Set 3 - Survei Deformasi Struktur

PENGUKURAN (OBSERVASI) KOMPONEN-KOMPONEN PENGUKURAN

Model Fungsi: Model Stokastik:
v Ax
0

Cl 1

Dimana P disebut dengan matrik bobot, Cl adalah matrik varian atau matrik kovarian atau matrik varian/kovarian dari pengukuran, dan 0 adalah kesalahan standar/standar deviasi/ketelitian (presisi). Cl adalah berdasarkan pada komponen statistik (kesalahan random) dari pengukuran l (observasi) yang diasumsikan bahwa variabel randomnya terdistribusi normal (kesalahan randomnya terdistribusi normal) dengan ketelitian tertentu. Akurasi: derajat keterdekatan suatu observasi (atau kuantitas turunan dari observasi) terhadap nilai sebenarnya. Presisi: derajat keterdekatan antara suatu pengukuran dengan pengukuran lainnya (atau derajat keterdekatan terhadap nilai rata-rata).

Komponen-komponen dari kesalahan random dan variabel random dapat dianalisa dengan menggunakan model probabilitas. True error: e = l - t Residual: v = la - l t = true value, la = adjusted value e = true error v = residual

Disini diasumsikan bahwa v terdistribusi menurut multi variate normal distribution dengan ekspektasi (mean):
Ev 0

elemen-elemen dari v diasumsikan tidak berkorelasi. Variabel-variabel random ini menunjukkan: 1

Tanda dari variabel (pos/neg) Besar variabel Perkiraan tanda untuk equal distribution: +ve & -ve Kecenderungan untuk mengikuti NORMAL DISTRIBUTION Distribusi Normal Kasus 1 dimensi:
x
2 2

f ( x)

1 2

adalah rata-rata (mean) adalah standar deviasi

~

Ex
2

x
~

dx = mean = 1
2

st

moment of the distribution

E x

E x2

= variance = 2nd moment of distribution

Probabilitas Pr [ x < c] = luasan yang diarsir dibawah kurva.

S

adalah titik belok kurva

E x adalah pengukuran cental tendency

adalah pengukuran penyebaran (dispersion)

Pr

0.6826

68% confidence, adalah total area

dibawah fungi densitas seperti pada gambar berikut:

Pr

0.50 0.90 0.95 0.99

untuk

k= 0.67 k=1.65 k=1.96 k=2.58

Didalam Geomatika, nilai k adalah faktor pengali standar deviasi ( ), digunakan untuk mengukur ketelitian. Probabilitas suatu pengukuran biasanya terletak antara k dan k adalah:
k x
2 2

Pr

k
k

1 2 k

dx

e Z k

k dapat dilihat di Mikhail pada Tabel I apendix B. Tabel Nilai untuk k , berikut menjelaskan hubungan antara nilai k, dan Pr k x k

k 0.674 1.000 1.645 1.960 2.000

Pr

0.7498 0.8413 0.9500 0.9750 0.9772

0.500 0.683 0.900 0.950 0.954 3

2.576 3.000

0.9950 0.9987

0.990 0.997

Sebagai contoh, probabilitas untuk nilai k = 0.647, 1.645, dan 1.960 disajikan pada gambar berikut:

Besaran 0.674 disebut dengan probable error. Istilah ini didalam Geomatika sering disebut dengan 50% uncertainty (tingkat kepercayaan atau tingkat ketidakpastian). Besaran 1.645 disebut dengan 90% uncertainty. Probabilitas bahwa pengukuran jatuh dalam selang 1.645 dari nilai rataratanya adalah 0.900. Hal yang sama, besaran 1.960 disebut dengan 95% uncertainty, dan 2.576 disebut dengan 99% uncertainty. Contoh: Suatu pengukuran diasumsikan terdistribusi normal dengan nilai rata-rata 394.625m dan standar deviasi 0.023m. Evaluasi pengukuran tersebut pada tingkat kepercayaan 90% dan 95%. Solusi: 90% uncertainty = 95% uncertainty = 1.645 (0.023) = 1.960 (0.023) = 0.038m 0.045m

Arti dari pernyataan diatas adalah bahwa probabilitas (kemungkinan) 0.90 adalah bahwa pengukuran jatuh dalam rentang 0.038m untuk nilai 394.625m; yaitu antara 394.587m dan 395.663m. Probabilitas 0.95 adalah bahwa pengukuran jatuh dalam rentang 0.045m pada 394.625m; antara 394.580m dan 394.670m. 4

Sekali lagi: Presisi: derajat penyebaran dari distribusi; Akurasi: derajat keterdekatan belok = bias. kecil = ketelitian tinggi terhadap nilai sebenarnya (true value); titik

PENGKLASIFIKASIAN MODEL
Pengukuran (observasi) beserta estimasi ketelitiannya digunakan untuk menentukan nilai estimasi parameter beserta perambatan kesalahan pengukuran dan nilai awal:
l , Cl x, Cx

dimana l adalah pengukuran, Cl adalah matrik varian/kovarian dari pengukuran yang berisikan ketelitian (kuadrat standar deviasi) masing-masing pengukuran beserta korelasinya. Sedangkan x adalah parameter yang dicari dan Cx adalah matrik varian/kovarian dari parameter yang berisikan ketelitian (kuadrat standar deviasi) masing-masing parameter beserta korelasinya, dimana ketelitian parameter ini adalah rambatan dari ketelitian pengukuran. Pengklasifikasian model-model linier (atau yang telah dilinierkan) dari n observasi (pengukuran) dengan u unknown parameter dan m persamaan pengamatan (observation equation) (m akan lebih kecil atau sama dengan n): Unik (unique) - eksplisit didalam x, model Direct Overdetermined (berpengamatan lebih) - Indirect: n > u ; Implicit: m > u Underdetermined (tidak memiliki pengamatan lebih) - n < u , tidak memiliki kecukupan pengukuran untuk dapat mendapatkan nilai parameter.

KONVERSI DARI BENTUK IMPLICIT KE EKSPLISIT

Bentuk Implicit: Atau:
Ax Bl w 0

Bv

Jika kita memperlakukan l sebagai vektor dari quasi-observation sedemikian sehingga l = -Bl, maka:
l' Ax w

perhatikan bahwa matrik kovarians Cl tidak sesuai untuk quasi-observasi l.

KONSEP RANK
Rank dari matrik A adalah dengan ordo m x n adalah urutan dari sub-matrik yang non-singular yang terbesar yang dibentuk dari baris dan kolom matrik A. Rank baris adalah jumlah baris independen dari A. Rank kolom adalah jumlah kolom independen dari A 5

Full rank terjadi jika determinan matrik A tidak sama dengan nol Rank (A) = n jika matrik A dengan order n adalah full rank. Suatu matrik bujur sangkar dengan orde n dan full rank jika memiliki n buah baris dan kolom independen. Contoh:
A 1 2 3 4 5 6 5 7 9

maka

rank (A) = 2

{baris 3 = baris 1 + baris 2}

Suatu matrik non-bujur sangkar akan memiliki rank yang lebih kecil atau sama dengan orde (ordo) terkecilnya. Hubungan rank dengan model implicit dan indirect adalah: Menentukan jumlah kolom independen dari matrik desain A Untuk A(n x u), dengan n >u, rank (A) akan Untuk B(m x n), dengan n > m, rank (B) akan u. m Menentukan jumlah baris independen dari matrik desain B

l1 x1

x2

l4

l6

l2 l5

l3 x4

x3

Contoh: Dimana l adalah pengukuran beda tinggi, sedangkan x adalah tinggi titik. Model indirect: v = A x - l
v1 v2 v3 v4 v5 v6 x1 x1 x2 x3 x4 x1 x2 x2 x3 x3 x4 x4 l1 l2 l3 l4 l5 l6

atau: 6

v1 v2 v3 v4 v5 v6

1 0 0 1 1 0

1 1 0 0 0 1

0 1 1 0 1 1

0 0 1 1 0 1 x1 x2 x3 x4

l1 l2 l3 l4 l5 l6

Perhatikan bahwa matrikA adalah singular, sehingga tidak ada solusi untuk parameter. Dalam kasus ini perhatikan pula bahwa: Kolom 1 = - (kol.2 + kol. 3 + kol. 4) sehingga rank (A) = 3. Karena persamaan disusun berdasarkan observasi/pengukuran maka jumlah rank yang lebih kecil dari jumlah parameter menyebabkan tidak solusi untuk parameter. Dengan kata lain dengan terdapatnya rank defective karena rank (A) < 4 menyebabkan nilai-nilai parameter tidak dapat ditentukan. Disini timbulnya rank defective karena ketiadaan informasi titik tinggi yang dianggap fix (absolut), pengukuran beda tinggi saja tidak dapat menyelesaikan (menentukan) tinggi suatu titik. Harus ada minimal satu titik tinggi yang dianggap fix (xi = konstan), yang akan menghilangkan kolom pertama matrik A dan mengurangi jumlah unknown parameter dari 4 menjadi 3.

SOLUSI UNIK UNTUK MODEL INDIRECT

Solusi baik untuk parameter yang dicari maupun ketelitian parameternya adalah: l = A x + w -> x = A-1 (l - w) Dimana A adalah full rank dan n = u. Disini tidak diperlukan perataan daripengukuran karena jumlah pengukuran, n, sama dengan jumlah parameter, u (situasi ini jarang dijumpai didalam pengukuran didalam Geomatika). Bagaimana dengan perambatan kesalahan (uncertainties): Cl -> Cx ? (baca: bagaimana menentukan ketelitian parameter, Cx dari ketelitian pengukuran, Cl ?)

HUKUM KOVARIANS (COVARIANCE LAW)

Dari rumusan matematika untuk ekspektasi:
Ex x x dx
x

dimana x adalah variabel random untuk fungsi densitas probabilitas

Hukum kovarians lebih dikenal dengan istilah aturan perambatan varian atau aturan perambatan kovarian. Jika
Cx E x Ex x Ex
T

Cx adalah matrik varian-kovarian dari parameter. Varian dan Kovarian Residual : v i

l l i dimana l adalah pengukuran teratakan
l 1 n
n

Ekspektasi populasi: E l Sehingga E v Varian =

2
l

li
1

E v2

E l
2
1 2

El2

l2

Atau

l
l

n 1

Covariance:
n

l1
l1l 2

l1 l 2 n-1

l2

l1

l1

l2

l2

i 1

cov x, y

E x Ex y Ey E xy E x E y

Hubungan antar variabel (parameter) dinyatakan dengan: Koefisien korelasi =

l1 l1l 2 l2

;dimana: 0

Matrik Covariance

Matrik kovarian juga sering disebut dengan matrik varian atau matrik variankovarian. Jika C l E l 1 l1 l 2 l2 dalam bentuk matrik
l1 E l2 ln E v2
1

l1 l

l1

l1

l2

l2

ln

ln

ln E v1 v 2 E v2 2
l1 l1 2 l2 l2

E v1 v n 2 E vn
l1 l2 ln ln

E E v 2 v1 E v n v1
2 l1

Cl

l2

ln l1

2 ln

Pada umumnya pengukuran tidak berkorelasi, karena itu

2
l1

li l j

0 , sehingga:

0
2
l2

Cl 0

2
ln

jika semua pengukuran memiliki standar deviasi yang sama ( 0) maka:

Cl
2
0

Matrik Varian/kovarian untuk model indirect (matrik varian untuk parameter) Untuk model indirect dimana Ax + w = l, maka : x = A-1 (l - w), sehingga ekspektasi dari x adalah:
Ex E A 1l A 1w A 1E l A 1w

Sedangkan:
x Ex A 1l A 1l A
1

A 1w A 1E l l El

A 1E l

A 1w

Sehingga: 9

Cx

E E A
1

A A E
1 1

El El l

l
T

El A
T

l l

El l El

1 T 1 T

El
1 T

Cx

Cl A

Matrik Varian/kovarian untuk Model Implicit (matrik varian untuk parameter) Untuk model indirect dimana Ax + B l + w = 0, sehingga:
A 1 Ax x A 1 Bl A 1 Bl A 1w A 1w 0

Ex

A 1Bl A 1B E l

A 1w A 1w

x Ex

A 1Bl A 1B E l A 1B E l

A 1w A 1 Bl l

A 1B E l

A 1w

Sehingga matrik varian/kovarian parameter menjadi

Cx E E A 1B E l A 1B A 1B E l l l E l E l
T 1 T

A 1B E l l l E l E l
T

l
T

A 1B A 1B

A 1B C l A
1

A 1B

B Cl BT

RINGKASAN
Dalil Perambatan Varian: 1. Model Direct
x Cx Gl w G Cl G T

2. Model Indirect
l Ax w , A matrik bujur sangkar, non-simetris

10

A 1l

A 1 Ax A 1l A
1

A 1w A 1w

sehingga:

x Cx

, w adalah non-stokastik

Cl A

1 T

Model Implicit
Ax Bl w 0 , A adalah (m x m) dan simetris

A 1A

A 1B l A 1B l A
T

A
1

w
1 T

Sehingga:

x Cx A

w A

B Cl BT

Start

EXPLICIT In x x=g( or l) x=Gl + w?

NO INDIRECT OR IMPLICIT

LINIEAR?

NO

LINEARIZEABLE? YES LINEARIZE

NO

NON LINIER SOLUT ION

YES

YES DIRECT UNIQUE SOLUT ION EVALUAT E x EXPLICIT inl l = Ax + w? YES

NO

CONVERT IM PLICIT TO EXPLICIT FORM

YES

u = n?

u<n

u>n

UNIQUE SOLUTION: u = n RANK A < u SINGULAR CASE 2

UNDERDETERMINED SOLUTION: u > n RANK A =n<u RANK A < n < u SINGULAR CASE 4

OVERDETERMINED SOLUTION: u<n RANK A =u<n RANK A <u<n SINGULAR CASE 6

RANK A = u

CASE 1

CASE 3

CASE 5

11

Bentuk Umum Dalil Perambatan Varians Linier: y = A x Non-linier: y = f (x) Cy = G Cx GT Cy = J Cx JT

Dimana J adalah Jacobian matrik dari turunan parsial (df/dx): Kasus khusu untuk 1 persamaan dengan n buah parameter & diagonal Cx:
2 y

= (df/dx1)2

2 x1

+ (df/dx2)2

2 x2

+ ..(df/dxn)2
2 x

2 xn

Contoh: z = a1 x + a2 y,
2 z 2 z

dengan Cx =

0
2 y

a1
2 a1
xy

a 2 C x a1
2 x

a2 2a1a 2

T xy

a2 2

2 y

tetapi
2 z 2 a1

= 0 ; sehingga:
2 x

a2 2

2 y

12