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.
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.