Anda di halaman 1dari 57

Analisis Data Geofisika:

Memahami Teori Inversi

Dr. Eng. Supriyanto, M.Sc

Edisi I

Departemen Fisika-FMIPA Univeristas Indonesia

2007

Untuk Muflih Syamil dan Hasan Azmi

Mottoku : Tenang, Kalem dan Percaya Diri

Kata Pengantar

Buku ini semula merupakan diktat perkuliahan mata kuliah Anal isis Data Geofisika yang diberikan kepada mahasiswa Geofisika pada Departemen Fisika, Fakultas M IPA, 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 geofisik a untuk memiliki ke- mampuan memformulasikan masalah, menyusun hipotesis, metod e 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.

v

Depok, 15 Maret 2007 Supriyanto S.

Daftar Isi

Lembar Persembahan

 

i

Kata Pengantar

 

v

Daftar Isi

 

vii

Daftar Gambar

 

ix

Daftar Tabel

 

xi

1 Pendahuluan

 

1

1.1 Definisi dan Konsep Dasar

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

1

1.2 Proses geofisika

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

3

1.3 Eksplorasi geofisika dan inversi

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

3

1.4 Macam-macam data geofisika

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

3

1.5 Deskripsi proses geofisika: Model matematika

 

4

1.6 Diskritisasi dan linearisasi

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

2 Formulasi Masalah Inversi

 

9

2.1 Klasifikasi masalah inversi

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

2.2 Inversi Model Garis

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

2.3 Inversi Model Parabola

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

12

2.4 Inversi Model Bidang

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

15

2.5 Contoh aplikasi

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

17

 

2.5.1

Menghitung gravitasi di planet X

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

17

2.6 Kesimpulan

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

21

3 Penyelesaian Masalah Overdetermined

 

23

3.1 Regresi linear sederhana

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

23

3.2 Metode least square

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

23

3.3 Aplikasi regresi linear pada analisis data seismik refraksi

 

26

3.4 Regresi linear dengan pendekatan matriks

 

28

3.5 Soal

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

31

4 Constrained Linear Least Squares Inversion

 

33

4.1

Inversi dengan informasi awal

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

33

4.1.1 Memformulasikan persamaan terkonstrain

 

35

4.1.2 Contoh aplikasi inversi terkonstrain

 

35

vii

viii

4.2

Inversi dengan Smoothness

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

38

4.2.1 Formulasi masalah

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

38

4.2.2 Solusi masalah

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

39

Daftar Pustaka

 

41

Indeks

43

Daftar Gambar

1.1

Alur pemodelan inversi

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2

1.2

Alur pemodelan forward

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2

1.3

Alur eksperimen lapangan dan eksperimen laboratorium

 

4

1.4

Konfigurasi elektroda pada metode Schlumberger

 

6

2.1

Sebaran data observasi antara temperatur dan kedalaman

 

.

.

.

.

.

.

.

.

.

.

.

.

.

10

2.2

Grafik data pengukuran gerak batu

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

18

2.3

Grafik hasil inversi parabola

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

21

3.1

Hasil plotting data observasi dalam sumbu-x dan sumbu-y

.

.

.

.

.

.

.

.

.

.

.

.

.

24

3.2

Contoh solusi regresi linear

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

26

 

ix

Daftar Tabel

2.1

Data temperatur bawah permukaan tanah terhadap kedalaman

 

.

.

.

.

.

.

.

.

.

.

10

2.2

Data temperatur bawah permukaan tanah terhadap kedalaman

.

.

.

.

.

.

.

.

.

.

12

2.3

Data ketinggian terhadap waktu dari planet X

 

17

3.1

Contoh data observasi yang dapat diolah oleh least squares

 

24

3.2

Data seismik refraksi: waktu-datang gelombang, t i , dan jarak antara source dan

receiver atau jarak offset , x i

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

27

3.3

Data seismik refraksi: waktu-datang gelombang (t i ) pada empat posisi geophone

(x i )

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

29

4.1

Data seismik refraksi: waktu-datang gelombang (t i ) pada empat posisi geophone

(x i )

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

37

 

xi

Bab 1

1.1 Definisi dan Konsep Dasar

Pendahuluan

Dalam geofisika, kegiatan pengukuran lapangan selalu dilakuk an 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-a ngka 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 m engekstrak parameter fisis batuan dari data observasi. Proses ini disebut proses inversi atau istilah asingnya disebut inverse modelling , lihat Gambar 2.3. Sementara proses kebalikannya dimana kita ingin mem- peroleh data prediksi hasil pengukuran berdasarkan parameter fisis yang sudah diketahui, maka proses ini disebut proses forward atau forward modelling , lihat Gambar 1.2.

Proses inversi adalah suatu proses pengolahan data lapangan yang melibatkan teknik penye- lesaian matematika dan statistik untuk mendapatkan informa si 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 untu k 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 dal am bidang geofisika adalah

1. Penentuan struktur bawah tanah

2. Estimasi parameter-parameter bahan tambang

1

2

BAB 1. PENDAHULUAN

2 BAB 1. PENDAHULUAN Gambar 1.1: Alur pemodelan inversi Gambar 1.2: Alur pemodelan forward

Gambar 1.1: Alur pemodelan inversi

2 BAB 1. PENDAHULUAN Gambar 1.1: Alur pemodelan inversi Gambar 1.2: Alur pemodelan forward

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 da tang

5. Pemodelan respon lithospere untuk mengamati proses sedimentasi

6. Analisis sumur bor pada hidrogeologi

1.2 Proses geofisika

Perambatan gelombang seismik, perambatan gelombang elektrom agnetik 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 sis tem 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 m embuat 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 bu mi dari ketinggian tertentu. Untuk mencapai tujuan ini, idealnya kegiatan survey atau pengukuran harus dilakukan secara terus menerus, berkelanjutan dan terintegrasi menggunakan seju mlah ragam metode geofisika. Seringkali –bahkan hampir pasti– terjadi beberapa kendala aka n 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 kegia tan 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 fi sis yang hendak dicari. Setelah proses analisis dilalui, langkah berikutnya adalah membuat model bawah permukaan yang nantinya akan menjadi modal dasar interpretasi. Ujung dari ra ngkaian 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 bet apa pentingnya proses analisis apalagi bila segala keputusan diambil berdasarkan d ata 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

4 BAB 1. PENDAHULUAN Gambar 1.3: Alur eksperimen lapangan dan eksperimen laboratoriu m gukuran. Pada pengukuran

Gambar 1.3: Alur eksperimen lapangan dan eksperimen laboratoriu m

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 laboratorium tersebut bisa mewakili kondisi lapangan yang sesu ngguhnya yang dimensinya jauh lebih besar. Jika suatu pengukuran diulang berkali-kali, entah itu di lapa ngan maupun di laboratorium, seringkali kita temukan hasil pengukuran yang berubah-ubah, wa laupun 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 matematik a. Sebagaimana yang telah dise- butkan diawal, suatu formulasi yang bisa menjelaskan sistem g eofisika disebut model. Namun perlu ditekankan juga bahwa istilah model memiliki ragam konotasi berbeda di kalangan geo- saintis. Misalnya, orang geologi kerapkali menggunakan istil ah model konseptual, atau istilah model fisik yang digunakan untuk menyebutkan hasil laboratorium, atau dala m 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 persamaa n integral berbentuk

d i = z K i (z )p (z )dz

0

(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

(1.2)

t

= L v (x, z ) dl

1

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 dinam akan 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

M assa =

Moment inersia =

4π R r 2 ρ (r )dr

0

8π

3

R

0

r 4 ρ (r )dr

(1.3)

(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 K i (r )p (r )dr

0

(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

6 BAB 1. PENDAHULUAN Gambar 1.4: Konfigurasi elektroda pada metode Schlumberger Ini adalah bentuk diskritisasi .

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 t erdiri 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 diasumsik an terdiri dari dua lapisan. Formula model yang diturunkan oleh Parasnis, 1986 adalah

ρ a (L) = ρ 1 1 + 2L 2 K (λ )J 1 (λL)λdλ

0

(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 lapisa n 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 ρ 1 1 + ρ ρ 2 2

Kita bisa lihat bahwa persamaan (1.9) tidak bisa didekati deng an d = Gm sebagaimana yang

dilakukan pada persamaan (1.2). Oleh karena itu persamaan resist ivitas semu di atas disebut

highly non-linear.

Bab 2

Formulasi Masalah Inversi

2.1 Klasifikasi masalah inversi

Dalam masalah inversi, kita selalu berhubungan dengan parameter model (M ) dan jumlah data (N ) yang mana jumlah dari masing-masing akan menentukan klasifik asi permasalahan inversi dan cara penyelesaiannya. Bila jumlah model parameter lebih sed ikit dibandingkan data lapan- gan (M < N ), maka ini disebut overdetermined, dan cara penyelesaiannya biasanya meng- gunakan pencocokan (best fit ) terhadap data lapangan. Jika dalam kondisi yang lain dimana jumlah parameter yang ingin dicari lebih banyak dari pada jumlah datanya, maka ini disebut problem underdetermined. Dalam kasus ini terdapat sekian banyak model yang dapat sesuai kondisi datanya. Masalah ini disebut non-uniqness . Bagaimana cara untuk mendapatkan mod- el yang paling mendekati kondisi bawah permukaan? Menurut Meju , 1994 persoalan ini bisa diselesaikan dengan model yang parameternya berbentuk fungsi kontinyu terhadap posisi. Ka- sus yang terakhir adalah ketika jumlah data sama atau hampir sa ma dengan jumlah parameter. Ini disebut evendetermined. Pada kasus ini model yang paling sederhana dapat diperoleh den- gan metode inversi langsung.

Pada bab ini, saya mencoba menyajikan dasar teknik inversi yang d iaplikasikan pada model garis, model parabola dan model bidang. Uraian aplikasi tersebu t diawali dari ketersediaan data observasi, lalu sejumlah parameter model (unknown parameter ) mesti dicari dengan teknik inversi. Mari kita mulai dari model garis.

2.2 Inversi Model Garis

Pengukuran temperatur terhadap kedalaman di bawah permukaan bu mi menunjukkan bahwa semakin dalam, temperatur semakin tinggi. Misalnya telah dil akukan sebanyak empat kali (N = 4) pengukuran temperatur (T i ) pada kedalaman yang berbeda beda (z i ).

Grafik sebaran data observasi ditampilkan pada Gambar 2.1. Lalu k ita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus berikut ini:

m 1 + m 2 z i = T i

9

(2.1)

10

BAB 2. FORMULASI MASALAH INVERSI

Tabel 2.1: Data temperatur bawah permukaan tanah terhadap kedala man

Pengukuran ke- i

Kedalaman (m)

Temperatur ( O C )

 

1 z 1 = 5

T 1 = 35

2 z 2 = 16

T 2 = 57

3 z 3 = 25

T 3 = 75

4 z 4 = 100

T 4 = 225

Variasi temperatur terhadap kedalaman

250 200 150 100 50 0 0 10 20 30 40 50 60 70 80
250
200
150
100
50
0
0
10
20
30
40
50
60
70
80
90
100
Temperatur (Celcius)

Kedalaman (meter)

Gambar 2.1: Sebaran data observasi antara temperatur dan kedalaman

dimana m 1 dan m 2 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut mod-

el matematika. Sedangkan m 1 dan m 2 disebut parameter model atau biasa juga disebut

unknown parameter. Pada model matematika di atas terdapat dua buah parameter model,

(M = 2). Sementara jumlah data observasi ada empat, (N = 4), yaitu nilai-nilai kedalaman, z i ,

dan temperatur, T i . Berdasarkan model tersebut, kita bisa menyatakan temperatur da n kedala-

man masing-masing sebagai berikut:

m 1 + m 2 z 1 =

T 1

m 1 + m 2 z 2 = T 2

m 1 + m 2 z 3 = T 3

m 1 + m 2 z 4 = T 4

2.2.

INVERSI MODEL GARIS

11

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

Lalu ditulis secara singkat

1

1

1

1

z

z

z

z

1

2

3

4

m m 2 =

1

G m = d

T 3

T

1

T

2

T

4

(2.2)

(2.3)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga

dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-

patkan nilai m 1 dan m 2 pada vektor kolom m? Manipulasi 1 berikut ini bisa menjawabnya

G t G m = G t d

(2.4)

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan

elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:

1. Tentukan transpos dari matrik kernel, yaitu G t

G =

1

1

1

1

z

z

z

z

1

2

3

4

2. Lakukan perkalian matriks G t G

G t G =

1

z 1

1

1

z 2 z 3

dimana N = 4 dan i = 1, 2, 3, 4.

3. Kemudian tentukan pula G t d

G t d =

1

1

z 1 z 2

G t =

1

z 1

1

1

z 2 z 3

1

z

4

1

z

4

1

 

1

z 3 z 4

1 z

1 1 = z i z
1

1

z

2

z

z

3

4

N

z i

2

i

T 3

T

1

T

2

T

4

=

T i

z

i T i

1 Matrik G biasanya tidak berbentuk bujursangkar. Akibatnya tidak bisa dihitun g nilai invers-nya. Dengan menga- likan matrik G dan transpose matrik G, maka akan diperoleh matrik bujursa ngkar

12

BAB 2. FORMULASI MASALAH INVERSI

4. Sekarang persamaan (2.4) dapat dinyatakan sebagai

N

z i

z i z

2

i

m m 2 =

1

T i

z i

T i

(2.5)

Berdasarkan data observasi pada tabel di atas, diperoleh

4

146

10906 m

146

1

m 2 =

25462

392

(2.6)

Operasi matriks di atas akan menghasilkan nilai m 1 = 25 dan m 2 = 2.

Program Matlab telah menyediakan sebuah baris perintah untuk menghitung elemen-elemen

m, yaitu

m=inv(G’ * G) * G’ * d

Demikianlah contoh aplikasi teknik inversi untuk menyelesaik an persoalan model garis. An-

da bisa mengaplikasikan pada kasus lain, dengan syarat kasus ya ng anda tangani memiliki

bentuk model yang sama dengan yang telah dikerjakan pada catata n ini, yaitu model garis:

y = m 1 + m 2 x. Selanjutnya mari kita pelajari inversi model parabola.

2.3 Inversi Model Parabola

Kembali kita ambil contoh variasi temperatur terhadap kedalaman dengan sedikit modifikasi

data. Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengukuran temperatur (T i )

pada kedalaman yang berbeda beda (z i ). Tabel pengukuran yang diperoleh adalah: Lalu kita

Tabel 2.2: Data temperatur bawah permukaan tanah terhadap kedala man

Pengukuran ke- i

Kedalaman (m)

Temperatur ( O C )

 

1 z 1 = 5

T 1 = 21, 75

2 z 2 = 8

T 2 = 22, 68

3 z 3 = 14

T 3 = 25, 62

4 z 4 = 21

T 4 = 30, 87

5 z 5 = 30

T 5 = 40, 5

6 z 6 = 36

T 6 = 48, 72

7 z 7 = 45

T 7 = 63, 75

8 z 8 = 60

T 8 = 96

berasumsi bahwa variasi temperatur terhadap kedalaman memenuh i model matematika berikut

ini:

m 1 + m 2 z i + m 3 z = T i

2

i

(2.7)

dimana m 1 , m 2 dan m 3 adalah unknown parameter. Jadi pada model di atas terdapat tiga buah

model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T 1 ,

T 2 , dan T 8 . Berdasarkan model tersebut, kita bisa menyatakan temperatur da n kedalaman

sebagai sistem persamaan simultan yang terdiri atas 8 persamaan (sesuai dengan jumlah data

,

2.3.

INVERSI MODEL PARABOLA

13

observasi):

m 1 + m 2 z 1 + m 3 z

m 1 + m 2 z 2 + m 3 z

m 1 + m 2 z 3 + m 3 z

m 1 + m 2 z 4 + m 3 z

m 1 + m 2 z 5 + m 3 z

m 1 + m 2 z 6 + m 3 z

m 1 + m 2 z 7 + m 3 z

m 1 + m 2 z 8 + m 3 z = T 8

= T 7

= T 6

= T 5

= T 4

= T 3

= T 2

= T 1

2

1

2

2

2

3

2

4

2

5

2

6

2

7

2

8

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:

Lalu ditulis secara singkat

1

1

1

1

1

1

1

1

z

z 2 z

z 3 z

z 4 z

z 5 z

z 6 z

z 7 z

z 8 z

z

1

2

1

2

2

2

3

2

4

2

5

2

6

2

7

2

8

m

m

m

1

2

3

=

T 3

T 5

T 7

T 1

T 2

T 4

T 6

T 8

G m = d

(2.8)

(2.9)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga

dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-

patkan nilai m 1 , m 2 dan m 3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya

G t G m = G t d

(2.10)

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan

elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:

14

BAB 2. FORMULASI MASALAH INVERSI

1. Tentukan transpos dari matrik kernel, yaitu G t

 

 

1 z

1 z 2 z

z


2
1
2

2

 

3  

 

5

2  

1

1 z 3 z

1 z 4 z

1 z 5 z

1 z 6 z

1 z 7 z

1 z 8 z

2

2

4

2

2

6

7

2

8

1

z 4

z

2

4

G =

2. Tentukan G t G

G t G =  

1

2

1

1

z

2

2

1

z

z

3

2

3

z 1 z 2

z

1

z

z

5

2

5

dimana N = 8 dan i = 1, 2, 3,


G t =

1

1

z 6 z 7

z

2

6

z

2

7

,

8.

1

z

z

8

2

8

1

1

1

z

z

1

2

z 2 z 3

2

2

2

z 3

1 z

 

 

z 7 z

1 z 8 z

z 6 z

z 5 z

z 4 z

z 3 z