JURNAL GEOFISIKA 2006/1

Inversi Data Sounding Tahananjenis Menggunakan Metoda Kuadrat Terkecil

dan Simulated Annealing

Tedi Yudistira dan Hendra Grandis

Kelompok Keilmuan Geofisika / Program Studi Geofisika FIKTM - ITB

e-mail: tedi@geoph.itb.ac.id

Abstrak
Makalah ini membahas penerapan metoda inversi kuadrat terkecil iteratif dan metoda simulated annealing untuk
memodelkan data tahananjenis 1-D konfigurasi elektroda Schlumberger. Persamaan matriks pada inversi
kuadrat terkecil diselesaikan menggunakan metoda dekomposisi nilai singulir. Metoda simulated annealing
adalah proses pencarian model optimum dalam suatu ruang model yang dilakukan secara acak namun terarah
(guided random search) dengan probabilitas penerimaan model yang didasarkan pada misfit antara data
perhitungan dengan data pengamatan. Penerapan metoda simulated annealing pada data sintetik, baik untuk data
tanpa kontaminasi noise maupun dengan noise, dapat menghasilkan model inversi yang mendekati model
sebenarnya. Metoda kuadrat terkecil dapat menghasilkan solusi optimum jika pola model awal tidak terlalu jauh
dari model sebenarnya.

Abstract
This paper describes inversion methods based on least square and simulated annealing techniques to infer 1-D
model from resistivity sounding data with Schlumberger electrode configuration. In least-squares method,
matrix inversion were solved by using singular value decomposition. Simulated annealing is a searching method
of optimum model in a model space by guided random selection process with probability to accept or reject the
model based on misfit between observed and calculated data. Application of simulated annealing method to
synthetic data with and without noise results in optimum models that agree well with the true model. The least-
square inversion also lead to optimum results as long as the initial models were close enough to the true model.

1. Pendahuluan interpretasi awal dan juga merupakan input atau

Dalam metoda geolistrik tahananjenis (resistivity)
kemajuan dalam hal akuisisi data, terutama dengan
diimplementasikannya pengukuran secara otomatis
dan terintegrasinya peralatan dengan sistem
komputasi, memungkinkan pengukuran data dalam
waktu yang relatif cepat. Hal ini menyebabkan
teknik pengukuran dan interpretasi secara 2-D
bahkan 3-D semakin populer. Pada prakteknya
sistem akuisisi data dapat didesain sehingga secara
sekaligus dapat diperoleh kombinasi data sounding
(1-D) dan data profiling (2-D) bahkan data 3-D.
kendala pada interpretasi secara 2-D atau 3-D.
Makalah ini membahas penerapan dua metoda
inversi data sounding tahananjenis yaitu metoda
inversi linier kuadrat terkecil iteratif (iterative least
square, ILSQ) dan metoda inversi non-linier
simulated annealing (SA). Metoda ILSQ sudah
sering diimplementasikan dalam pemodelan data
tahananjenis, baik dalam domain data tahananjenis
(Inman, 1975; Johansen, 1977; Roy, 1999) maupun
dalam domain kernel (Bichara dan Lakshamanan,
1976; Marsden, 1973).

Dilihat dari kedekatan model dengan kondisi bawah-
permukaan maka teknik interpretasi secara 2-D dan
3-D akan memberikan gambaran yang lebih baik
dalam mendekati kondisi sebenarnya. Namun tidak
berarti teknik inversi data secara 1-D sudah tidak
diperlukan lagi. Untuk kondisi geologi tertentu
interpretasi secara 1-D sudah cukup baik dalam
memberikan gambaran kondisi bawah-permukaan
bumi, terutama untuk lingkungan sedimen yang
strukturnya dapat didekati oleh model bumi berlapis
dimana sifat fisis hanya bervariasi secara vertikal
(Muiuane dan Pedersen, 1999). Selain itu
interpretasi secara 1-D dapat digunakan sebagai
Persoalan utama dalam inversi dengan pendekatan
linier ini adalah penentuan model awal karena
karakter inversi data tahananjenis adalah ill-possed
problem, dimana solusinya tidak stabil dan
bergantung pada pemilihan model atau tebakan awal.
Model awal harus dipilih sedemikian rupa sehingga
tidak terlalu jauh dari model sebenarnya. Beberapa
penelitian yang membahas pemilihan model awal ini
sudah dilakukan diantaranya oleh Zohdy (1989) dan
Muiuane dan Pedersen (1999).
Metoda SA sudah sejak lama diimplementasikan
untuk memodelkan data geofisika, seperti inversi
data waveform seismik (Sen dan Stoffa, 1991) dan

23
JURNAL GEOFISIKA 2006/1
inversi data tahananjenis 1-D (Sen dkk., 1993).
Syarifudin dan Grandis (2001) menggunakan
metoda SA untuk memodelkan data magnetotellurik
(MT) 1-D dengan skema pendekatan model yang
smooth dimana ketebalan/kedalaman setiap lapisan
dibuat tetap sehingga pencarian model difokuskan
pada harga tahananjenis tiap lapisan.
2. Pemodelan Kedepan
Formulasi tahananjenis semu ρa untuk model bumi
berlapis (1-D) dinyatakan oleh persamaan integral
Hankel berikut ini :
∞
ρa = s ∫ T (λ) J (λs) λ dλ
2
1 (1)
0 dalam metoda SVD vektor A dipecah dalam bentuk
dimana s adalah setengah jarak interval elektroda
arus (AB/2 dalam konfigurasi Schlumberger), J1
adalah fungsi Bessel orde-satu, dan T(λ) adalah
fungsi transformasi tahananjenis yang dinyatakan
oleh formulasi rekursif Pekeris (Koefoed, 1979)
berikut :
Ti +1 (λ ) + ρi tanh(λhi )
Ti (λ ) = , i = n-1, … ,1 (2)
1 + Ti +1 (λ ) tanh(λhi ) / ρi
solusi persamaan (1) dapat diselesaikan dengan
metoda filter linear (Ghosh, 1971a,b) berikut:
k max
ρa = ∑ T (λ ) f
k = k min
k (3)
dimana fk adalah harga koefesien filter.
3. Metoda Inversi
3.1. Inversi Kuadrat Terkecil Iteratif (ILSQ)
Formulasi pemodelan kedepan tahananjenis, yang
menghubungkan antara data (tahananjenis semu)
dengan parameter model (tahananjenis setiap lapisan
dan ketebalannya), merupakan fungsi non-linier
seperti ditunjukkan pada persamaan (1). Linierisasi
bentuk persamaan non-linier ini dapat dilakukan
dengan ekspansi Taylor orde satu yang secara umum
formulasinya dapat dinyatakan oleh persamaan
matriks berikut (Meju, 1994):
Jm = d + ε (4)
dimana J adalah matriks Jacobi yang elemennya
merupakan turunan parsial data terhadap tiap
parameter model, vektor d adalah selisih antara data
observasi dengan data teoritik (misfit), m adalah
vektor koreksi model yang digunakan untuk meng-
update model, dan ε adalah vektor kesalahan (error).
Inversi data tahananjenis adalah persoalan
menentukan vektor m sehingga model dapat
menghasilkan data perhitungan yang dekat dengan
24
data pengamatan. Dengan pendekatan metoda
kuadrat terkecil teredam (damped) solusi persamaan
(4) tersebut adalah :
m = ( J T J + µI)-1 J T d (5)
dimana µ adalah faktor redaman (damping).
Persamaan (5) dapat diselesaikan, salah satunya,
dengan menggunakan metoda dekomposisi nilai
singulir (singular value decomposition, SVD).
Persamaan (5) dapat dituliskan kembali dalam
bentuk:
m = A -1 b (6)
dimana A = ( J T J + µ I) dan b = J T d .
perkalian tiga buah matriks: A = U S V T , dimana U
dan V adalah matriks ortonomal dan S adalah
matriks diagonal yang elemennya merupakan nilai
singulir dari A. Solusi persamaan (5) adalah:
m = V S −1 U T b (7)
3.2. Inversi Non-linear Simulated Annealing (SA)
SA termasuk dalam kategori metoda guided random
search, dimana pencarian model optimum dilakukan
secara acak dalam suatu ruang model. Pada dasarnya,
metoda SA meniru proses pembentukan struktur
kristal dari suatu substansi yang dalam proses
pembentukannya (kristalisasi) dikontrol oleh
penurunan temperatur. Penentuan diterima atau
tidaknya model yang terpilih, yang beranalogi
dengan dinamika perubahan struktur dari substansi
tersebut, dilakukan menggunakan dua kriteria
berikut: (1) jika model menghasilkan misfit yang
lebih kecil dibandingkan dengan model sebelumnya
maka model tersebut secara otomatis diterima dan
selanjutnya digunakan sebagai model referensi untuk
langkah berikutnya, (2) jika model tersebut memiliki
misfit yang lebih besar dibandingkan model
sebelumnya maka model tersebut diberikan harga
kemungkinan untuk diterima (probability of
acceptance, Pacc) sebesar:
Pacc = exp( − ∆E / T ) (8)
dimana ∆E adalah selisih antara misfit dari model
saat ini (aktual) dengan model sebelumnya dan T
adalah faktor temperatur. Pada awal iterasi T dibuat
cukup tinggi yang kemudian menurun sesuai dengan
iterasi. Salah satu formulasi pengaturan temperatur
(temperature scheduling) yaitu : T0 βitearsi, dimana T0
adalah harga temperatur awal dan β konstanta laju
peluruhannya.
Berdasarkan persamaan (8) diatas maka jika ∆E
bernilai kecil maka Pacc akan berharga besar

sehingga kemungkinan untuk diterimanya model
lebih besar pula dibandingkan jika harga ∆E besar.
Proses ini dilakukan secara iteratif sehingga model
akhirnya merupakan model optimum yang sudah
melalui tahap seleksi. Untuk mengevaluasi
kestabilan solusinya maka rangkaian proses
keseluruhan ini dilakukan beberapa kali.
Langkah-langkah komputasi metoda SA adalah
sebagai berikut:
(1) penentuan ruang model
(2) untuk iterasi ke-i dilakukan pencarian model
secara acak dan perhitungan misfit ei
(3) penerimaan/penolakan model dilakukan dengan
cara:
-jika ei ≤ ei-1 maka model diterima
-jika ei > ei-1 maka hitung Pacc kemudian
bangkitkan bilangan random r berdistribusi
uniform antara 0 dan 1 kemudian :
-jika Pacc ≥ r maka model diterima
-jika Pacc < r maka maka model ditolak
(4) langkah (2) dan (3) diulangi sampai batas iterasi
tercapai.
4. Implementasi dan Pembahasan Hasil
4.1. Model Sintetik
Model yang digunakan untuk menghasilkan data
sintetik adalah model bumi empat lapis, dimana
harga tahananjenis dari lapisan yang paling atas ke
lapisan yang paling bawah berturut-turut adalah 200,
50, 15, 350 Ohm.m, dan harga ketebalannya
berturut-turut 1, 5, 45 meter. Untuk melihat
pengaruh kontaminasi noise data terhadap model
solusi maka selain data tanpa noise dibuat pula data
dengan kontaminasi noise berdistribusi normal
dengan rata-rata nol dan standar deviasi sebesar 10%
dari data teoritik. Model dan data sintetiknya
diperlihatkan pada Gambar 1.
Gambar 1. Model (garis putus-putus), data tanpa
noise (garis hitam penuh) dan data dengan Gaussian
noise 10% (simbol kotak). Model ini digunakan
untuk menguji metoda inversi ILSQ dan SA.
JURNAL GEOFISIKA 2006/1
4.2. Implementasi Metoda SA
Untuk metoda SA, parameterisasi dan diskretisasi
ruang model ditunjukkan pada Tabel 1. Diskretisasi
logritmik dilakukan untuk interval tahananjenis
sedangkan diskretisasi linier untuk interval ketebalan.
Jumlah iterasi adalah 1000 dengan harga temperatur
awal (T0) 1000 dan konstanta laju peluruhannya (β)
adalah 0.99, harga-harga parameter inversi ini
seperti yang digunakan oleh Sen, dkk. (1993).
Tabel 1. Parameterisasi ruang model.
Parameter
Interval pencarian nilai parameter
model
ρ1 (Ω.m) [0.1 0.5 logspace(0,3,28)]
ρ2 (Ω.m) [0.1 0.5 logspace(0,3,28)]
ρ3 (Ω.m) [0.1 0.5 logspace(0,3,28)]
ρ4 (Ω.m) [0.1 0.5 logspace(0,3,28)]
t1 (m) [linspace(1, 10, 10)]
t2 (m) [linspace(1, 10, 10)]
t3 (m) [linspace(5, 100, 20)]
Catatan :
logspace(a,b,c) berarti antara harga 10a dan 10b
didigit sebanyak c bilangan secara logaritmik,
linspace(a,b,c) berarti antara harga a dan b didigit
sebanyak c bilangan secara linear.
Untuk mengevaluasi kestabilan atau variasi model
inversi yang dihasilkan maka dilakukan empat kali
eksekusi masing-masing dengan model awal
homogen 100 Ohm.m dengan ketebalan dari lapisan
pertama sampai lapisan ketiga berturut-turut: 5, 10,
50 meter. Hasil metoda SA, untuk data tanpa noise
ditunjukkan pada Gambar 2 dan hasil secara
kuantitatif ditunjukkan pada Tabel 2.
Secara umum model hasil inversi mempunyai pola
yang sesuai dengan pola model sintetik, meskipun
terdapat perbedaan pada setiap hasil eksekusi.
Validitas model inversi dapat dievaluasi dari misfit
yang semakin kecil sebagai fungsi iterasi serta
kesesuaian antara data sintetik dengan data
perhitungan atau respons model inversi. Meskipun
demikian perlu diperhitungkan pula adanya masalah
ekivalensi atau ambiguitas model. Pada Tabel 2
ditunjukkan pula model rata-rata dari keempat
model tersebut.
Hasil penerapan metoda SA pada data dengan
kontaminasi noise ditunjukkan pada Gambar 3.
Seperti sebelumnya hasil inversi bervariasi pada
setiap kali eksekusi. Meskipun demikian, model
yang diperoleh secara umum cukup dekat dengan
model sebenarnya dengan tingkat kesalahan / deviasi
yang tidak terlalu signifikan. Hasil inversi secara
kuantitatif ditunjukkan pada Tabel 3.
25
JURNAL GEOFISIKA 2006/1

Gambar 2. Empat hasil eksekusi metoda SA untuk data tanpa noise (dari atas ke bawah). Kolom kiri adalah
perbandingan antara model awal (homogen 100 Ohm m), model sebenarnya (garis putus-putus) dan model hasil
inversi (garis utuh), kolom tengah adalah perbandingan antara data perhitungan (garis utuh) dengan data sintetik
(lingkaran), kolom kanan adalah kurva misfit (garis utuh) dan pola penurunan temperatur (garis putus-putus)
yang dinormalisasi sebagai fungsi iterasi.

Tabel 2. Model hasil inversi metoda SA pada data tanpa noise.

Parameter Model
lapisan True Awal Hasil 1 Hasil 2 Hasil 3 Hasil 4 Rata-rata
ρ1 (Ohm.m) 200 100 166.8 129.15 215.44 215.44 181.71
ρ2 (Ohm.m) 50 100 16.7 21.54 46.42 35.94 30.15
ρ3 (Ohm.m) 15 100 16.7 21.54 16.68 21.50 19.1
ρ4 (Ohm.m) 350 100 278.3 464.16 278.26 599.50 405.05
T1 (m) 1 5 3 2 1 1 2.75
T2 (m) 5 10 10 7 4 4 6.25
T3 (m) 45 50 35 65 45 80 56.25

26
 JURNAL GEOFISIKA 2006/1

Gambar 3. Empat hasil eksekusi metoda SA untuk data dengan kontaminasi noise 10% (dari atas ke bawah).
Keterngan lain sama dengan Gambar 2.

Tabel 3. Model hasil inversi metoda SA pada data dengan kontaminasi noise.
Parameter Model
lapisan True Awal Hasil 1 Hasil 2 Hasil 3 Hasil 4 Rata-rata
ρ1 (Ohm.m) 200 100 215.4 129.2 215.4 278.3 209.6
ρ2 (Ohm.m) 50 100 35.9 16.7 59.9 46.4 39.7
ρ3 (Ohm.m) 15 100 21.5 16.7 12.9 12.9 13.5
ρ4 (Ohm.m) 350 100 359.4 215.4 215.4 359.4 287.4
T1 (m) 1 5 1 2 1 1 1.25
T2 (m) 5 10 4 6 6 5 5.25
T3 (m) 45 50 65 75 30 40 52.5

27
JURNAL GEOFISIKA 2006/1

4.3. Implementasi Metoda ILSQ perhitungan serta harga RMS error yang sudah stabil
setelah iterasi keempat (Gambar 4). Untuk metoda
Pada metoda ILSQ, model awal homogen seperti
ILSQ penambahan noise (10%) pada data sintetik
pada metoda SA tidak memberikan hasil yang
cukup berpengaruhi pada model inversi.
konvergen ke model sebenarnya atau model sintetik.
Berdasarkan eksperimen yang dilakukan untuk
Model awal harus dipilih sedemikian rupa sehingga
variasi harga persentase noise yang semakin besar
tidak terlalu jauh dari model sebenarnya. Pada
maka model inversi yang diperoleh semakin jauh
prakteknya model awal secara kualitatif dapat
dari model sebenarnya. Hal ini berarti noise pada
diperkirakan berdasarkan pola kurva data sounding.
data akan dipetakan pada model hasil inversi.
Zohdy (1989) memperkirakan ketebalan / kedalaman
model berdasarkan spasi elektroda sedangkan Secara umum dapat dikatakan bahwa dengan
tahananjenis lapisan didasarkan pada tahananjenis pemilihan model tebakan awal yang baik maka
semu. proses perolehan model optimum bisa lebih cepat.
Variasi pemilihan model awal yang berbeda tetapi
Model awal untuk lapisan pertama dibuat sama
masih mempunyai pola yang sesuai (variasinya
dengan model sebenarnya, hal ini dipilih karena
masih disekitar pola sebenarnya) maka metoda ILSQ
untuk lapisan paling atas harga tahananjenis semu
masih dapat menghasilkan model akhir yang cukup
dengan bentangan elektroda pendek berkorelasi
baik. Dalam hal ini, hasil yang diperoleh konsisten
dengan model/kondisi sebenarnya (Muiuane dan
ke satu pola model.
Pedersen, 1999). Untuk lapisan kedua sampai
dengan keempat harga parameter awal dibuat lebih
rendah dari harga sebenarnya, sementara ketebalan 5. Kesimpulan
lapisan kedua lebih tipis dan lapisan keempat lebih
Implementasi metoda inversi ILSQ dan metoda SA
tebal dibandingkan dengan ketebalan sebenarnya.
dalam pemodelan inversi data sounding tahananjenis
Jumlah iterasi sebanyak 7 kali dan pemilihan harga
memberikan hasil yang cukup baik dalam arti dapat
pembobotan adalah 0.001 dengan faktor penurunan
mereproduksi model sintetik. Studi ini telah
sebesar 0.75 pada setiap kali iterasi.
menggarisbawahi karakteristik masing-masing
Dengan pemilihan model awal yang relatif dekat ini metoda inversi yang mewakili kelompok inversi
diperoleh model inversi yang mirip dengan model non-linier dengan pendekatanm linier dan kelompok
sebenarnya bahkan keduanya berimpit jika diplot inversi non-linier dengan pendekatan global.
Demikian pula dengan data sintetik dan data

Gambar 4. Implementasi metoda ILSQ untuk data tanpa noise (atas) dan data dengan kontaminasi noise 10%
(bawah). Kolom kiri adalah perbandingan antara model awal (garis putus-titik), model sebenarnya (garis putus-
putus) dan model hasil inversi (garis utuh). Pada inversi data tanpa noise model hasil inversi berimpit dengan
model sebenarnya. Kolom tengah adalah perbandingan antara data perhitungan (garis utuh) dengan data sintetik
(lingkaran). Kolom kanan adalah kurva RMS error sebagai fungsi iterasi.

28

Metoda SA tidak tergantung pada model awal
sehingga tidak memerlukan informasi a priori yang
sangat spesifik. Meskipun demikian, pemilihan
parameterisasi dan interval sampling parameter
model bersifat “adhoc” dan dapat mempengaruhi
proses serta hasil pencarian solusi. Oleh karena itu
aspek tersebut perlu dikaji lebih lanjut untuk
memperoleh pola dan harga optimumnya.
Metoda SA tidak hanya memberikan model
optimum atau solusi tunggal tetapi dapat
memberikan berbagai kemungkinan variasi solusi
untuk setiap realisasi / eksekusi. Hal tersebut dapat
dimanfaatkan untuk analisis ketidakpastian model
inversi maupun analisis ekivalensi atau ambiguitas
model. Metoda SA memerlukan sumberdaya
komputasi yang cukup besar, namun masih dapat
dilakukan pada komputer dengan prosesor standar
saat ini sehingga metoda SA secara praktis dapat
diimplementasikan.
Inversi data tahananjenis adalah ill-posed problem,
di mana solusinya tidak stabil dan sangat bergantung
pada model awal. Hal ini berlaku untuk
penyelesaian menggunakan metoda ILSQ. Dengan
kualitas data yang baik (kontaminasi noise minimum)
dan dengan model awal yang tidak terlalu jauh dari
model sebenarnya, metoda ILSQ dapat
menghasilkan solusi yang cukup baik dalam
mendekati model sebenarnya. Dalam hal ini
diperlukan informasi a priori yang cukup memadai.
Daftar Pustaka
Bichara, M., dan Lakshamanan, J., 1976, Fast
automatic processing of resistivity soundings:
Geophysical Prospecting, 24, 354-370.
Ghosh, D.P., 1971a. The application of linear filter
theory to the direct interpretation of
geoelectrical resistivity sounding
measurements. Geophysical Prospecting, 19,
192-217.
Ghosh, D.P., 1971b. Inverse filter coefficients for
computation of apparent resistivity standard
curves for horizontally stratified earth.
Geophysical Prospecting, 19, 769-775.
JURNAL GEOFISIKA 2006/1
Inman, J.R., 1975, Resistivity inversion with ridge
regression, Geophysics, 40, 798-817.
Johansen, H. K., 1977, A man/computer
interpretation system for resistivity soundings
over a horizontally stratified earth, Geophysical
Prospecting, 25, 667-691.
Koefoed, O., 1979, Geosounding principles, 1:
Resistivity sounding measurements: Elsevier
Scientific Publ. Co.
Loke, M. H., Barker, R. D., 1996, Rapid least
squares inversion of apparent resistivity
pseudosection by quasi-Newton method.
Geophysical Prospecting, 44, 131-152.
Marsden, D., 1973, The automatic filtering of a
resistivity sounding by geometrical progression
of depth, Geophysical Prospecting, 21, 266-280.
Meju, A. M., 1994, Geophysical data analysis:
understanding inverse problem theory and
practice, Society of Exploration Geophysics.
Muiuane, E.A., dan Pedersen, L.B., 1999. Automatic
1D interpretation of DC resistivity data.
Journal of Applied Geophysics, 42, 35-45.
Roy, I.G., 1999, An efficient non-linear least squares
1D inversion scheme for resistivity and IP
sounding data, Geophysical Prospecting, 47,
527-550.
Sen, M.K., Bhattacharya, B.B., dan Stoffa, P.L.,
1993, Non-linear inversion of resistivity
sounding data, Geophysics, 58, 496-507.
Sen, M.K., dan Stoffa, P.L., 1991, Non-linear one-
dimensional seismic waveform inversion using
simulted annealing, Geophysics, 56, 1624-1638.
Syaripudin, A., Grandis, H., 2001, Inversi data
magnetotellurik 1-D menggunakan metoda
simulated annealing, Kontribusi Fisika
Indonesia, vol. 12, no. 2, 49-55.
Zohdy, A.A.R., 1989, A new method for automatic
interpretation of Schlumberger and Wenner
sounding curves. Geophysics 54, 245-253.
29