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.
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
i 1
( Z Rcal,i Z Robs 2 cal
,i ) (Z I ,i Z Iobs
,i )
2
(3)
j 1
28
JURNAL GEOFISIKA 2008/2
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)
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
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.
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.
32