TUGAS RINGKASAN:

PENDAHULUAN
Dalam pengerjaan tugas ini ringkasan saya bagi dalam 12 point penting diantaranya:

I. Dalam dunia pemodelan dikenal dua tipe pemodelan diantaranya pemodelan forward dan
pemodelan inverse.
II. Dalam kedua pemodelan dikenal dua variabel utama yakni model dan data yang
dihubungkan dengan satu fungsi yang disebut sebagai function(atau dapat disebut operator).
III. Rumus inti dari kedua jenis pemodelan adalah:

G(m)=d

dimana G adalah function penghubung m dan d,m adalah model dan d adalah data.Dalam
geofisika m merupakan parameter-parameter fisis seperti densitas,cepat rambat
gelombang,densitas,resistivitas dan konduktivitas.Dalam inversi dan forward biasanya m
disusun oleh beberapa parameter-parameter diatas hingga membentuk suatu vektor m.Jika
kita memiliki sejumlah data maka kita dapat membuat sebanyak m-element vektor d.Cara ini
disebut sebagai discrete problem dan jika model dan data kontinu terhadap waktu dan ruang
maka kasusnya disebut sebagai continous problem.

IV. Dalam kasus forward modelling kita melakukan pencarian nilai d berdasarkan m sementara
yang disebut inverse modelling kita melakukan pencarian nilai m berdasarkan sejumlah d.

V. Sesungguhnya dalam kenyataan persamaan G(m)=d tidaklah ideal karena pasti ada noise
dalam pengukuran atau data sehingga persamaan ini harus dimodifiskasi menjadi:
G(m)+x=d dimana x adalah noise.

VI. Salah satu sistem yang ada dalam inversi adalah sistem linear dimana dalam sistem linear
berlaku prinsip superposisi dan scaling

Prinsip Superposisi:G(m1+m2)=G(m1)+G(m2)
Prinsip Scaling:G(m*y)=y*G(m).

VII. Dalam sistem linear persamaan G(m)=d dapat ditulis ulang menjadi Gm=d dimana G dapat
dikatakan sebagai operator dan menyusun persamaan:

Dimana g(s,x)merupakan operator yang disebut kernel dan dalam superposisi persamaan
diatas dapat ditulis sebagai

Sementara dalam Prinsip dalam scaling dapat ditulis sebagai

VIII. Persamaan-persamaan diatas dapat disebut sebagai IFK atau Fredholm Integral Equations of
the first kind.Selain bentuk diatas terdapat juga bentuk fourier yang dibentuk oleh IFK
dengan persamaan:

Dimana persamaan diatas penting saat kita ingin melakukan pendiskritan suatu gelombang
dan transformasi fourier(biasanya dalam geofisika biasa digunakan untuk filtering data
seismik dan gravitasi).Selain itu terkadang fungsi kernel juga akan dipengaruhi oleh s-x
sehingga persamaan bisa berubah menjadi:

Yang disebut sebagai konvolusi dan inversenya dapat disebut sebagai deconvolution(biasanya
digunakan untuk processing seismik)

IX. Contoh-contoh dalam penggunaan inversi adalah dalam menentukan hipocenter

gempa,tomografi seismik,analisa lintasan parabola dan perhitungan gravitasi.

X. Dalam kasus-kasus atau contoh-contoh diatas ditemukan suatu inversi yang sifatnya tidak
linear seperti pada penentuan hipocenter gempa dimana persamaan inverse menjadi:

t= +τ dimana τ adalah waktu awal gempa,c adalah kecepatan gelombang seismik,x

adalah koordinat awal gempa dan S.,j adalah koordinat setiap station.Ketidak linearan ini

disebabkan oleh nilai yang berubah-ubah atau dengan kata lain nilai gradien

berubah-ubah.Contoh lain adalah dalam pencarian nilai data pada gravitasi yakni

Dimana nilai m(x) yang berubah-ubah membuat sistem menjadi tidak linear.

XI. Hal lain yang sangat penting dalam inversi adalah nilai-nilai inversi tidaklah pasti benar
melainkan hanya pendekatan dimana kita harus membuat sedemikian sehingga:

Seminimum mungkin sehingga biasa disebut ‘best fit’ karena sebenarnya proses inversi dan
forward modelling adalah proses membuat model yang memiliki nilai terdekat dengan suatu
data atau sebaliknya.

XII. Dalam inversi dapat ditemui beberapa kesulitan diantaranya:

1.Existance:Yakni tidak ada model yang betul-betul model sesungguhnya dari data
 2.Uniqueness:Jika terdapat suatu solusi pasti mereka mungkin tidak unique(istilah dalam
aljabar linear untuk menyebutkan bahwa suatu persamaan memiliki satu jenis solusi)bahkan untuk
data yang jumlahnya tak terhingga.

3.Instability:Suatu model cenderung akan berubah-ubah selama proses inversi atau forward
modelling karena adanya noise atau perubahan sedikit akibat noise ini saat pengambilan data
dilakukan dan perubahan ini dapat memberikan perubahan besar dalam model yang dibuat.