.2 Kongurasi elektroda pada metode Schlumberger . . . . . . . . . . . . . . . . . . 5
2.1 Alur pemodelan forward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Alur pemodelan inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.1 Parameterisasi sederhana terhadap bumi . . . . . . . . . . . . . . . . . . . . . . . 10
4.1 Masalah regresi linear (least squares) yang sederhana . . . . . . . . . . . . . . . 13
4.2 Contoh solusi regresi linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
ix
Daftar Tabel
4.1 Contoh data observasi yang dapat diolah oleh least squares . . . . . . . . . . . . 14
5.1 Data seismik refraksi: waktu-datang gelombang (t
i
) pada empat posisi geophone
(x
i
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
xi
Bab 1
Pendahuluan
1.1 Denisi dan Konsep Dasar
Dalam geosika, suatu eksperimen atau pengukuran selalu dilakukan berdasarkan prosedur ter-
tentu. Kemudian, hasil dari suatu eksperimen biasanya berupa tabel angka-angka pengukuran
yang mewakili apa yang teramati sebagai akibat dari sifat sis suatu obyek di bawah permukaan
tanah. Hasil eksperimen tersebut sesungguhnya merupakan hasil pengamatan terhadap sifat -
sis batuan bawah permukaan. Angka-angka itu disebut data eksperimen atau data observasi
atau juga biasa disebut data lapangan .
Kita berharap data eksperimen dapat menginformasikan sifat sis batuan dan geometri batu-
an bawah permukaan beserta posisi kedalamannya. Informasi itu hanya bisa kita dapat bila kita
mengetahui hubungan antara sifat sis tersebut dan data observasi. Dan hubungan keduanya
selalu berupa persamaan matematika atau kita menyebutnya sebagai model matematika. Ma-
ka dengan berdasarkan model matematika itulah, kita bisa mengekstrak parameter sis batuan
dari data observasi. Proses ini disebut proses inversi. Sementara proses kebalikannya dimana
kita ingin memperoleh data simulasi pengukuran berdasarkan parameter sis yang sudah dike-
tahui, maka proses ini disebut proses forward.
Proses inversi adalah suatu proses pengolahan data eksperimen yang melibatkan teknik
penyelesaian matematika dan statistik untuk mendapatkan informasi yang berguna mengenai
distribusi sifat sis bawah permukaan. Di dalam proses inversi, kita melakukan analisis ter-
hadap data eksperimen dengan cara melakukan curve tting (pencocokan kurva) antara model
matematika dan data eksperimen. Tujuan dari proses inversi adalah untuk mengestimasi pa-
rameter sis batuan yang tidak diketahui sebelumnya (unknown parameter). Proses inversi
terbagi dalam level-level tertentu mulai dari yang paling sederhana seperti tting garis untuk
data seismik refraksi sampai kepada level yang rumit seperti tomogra akustik dan matching
(pencocokan) kurva resistivity yang multidimensi. Contoh problem inversi dalam bidang ge-
osika adalah
1. Penentuan struktur bawah tanah
2. Estimasi parameter-parameter bahan tambang
1
2 BAB 1. PENDAHULUAN
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 geosika
Perambatan gelombang seismik, perambatan gelombang elektromagnetik di bawah tanah dan
juga arus listrik atau arus uida pada batuan berpori adalah contoh proses-proses geosika.
Kondisi bawah tanah dapat dibayangkan sebagai distribusi parameter sis batuan yang mere-
eksikan sistem geosika yang sedang diamati. Untuk diskusi selanjutnya kita angkat sistem-
sistem geosika berikut ini:
1. Distribusi densitas di bawah tanah
2. Distribusi kecepatan di bawah tanah
3. Distribusi temperatur di bawah tanah
4. Distribusi hambatan jenis (resistivity) di bawah tanah
5. Distribusi material radioaktif di bawah tanah
6. Variasi suseptibilitas magnetik di bawah tanah
1.3 Eksplorasi geosika dan inversi
Tujuan utama dari kegiatan eksplorasi geosika adalah untuk mengetahui sekaligus merekon-
struksi bawah permukaan bumi dengan mengandalkan data eksperimen yang diukur pada per-
mukaan bumi atau dibawah permukaan bumi atau bisa juga di atas permukaan bumi. Untuk
mencapai tujuan ini, idealnya kegiatan eksperimen harus dilakukan terus menerus berkelan-
jutan dan terintegrasi dengan sejumlah ragam metode geosika. Seringkali bahkan hampir
pasti terjadi, data yang terukur mengandung noise. Kadang-kadang datanya tidak lengkap atau
malah kurang alias tidak cukup. Namun demikian, kita berupaya memperoleh informasi yang
relatif valid berdasarkan data yang kita miliki.
Dalam menjalankan proses inversi sejumlah informasi mengenai kegiatan akuisisi data ju-
ga diperlukan, antara lain: berapakah nilai sampling rate yang optimal? Berapa jumlah data
yang diperlukan? Berapa tingkat akurasi yang diinginkan? Selanjutnya masih bagian dari
proses inversi model matematika yang cocok mesti ditentukan yang mana akan berperan keti-
ka menghubungkan data eksperimen dan parameter sis yang hendak dicari. Langkah terakhir
adalah melakukan interpretasi berdasarkan distribusi parameter sis hasil olahan proses inversi.
1.4. MACAM-MACAM DATA GEOFISIKA 3
Gambar 1.1: Alur eksperimen lapangan dan eksperimen laboratorium
Ujung dari semua 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 meteril yang besar dan waktu yang terbuang percuma. Dari sini ter-
lihat betapa pentingnya proses inversi apalagi bila segala keputusan diambil berdasarkan data
eksperimen.
1.4 Macam-macam data geosika
Contoh-contoh data geosika adalah massa dan momen inersia bumi, waktu tempuh gelombang
seismik, anomali gravitasi, hambatan jenis semu yang terukur di permukaan tanah, data sumur,
dan lain-lain. Data geosika bisa diperoleh dari pengukuran di lapangan atau bisa juga dari
pengukuran di laboratorium. Gambar 1.1 memperlihatkan alur pengambilan data dari masing-
masing pengukuran.
Pada pengukuran lapangan, data geosika 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 sis 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 geosika. 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
4 BAB 1. PENDAHULUAN
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 geosika: Model matematika
Seluruh proses geosika dapat dideskripsikan secara matematika. Sebagaimana yang telah dise-
butkan diawal, suatu formulasi yang bisa menjelaskan sistem geosika disebut model. Namun
perlu ditekankan juga bahwa istilah model memiliki ragam konotasi dikalangan geosaintis. Mis-
alnya, orang geologi kerapkali menggunakan istilah model konseptual, atau istilah model sik
yang digunakan untuk menyebutkan hasil laboratorium, atau dalam catatan ini kita menggu-
nakan istilah model matematika yang merupakan istilah umum dikalangan para ahli geosika.
Kebanyakan proses geosika 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 sis 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 geosika seperti contoh di atas disebut teori forward.
Teori forward 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.
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 = 4
_
R
0
r
2
(r)dr (1.3)
Moment inersia =
8
3
_
R
0
r
4
(r)dr (1.4)
1.6. DISKRITISASI DAN LINEARISASI 5
dimana R adalah jejari bumi dan (r) merupakan fungsi densitas terhadap jarak r. (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
(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)
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 sis atau parameter sis 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 mendenisikan 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

a
(L) =
1
_
1 + 2L
2
_

0
K()J
1
(L)d
_
(1.9)
dimana L = AB/2 adalah jarak masing-masing elektroda terhadap titik tengah, J
1
adalah fungsi
6 BAB 1. PENDAHULUAN
Gambar 1.2: Kongurasi elektroda pada metode Schlumberger
Bessel orde 1 dan K() adalah fungsi parameter (resistivitas masing-masing lapisan yaitu
1
dan
2
serta ketebalan lapisan paling atas t) dari sistem yang kita asumsikan. K() dinyatakan
sebagai
K() =
k
(2t)
1,2
1 + k
(2t)
1,2
dimana
k
1,2
=

1

2

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
Masalah Inversi di Geosika
2.1 Arti dari masalah inversi
Untuk mengetahui secara utuh arti dari masalah inversi, maka kita perlu tahu terlebih dahu-
lu maksud dari masalah forward. Secara tradisional, interpretasi dari data geosika (misalnya
resistivity depth sounding data) dilakukan dengan cara membandingkan antara data observasi
terhadap kurva master yang diturunkan berdasarkan rumusan teoritik. Rumusan teoritik terse-
but tak lain adalah model bumi (dalam model matematika) yang dibuat ideal.
Cara membuat kurva master adalah dengan memberikan sejumlah informasi parameter
(misalnya, jumlah lapisan, nilai hambatan jenisnya dan juga ketebalannya) untuk dibuatkan
model bumi hipotetis. Lalu setelah itu kita tentukan bentuk model matematika yang akan
men-generate data simulasi pengukuran (misalnya hambatan jenis semu dan fase). Kemudi-
an, parameter tadi diumpankan kedalam model matematika sehingga diperoleh data sintetik
(berupa hambatan jenis semu) yang dapat diplot sebagai kurva master. Cara seperti ini disebut
pendekatan forward atau lebih dikenal sebagai pemodelan forward (Gambar 2.1).
Lain hal-nya pada cara pemodelan inversi, dengan bermodalkan data lapangan dan model
matematika berikut rumusan inversi, kita mencoba memperkirakan struktur bumi yang diwakili
oleh nilai-nilai parameter.
Kita bisa ilustrasikan perbedaan antara pemodelan forward dan pemodelan inversi dengan
menggunakan contoh yang sangat sederhana. Anggaplah kita memiliki data distribusi temper-
ature didalam bumi. Lalu kita berasumsi - berdasarkan konsep bumi - bahwa distribusi temper-
atur tersebut berubah secara linear terhadap kedalaman yang mana dapat dimodelkan secara
matematik sebagai berikut
T(x) = a + bz (2.1)
dimana a dan b adalah konstanta. Misalnya a dan b telah ditentukan (katakanlah -1,5 dan 4),
lalu kita hitung nilai temperatur T berdasarkan kedalaman z. Pada saat kita menghitung T,
kita sedang melakukan pemodelan forward. Jika sebaliknya, misalnya kita mengukur T pada
kedalaman z di lubang sumur, lalu kita bermaksud menghitung konstanta a dan b, ini disebut
pemodelan inversi. Persamaan (2.1) yang menghubungkan antara T dan z adalah persamaan
garis. Maka pemodelan inversi ini disebut tting a straight line terhadap data sumur.
7
8 BAB 2. MASALAH INVERSI DI GEOFISIKA
Gambar 2.1: Alur pemodelan forward
Gambar 2.2: Alur pemodelan inversi
2.2. CONTOH-CONTOH PEMODELAN INVERSI 9
2.2 Contoh-contoh pemodelan inversi
Dalam geosika, banyak sekali kita jumpai masalah-masalah inversi, diantaranya adalah pe-
nentuan struktur bumi berdasarkan data observasi, dekonvolusi seismogram, penentuan lokasi
gempa bumi berdasarkan waktu datang gelombang, penentuan trend pada time-series analysis,
penentuan waktu cuplik (sampling rate) yang optimal, estimasi time reversals dari medan mag-
netik bumi yang nantinya akan digunakan pada geo-kronologi, penentuan distribusi temperatur
bawah permukaan berdasarkan data sumur, dan lain sebagainya.
Bab 3
Formulasi Masalah Inversi
3.1 Klasikasi masalah inversi
Dalam masalah inversi, kita selalu berhubungan dengan parameter model (M) dan jumlah data
(N) yang mana jumlah dari masing-masing akan menentukan klasikasi permasalahan inversi
dan cara penyelesaiannya. Bila suatu jumlah model parameter lebih sedikit dibandingkan da-
ta lapangan (M < N), maka ini disebut overdetermined, dan cara penyelesaiannya biasanya
menggunakan pencocokan (best t) terhadap data lapangan. Jika dalam kondisi yang lain di-
mana jumlah parameter yang ingin dicari lebih banyak dari pada jumlah datanya, maka ini
disebut problem underdetermined. Dalam kasus ini terdapat sekian banyak model yang dapat
sesuai kondisi datanya. Masalah ini disebut non-uniqness. Bagaimana cara untuk mendap-
atkan model yang paling mendekati kondisi bawah permukaan? Menurut Meju, 1994 persoalan
ini bisa diselesaikan dengan model yang parameternya berbentuk fungsi kontinyu terhadap po-
sisi. 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 dengan metode inversi langsung.
3.2 Diskritisasi dan parameterisasi
Untuk alasan tertentu, kita mengasumsikan distribusi beberapa sifat sis batuan dibawah per-
mukaan tanah berlaku kontinyu terhadap kedalaman. Metode geosika sering dipakai untuk
menentukan sifat-sifat bantuan dan struktur bawah permukaan. Distribusi sifat sis dapat di-
tentukan secara unik jika rentang pengukuran sangat lebar dari nol sampai tak hingga. Namun
tentu saja ini tak akan mungkin karena keterbatasan alat ukur. Misalnya kita hampir tak akan
mungkin mengukur arus listrik orde 10A dengan mengunakan alat resistiviti biasa. Selain
itu data yang kita dapat juga hanya berupa angka-angka yang tunggal atau diskrit dan tidak
kontinyu. Oleh karenanya, tahap-tahap pemrosesan data selalu didekati dengan pendekatan
diskrit (komputasi) dibandingkan dengan pendekatan kontinyu. Parameter yang kita cari juga
disesuaikan hingga menjadi diskrit. Ini disebut proses parameterisasi. Nah, Geophysical in-
vers theory digunakan untuk mendapatkan gambaran struktur bawah tanah yang umumnya
bersifat kontinyu dengan pendekatan yang diskrit.
11
12 BAB 3. FORMULASI MASALAH INVERSI
Gambar 3.1: Parameterisasi sederhana terhadap bumi
3.3 Masalah formulasi
Masalah inversi dapat dinyatakan sebagai berikut: dapatkan data pengukuran kemudian ten-
tukan parameter-parameter yang bisa menjelaskan tujuan observasi. Kemampuan untuk mem-
buat formulasi matematika sangat menentukan keberhasilan proses inversi sehingga dapat dibedakan
apa-apa yang direpresentasikan oleh data observasi dan parameter mana yang diinginkan. Pros-
es penentuan variabel-variabel untuk merepresentasikan data dan parameter-parameter disebut
parameterisasi. Kita harus berupaya memodikasi formulasi sehingga berbentuk d = Gm yang
relatif mudah untuk diselesaikan dengan bantuan komputer. Untuk sistem yang diskrit, bisa
dinyatakan
d
i
=
p

j=1
G
ij
m
j
(3.1)
Bumi dapat diparameterisasi menjadi sejumlah lapisan dimana masing-masing lapisan memi-
liki densitas (
j
) atau kecepatan (v
j
) atau resistivitas (
j
). Sebagai contoh, beberapa contoh
berikut ini menyajikan cara membuat formulasi untuk inversi.
3.3.1 Distribusi densitas
Misalnya problem penentuan densitas rata-rata dari inti bumi (
1
) dan mantel bumi (
2
) (lihat
Gambar 3.1) dari pengukuran massa dan momen inersia. Pada kasus ini, kita memiliki 2 data
(mass = d
1
dan momen inersia = d
2
) dan 2 parameter model (
1
= m
1
dan
2
= m
2
). Problem
3.3. MASALAH FORMULASI 13
ini dapat diformulasikan dengan
d
1
=
4
3
c
3

1
+
4
3
(a
3
c
3
)
2
(3.2)
d
2
=
8
15
c
5

1
+
8
15
(a
5
c
5
)
2
(3.3)
dimana dapat ditulis dalam formulasi favorit
d
i
=
2

j=1
G
ij
m
j
i = 1, 2 (3.4)
yang selanjutnya dapat ditulis dalam bentuk matrik
_
d
1
d
2
_
=
_
4
3
c
3 4
3
(a
3
c
3
)
8
15
c
5 8
15
(a
5
c
5
)
__

2
_
ini adalah sistem evendetermined.
3.3.2 Pengukuran temperatur pada sumur
Misalnya pengukuran temperatur di sumur pemboran memenuhi persamaan (2.1). Lalu anggaplah
ada n kali pengukuran temperatur T
i
dengan masing-masing kedalaman adalah z
i
. Kita bermak-
sud melakukan pencocokan garis terhadap data pengukuran. Dalamhal ini d = [T
1
, T
2
, T
3
, .., T
n
]
T
dan garis perpotongan terhadap sumbu y (intercept) a sebagai 2 parameter bersama gradien
garis b, maka m = [a, b]
T
. Dengan teori forward, data T mesti memenuhi T
i
= a+bz
i
. Sehingga
T
1
= a + bz
1
T
1
= a + bz
1
.
.
T
n
= a + bz
n
yang dalam bentuk matrik d = Gm dapat dinyatakan
_

_
T
1
T
2
.
.
T
n1
T
n
_

_
=
_

_
1 z
1
1 z
2
. .
. .
1 z
n1
1 z
n
_

_
_
a
b
_
(3.5)
Ini adalah contoh sistem overdetermined.
14 BAB 3. FORMULASI MASALAH INVERSI
3.3.3 Desain lter digital pada dekonvolusi seismik
Dua sinyal a(t) dan b(t) dapat dihubungkan dengan sebuah lter f(t) dalam bentuk persamaan
integral konvolusi
a(t) = f(t) b(t) =
_
f()b(t )d (3.6)
Jika a(t) dan b(t) diketahui, apakah f(t) dapat ditentukan?
Untuk menjawabnya, mari kita buat diskritisasi. Jika time series memiliki panjang n dan lter
memiliki panjang p, maka integral konvolusi persamaan (3.6) dapat didiskritisasi menjadi
a
i
= t
p

j=1
f
j
b
ij+1
(3.7)
Persamaan (3.7) berbentuk linear dengan koesien lter f
j
sebagai parameter yang belum dike-
tahui. Jika persamaan (3.7) diubah menjadi bentuk d = Gm, dimana m = f (sebagai koesien
lter), d = a (data time series) dan
G = t
_

_
b
1
0 0 0 0 ... ... 0
b
2
b
1
0 0 0 .
b
3
b
2
b
1
0 0 .
. . . b
1
0 .
. . . . b
1
.
. . . . . .
b
n
b
n1
b
n2
b
n3
. . . b
k
_

_
(3.8)
dimana k = n p + 1. Kasus diatas adalah kasus overdetermined (p < n) dan bisa digunakan
untuk mendapatkan koesien lter. Sekarang, kita akan memcoba mempelajari metode untuk
menyelesaikan sistem persamaan linear guna mengestimasi parameter.
Bab 4
Penyelesaian Masalah Overdetermined
4.1 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 tting 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 (4.1)
dan setiap data memenuhi relasi berikut
y
i
= a
0
+ a
1
x
i
+ e
i
(4.2)
dimana e
i
disebut residual, atau sering juga disebut mist atau kesalahan prediksi (prediction
error). Garis regresi tidak akan berhimpit dengan setiap data observasi dan biasanya untuk
kasus inversi seperti ini selalu overdetermined. Secara umum, tipe masalah inversi seperti ini
diselesaikan dengan metode least squares. Dengan metode least squares, kita mencoba memi-
nimalkan error e dengan cara menentukan nilai a
0
dan a
1
sedemikian rupa sehingga diperoleh
jumlah kuadrat error (S) yang minimal.
4.2 Metode least square
Diketahui data eksperimen tersaji pada Tabel 4.1 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
(4.3)
15
16 BAB 4. PENYELESAIAN MASALAH OVERDETERMINED
x
i
y
i
x
i
y
i
1 1,3 6 8,8
2 3,5 7 10,1
3 4,2 8 12,5
4 5,0 9 13,0
5 7,0 10 15,6
Tabel 4.1: Contoh data observasi yang dapat diolah oleh least squares
1 2 3 4 5 6 7 8 9 10
0
2
4
6
8
10
12
14
16
X
Y
Gambar 4.1: Masalah regresi linear (least squares) yang sederhana
Problemnya adalah berapakah nilai konstanta a
1
dan a
0
yang sedemikian rupa, sehingga posisi
garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di atas?
Dengan kata lain, sebisa mungkin y
i
sama dengan P(x
i
) atau dapat diformulasikan sebagai
m

i=1
y
i
P(x
i
) = 0 (4.4)
m

i=1
y
i
(a
1
x
i
+ a
0
) = 0 (4.5)
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
) (4.6)
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 modikasi pada fungsi error-nya sehingga
4.2. METODE LEAST SQUARE 17
menjadi
E(a
0
, a
1
) =
m

i=1
[y
i
(a
1
x
i
+ a
0
)]
2
(4.7)
Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:
E(a
0
, a
1
)
a
i
= 0 (4.8)
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
(4.9)
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
(4.10)
Akhirnya persamaan (4.9) dan (4.10) 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
(4.11)
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
(4.12)
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
18 BAB 4. 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 koesien 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 4.2: Contoh solusi regresi linear
Teknik diatas diterapkan secara rutin dalam analisis data geosika, 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 tting. 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 dimodikasi. Ketika kita ingin mendapatkan
lebih dari 2 parameter maka teknik ini disebut analisis regresi multipel (multiple regression
analysis).
4.3 Aplikasi least square pada interpretasi seismik refraksi
Misal (x
1
, t
1
),(x
2
, t
2
),...,(x
n
, t
n
) merupakan data observasi yang dilakukan sebanyak n kali pada
n geophone dengan jarak x
i
, dan anggap persamaan muka gelombang seismik adalah
t =
x
v
+ T
h
Lalu dilinearisasi menjadi
t = a
0
+ a
1
x a
0
= T
h
a
1
=
1
v
Kesalahan (error) diasumsikan hanya berasal dari cuplikan waktu gelombang datang. Pener-
apan metode regresi linear yang berusaha meminimalkan jumlah kuadrat dari residual, e
i
=
4.4. INVERSI LEAST SQUARES LINEAR: PENDEKATAN MATRIKS 19
t
i
(a
0
+ a
1
x
i
), dapat dinyatakan sesuai persamaan (4.11) dan (4.12)
a
0
=

m
i=1
x
2
i

m
i=1
t
i

m
i=1
x
i
t
i

m
i=1
x
i
m
_
m
i=1
x
2
i
_
(

m
i=1
x
i
)
2
dan
a
1
=
m

m
i=1
x
i
t
i

m
i=1
x
i

m
i=1
t
i
m
_
m
i=1
x
2
i
_
(

m
i=1
x
i
)
2
dengan standard error
2
a
1
dan
2
a
0
ditentukan oleh rumus berikut

2
a
1
= m

2
D
(4.13)

2
a
0
=
2

x
2
D
(4.14)
dimana
D = m
_
m

i=1
x
2
i
_

_
m

i=1
x
i
_
2

2
=
1
m 2
m

i=1
E
2
i
Sebagai catatan tambahan,
2
adalah nilai deviasi rms (root mean square) dari data t
i
terhadap garis regresi hasil analisis (a
0
+a
1
x
i
) dengan faktor (n 2) karena dalam masalah ini
hanya dicari 2 parameter model (a
0
dan a
1
).
4.4 Inversi least squares linear: pendekatan matriks
Metode least squares dapat didekati dengan operasi matriks. Kita tahu bahwa suatu problem
geosika selalu diupayakan agar dapat disederhanakan menjadi d = Gm. Kita ingin mendap-
atkan nilai m. Dan d = Gm dapat dinyatakan dalam bentuk operasi matriks. Jika data yang
kita miliki sangat ideal dalam arti tidak ada error sama sekali, maka m bisa diperoleh sebagai
berikut
m = G
1
d
Akan tetapi, pada kenyataannya semua data pengukuran pasti memiliki error yang besarnya
relatif. Karenanya, data observasi tak akan pernah fit secara sempurna dengan model,
d = Gm + e
i
dan selanjutnya satu-satunya cara untuk memperoleh solusi yang unik adalah dengan memini-
malkan jumlah kuadrat dari residual, e
i
. Cara ini akan meminimalkan perbedaan antara data
lapangan dan model yang diprediksi melalui pemodelan forward. Dalamformulasi matematikan
dinyatakan dengan
q = e
T
e = (d Gm)
T
(d Gm) (4.15)
20 BAB 4. PENYELESAIAN MASALAH OVERDETERMINED
agar minimal maka q diturunkan terhadap m, sehingga
q
m
j
=

_
d
T
d d
T
Gm m
T
G
T
d + m
T
G
T
Gm

m
j
= 0 (4.16)
atau
d
T
G G
T
d + G
T
Gm + m
T
G
T
G = 0
akhirnya diperoleh
2G
T
Gm = 2G
T
d (4.17)
Persamaan (4.17) disebut persamaan normal. Dengan persamaan normal, estimasi parameter
yang dinyatakan dengan m ditentukan oleh
m =
_
G
T
G

1
G
T
d (4.18)
Persamaan (4.18) disebut unconstrained least squares terhadap masalah inversi d = Gm.
Bagian
_
G
T
G

1
G
T
dinamakan Generalized Inverse yang mengolah data d untuk memperoleh
parameter model m. Untuk menyelesaikan persamaan (4.18) dengan operasi matriks secara
numerik atau komputasi bisa menggunakan beberapa metode, diantaranya metode Eliminasi
Gauss, LU-Decomposition, Iterasi Gauss-Seidel, dan Singular Value Decomposition.
4.5 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 5
Constrained Linear Least Squares
Inversion
Pada kebanyakan masalah geosika, sangat mungkin untuk mendapatkan solusi yang berbeda-
beda yang semuanya bisa saja dipakai untuk menjelaskan data eksperimen. Namun pada
akhirnya, kita harus memilih satu buah solusi yang terbaik. Untuk melakukan hal ini kita harus
menambahkan sejumlah informasi yang sebelumnya tidak ada pada persamaan least squares
d = Gm. Informasi tambahan ini disebut a priori informasi, yang selanjutnya akan digunakan
untuk meng-constrain solusi sehingga diperoleh solusi yang dianggap paling tepat untuk menci-
trakan kondisi bawah permukaan. A priori informasi atau yang saya indonesiakan menjadi
informasi awal ini didapat dari data geosika yang lainnya, atau bisa juga dari data borehole,
atau juga bersumber dari data geologi.
5.1 Inversi dengan informasi awal
Kita dapat menambahkan informasi awal kepada parameter model dalam suatu proses inver-
si. Secara umum, informasi awal tersebut diharapkan membantu pemodelan inversi sehingga
diperoleh hasil yang unik dari sejumlah kemungkinan solusi. Sekali lagi, proses ini disebut
meng-constrain. Constrain terhadap suatu data dirumuskan sebagai berikut
Dm = h (5.1)
Dimana D adalah matrik -dengan seluruh elemen selain diagonal bernilai nol- yang berop-
erasi pada parameter model m sedemikian rupa sehingga hasilnya sama dengan informasi awal
h. Menghitung persamaan (5.1) berarti kita telah melakukan apa yang disebut dengan linear
equality constraints. Formulasi matematikannya adalah sebagai berikut
= (d Gm)
T
(d Gm) +
2
(Dm h)
T
(Dm h) (5.2)
21
22 BAB 5. CONSTRAINED LINEAR LEAST SQUARES INVERSION
Untuk mendapatkan error minimum maka turunan terhadap paramter model m adalah
2G
T
Gm 2G
T
d + 2
2
D
T
Dm 2
2
D
T
h = 0
diperoleh persamaan normal
(G
T
G +
2
D
T
D)m = G
T
d +
2
D
T
h
Ketika D adalah matri identitas, maka
(G
T
G +
2
I)m = (G
T
d +
2
h)
Dari sini solusi constrain didapat sebagai berikut
m
c
= (G
T
G +
2
I)
1
(G
T
d +
2
h) (5.3)
Formula ini dinamakan inversi linear terkonstrain atau disebut juga the biased linear estima-
tion technique. Keuntungannya adalah formula ini dapat membantu menghasilkan satu solusi
yang unik dari sejumlah solusi yang mungkin pada masalah overdetermined dimana didalamnya
terdapat ketidakpastian sebagai akibat dari kesalahan pengukuran (observational errors).
Parameter ditentukan secara trial and error, namun biasanya bernilai lebih kecil atau sama
dengan 1 (satu). disebut faktor pengali undetermined atau disebut juga faktor pengali La-
grange. Sehingga metode ini disebut Lagrange multiplier method (metode pengali Lagrange).
5.1.1 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
_

_
(5.4)
Namun demikian, persamaan matrik di atas dapat dimodikasi sesuai kebutuhan. Misalnya jika
informasi awal yang diketahui hanya ada satu, modikasinya menjadi
_
1 0 . . . 0
_
_

_
m
1
m
2
.
.
.
m
p
_

_
=
_
h
known
_
(5.5)
5.1. INVERSI DENGAN INFORMASI AWAL 23
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
_

_
(5.6)
5.1.2 Contoh aplikasi inversi terkonstrain
Contoh 1: Least squares garis terkonstrain
Sekarang kita ingin menerapkan inversi terkonstrain pada pengolahan data rst arrivals dari
seismik refraksi. Persamaan least square garis adalah
d
i
= m
1
+ m
2
x
i
(5.7)
atau dalam bentuk kolektif
d = Gm (5.8)
dengan m sebagai parameter model yang terdiri atas m
1
dan m
2
. Sementara data lapangan
merupakan pasangan dari jarak offset x
i
dan waktu datang gelombang (rst arrival time) t
i
.
Sekarang kita berasumsi memiliki informasi dari kegiatan explorasi sebelumnya bahwa garis
least square harus melewati titik koordinat (x
c
, t
c
). Jadi kita harus meng-konstrain solusi least
square untuk mengakomodasi informasi awal tersebut. Dalam hal ini, kita hanya punya sebuah
konstrain (Anda bisa saja menambahkan jumlah konstrain-nya bila ada sejumlah informasi awal
yang hendak disertakan pada pengolahan least square). Persamaan konstrain adalah Dm = h,
dimana dalam bentuk matrik dinyatakan
_
1 x
c
_
_
m
1
m
2
_
=
_
t
c
_
(5.9)
Persamaan matrik di atas harus diintegrasikan dengan d = Gm sehingga solusi akhir merupakan
solusi terkonstrain yang kita harapkan lebih akurat dibandingkan jika tidak terkonstrain. Tentu
anda masih ingat pada least square tidak terkonstrain, dimana dikenal dua komponen berikut
G
T
G dan G
T
d. Agar menjadi terkonstrain kedua komponen itu mesti dimodikasi menjadi
(G
T
G +
2
I) =
_

_
n

x
i
1

x
i

x
2
i
x
c
1 x
c
0
_

_
(5.10)
dan
(G
T
d +
2
h) =
_

t
i

x
i
t
i
t
c
_

_
(5.11)
24 BAB 5. CONSTRAINED LINEAR LEAST SQUARES INVERSION
Tabel 5.1: Data seismik refraksi: waktu-datang gelombang (t
i
) pada empat posisi geophone (x
i
)
Trace x
i
(m) t
i
(ms)
1 2 5,1
2 4 9,2
3 6 11,9
4 8 14,9
dimana nilai mesti kita tentukan. Akhirnya, solusi terkonstrin terhadap inversi garis yang
melewati (x
c
, t
c
) adalah
m
c
=
_

_
m
1
m
2

_
=
_

_
n

x
i
1

x
i

x
2
i
x
c
1 x
c
0
_

_
1
_

t
i

x
i
t
i
t
c
_

_
(5.12)
Sekarang, kita melangkah pada kasus nyata. Tabel 5.1 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 +
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
_

_
(5.13)
Kemudian kita hitung komponen matrik yang lain
(G
T
d +
2
h) =
_

t
i

x
i
t
i
t
c
_

_
=
_

_
41, 1
237, 6
14, 9
_

_
(5.14)
Problem ini dapat diselesaikan secara numerik dengan metode Eliminasi Gauss. Solusi yang
diperoleh adalah m
1
= 2, 3857, m
2
= 1, 5643 dan = 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;
5.2. INVERSI DENGAN SMOOTHNESS 25
a(3,2)=8;
a(3,3)=0;
a(3,4)=14.9;
a
n=3; % n = jumlah baris
% berikut ini proses triangularisasi -----------
for j=1:(n-1)
kk=j+1;
for k=kk:n
m(k,j)=a(k,j)/a(j,j)
for i=1:(n+1)
a(k,i)=a(k,i)-m(k,j)
*
a(j,i);
end
end
end
% akhir dari proses triangularisasi -------------
a
x(n,1)=a(n,n+1)/a(n,n);
% berikut ini proses substitusi mundur ----------
for k=1:n-1
i=n-1-k+1;
j=i+1;
sum=0;
for k=j:n
sum = sum + a(i,k)
*
x(k,1);
end
x(i,1)=(a(i,n+1)-sum)/a(i,i);
end
% akhir dari proses substitusi mundur -------------
x
5.2 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 sis atau kondisi geologi.
5.2.1 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
p1
m
p
).
26 BAB 5. CONSTRAINED LINEAR LEAST SQUARES INVERSION
Perbedaan ini dinyatakan sebagai persamaan konstrain Dm = h
_

_
1 1
1 1
1 1
_

_
_

_
m
1
m
2
.
.
.
m
p
_

_
=
_

_
0
0
0
0
_

_
(5.15)
dimana D adalah operator selisih yang bertindak sebagai matrik smoothness dan Dm disebut
penghalus (atness) 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
_

_
(5.16)
Dalam kasus ini, D adalah matrik identitas dengan dimensi p p dan dimensi h adalah p 1.
Operasi ini akan mendorong proses inversi menuju kondisi stabil. Untuk mendapatkan solusi
yang smooth, kita gunakan ukuran selisih seperti persamaan (5.2), dinyatakan sebagai
q
2
(m) = (Dm h)
T
(Dm h) = m
T
D
T
Dm = m
T
Hm (5.17)
dimana H = D
T
D.
Kita nyatakan mengenai masalah terkonstrain adalah: Dimulai dari data lapangan yang tidak
komplit, tidak lengkap, tidak cukup, kita mencari seluruh kemungkinan solusi dengan residual
q
1
= |d Gm|
2
dan solusi yang paling smoothness dengan judgement dari ukuran q
2
(m).
Secara matematik, pernyataan di atas memiliki maksud: meminimalkan q
2
= m
T
Hmdibawah
kondisi |d Gm|
2
= q
1
atau secara umum |d Gm|
2
q
T
, dimana q
T
adalah nilai toleransi
maksimum dari residual atau mist.
Masalah konstrain membutuhkan minimalisasi d Gm
2
dan q
2
(m) secara bersamaan,
= (d Gm)
T
(d Gm) +
2
(m
T
D
T
Dm) (5.18)
5.2.2 Solusi masalah
Untuk mendapatkan solusi parameter model, perlu dilakukan minimalisasi terhadap persamaan
(5.18),

_
d
T
d m
T
G
T
d d
T
Gm + m
T
G
T
Gm +
2
m
T
Hm
_
m
j
= 0
sehingga
_
G
T
G +
2
H
_
m = G
T
d
5.2. INVERSI DENGAN SMOOTHNESS 27
Ini adalah persamaan normal yang baru. Dan akhirnya solusi smoothness diturunkan sebagai
berikut
m
s
=
_
G
T
G +
2
H
_
1
G
T
d (5.19)
Dan bila D = I,
m
s
=
_
G
T
G +
2
I
_
1
G
T
d (5.20)
Persamaan (5.20) lebih populer disebut Damped Least Squares solution atau solusi Least Square
Teredam. Nama lainya yang juga cukup terkenal adalah inversi Marquardt.
Daftar Pustaka
[1] Meju, A Max., Geophysical Data Analysis: Understanding Inverse Problem Theory and Prac-
tice, (1994), Society of Exploration Geophysicists (SEG)
29
Indeks
akurasi, 2
arus uida, 2
arus listrik, 2
bahan tambang, 1
bessel, 5
data eksperimen, 1
data lapangan, 1
data observasi, 1
data simulasi, 1
densitas, 3
eksplorasi, 2
elektroda, 5
tting, 1
forward, 1
gelombang elektromagnetik, 2
gelombang seismik, 2
gempa bumi, 2
geologi, 3
gravitasi, 3
hambatan jenis, 3
hambatan jenis semu, 3
hidrogeologi, 2
highly non-linear, 5
human error, 3
instrumen, 3
instrumental error, 3
inversi, 1
inversi diskrit, 5
jejari bumi, 4
kernel, 4
komputasi, 4
laboratorium, 3
linearisasi, 5
lithospere, 2
matematika diskrit, 4
model sik, 3
model konseptual, 3
model matematika, 1, 3
modulus bulk, 3
momen inersia, 4
noise, 2
non-linear, 5
observasi, 13
parameterisasi, 5
permeabilitas, 3
resistivity, 1, 2
sampling rate, 2
Schlumberger, 5
sedimentasi, 2
seismik refraksi, 1
slowness, 5
sumur bor, 2
suseptibilitas, 2
unknown parameter, 1
31