Nama: Ritno Adi Mardiansa

Nim: 08021281621040
Tugas: Geofisika Inversi (Resume SA dan GA)

A. Simulated Annealing
Metode Simulated Annealing merupakan salah satu metode guided random search
atau pencarian acak terarah dalam pemodelan inversi. Metode ini didasarkan pada analogi
dengan proses termodinamika pembentukan kristal suatu substansi. Pada temperature
tinggi suatu substansi berbentuk cair, kemudian proses pendinginan secara perlahanlahan
menyebabkan terbentuknya kristal yang berasosiasi dengan energi sistem yang minimum.
Probabilitas Boltzmann menyatakan hubungan antara probabilitas suatu sistem pada
konfigurasi m dan temperatur T dengan energi E sebagai fungsi dari konfigurasi tersebut:
P(m)  exp( E(m)/k T ) (1)
dimana k adalah konstanta Boltzmann dan konfigurasi sistem dinyatakan oleh M
parameter yaitu m = (𝑚1 , 𝑚2 , … , 𝑚𝑀 ).
Menurut persamaan (1) sistem yang mengalami perubahan konfigurasi dan
perturbasi yang menghasilkan konfigurasi dengan energi rendah memiliki probabilitas
lebih besar. Meskipun demikian pada temperatur tinggi, perturbasi yang menghasilkan
konfigurasi dengan energi tinggi masih dimungkinkan (probabilitas tidak nol). Pada saat
temperature menurun, perturbasi yang menghasilkan konfigurasi dengan energi lebih
rendah memiliki probabilitas makin besar, sedangkan perturbasi yang menghasilkan
konfigurasi dengan energi lebih tinggi probabilitasnya makin kecil. Pada T mendekati 0
terbentuk kristal yaitu konfigurasi dengan energi minimum. Jika proses pendinginan
terlalu cepat maka kondisi kesetimbangan dengan energi minimum tidak dapat dicapai
sehingga terbentuk poli-kristal atau gelas yang bersifat amorf.
Proses pembentukan kristal (annealing) dalam termodinamika diadopsi dalam
penyelesaian masalah inversi, yaitu dengan menggunakan parameter model m untuk
mendefinisikan konfigurasi sistem dan fungsi obyektif (misfit) E sebagai energi. Dalam
hal inversi, T merupakan faktor pengontrol yang tetap disebut sebagai "temperatur"
meskipun tidak memiliki arti fisis sebagaimana pada proses annealing. Dalam hal ini
satuan T sama dengan satuan fungsi obyektif dan dipilih k = 1.
 Perturbasi model dengan mekanisme Simulated Annealing dimaksudkan untuk
mengeksplorasi ruang model secara acak namun lebih terarah. Beberapa algoritma yang
dapat digunakan untuk mengimplementasikan metode Simulated Annealing pada inversi
non-linier antara lain adalah algoritma Metropolis, algoritma heat bath, algoritma rantai
Markov (Markov Chains) dan lain lain. Dalam makalah ini digunakan algoritma
Metropolis sederhana yang pada dasarnya terdiri dari dua langkah, yaitu perturbasi
model dan penentuan diterima atau tidaknya perturbasi model tersebut.
Ruang model harus didefinisikan terlebih dahulu dengan menentukan secara "a
priori" interval harga minimum dan maksimum parameter model [𝑚𝑖𝑚𝑖𝑛 , 𝑚𝑖𝑚𝑎𝑥 ], 𝑖 =
1, 2, … 𝑀 dimana M adalah jumlah parameter model. Interval tersebut tidak perlu sama
untuk setiap elemen parameter model. Perturbasi atau pemilihan harga parameter model
mi ditentukan secara acak sebagai bilangan sebarang dalam interval 𝑚𝑖𝑚𝑖𝑛 < 𝑚𝑖 < 𝑚𝑖𝑚𝑎𝑥 .
Caranya adalah mengambil bilangan acak R dengan probabilitas uniform antara 0 dan 1
yang dipetakan menjadi harga parameter model menggunakan persamaan berikut:
𝑚𝑖  𝑚𝑖𝑚𝑖𝑛  𝑅 (𝑚𝑖𝑚𝑎𝑥  𝑚𝑖𝑚𝑖𝑛 ) (2).
Penggunaan persamaan (4) di atas untuk perturbasi model atau menentukan harga
parameter model menghasilkan bilangan kontinyu dalam interval 𝑚𝑖𝑚𝑖𝑛 < 𝑚𝑖 < 𝑚𝑖𝑚𝑎𝑥 .
Alternatif mekanisme perturbasi yang lain adalah memilih secara acak harga diskret
dalam interval [ 𝑚𝑖𝑚𝑖𝑛 , 𝑚𝑖𝑚𝑎𝑥 ]. Misalnya interval [ 𝑚𝑖𝑚𝑖𝑛 , 𝑚𝑖𝑚𝑎𝑥 ] terbagi menjadi L
subinterval, yaitu [ 𝑚1𝑖 , 𝑚𝑖2 , … , 𝑚𝑖𝐿 ]. Parameter model ditentukan dengan mengambil
bilangan acak R dengan probabilitas uniform antara 0 dan 1 yang dipetakan menjadi
bilangan bulat antara 1 dan L. Bilangan bulat tersebut menjadi indeks dari 𝑚𝑖 yang
terpilih sebagai harga parameter model. Hal ini akan dibahas secara lebih detail
kemudian pada bagian parameterisasi model.
Sebagaimana batas harga minimum dan maksimum dapat berbeda untuk setiap
parameter model, maka jumlah sub-interval tersebut dapat pula berbeda untuk setiap
parameter model. Hal tersebut dimaksudkan untuk menentukan resolusi masing-masing
parametrer model dalam penyelesaian inversi. Dengan demikian jumlah sub-interval L
memiliki indeks sesuai elemen atau indeks parameter model, Li.
Pada suatu iterasi ke-n perturbasi model menghasilkan perubahan fungsi obyektif
atau perubahan misfit E dimana E = En – En-1. Terdapat dua kemungkinan harga E
yang dihasilkan, yaitu E ≤ 0 atau E > 0 yang akan menentukan penerimaan atau
penolakan hasil perturbasi. Jika E ≤ 0 berarti perturbasi model menghasilkan misfit yang
lebih kecil dari (atau sama dengan) sebelumnya. Artinya perturbasi menghasilkan model
yang lebih baik dari (atau sama dengan) model sebelumnya. Pada kasus ini perturbasi
model selalu diterima dan iterasi dilanjukan dengan menggunakan model hasil perturbasi
tersebut. Mekanisme ini memungkinkan pencarian model dengan misfit yang makin
rendah. Jika E > 0 berarti perturbasi model menghasilkan misfit yang lebih besar dari
pada sebelumnya. Perturbasi model tersebut diterima dengan probabilitas yang
dirumuskan oleh persamaan berikut:
𝑃(𝐸)  𝑒𝑥𝑝( 𝐸/𝑘 𝑇 ) (3)
Pada kasus ini 0 < P(E) < 1 dan mekanisme penentuan hasil perturbasi diterima
dengan probabilitas P(E) diperlihatkan pada Gambar 3. Untuk suatu bilangan acak R
dengan distribusi uniform pada interval [0, 1] jika R ≤ P(E) maka perturbasi model
diterima, jika R > P(E) maka perturbasi model ditolak. Jika hasil perturbasi model
ditolak maka model dikembalikan ke model sebelum dilakukan perturbasi. Iterasi
dilanjutkan dengan model tersebut. Mekanisme probabilistik yang memungkinkan
perturbasi model diterima meskipun misfit-nya lebih besar dimaksudkan untuk
menghindari terjebaknya proses iterasi pada minimum lokal. Secara umum untuk harga
T tertentu dan E > 0, jika E kecil maka probabilitas P(E) besar sehingga hasil
perturbasi model memiliki kemungkinan lebih besar untuk diterima. Sebaliknya jika E
besar maka probabilitas P(E) kecil sehingga hasil perturbasi model memiliki
kemungkinan kecil untuk diterima (atau hasil perturbasi model memiliki kemungkinan
besar untuk ditolak). Artinya perturbasi model yang menghasilkan misfit sedikit lebih
besar lebih mungkin diterima. Proses iteratif dimulai dengan faktor temperatur T cukup
tinggi sehingga hampir semua perturbasi model akan diterima karena berapapun harga
E jika E > 0 maka harga P(E) akan cukup besar (Gambar 3a). Pada fase ini dapat
dikatakan bahwa pencarian model dilakukan secara hampir acak murni. Pada saat
temperatur turun secara perlahan, perturbasi yang menghasilkan fungsi obyektif yang
lebih kecil (E < 0) akan lebih dominan dalam menentukan model. Meskipun demikian,
perubahan model yang menghasilkan fungsi obyektif yang lebih besar dibanding
sebelumnya atau E > 0 tetap memiliki kemungkinan untuk diterima terutama jika harga
E tidak terlalu besar (atau P(E) tidak terlalu kecil). Artinya perturbasi yang menjauhi
suatu solusi yang sementara dianggap optimum tetap memiliki kemungkinan untuk
diterima meskipun probabilitasnya kecil (Gambar 1b). Solusi optimum sementara
tersebut kemungkinan berasosiasi dengan minimum local (near optimum solution) dan
bukan minimum global. Mekanisme ini memungkinkan algoritma menghindar atau
keluar dari minimum lokal.

Gambar 3. Ilustrasi mekanisme pemilihan dua alternatif berdasarkan bobot probabilitas

untuk dua harga P(E) yang berbeda.
(a) Jika probabilitas P(E) besar maka bilangan random R memiliki kemungkinan
lebih besar berada pada posisi R1 dan model diterima.
(b) Jika probabilitas P(E) kecil maka bilangan random R memiliki kemungkinan
lebihbesar berada pada posisi R2 dan model ditolak.
Pada saat faktor temperatur T semakin kecil, perubahan model dengan E ≥ 0 selalu
menghasilkan P(E) yang kecil sehingga perturbasi hampir selalu ditolak karena R
hampir selalu lebih besar dari P(E). Dengan asumsi bahwa faktor temperatur turun T
secara sangat perlahan dan untuk setiap harga T dilakukan perturbasi model dengan
jumlah yang cukup besar maka algoritma akan konvergen menuju minimum global.
Algoritma Simulated Annealing secara garis besar diperlihatkan pada Gambar 2.
Sebagaimana telah dijelaskan, algoritma tersebut merupakan algoritma Metropolis
sederhana. Perbedaan diantara varian lain dari metode Simulated Annealing terutama
menyangkut mekanisme perturbasi model dan penentuan keputusan apakah suatu
perturbasi model diterima atau ditolak (Grandis dkk, 2009).
 Gambar 2. Algoritma Simulated Annealing sederhana untuk inversi non-linier
(Grandis dkk, 2009).
B. 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 generasi ke generasi berikutnya dilakukan melalui
beberapa mekanisme utama berikut:
1. 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).
2. 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.
3. 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
mutase memiliki probabilitas yang sangat rendah. Ilustrasi ketiga mekanisme utama
dalam algoritma genetika tersebut ditampilkan pada Gambar 3. Dalam algoritma
genetika, individu umumnya dikode-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 3a). 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. 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 crossover) seperti pada Gambar 3b dapat pula
dilakukan multi-point cross-over atau alternatif mekanisme reproduksi lainnya Pada
 kasus pengkodean biner, mutasi dilakukan dengan mengubah salah satu nilai "bit"
menjadi kebalikannya. Parameter probabilitas mutase digunakan untuk mengatur
tingkat kejadian mutase pada suatu populasi.

Gambar 3. Ilustrasi mekanisme dalam algoritma genetika yang meliputi Seleksi,

Reproduksi dan Mutasi.

 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.

 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.
Data sintetik dihitung menggunakan pemodelan ke depan (forward modeling) MT
1-D yang menghasilkan resistivitas-semu dan fasa sebagai fungsi dari periode 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
Resistivitas Ketebalan
Lapisan
(Ohm.m) (m)
1 100 400
2 1000 1600
3 10 –

Tabel 2. Parameter model sintetik - 2.

Resistivitas Ketebalan
Lapisan
(Ohm.m) (m)
1 100 400
2 10 1600
3 1000 –

 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-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. Demikianseterusnya 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:
𝑚𝑘 = 𝑚𝑚𝑖𝑛 + (𝑚𝑚𝑎𝑥 − 𝑚𝑚𝑖𝑛 ) ∑𝑁
𝑖=1 𝑥1 2
(−𝑖)
(4)
dimana N adalah jumlah bit dari bilangan biner x = (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.

 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
𝐸 = √𝑁𝐷 𝑠𝑒 (5)

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:
𝑐𝑎𝑙 𝑜𝑏𝑠 2 𝑐𝑎𝑙 𝑜𝑏𝑠 2
𝑆𝑒 = ∑𝑁𝐷
𝑖=1((𝑍𝑅,𝑖 − 𝑍𝑅,𝑖 ) + (𝑍1,𝑖 − 𝑍1,𝑖 ) ) (6)
𝑐𝑎𝑙
𝜌𝑎,𝑖
𝑆𝑒 + ∑𝑁𝐷
𝑖=1((log( 𝑜𝑏𝑠 ))2 + 𝜆(𝛷1𝑐𝑎𝑙 − 𝛷1𝑜𝑏𝑠 )2 ) (7)
𝜌𝑎,𝑖

Persamaan (6) dan (7) adalah selisih impedansi kompleks yang dinyatakan oleh
bilangan riil (𝑍𝑅 ) dan imajiner (𝑍𝑖 ) atau resistivitas-semu (𝜌𝑎 ) 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:
𝑓𝑘 𝑒𝑥𝑝((𝐸𝑘  𝐸𝑚𝑖𝑛)) (8)
 dimana Ek adalah misfit model ke-k dan Emin adalah misfit minimum dalam satu
populasi. Selain menggunakan persamaan (8) terdapat berbagai alternatif perhitungan
fitness yang pada dasarnya bertujuan untuk merepresentasikan harga fitness secara
proporsional
 Daftar Pustaka

Grandis, H., Pribadi, S.A. dan Puspita, T.R., 2009. Aplikasi Metode Simulated Annealing
pada Inversi Data Magnetotellurik 1-D. https://www.academia.edu/18334300/.
28 november 2019.
Grandis, H., 2008. Inversi Data Magnetotellurik (MT) 1-D Menggunakan Algoritma
Genetika: Suatu Pendekatan Tutorial. Jurnal Geofisika, 2: 25-28.