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

25
JURNAL GEOFISIKA 2008/2
generasi ke generasi berikutnya dilakukan melalui
beberapa mekanisme utama berikut:
Seleksi
Pada tahap awal sekumpulan individu atau model
dipilih secara acak dari ruang model yang telah
ditentukan secara "a priori". Batas-batas ruang
model umumnya berupa interval harga minimum
dan maksimum dari setiap parameter model.
Pemilihan model untuk menjalani proses atau tahap
selanjutnya didasarkan pada fitness-nya. Model
dengan respons yang dekat dengan data pengamatan
(misfit kecil) memiliki probabilitas lebih besar untuk
terpilih. Karakteristik individu dalam satu generasi
dengan fitness cukup besar memiliki kemungkinan
lebih besar untuk bertahan sampai ke generasi
berikutnya melalui proses reproduksi. Individu
terbaik dari satu generasi dapat secara otomatis
terpilih menjadi anggota populasi pada generasi
berikutnya (prinsip elitism).
Reproduksi
Dalam proses seleksi sepasang individu induk
dipilih berdasarkan (atau dengan bobot) fitness-nya.
Proses reproduksi menghasilkan keturunan
(offspring) yang merupakan hasil pertukaran
karakteristik atau parameter induk. Dalam
hubungannya dengan pencarian solusi pada ruang
model, proses pertukaran tersebut pada dasarnya
merepresentasikan kerja sama atau kombinasi
individu untuk sampai pada titik lain dalam ruang
model secara langsung (eksplorasi) tanpa melalui
proses perturbasi sedikit demi sedikit. Proses
pertukaran karakteristik induk disebut juga sebagai
cross-over atau penyilangan.
Mutasi
Dalam proses mutasi, karakteristik atau parameter
pada suatu individu dapat berubah secara acak
dengan harapan akan diperoleh individu yang lebih
baik. Tidak setiap individu dalam suatu generasi
mengalami proses mutasi. Umumnya proses mutasi
memiliki probabilitas yang sangat rendah.
Ilustrasi ketiga mekanisme utama dalam algoritma
genetika tersebut ditampilkan pada Gambar 1.
Dalam algoritma genetika, individu umumnya di-
kode-kan sebagai bilangan biner (0 dan 1) pada
sejumlah "bit" tertentu yang merepresentasikan
harga setiap parameter model.
Pada proses seleksi, satu populasi yang terdiri dari
individu-individu dipilih berdasarkan fitness-nya.
Dengan demikian terdapat kemungkinan satu
individu terpilih beberapa kali menjadi induk dalam
proses reproduksi (Gambar 1a). Parameter yang
disebut Probabilitas Reproduksi menentukan apakah
pasangan yang terpilih akan melalui tahap
reproduksi. Umumnya probabilitas reproduksi
berharga cukup besar, yang artinya terjadi
reproduksi pada hampir setiap pasangan induk.
26
Hasil proses reproduksi berupa offspring yang
memiliki karakteristik yang disumbangkan oleh
masing-masing induk. Setiap pasang induk
menghasilkan sepasang keturunan. Proses
reproduksi diulang hingga dihasilkan keturunan
dengan jumlah yang sama dengan jumlah populasi
awal sehingga jumlah populasi dari generasi ke
generasi tetap.
Pada Gambar 1b salah satu individu digambarkan
sebagai x dan y untuk menggantikan 0 dan 1
agar mekanisme reproduksi lebih jelas. Posisi bit
tempat dilakukannya pertukaran (cross-over) bit-bit
yang merepresentasikan model dipilih secara acak.
Selain rekombinasi sederhana (single-point cross-
over) seperti pada Gambar 1b dapat pula dilakukan
multi-point cross-over atau alternatif mekanisme
reproduksi lainnya (Sen & Stoffa, 1995; Suyanto,
2005; Whitley, 1994).
Pada kasus pengkodean biner, mutasi dilakukan
dengan mengubah salah satu nilai "bit" menjadi
kebalikannya. Parameter probabilitas mutasi
digunakan untuk mengatur tingkat kejadian mutasi
pada suatu populasi.
3. Implementasi Algoritma Genetika
Pada pemodelan inversi non-linier dengan
pendekatan linier diperlukan model awal yang cukup
dekat dengan solusi atau model yang dicari. Pada
inversi data geolistrik 1-D model awal yang jauh
dari solusi tidak dapat konvergen ke model optimum
Model awal yang berbeda juga dapat menghasilkan
model inversi yang berbeda dan tidak optimum.
Dengan demikian diperlukan informasi "a priori"
yang cukup akurat agar pemodelan inversi non-linier
dengan pendekatan linier dapat menghasilkan solusi
yang optimum (Yudistira & Grandis, 2006).
Untuk mengatasi keterbatasan pendekatan linier atau
lokal maka digunakan pendekatan global pada
pemodelan inversi non-linier. Pada pendekatan
global, tidak diperlukan perhitungan turunan atau
gradien fungsi obyektif yang hanya melibatkan
pendekatan orde pertama (linierisasi). Salah satu
metode pendekatan global adalah algoritma genetika
yang implementasinya untuk inversi data 1-D
dibahas pada bagian ini.
Model dan Data Sintetik
Implementasi algoritma genetika dilakukan melalui
inversi data MT sintetik untuk mengetahui
efektivitas metode tersebut dalam memperoleh
kembali model sintetik. Dua model sintetik yang
digunakan mewakili model sederhana yang terdiri
dari 3 lapisan yaitu lapisan konduktif diantara
medium resistif (model-1) dan lapisan resistif
diantara medium konduktif (model-2). Parameter
model sintetik tersebut ditampilkan pada Tabel 1 dan
Tabel 2.

Gambar 1. Ilustrasi mekanisme dalam algoritma genetika yang meliputi Seleksi, Reproduksi dan Mutasi.
Data sintetik dihitung menggunakan pemodelan ke
depan (forward modeling) MT 1-D yang
menghasilkan resistivitas-semu dan fasa sebagai
fungsi dari periode (Grandis, 1999b). Data sintetik
pada interval 0.001 sampai 100 detik ditambah noise
dengan distribusi normal dengan rata-rata 0 dan
standar deviasi 10% dari data tanpa noise atau data
teoritik.
Tabel 1.
Parameter model sintetik - 1.
Lapisan Resistivitas (Ohm.m) Ketebalan (m)
1 100 400
2 1000 1600
3 10 –
Tabel 2.
Parameter model sintetik - 2.
Lapisan Resistivitas (Ohm.m) Ketebalan (m)
1 100 400
2 10 1600
3 1000 – dimana N adalah jumlah bit dari bilangan biner x =
Parameterisasi dan Representasi Model
Model 1-D direpresentasikan oleh lapisan-lapisan
horisontal dengan jumlah lapisan tertentu yang harus
ditetapkan terlebih dahulu secara "a priori".
Parameter model, yaitu resistivitas dan ketebalan
lapisan, dinyatakan dalam bilangan biner masing-
JURNAL GEOFISIKA 2008/2
masing dengan 10 bit (binary digit). Dengan
demikian untuk model yang terdiri dari 3 lapisan
(atau 5 parameter model) maka setiap model
direpresentasikan oleh 50 digit bilangan biner.
Sebanyak 200 model dibangkitkan secara acak
sebagai populasi awal. Mengingat representasi
model yang digunakan adalah biner maka
pembangkitan model secara acak dengan mudah
dilakukan menggunakan bilangan acak R dengan
distribusi uniform dalam interval [0, 1]. Untuk
setiap bit bilangan biner jika R < 0.5 maka bit
tersebut diisi dengan angka 1. Sebaliknya jika
R ≥ 0.5 maka bit tersebut berharga 0. Demikian
seterusnya untuk 10 bit yang diperlukan untuk
mendefinisikan satu parameter model dan diulang
untuk parameter model lainnya.
Konversi bilangan biner (x) menjadi bilangan riil
yang menyatakan harga parameter model mk dalam
interval [mmin , mmax] dilakukan menggunakan
persamaan berikut:
N
mk  mmin  ( m max  mmin ) x
i 1
i 2 ( i ) (1)
(x1, x2, ... , xN). Pada kasus ini, interval harga
parameter model untuk resistivitas lapisan adalah
min = 1 Ohm.m dan max = 1000 Ohm.m, sedangkan
untuk ketebalan lapisan adalah hmin = 50 meter dan
hmax = 2000 meter. Interval harga-harga tersebut
ditentukan secara "a priori" dan telah dianggap
cukup lebar sedemikian hingga tidak terlalu
mempengaruhi hasil inversi.
27
JURNAL GEOFISIKA 2008/2
Fungsi Fitness
Harga fitness model ditentukan oleh kesesuaian
antara data pengamatan dengan data perhitungan
(misfit) yang dapat dinyatakan oleh Root Mean
Square (RMS) Error menurut persamaan berikut:
1 probabilitas masing-masing.
E Se
ND
dimana ND adalah jumlah data atau jumlah periode
dan Se adalah selisih antara data pengamatan dengan
data perhitungan yang dinyatakan oleh salah satu
dari persamaan berikut:
Se  
ND
i 1

( Z Rcal,i  Z Robs 2 cal
,i )  (Z I ,i
 2
ND     cal 
Se     log obs
a, i 
  ( i  i ) 
i 1     a,i  
  
Persamaan (3) dan (4) adalah selisih impedansi
kompleks yang dinyatakan oleh bilangan riil (ZR)
dan imajiner (ZI) atau resistivitas-semu (a) dan fasa
().   1.0 merupakan faktor pembobot untuk fasa,
yaitu untuk mengurangi pengaruh fasa dalam
perhitungan misfit karena kualitas data lapangan
untuk fasa umumnya kurang baik.
Model dengan misfit kecil merepresentasikan
individu dengan nilai fitness tinggi sehingga secara
proporsional misfit berbanding terbalik dengan
fitness. Konversi misfit menjadi fitness dilakukan
dengan menggunakan persamaan berikut:
f k  exp(  ( Ek  Emin ))
dimana Ek adalah misfit model ke-k dan Emin
adalah misfit minimum dalam satu populasi. Selain
menggunakan persamaan (5) terdapat berbagai
alternatif perhitungan fitness yang pada dasarnya
bertujuan untuk merepresentasikan harga fitness
secara proporsional (Sen & Stoffa, 1995).
Seleksi dan Reproduksi
Proses seleksi dilakukan berdasarkan harga fitness.
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:
fk
pk  NP
sehingga
j 1
fj
dimana NP adalah jumlah model atau jumlah
populasi dalam satu generasi.
Pemilihan model dengan bobot probabilitas
dilakukan dengan menggunakan prinsip roda rolet
(roulette wheel). Setiap model berasosiasi dengan
28
sektor roda rolet yang luasnya sebanding dengan
probabilitasnya. Jika roda rolet diputar maka model
dengan probabilitas pk besar (atau fitness tinggi)
memiliki kemungkinan lebih besar untuk terpilih
sebagai induk. Gambar 2 memperlihatkan ilustrasi
roda rolet untuk 4 model dengan fitness dan
(2)
Secara komputasi, pemilihan model dengan bobot
probabilitas pk dapat dilaksanakan dengan
menghitung terlebih dahulu probabilitas kumulatif
sebagai berikut:
k
pk*  p j dengan k = 1, 2, ... , NP (7)
 Z Iobs
,i )
2
 (3)
j 1
Kemudian diambil bilangan acak R dengan
 probabilitas uniform dalam interval [0, 1] atau sering
 dinyatakan sebagai R ~ [0, 1]. Setiap model diuji
cal obs 2
(4)

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.
Tampak bahwa probabilitas bilangan random R
berada di antara 0.5 dan 1.0 lebih besar sehingga
kemungkinan model M4 terpilih juga lebih besar,
relatif terhadap model-model lainnya.
Dengan probabilitas reproduksi Pr = 0.8 dilakukan
rekombinasi terhadap pasangan induk yang terpilih
dengan cara menentukan secara acak titik
penyilangan, yaitu salah satu dari 10 bit yang
merepesentasikan satu harga parameter model.
Dengan 5 parameter model (untuk model 3 lapisan)
maka reproduksi yang dilakukan pada kasus ini
adalah multi-point cross-over.
(5)
M1
M4
M2
M3
NP Model Fitness Probabilitas
p
k 1 (6) 1 2 0.250
k 1
2 1 0.125
3 1 0.125
4 4 0.500
Jumlah 8 1.000
Gambar 2. Ilustrasi konsep roda rolet untuk kasus 4
model dengan fitness dan probabilitas sebagaimana
ditampilkan pada tabel di bawahnya.
 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
menggunakan pendekatan global, dalam hal ini
dengan algoritma genetika. Eksplorasi ruang model
dilakukan dengan penggunaan jumlah model atau
ukuran populasi yang besar. Aplikasi pada data MT
1-D memberikan hasil yang cukup menarik, yaitu
model inversi dapat mereproduksi kembali model
sintetik. Meskipun demikian, uji-coba lebih lanjut
dengan parameter inversi yang berbeda dan inversi
data lapangan tetap diperlukan.
lebih lanjut antara lain: fungsi fitness yang dapat
mengkarakterisasi perbedaan model dengan lebih
baik dan pola cross-over. Umumnya probabilitas
reproduksi dan probabilitas mutasi tidak
menghasilkan perbedaan yang signifikan.
Selain pengkodean biner yang lebih intuitif mengacu
pada algoritma genetika, terdapat representasi harga
parameter model lain, seperti pengkodean integer,
real dan grey-level. Hal tersebut memberikan lahan
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
menggunakan metoda Monte-Carlo, Kontribusi
Fisika Indonesia, vol. 12, no. 2.
Grandis, H., 1999, An alternative algorithm for one-
dimensional magnetotelluric response
calculation, Computer & Geosciences, vol. 25,
no. 2.
Sambridge, M., Mosegaard, K., 2002, Montre Carlo
methods for geophysical inverse problems,
Revieow of Geophysics, vol. 40, no. 3.
Sen, M.K., Stoffa, 1995, Global Optimization
Methods in Geophysical Inversion, Elsevier.
magnetotellurik 1-D menggunakan metoda
Simmulated Annealing, Kontribusi Fisika
Indonesia, vol. 12, no. 2.
Suyanto, 2005, Algoritma genetika dengan
MATLAB, Andi Offset Yogyakarta.
Whitley, D., 1994, A genetic algorithm tutorial,
Statistics and Computing, vol. 4, no. 2.
Yudistira, T., Grandis, H., 2006, Inversi data
sounding tahanan-jenis menggunakan metoda
kuadrat terkecil dan simulated annealing, Jurnal
Geofisika, 2006/1.
Zhdanov, M., 2002, Geophysical Inverse Theory and
Regularization Problems, Elsevier.

32