Anda di halaman 1dari 8

JURNAL GEOFISIKA 2008/2

Inversi Data Magnetotellurik (MT) 1-D Menggunakan Algoritma Genetika:


Suatu Pendekatan Tutorial

Hendra Grandis
Kelompol Keilmuan Geofisika Terapan FTTM-ITB
e-mail: grandis@earthling.net

Abstrak
Algoritma genetika merupakan salah satu metode penyelesaian masalah inversi non-linier dengan pendekatan
global yang termasuk dalam kelompok guided random search techniques. Algoritma genetika mengadopsi
mekanisme biologis yang memungkinkan individu yang memiliki tingkat kesesuaian (fitness) tinggi dalam suatu
populasi berkembang melalui proses seleksi, reproduksi dan mutasi. Dalam hal ini individu merepresentasikan
model dan fitness dinyatakan oleh fungsi misfit. Ketiga proses utama dalam algoritma genetika pada dasarnya
adalah proses eksplorasi ruang model yang mengarah pada daerah yang berasosiasi dengan model optimum.
Algoritma genetika sederhana diaplikasikan pada penyelesaian masalah inversi data magnetotellurik (MT) 1-D
dengan jumlah parameter model yang terbatas. Hal ini lebih dimaksudkan untuk memberikan ilustrasi
bagaimana algoritma genetika bekerja. Hasil inversi menunjukkan kesesuaian antara model inversi dengan
model sintetik yang didukung oleh kesesuaian antara respons model inversi dengan data sintetik. Hasil inversi
juga menunjukkan ketidaksensitifan metode algoritma genetika terhadap kekuarangan informasi "a priori"
mengenai jumlah lapisan dalam model.

Abstract
Genetic algorithm is one of non-linear inverse problem resolution methods using a global approach that belongs
to guidend random search tecniques. Genetic algorithm adopts a biological mechanism that allows population
members having high fitness values outgrowth by selection, reproduction and mutation processes. In this case
an individual represents a model and fitness is expressed as a function of misfit. The three main processes in the
genetic algorithm basically represent exploration mechanism of the model space which converges to a zone
associated with optimal models. A simple genetic algorithm is applied to solve inverse problem of 1-D
magnetotelluric (MT) data with limited number of model parameters. The purpose is focused on llustrating the
mechanism of the genetic algorithm. Inversion results show agreement between inverse models and synthetic
models supported by good fit between inverse model response and synthetic data. The results also demonstrate
the robustness of the technique facing to inadequacy of prior information on the number of layers of the model.

1. Pendahuluan dan model dapat saling dipertukarkan. Hal ini


Evolusi biologis yang menghasilkan populasi yang dimaksudkan untuk memberikan gambaran lebih
lebih unggul atau lebih sesuai dengan kondisi alam jelas hubungan antara konsep genetika dengan
dan lingkungan sebagaimana prinsip survival for the konsep inversi.
fittest telah mengilhami penyelesaian masalah Makalah ini membahas algoritma genetika dengan
optimasi melalui konsep atau algoritma evolusi pendekatan tutorial untuk memberikan pemahaman
(evolutionary algorithm). Salah satu varian dari mengenai konsep terseebut. Aplikasi dan ujicoba
algoritma evolusi adalah algoritma genetika (Genetic pada data magnetotellurik (MT) 1-D hanya bersifat
Algorithm, atau GA) yang dapat digunakan untuk ilustratif mengingat pemodelan inversi data MT 1-D
penyelesaian masalah inversi terutama inversi non- relatif sederhana. Meskipun demikian hubungan
linier dengan pendekatan global (Sen & Stoffa, non-linier antara parameter observasi (data) dan
1995; Sambridge & Mosegaard, 2002). Dalam parameter model menyebabkan penyelesaian inversi
konteks inversi, algoritma genetika termasuk dalam MT 1-D cukup sulit, terutama jika dilakukan melalui
kategori guided random search. pendekatan linier atau linierisasi (Grandis, 1999a;
Dalam algoritma genetika populasi atau sekumpulan Syaripudin & Grandis, 2001; Zhdanov, 2002).
individu direpresentasikan oleh sejumlah model,
sedangkan konsep fitness dinyatakan oleh 2. Konsep Dasar Algoritma Genetika
kesesuaian antara respons model dengan data Dalam algoritma genetika, setiap individu anggota
(misfit). Dengan demikian fitness yang tinggi suatu populasi berasosiasi dengan suatu model dan
berasosiasi dengan misfit yang rendah, demikian fitness-nya masing-masing. Jumlah populasi dalam
pula sebaliknya. Dalam konteks pemodelan inversi setiap generasi dibuat tetap. Evolusi dari satu
menggunakan algoritma genetika istilah individu

25
JURNAL GEOFISIKA 2008/2

generasi ke generasi berikutnya dilakukan melalui Hasil proses reproduksi berupa offspring yang
beberapa mekanisme utama berikut: memiliki karakteristik yang disumbangkan oleh
masing-masing induk. Setiap pasang induk
Seleksi
menghasilkan sepasang keturunan. Proses
Pada tahap awal sekumpulan individu atau model reproduksi diulang hingga dihasilkan keturunan
dipilih secara acak dari ruang model yang telah dengan jumlah yang sama dengan jumlah populasi
ditentukan secara "a priori". Batas-batas ruang awal sehingga jumlah populasi dari generasi ke
model umumnya berupa interval harga minimum generasi tetap.
dan maksimum dari setiap parameter model.
Pada Gambar 1b salah satu individu digambarkan
Pemilihan model untuk menjalani proses atau tahap
sebagai x dan y untuk menggantikan 0 dan 1
selanjutnya didasarkan pada fitness-nya. Model
agar mekanisme reproduksi lebih jelas. Posisi bit
dengan respons yang dekat dengan data pengamatan
tempat dilakukannya pertukaran (cross-over) bit-bit
(misfit kecil) memiliki probabilitas lebih besar untuk
yang merepresentasikan model dipilih secara acak.
terpilih. Karakteristik individu dalam satu generasi
Selain rekombinasi sederhana (single-point cross-
dengan fitness cukup besar memiliki kemungkinan
over) seperti pada Gambar 1b dapat pula dilakukan
lebih besar untuk bertahan sampai ke generasi
multi-point cross-over atau alternatif mekanisme
berikutnya melalui proses reproduksi. Individu
reproduksi lainnya (Sen & Stoffa, 1995; Suyanto,
terbaik dari satu generasi dapat secara otomatis
2005; Whitley, 1994).
terpilih menjadi anggota populasi pada generasi
berikutnya (prinsip elitism). Pada kasus pengkodean biner, mutasi dilakukan
dengan mengubah salah satu nilai "bit" menjadi
Reproduksi kebalikannya. Parameter probabilitas mutasi
Dalam proses seleksi sepasang individu induk digunakan untuk mengatur tingkat kejadian mutasi
dipilih berdasarkan (atau dengan bobot) fitness-nya. pada suatu populasi.
Proses reproduksi menghasilkan keturunan
(offspring) yang merupakan hasil pertukaran 3. Implementasi Algoritma Genetika
karakteristik atau parameter induk. Dalam
hubungannya dengan pencarian solusi pada ruang Pada pemodelan inversi non-linier dengan
model, proses pertukaran tersebut pada dasarnya pendekatan linier diperlukan model awal yang cukup
merepresentasikan kerja sama atau kombinasi dekat dengan solusi atau model yang dicari. Pada
individu untuk sampai pada titik lain dalam ruang inversi data geolistrik 1-D model awal yang jauh
model secara langsung (eksplorasi) tanpa melalui dari solusi tidak dapat konvergen ke model optimum
proses perturbasi sedikit demi sedikit. Proses Model awal yang berbeda juga dapat menghasilkan
pertukaran karakteristik induk disebut juga sebagai model inversi yang berbeda dan tidak optimum.
cross-over atau penyilangan. Dengan demikian diperlukan informasi "a priori"
yang cukup akurat agar pemodelan inversi non-linier
Mutasi dengan pendekatan linier dapat menghasilkan solusi
Dalam proses mutasi, karakteristik atau parameter yang optimum (Yudistira & Grandis, 2006).
pada suatu individu dapat berubah secara acak Untuk mengatasi keterbatasan pendekatan linier atau
dengan harapan akan diperoleh individu yang lebih lokal maka digunakan pendekatan global pada
baik. Tidak setiap individu dalam suatu generasi pemodelan inversi non-linier. Pada pendekatan
mengalami proses mutasi. Umumnya proses mutasi global, tidak diperlukan perhitungan turunan atau
memiliki probabilitas yang sangat rendah. gradien fungsi obyektif yang hanya melibatkan
Ilustrasi ketiga mekanisme utama dalam algoritma pendekatan orde pertama (linierisasi). Salah satu
genetika tersebut ditampilkan pada Gambar 1. metode pendekatan global adalah algoritma genetika
Dalam algoritma genetika, individu umumnya di- yang implementasinya untuk inversi data 1-D
kode-kan sebagai bilangan biner (0 dan 1) pada dibahas pada bagian ini.
sejumlah "bit" tertentu yang merepresentasikan
harga setiap parameter model. Model dan Data Sintetik
Pada proses seleksi, satu populasi yang terdiri dari Implementasi algoritma genetika dilakukan melalui
individu-individu dipilih berdasarkan fitness-nya. inversi data MT sintetik untuk mengetahui
Dengan demikian terdapat kemungkinan satu efektivitas metode tersebut dalam memperoleh
individu terpilih beberapa kali menjadi induk dalam kembali model sintetik. Dua model sintetik yang
proses reproduksi (Gambar 1a). Parameter yang digunakan mewakili model sederhana yang terdiri
disebut Probabilitas Reproduksi menentukan apakah dari 3 lapisan yaitu lapisan konduktif diantara
pasangan yang terpilih akan melalui tahap medium resistif (model-1) dan lapisan resistif
reproduksi. Umumnya probabilitas reproduksi diantara medium konduktif (model-2). Parameter
berharga cukup besar, yang artinya terjadi model sintetik tersebut ditampilkan pada Tabel 1 dan
reproduksi pada hampir setiap pasangan induk. Tabel 2.

26
JURNAL GEOFISIKA 2008/2

Gambar 1. Ilustrasi mekanisme dalam algoritma genetika yang meliputi Seleksi, Reproduksi dan Mutasi.

Data sintetik dihitung menggunakan pemodelan ke masing dengan 10 bit (binary digit). Dengan
depan (forward modeling) MT 1-D yang demikian untuk model yang terdiri dari 3 lapisan
menghasilkan resistivitas-semu dan fasa sebagai (atau 5 parameter model) maka setiap model
fungsi dari periode (Grandis, 1999b). Data sintetik direpresentasikan oleh 50 digit bilangan biner.
pada interval 0.001 sampai 100 detik ditambah noise Sebanyak 200 model dibangkitkan secara acak
dengan distribusi normal dengan rata-rata 0 dan sebagai populasi awal. Mengingat representasi
standar deviasi 10% dari data tanpa noise atau data model yang digunakan adalah biner maka
teoritik. pembangkitan model secara acak dengan mudah
dilakukan menggunakan bilangan acak R dengan
Tabel 1. distribusi uniform dalam interval [0, 1]. Untuk
Parameter model sintetik - 1. setiap bit bilangan biner jika R < 0.5 maka bit
tersebut diisi dengan angka 1. Sebaliknya jika
Lapisan Resistivitas (Ohm.m) Ketebalan (m) R ≥ 0.5 maka bit tersebut berharga 0. Demikian
1 100 400 seterusnya untuk 10 bit yang diperlukan untuk
2 1000 1600 mendefinisikan satu parameter model dan diulang
untuk parameter model lainnya.
3 10 –
Konversi bilangan biner (x) menjadi bilangan riil
Tabel 2. yang menyatakan harga parameter model mk dalam
Parameter model sintetik - 2. interval [mmin , mmax] dilakukan menggunakan
persamaan berikut:
Lapisan Resistivitas (Ohm.m) Ketebalan (m) N

1 100 400
mk  mmin  ( m max  mmin ) x
i 1
i 2 ( i ) (1)
2 10 1600
3 1000 – dimana N adalah jumlah bit dari bilangan biner x =
(x1, x2, ... , xN). Pada kasus ini, interval harga
parameter model untuk resistivitas lapisan adalah
Parameterisasi dan Representasi Model min = 1 Ohm.m dan max = 1000 Ohm.m, sedangkan
Model 1-D direpresentasikan oleh lapisan-lapisan untuk ketebalan lapisan adalah hmin = 50 meter dan
horisontal dengan jumlah lapisan tertentu yang harus hmax = 2000 meter. Interval harga-harga tersebut
ditetapkan terlebih dahulu secara "a priori". ditentukan secara "a priori" dan telah dianggap
Parameter model, yaitu resistivitas dan ketebalan cukup lebar sedemikian hingga tidak terlalu
lapisan, dinyatakan dalam bilangan biner masing- mempengaruhi hasil inversi.

27
JURNAL GEOFISIKA 2008/2

Fungsi Fitness sektor roda rolet yang luasnya sebanding dengan


Harga fitness model ditentukan oleh kesesuaian probabilitasnya. Jika roda rolet diputar maka model
antara data pengamatan dengan data perhitungan dengan probabilitas pk besar (atau fitness tinggi)
(misfit) yang dapat dinyatakan oleh Root Mean memiliki kemungkinan lebih besar untuk terpilih
Square (RMS) Error menurut persamaan berikut: sebagai induk. Gambar 2 memperlihatkan ilustrasi
roda rolet untuk 4 model dengan fitness dan
1 probabilitas masing-masing.
E Se (2)
ND Secara komputasi, pemilihan model dengan bobot
dimana ND adalah jumlah data atau jumlah periode probabilitas pk dapat dilaksanakan dengan
dan Se adalah selisih antara data pengamatan dengan menghitung terlebih dahulu probabilitas kumulatif
data perhitungan yang dinyatakan oleh salah satu sebagai berikut:
k
dari persamaan berikut:
pk*  p j dengan k = 1, 2, ... , NP (7)
Se  
ND

i 1

( Z Rcal,i  Z Robs 2 cal
,i )  (Z I ,i  Z Iobs
,i )
2
 (3)
j 1

Kemudian diambil bilangan acak R dengan


 2  probabilitas uniform dalam interval [0, 1] atau sering
ND     cal   dinyatakan sebagai R ~ [0, 1]. Setiap model diuji
Se     log obs
a, i  cal obs 2
  ( i  i )  (4)
i 1     a,i   
secara berurut dari k = 1, 2, ... , NP jika R < Pk
    maka yang terpilih adalah model ke-k. Ilustrasi
mengenai hal tersebut ditampilkan pada Gambar 3.
Persamaan (3) dan (4) adalah selisih impedansi Tampak bahwa probabilitas bilangan random R
kompleks yang dinyatakan oleh bilangan riil (ZR) berada di antara 0.5 dan 1.0 lebih besar sehingga
dan imajiner (ZI) atau resistivitas-semu (a) dan fasa kemungkinan model M4 terpilih juga lebih besar,
().   1.0 merupakan faktor pembobot untuk fasa, relatif terhadap model-model lainnya.
yaitu untuk mengurangi pengaruh fasa dalam
Dengan probabilitas reproduksi Pr = 0.8 dilakukan
perhitungan misfit karena kualitas data lapangan
untuk fasa umumnya kurang baik. rekombinasi terhadap pasangan induk yang terpilih
dengan cara menentukan secara acak titik
Model dengan misfit kecil merepresentasikan penyilangan, yaitu salah satu dari 10 bit yang
individu dengan nilai fitness tinggi sehingga secara merepesentasikan satu harga parameter model.
proporsional misfit berbanding terbalik dengan Dengan 5 parameter model (untuk model 3 lapisan)
fitness. Konversi misfit menjadi fitness dilakukan maka reproduksi yang dilakukan pada kasus ini
dengan menggunakan persamaan berikut: adalah multi-point cross-over.
f k  exp(  ( Ek  Emin )) (5)
dimana Ek adalah misfit model ke-k dan Emin
adalah misfit minimum dalam satu populasi. Selain
menggunakan persamaan (5) terdapat berbagai
M1
alternatif perhitungan fitness yang pada dasarnya
bertujuan untuk merepresentasikan harga fitness
secara proporsional (Sen & Stoffa, 1995). M4

Seleksi dan Reproduksi M2

Proses seleksi dilakukan berdasarkan harga fitness. M3


Model dengan fitness tinggi memiliki probabilitas
tinggi pula untuk terpilih sebagai induk. Konversi
fitness (fk) menjadi probabilitas (pk) pada dasarnya
adalah normalisasi, sesuai persamaan berikut:
NP Model Fitness Probabilitas
p
fk
pk  NP
sehingga k 1 (6) 1 2 0.250
j 1
fj k 1
2 1 0.125
3 1 0.125
dimana NP adalah jumlah model atau jumlah 4 4 0.500
populasi dalam satu generasi. Jumlah 8 1.000
Pemilihan model dengan bobot probabilitas
dilakukan dengan menggunakan prinsip roda rolet Gambar 2. Ilustrasi konsep roda rolet untuk kasus 4
(roulette wheel). Setiap model berasosiasi dengan model dengan fitness dan probabilitas sebagaimana
ditampilkan pada tabel di bawahnya.

28
JURNAL GEOFISIKA 2008/2

secara numerik ketebalan lapisan pertama (h1) tidak


0.375 p*k terresolusi dengan baik. Disamping itu, pada model-
0 0.25 0.5 1 1 terdapat perbedaan yang cukup signifikan terutama
harga resistivitas dan ketebalan lapisan ke dua (2
dan h2). Pada model-2 perbedaan yang juga cukup
↑ signifikan terdapat pada harga resistivitas lapisan ke
tiga (3). Penjelasan dan analisis mengenai hal
R tersebut adalah adanya prinsip ekivalensi.
Model pk p*k Lapisan yang berada diantara dua lapisan lainnya
(pada kasus ini lapisan ke dua) cenderung hanya
1 0.250 0.250 terresolusi harga konduktansinya, yaitu hasil
2 0.125 0.375 perkalian antara konduktivitas dan ketebalan atau
3 0.125 0.500 ketebalan dibagi dengan resistivitas. Kombinasi
4 0.500 1.000 kedua harga (resistivitas dan ketebalan) yang
menghasilkan konduktansi yang hampir sama tidak
banyak mengubah respons model. Ketidakmampuan
Gambar 3. Ilustrasi pemilihan model dengan bobot
meresolusi lapisan ke dua menyebabkan ketebalan
pk secara komputasi dengan memanfaatkan
lapisan pertama menjadi kurang tepat.
probabilitas kumulatif p*k dan bilangan acak R ~
[0, 1] untuk kasus 4 model sebagaimana ditampilkan Sifat asimtotik kurva resistivitas-semu MT yang
pada Gambar 2. membentuk sudut 45o jika terdapat lapisan terakhir
resistif menyebabkan lapisan ke tiga resistif pada
Mutasi model-2 tidak dapat terresolusi dengan baik.
Resistivitas lapisan ke tiga yang berharga 500
Mutasi dilakukan dengan mengubah salah satu bit Ohm.m atau lebih tidak menghasilkan perbedaan
dari keseluruhan bit yang ada (yang merepresentasi- signifikan pada kurva sounding atau respons model.
kan satu model) dengan nilai kebalikannya. Jika
nilai bit tersebut 1 maka diganti dengan 0, demikian Tabel 3.
pula sebaliknya. Probabilitas mtasi umumnya sangat Parameter model sintetik - 1 dan model hasil inversi.
kecil, dalam hal ini digunakan Pm = 0.1 sebagai
probabilitas mutasi. Parameter Model Model
model sintetik inversi
Probabilitas Repoduksi dan Mutasi 1 (Ohm.m) 100.0 102.9
Umumnya tidak setiap pasangan induk yang terpilih 2 (Ohm.m) 1000.0 686.8
mengalami proses reproduksi atau probabilitas 3 (Ohm.m) 10.0 11.2
reproduksi berharga kurang dari satu. Untuk itu
sebelum proses reproduksi perlu dilakukan h1 (m) 400.0 576.8
penentuan atau "pengundian" apakah penyilangan h2 (m) 1600.0 1707.2
dilakukan atau tidak. Mekanismenya sama dengan
yang digambarkan pada Gambar 3 di atas, namun Tabel 4.
hanya terdapat dua pilihan dengan batas harga Parameter model sintetik - 2 dan model hasil inversi.
probabilitas reproduksi Pr tertentu. Harga
probabilitas reproduksi umumnya cukup besar, yaitu Parameter Model Model
antara 0.7 sampai 0.9. Cara yang sama dilakukan model sintetik inversi
terhadap probabilitas mutasi. Probabilitas mutasi
biasanya cukup kecil, yaitu antara 0.01 sampai 0.1. 1 (Ohm.m) 100.0 103.7
2 (Ohm.m) 10.0 9.6
3 (Ohm.m) 1000.0 884.1
4. Hasil dan Analisis
h1 (m) 400.0 600.3
Pada tahap awal dilakukan inversi untuk
h2 (m) 1600.0 1614.4
memperoleh model dengan jumlah lapisan yang
sama dengan jumlah lapisan model sintetik, yaitu 3
lapisan. Hal ini dimaksudkan untuk mengetahui Secara grafis hasil inversi diperlihatkan pada
kemampuan resolusi algoritma genetika untuk Gambar 4. Secara kualitatif model inversi sudah
permasalahan yang relatif sederhana. Perbandingan mendekati model sintetik, meskipun secara numerik
model inversi dengan model sintetik setelah 500 terdapat perbedaan harga parameter model.
iterasi (atau generasi) secara numerik ditampilkan Kesesuaian antara respons model inversi dengan
pada Tabel 3 dan Tabel 4 masing-masing untuk data data sintetik juga terlihat cukup baik.
sintetik-1 dan data sintetik-2. Pada kedua model

29
JURNAL GEOFISIKA 2008/2

Inversi dilakukan pula untuk memperoleh model respons model inversi, antara model inversi dengan
dengan jumlah lapisan melebihi jumlah lapisan 3 lapisan maupun 5 lapisan.
model sintetik, yaitu 5 lapisan. Model inversi tidak Gambar 6 menampilkan misfit sebagai fungsi iterasi
ditampilkan dalam bentuk tabel untuk dibandingkan untuk inversi yang menggunakan model 3 lapisan.
secara langsung dengan model sintetik mengingat Ditinjau dari perolehan model terbaik, konvergensi
jumlah parameter model yang berbeda. telah dicapai pada generasi ke-100. Fluktuasi harga
Perbandingan model inversi dan model sintetik misfit rata-rata dari populasi model sampai generasi
secara grafis diperlihatkan pada Gambar 5. Tampak ke-500 menunjukkan proses eksplorasi algoritma
bahwa secara umum model inversi dapat genetika dalam ruang model di sekitar model
merekonstruksi kembali model sintetik dengan optimum. Model inversi yang ditampilkan pada
cukup baik. Tidak terdapat perbedaan yang Gambar 4 dan 5 merupakan model hasil perata-
signifikan dari segi kecocokan data sintetik dengan rataan semua model pada generasi terakhir.

1000 1000
app. resistivity (Ohm.m)

app. resistivity (Ohm.m)


100 100

10 10

1 1
0.001 0.01 0.1 1 10 100 1000 0.001 0.01 0.1 1 10 100 1000
period (sec.) period (sec.)
90 90

75 75

60 60
phase (deg.)

phase (deg.)

45 45

30 30

15 15

0 0
0.001 0.01 0.1 1 10 100 1000 0.001 0.01 0.1 1 10 100 1000
period (sec.) period (sec.)
10000 10000

1000 1000
resistivity (Ohm.m)

resistivity (Ohm.m)

100 100

10 10

1 1
100 1000 10000 100 1000 10000
depth (m) depth (m)

Gambar 4. Perbandingan antara data sintetik () dan repons model inversi (—), serta antara model sintetik
(- - - ) dan model hasil inversi ( ) untuk model-1 (kiri) dan model-2 (kanan).

30
JURNAL GEOFISIKA 2008/2

1000 1000

app. resistivity (Ohm.m)

app. resistivity (Ohm.m)


100 100

10 10

1 1
0.001 0.01 0.1 1 10 100 1000 0.001 0.01 0.1 1 10 100 1000
period (sec.) period (sec.)
90 90

75 75

60 60
phase (deg.)

phase (deg.)
45 45

30 30

15 15

0 0
0.001 0.01 0.1 1 10 100 1000 0.001 0.01 0.1 1 10 100 1000
period (sec.) period (sec.)
10000 10000

1000 1000
resistivity (Ohm.m)

resistivity (Ohm.m)

100 100

10 10

1 1
100 1000 10000 100 1000 10000
depth (m) depth (m)

Gambar 5. Perbandingan antara data sintetik () dan repons model inversi (—), serta antara model sintetik
(- - -) dan model hasil inversi ( ) untuk model-1 (kiri) dan model-2 (kanan). Jumlah lapisan model inversi
adalah 5.

5. Kesimpulan Parameter inversi yang perlu diperhatikan dan diuji


Inversi non-linier dapat diselesaikan secara efektif lebih lanjut antara lain: fungsi fitness yang dapat
menggunakan pendekatan global, dalam hal ini mengkarakterisasi perbedaan model dengan lebih
dengan algoritma genetika. Eksplorasi ruang model baik dan pola cross-over. Umumnya probabilitas
dilakukan dengan penggunaan jumlah model atau reproduksi dan probabilitas mutasi tidak
ukuran populasi yang besar. Aplikasi pada data MT menghasilkan perbedaan yang signifikan.
1-D memberikan hasil yang cukup menarik, yaitu Selain pengkodean biner yang lebih intuitif mengacu
model inversi dapat mereproduksi kembali model pada algoritma genetika, terdapat representasi harga
sintetik. Meskipun demikian, uji-coba lebih lanjut parameter model lain, seperti pengkodean integer,
dengan parameter inversi yang berbeda dan inversi real dan grey-level. Hal tersebut memberikan lahan
data lapangan tetap diperlukan. yang menarik bagi aplikasi dan uji-coba variasi
algoritma genetika lainnya.

31
JURNAL GEOFISIKA 2008/2

0.8

0.6

misfit 0.4

0.2

0
0 100 200 300 400 500
generation
1

0.8

0.6
misfit

0.4

0.2

0
0 100 200 300 400 500
generation

Gambar 6. Harga misfit model terbaik dan harga misfit rata-rata dari populasi model sebagai fungsi dari iterasi
untuk model-1 (atas) dan model-2 (bawah). Harga misfit model terbaik lebih rendah dari pada harga misfit rata-
rata dari populasi model yang berfluktuasi di sekitar harga optimumnya.

Daftar Pustaka Syaripudin, A., Grandis, H., 2001, Inversi data


Grandis, H., 1999, Inversi data magnetotellurik 1-D magnetotellurik 1-D menggunakan metoda
menggunakan metoda Monte-Carlo, Kontribusi Simmulated Annealing, Kontribusi Fisika
Fisika Indonesia, vol. 12, no. 2. Indonesia, vol. 12, no. 2.
Grandis, H., 1999, An alternative algorithm for one- Suyanto, 2005, Algoritma genetika dengan
dimensional magnetotelluric response MATLAB, Andi Offset Yogyakarta.
calculation, Computer & Geosciences, vol. 25, Whitley, D., 1994, A genetic algorithm tutorial,
no. 2. Statistics and Computing, vol. 4, no. 2.
Sambridge, M., Mosegaard, K., 2002, Montre Carlo Yudistira, T., Grandis, H., 2006, Inversi data
methods for geophysical inverse problems, sounding tahanan-jenis menggunakan metoda
Revieow of Geophysics, vol. 40, no. 3. kuadrat terkecil dan simulated annealing, Jurnal
Sen, M.K., Stoffa, 1995, Global Optimization Geofisika, 2006/1.
Methods in Geophysical Inversion, Elsevier. Zhdanov, M., 2002, Geophysical Inverse Theory and
Regularization Problems, Elsevier.

32

Anda mungkin juga menyukai