TUGAS II

METODA INVERSI

ANGGI ARWIN PRATAMA

3713100014

JURUSAN TEKNIK GEOFISIKA

FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI SEPULUH OPEMBER
SURABAYA
2015
1. Definisi dan Perbedaan R2 dan Norm of Residual
1.1 R2 (R Square)
Sering disebut dengan koefisien determinasi, diartikan sebagai seberapa besar
kemampuan semua variabel bebas dalam menjelaskan varians dari variabel terikatnya.
Secara sederhana koefisien determinasi dihitung dengan mengkuadratkan Koefisien
Korelasi (R). Sebagai contoh, jika nilai R adalah sebesar 0,80 maka koefisien determinasi
(R Square) adalah sebesar 0,80 x 0,80 = 0,64. Berarti kemampuan variabel bebas dalam
menjelaskan varians dari variabel terikatnya adalah sebesar 64,0%. Berarti terdapat 36%
(100%-64%) varians variabel terikat yang dijelaskan oleh faktor lain. Berdasarkan
interpretasi tersebut, maka tampak bahwa nilai R Square adalah antara 0 sampai dengan 1.
Penggunakan R Square (R Kuadrat) sering menimbulkan permasalahan, yaitu
bahwa nilainya akan selalu meningkat dengan adanya penambahan variabel bebas dalam
suatu model. Hal ini akan menimbulkan bias, karena jika ingin memperoleh model dengan
R tinggi, seorang penelitian dapat dengan sembarangan menambahkan variabel bebas dan
nilai R akan meningkat, tidak tergantung apakah variabel bebas tambahan itu berhubungan
dengan variabel terikat atau tidak.
1.2 Norm of Residual
Selisih antara nilai duga (predicted value) dengan nilai pengamatan sebenarnya apabila
data yang digunakan adalah data sampel.
1.3 Perbedaan
Kadang norm of residual digunakan untuk mengindikasi goodness of fit. Persamaan ini
dihitung sebagai akar kuadrat dari penjumlahan residual kuadrat.

R2 dan Norm of Residual mempunyai ciri relatif. Untuk analisis least square R2 memiliki
variasi antara 0 – 1, dengan angka yang lebih besar mengindikasikan kecocokan dan 1
merepresentasikan sebuah kecocokan yang sempurna. Variasi Norm of Residual dari 0
sampai tak hingga dengan angka terkecil mengindikasikan kecocokan yang lebih baik, dan
0 mengindikasikan sebuah kecocokan sempurna. Satu keuntungan dan kesulitan dari R2
adalah persamaan untuk menormalisasi nilai. Jika nilai yi merupakan keseluruhan
dari sebuah konstanta, Norm of Residual akan juga terganti oleh konstanta tersebut, tetapi
R2 akan tetap sama. Sebagai contoh dasar, least square linear untuk pengaturan data :
 R2 = 0.998, dan norm of residuals = 0.302. jika nilai dari y adalah keseluruhan dari 1000
(contoh, pada sebuah perubahan awal standart internasional), lalu R2 menunjukkan
kesamaan, tetapi norm of residual = 302. Cara lainnya untuk menguji goodness of fit adalah
dengan menguji fungsi residual x. Indicator parameter single lainnya meliputi standar
deviasi dari residual, atau RMSE residual. Residual adalah selisih antara nilai duga
(predicted value) dengan nilai pengamatan sebenarnya apabila data yang digunakan adalah
data sampel. Error adalah selisih antara nilai duga (predicted value) dengan nilai
pengamatan yang sebenarnya apabila data yang digunakan adalah data populasi.
Persamaan keduanya : merupakan selisih antara nilai duga (predicted value) dengan
pengamatan sebenarnya. Perbedaan keduanya: residual dari data sampel, error dari data
populasi.

2. Accoustic Tomography
Forward
Digunakan matriks kernel 2D dengan menggunakan 16 slowness,
Skrip Forward Modelling :

v = [2,3,4,5,2,3,4,6,7,8,9,9,8,8,6,11]';
N=8;
M=16;
G=zeros(N,M);
h=1;
s=1./v;
for i = [1:4];
for j = [1:4];
% measurements over rows
k = (i-1)*4 + j;
G(i,k)=h;
% measurements over columns
k = (j-1)*4 + i;
G(i+4,k)=h;
end
end
fprintf('Kernel for tomography case\n');
G
T=G*s;
for x=[1:4];
for y=1:4;
tt(x,y)=s(y+(x-1)*4);
end
end
 imagesc(tt)
T

Dari hasil forward modelling menggunakan matlab dihasilkan Kernel for Tomography
Case sebagai berikut :

Figure slowness lapisan yang dihasilkan dari forward modelling :

T (waktu) yang dibutuhkan untuk melewati lapisan dari source ke receiver :

T = 1.2833, 1.2500, 0.4901, 0.5076, 1.2679, 0.9167, 0.7778, 0.5687

Inverse
Skrip Inverse Modelling :
v=[2,3,4,5,2,3,4,6,7,8,9,9,8,8,6,11]'; %diketahui data V
s=1./v; %rumus slowness
h=10;
G=zeros(8,16); %jumlah data = 8, jumlah parameter model = 16
for i=[1:4]
for j=[1:4]
% measurements over rows
k=(i-1)*4+j;
G(i,k)=h;
% measurements over columns
k=(j-1)*4+i;
G(i+4,k)=h;
end
end
%Inversi Modelling
T=G*s
GT=G'
A=GT*G
B=inv(A)
cc=B*GT*T
imagesc(cc)

Hasil T dari forward :

Hasil inverse dari pengolahan data ditunjukkan pada figure dan data dibawah ini :

3. Membuat histogram dari 1000 random data menggunakan Ms. Excel

Pembuatan histogram dengan cara komputasi dapat dilakukan dengan ms. excel. Pertama-
tama kita membuat random data, nilai datanya berkisar antara 1-100. Didalam ms. excel
untuk mendapatkan random data kita ketik pada kotak “=RANDBETWEEN(1;100)”.
Setelah kita enter maka tulisan “=RANDBETWEEN(1;100)” akan muncul angka,

kemudian angka tersebut ditarik hingga didapatkan 1000 data. Untuk membuat histogram
 kita pilih pada toolbar data kemudian kita cari data analysis (Biasa terletak dipojok kanan).
Jika pada ms. excel belum ada maka buka excel optionsadd-insanalysis toolpakgo
kemudian pada excel anda akan muncul data analysis.

Pada gambar diatas input range diisi dengan cara blok data 1 – 1000, sedangkan bin range
merupakan data interval.
Dari input data diatas didapatkan hasil sebagai berikut :
Bin Frequency Cumulative % Bin2 Frequency3 Cumulative %4 pdf cdf
0 0 0.00% 90 118 11.80% 0 0
10 94 9.40% 50 107 22.50% 0.094 0.094
20 103 19.70% 80 104 32.90% 0.103 0.197
30 93 29.00% 20 103 43.20% 0.093 0.29
40 98 38.80% 100 102 53.40% 0.098 0.388
50 107 49.50% 40 98 63.20% 0.107 0.495
60 94 58.90% 10 94 72.60% 0.094 0.589
70 87 67.60% 60 94 82.00% 0.087 0.676
80 104 78.00% 30 93 91.30% 0.104 0.78
90 118 89.80% 70 87 100.00% 0.118 0.898
100 102 100.00% 0 0 100.00% 0.102 1
More 0 100.00% More 0 100.00%

Histogram
150 150.00%
Frequency

100 100.00%

50 50.00% Frequency
Cumulative %
0 0.00%
0
50
40
30
20
90

Bin

Data table tersebut diolah untuk mengetahui PDF dan CDF. Untuk mengetahui nilai PDF,
nilai frekuensi pada tabel masing-masing dibagi jumlah data (1000). Sedangkan untuk
mengetahui nilai CDF didapatkan dari penjumlahan nilai PDF dan CDF yang telah
didapatkan hasil CDF Linear dapat diartikan grafik yang dihasilkan sesuai. Berikut hasil
grafik PDF dan CDF :

pdf

0.15

0.1

0.05

0
1 2 3 4 5 6 7 8 9 10 11

pdf
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10 11

cdf
1.2
1
0.8
0.6
0.4
0.2
0
1 2 3 4 5 6 7 8 9 10 11

cdf
1.2
1
0.8
0.6
0.4
0.2
0
1 2 3 4 5 6 7 8 9 10 11