Accelerat ing t he world's research.

Analisis Data Geofisika: Memahami

Teori Inversi
Afasceo Amri

Related papers Download a PDF Pack of t he best relat ed papers 

FISIKA GE
Sat rio Budiraharjo

Microsoft Word
Ruslan Abdulghani

UJIAN AKHIR KOMPUTASI GEOFISIKA

t ricahyo agung budi harjo
Analisis Data Geofisika:
Memahami Teori Inversi

Dr. Eng. Supriyanto, M.Sc

Edisi I

Departemen Fisika-FMIPA
Univeristas Indonesia
2007
Untuk Muflih Syamil, Hasan Azmi dan Farah Raihanah
Mottoku : Tenang, Kalem dan Percaya Diri
 Kata Pengantar

Buku ini semula merupakan diktat perkuliahan mata kuliah Analisis Data Geofisika yang diberikan
kepada mahasiswa Geofisika pada Departemen Fisika, Fakultas MIPA, Universitas Indonesia.
Acuan utama untuk edisi perdana ini adalah buku Geophysical Data Analysis: Understanding
Inverse Problem Theory and Practice yang ditulis oleh Max A. Meju dan diterbitkan oleh Society
of Exploration Geophysicists pada tahun 1994.
Semoga keberadaan buku ini dapat membantu mahasiswa geofisika untuk memiliki ke-
mampuan memformulasikan masalah, menyusun hipotesis, metode dan solusi sehingga mampu
menyelesaikan masalah-masalah geofisika secara mandiri.
Terima kasih yang tak terhingga ingin saya sampaikan kepada Dede Djuhana yang telah
bersedia berbagi memberikan file format buku dalam LATEX sehingga tampilan buku ini menjadi
jauh lebih baik.

Depok, 15 Maret 2007

Supriyanto S.

v
 Daftar Isi

Lembar Persembahan i

Kata Pengantar v

Daftar Isi vii

Daftar Gambar ix

Daftar Tabel xi

1 Pendahuluan 1
1.1 Definisi dan Konsep Dasar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Proses geofisika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Eksplorasi geofisika dan inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Macam-macam data geofisika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Deskripsi proses geofisika: Model matematika . . . . . . . . . . . . . . . . . . . . 4
1.6 Diskritisasi dan linearisasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2 Formulasi Masalah Inversi 9

2.1 Klasifikasi masalah inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Inversi Model Garis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Inversi Model Parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Inversi Model Bidang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.5 Contoh aplikasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.1 Menghitung gravitasi di planet X . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.2 Analisa data seismik pada reflektor tunggal horizontal . . . . . . . . . . . 28
2.5.3 Analisa data seismik pada reflektor tunggal miring . . . . . . . . . . . . . 29
2.6 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3 Penyelesaian Masalah Overdetermined 31

3.1 Regresi linear sederhana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Metode least square . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Aplikasi regresi linear pada analisis data seismik refraksi . . . . . . . . . . . . . . 34
3.4 Regresi linear dengan pendekatan matriks . . . . . . . . . . . . . . . . . . . . . . 36
3.5 Soal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

vii
viii

4 Constrained Linear Least Squares Inversion 41

4.1 Inversi dengan informasi awal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1.1 Memformulasikan persamaan terkonstrain . . . . . . . . . . . . . . . . . . 43
4.1.2 Contoh aplikasi inversi terkonstrain . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Inversi dengan Smoothness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.1 Formulasi masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.2.2 Solusi masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

Daftar Pustaka 49

Indeks 51
 Daftar Gambar

1.1 Alur pemodelan inversi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Alur pemodelan forward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Alur eksperimen lapangan dan eksperimen laboratorium . . . . . . . . . . . . . . 4
1.4 Konfigurasi elektroda pada metode Schlumberger . . . . . . . . . . . . . . . . . . 6

2.1 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . . 10
2.2 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman . . . . . . 14
2.3 Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah . . . 15
2.4 Hasil inversi atas data observasi perubahan suhu terhadap kedalaman. Tanda
titik merah adalah data observasi sementara kurva biru adalah kurva hasil inversi 18
2.5 Data observasi perubahan nilai terhadap posisi koordinat x dan y . . . . . . . . . 20
2.6 Hasil inversi berbentuk bidang. Saya sebut saja sebagai bidang inversi . . . . . . 23
2.7 Ini adalah hasil inversi yang sama, hanya saja bidang inversi diputar (di-rotasi)
pada suatu arah sehingga kita bisa saksikan dan pastikan bahwa sebaran titik
data observasi berada di-dekat permukaan bidang inversi . . . . . . . . . . . . . 23
2.8 Grafik data pengukuran gerak batu . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.9 Grafik hasil inversi parabola . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.10 Reflektor mendatar pada kedalaman z. Kecepatan gelombang v dianggap kon-
stan. S adalah sumber gelombang seismik dan R adalah penerima gelombang
seismik. Jarak antara S dan R disebut offset (x). Sementara garis merah yang
ada panahnya adalah lintasan gelombang seismik. . . . . . . . . . . . . . . . . . 29
2.11 Reflektor miring dengan sudut kemiringan sebesar α. Kecepatan gelombang v
dianggap konstan. S adalah sumber gelombang seismik dan R adalah penerima
gelombang seismik. Jarak antara S dan R disebut offset (x). Sementara garis
merah yang ada panahnya adalah lintasan gelombang seismik. . . . . . . . . . . 30

3.1 Hasil plotting data observasi dalam sumbu-x dan sumbu-y . . . . . . . . . . . . . 32

3.2 Contoh solusi regresi linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

ix
 Daftar Tabel

2.1 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 10

2.2 Data temperatur bawah permukaan tanah terhadap kedalaman . . . . . . . . . . 15
2.3 Distribusi suatu nilai dalam area tertentu . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Data ketinggian terhadap waktu dari planet X . . . . . . . . . . . . . . . . . . . . 25
2.5 Data variasi offset (x) dan travel time (t) . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Data variasi offset (x) dan travel time (t) . . . . . . . . . . . . . . . . . . . . . . . 30

3.1 Contoh data observasi yang dapat diolah oleh least squares . . . . . . . . . . . . 32
3.2 Data seismik refraksi: waktu-datang gelombang, ti , dan jarak antara source dan
receiver atau jarak offset, xi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone
(xi ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.1 Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone
(xi ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

xi
 Bab 1

Pendahuluan

1.1 Definisi dan Konsep Dasar

Dalam geofisika, kegiatan pengukuran lapangan selalu dilakukan berdasarkan prosedur yang
sudah ditentukan. Kemudian, hasil pengukuran dicatat dan disajikan dalam bentuk tabel angka-
angka pengukuran. Hasil pengukuran tersebut sudah barang tentu sangat tergantung pada
kondisi dan sifat fisis batuan bawah permukaan. Tabel angka-angka itu selanjutnya disebut
data observasi atau juga biasa disebut data lapangan .
Kita berharap data eksperimen dapat memberi informasi sebanyak-banyaknya, tidak sekedar
mengenai sifat fisis batuan saja, melainkan juga kondisi geometri batuan bawah permukaan
dan posisi kedalaman batuan tersebut. Informasi itu hanya bisa kita dapat bila kita mengetahui
hubungan antara sifat fisis batuan tersebut dan data observasinya. Penghubung dari keduanya
hampir selalu berupa persamaan matematika atau kita menyebutnya sebagai model matem-
atika. Maka dengan berdasarkan model matematika itulah, kita bisa mengekstrak parameter
fisis batuan dari data observasi. Proses ini disebut proses inversi atau istilah asingnya disebut
inverse modelling, lihat Gambar 2.9. Sementara proses kebalikannya dimana kita ingin mem-
peroleh data prediksi hasil pengukuran berdasarkan parameter fisis yang sudah diketahui, maka
proses ini disebut proses forward atau forward modelling, lihat Gambar 1.2.
Proses inversi adalah suatu proses pengolahan data lapangan yang melibatkan teknik penye-
lesaian matematika dan statistik untuk mendapatkan informasi yang berguna mengenai dis-
tribusi sifat fisis bawah permukaan. Di dalam proses inversi, kita melakukan analisis terhadap
data lapangan dengan cara melakukan curve fitting (pencocokan kurva) antara model matem-
atika dan data lapangan. Tujuan dari proses inversi adalah untuk mengestimasi parameter fisis
batuan yang tidak diketahui sebelumnya (unknown parameter). Proses inversi terbagi dalam
level-level tertentu mulai dari yang paling sederhana seperti fitting garis untuk data seismik
refraksi sampai kepada level yang rumit seperti tomografi akustik dan matching (pencocokan)
kurva resistivity yang multidimensi. Contoh problem inversi dalam bidang geofisika adalah

1. Penentuan struktur bawah tanah

2. Estimasi parameter-parameter bahan tambang

1
2 BAB 1. PENDAHULUAN

Gambar 1.1: Alur pemodelan inversi

Gambar 1.2: Alur pemodelan forward

1.2. PROSES GEOFISIKA 3

3. Estimasi parameter-parameter akumulasi sumber energi

4. Penentuan lokasi gempa bumi berdasarkan waktu gelombang datang

5. Pemodelan respon lithospere untuk mengamati proses sedimentasi

6. Analisis sumur bor pada hidrogeologi

1.2 Proses geofisika

Perambatan gelombang seismik, perambatan gelombang elektromagnetik di bawah tanah dan

juga aliran muatan (arus listrik) ataupun arus fluida pada batuan berpori adalah contoh-contoh
proses geofisika. Data lapangan tak lain merupakan refleksi dari kompleksitas sistem geofisi-
ka yang sedang diamati, yang dikontrol oleh distribusi parameter fisis batuan berikut struktur
geologinya.

1.3 Eksplorasi geofisika dan inversi

Tujuan utama dari kegiatan eksplorasi geofisika adalah untuk membuat model bawah per-
mukaan bumi dengan mengandalkan data lapangan yang diukur bisa pada permukaan bumi
atau di bawah permukaan bumi atau bisa juga di atas permukaan bumi dari ketinggian tertentu.
Untuk mencapai tujuan ini, idealnya kegiatan survey atau pengukuran harus dilakukan secara
terus menerus, berkelanjutan dan terintegrasi menggunakan sejumlah ragam metode geofisika.
Seringkali –bahkan hampir pasti– terjadi beberapa kendala akan muncul dan tak bisa di-
hindari, seperti kehadiran noise pada data yang diukur. Ada juga kendala ketidaklengkapan
data atau malah kurang alias tidak cukup. Namun demikian, dengan analisis data yang paling
mungkin, kita berupaya memperoleh informasi yang relatif valid berdasarkan keterbatasan data
yang kita miliki.
Dalam melakukan analisis, sejumlah informasi mengenai kegiatan akuisisi data juga diper-
lukan, antara lain: berapakah nilai sampling rate yang optimal? Berapa jumlah data yang
diperlukan? Berapa tingkat akurasi yang diinginkan? Selanjutnya –masih bagian dari pros-
es analisis– model matematika yang cocok mesti ditentukan yang mana akan berperan ketika
menghubungkan antara data lapangan dan distribusi parameter fisis yang hendak dicari.
Setelah proses analisis dilalui, langkah berikutnya adalah membuat model bawah permukaan
yang nantinya akan menjadi modal dasar interpretasi. Ujung dari rangkaian proses ini adalah
penentuan lokasi pemboran untuk mengangkat sumber daya alam bahan tambang/mineral dan
oil-gas ke permukaan. Kesalahan penentuan lokasi berdampak langsung pada kerugian meter-
il yang besar dan waktu yang terbuang percuma. Dari sini terlihat betapa pentingnya proses
analisis apalagi bila segala keputusan diambil berdasarkan data eksperimen.

1.4 Macam-macam data geofisika

Data geofisika bisa diperoleh dari pengukuran di lapangan atau bisa juga dari pengukuran di
laboratorium. Gambar 1.3 memperlihatkan alur pengambilan data dari masing-masing pen-
4 BAB 1. PENDAHULUAN

Gambar 1.3: Alur eksperimen lapangan dan eksperimen laboratorium

gukuran.
Pada pengukuran lapangan, data geofisika yang terukur antara lain bisa berupa densitas,
kecepatan gelombang seismik, modulus bulk, hambatan jenis batuan, permeabilitas batuan,
suseptibilitas magnet dan lain sebagainya yang termasuk dalam besaran fisis sebagai karakter-
istik bawah permukaan bumi.
Pada pengukuran di laboratorium, model lapisan bumi ataupun keberadaan anomali dalam
skala kecil dapat dibuat dan diukur respon-nya sebagai data geofisika. Diharapkan hasil uji
laboratorium tersebut bisa mewakili kondisi lapangan yang sesungguhnya yang dimensinya jauh
lebih besar.
Jika suatu pengukuran diulang berkali-kali, entah itu di lapangan maupun di laboratorium,
seringkali kita temukan hasil pengukuran yang berubah-ubah, walaupun dengan variasi yang
bisa ditolerir. Variasi ini umumnya disebabkan oleh kesalahan instrumen pengukuran (instru-
mental error) atau bisa juga dikarenakan kesalahan manusia (human error). Seluruh variasi ini
bila di-plot kedalam histogram akan membentuk distribusi probabilistik.

1.5 Deskripsi proses geofisika: Model matematika

Seluruh proses geofisika dapat dideskripsikan secara matematika. Sebagaimana yang telah dise-
butkan diawal, suatu formulasi yang bisa menjelaskan sistem geofisika disebut model. Namun
perlu ditekankan juga bahwa istilah model memiliki ragam konotasi berbeda di kalangan geo-
saintis. Misalnya, orang geologi kerapkali menggunakan istilah model konseptual, atau istilah
model fisik yang digunakan untuk menyebutkan hasil laboratorium, atau dalam catatan ini kita
menggunakan istilah model matematika yang merupakan istilah umum dikalangan para ahli
1.6. DISKRITISASI DAN LINEARISASI 5

geofisika.
Kebanyakan proses geofisika dapat dideskripsikan oleh persamaan integral berbentuk
Z z
di = Ki (z)p(z)dz (1.1)
0

dimana di adalah respon atau data yang terukur, p(z) adalah suatu fungsi yang berkaitan den-
gan parameter fisis yang hendak dicari (misalnya: hambatan jenis, densitas, kecepatan, dan
lain-lain) yang selanjutnya disebut parameter model, dan Ki disebut data kernel. Data kernel
menjelaskan hubungan antara data dan parameter model p(z). Parameter model (misalnya ke-
cepatan, resistivitas dan densitas) bisa jadi merupakan fungsi yang kontinyu terhadap jarak atau
posisi. Sebagai contoh, waktu tempuh t antara sumber gelombang seismik dengan penerimanya
sepanjang lintasan L dalam medium, yang distribusi kecepatan gelombangnya kontinyu v(x, z),
ditentukan oleh
1
Z
t= dl (1.2)
L v(x, z)
Deskripsi matematika terhadap sistem geofisika seperti contoh di atas disebut forward mod-
elling. forward modelling digunakan untuk memprediksi data simulasi berdasarkan hipotesa
kondisi bawah permukaan. Data simulasi tersebut biasanya dinamakan data teoritik atau data
sintetik atau data prediksi atau data kalkulasi. Cara seperti ini disebut pendekatan forward
atau lebih dikenal sebagai pemodelan forward (Gambar 1.2).

1.6 Diskritisasi dan linearisasi

Dalam banyak kasus, model bumi selalu fungsi kontinyu terhadap jarak dan kedalaman. Mari
kita ambil kasus massa dan momen inersia bumi. Keduanya terkait dengan densitas bawah
permukaan sesuai rumus-rumus berikut
Z R
M assa = 4π r2 ρ(r)dr (1.3)
0
R
8π
Z
M oment inersia = r4 ρ(r)dr (1.4)
3 0

dimana R adalah jejari bumi dan ρ(r) merupakan fungsi densitas terhadap jarak r. ρ(r) juga
berhubungan dengan p(z) pada persamaan (1.1). Persamaan (1.4 dan 1.4) dapat dinyatakan
dalam formulasi yang lebih umum yaitu
Z R
di = Ki (r)p(r)dr (1.5)
0

sama persis dengan persamaan (1.1). Integral ini relatif mudah dievaluasi secara komputasi
dengan matematika diskrit. Pendekatan komputasi memungkinkan kita untuk menyederhanakan
ρ(r)dr menjadi m, sementara Ki menjadi Gi sehingga persamaan (1.5) dapat dinyatakan seba-
gai
X
di = Gij mj (1.6)
6 BAB 1. PENDAHULUAN

Gambar 1.4: Konfigurasi elektroda pada metode Schlumberger

Ini adalah bentuk diskritisasi. Secara umum, memang pada kenyataannya ketika melakukan
eksperimen di lapangan, data pengukuran maupun paremeter model selalu dibatasi pada inter-
val tertentu. Kita sering berasumsi bahwa bawah permukaan bumi terdiri dari lapisan-lapisan
yang masing-masing memiliki sifat fisis atau parameter fisis p(z) yang seragam. Misalnya lapisan
tertentu memiliki densitas sekian dan ketebalan sekian. Langkah praktis ini yang terkesan
menyederhanakan obyek lapangan disebut langkah parameterisasi. Dalam kuliah ini, kita
akan selalu memandang model yang diskrit dan juga parameter yang diskrit daripada model
dan paremeter yang kontinyu. Sehingga proses inversi yang akan kita lakukan disebut sebagai
teori inversi diskrit dan bukan teori inversi kontinyu.
Dalam bentuk diskrit, persamaan (1.2) bisa dinyatakan sebagai
p
X Lij
ti = (1.7)
vj
j=1

Perlu dicatat disini bahwa waktu tempuh t tidak berbanding lurus dengan parameter model
v, melainkan berbanding terbalik. Hubungan ini dinamakan non-linear terhadap v. Namun
demikian, jika kita mendefinisikan parameter model c = 1/v, dimana c adalah slowness gelom-
bang seismik, maka problem ini bisa dinyatakan sebagai
p
X
ti = Lij cj (1.8)
j=1

Hubungan ini disebut linear. Persamaan memenuhi bentuk d = Gm. Operasi transformasi seper-
ti itu dinamakan linearisasi parameter. Dan proses menuju kesana dinamakan linearisasi.
Sekarang mari kita lihat problem dari pengukuran resistivitas semu dengan metode Schlum-
berger untuk mengamati lapisan bawah permukaan yang diasumsikan terdiri dari dua lapisan.
Formula model yang diturunkan oleh Parasnis, 1986 adalah
 Z ∞ 
2
ρa (L) = ρ1 1 + 2L K(λ)J1 (λL)λdλ (1.9)
0
1.6. DISKRITISASI DAN LINEARISASI 7

dimana L = AB/2 adalah jarak masing-masing elektroda terhadap titik tengah, J1 adalah fungsi
Bessel orde 1 dan K(λ) adalah fungsi parameter (resistivitas masing-masing lapisan yaitu ρ1
dan ρ2 serta ketebalan lapisan paling atas t) dari sistem yang kita asumsikan. K(λ) dinyatakan
sebagai
(−2λt)
−k1,2
K(λ) = (−2λt)
1 + −k1,2
dimana
ρ1 − ρ2
k1,2 =
ρ1 + ρ2
Kita bisa lihat bahwa persamaan (1.9) tidak bisa didekati dengan d = Gm sebagaimana yang
dilakukan pada persamaan (1.2). Oleh karena itu persamaan resistivitas semu di atas disebut
highly non-linear.
 Bab 2

Formulasi Masalah Inversi

2.1 Klasifikasi masalah inversi

Dalam masalah inversi, kita selalu berhubungan dengan parameter model (M ) dan data (N );
yang mana jumlah dari masing-masing akan menentukan klasifikasi permasalahan inversi dan
cara penyelesaiannya. Bila jumlah model parameter lebih sedikit dibandingkan data observasi
(M < N ), maka permasalahan inversi ini disebut overdetermined. Umumnya masalah ini dis-
elesaikan menggunakan pencocokan (best fit ) terhadap data observasi. Dalam kondisi yang lain
dimana jumlah parameter yang ingin dicari (M ) lebih banyak dari pada jumlah datanya (N ),
maka masalah inversi ini disebut underdetermined. Dalam kasus ini terdapat sekian banyak
model yang dapat sesuai kondisi datanya. Inilah yang disebut dengan masalah non-uniqness.
Bagaimana cara untuk mendapatkan model yang paling mendekati kondisi bawah permukaan?
Menurut Meju, 1994 persoalan ini bisa diselesaikan dengan model yang parameternya berben-
tuk fungsi kontinyu terhadap posisi. Kasus yang terakhir adalah ketika jumlah data sama atau
hampir sama dengan jumlah parameter. Ini disebut evendetermined. Pada kasus ini model
yang paling sederhana dapat diperoleh menggunakan metode inversi langsung.
Pada bab ini, saya mencoba menyajikan dasar teknik inversi yang diaplikasikan pada model
garis, model parabola dan model bidang. Uraian aplikasi tersebut diawali dari ketersediaan
data observasi, lalu sejumlah parameter model (unknown parameter) mesti dicari dengan teknik
inversi. Mari kita mulai dari model garis.

2.2 Inversi Model Garis

Secara teori, variasi temperatur bawah permukaan akan semakin meningkat ketika temper-
atur tersebut diukur semakin kedalam permukaan bumi. Misalnya telah dilakukan sebanyak
sepuluh kali (N = 10) pengukuran temperatur (Ti ) pada kedalaman yang berbeda beda (zi )
sebagaimana ditunjukan datanya pada Tabel 2.6.

9
 10 BAB 2. FORMULASI MASALAH INVERSI

Tabel 2.1: Data temperatur bawah permukaan tanah terhadap kedalaman

Pengukuran ke-i Kedalaman (m) Temperatur (O C)
1 z1 = 5 T1 = 35.4
2 z2 = 16 T2 = 50.1
3 z3 = 25 T3 = 77.3
4 z4 = 40 T4 = 92.3
5 z5 = 50 T5 = 137.6
6 z6 = 60 T6 = 147.0
7 z7 = 70 T7 = 180.8
8 z8 = 80 T8 = 182.7
9 z9 = 90 T9 = 188.5
10 z10 = 100 T10 = 223.2

Variasi Suhu vs Kedalaman

250

200
Suhu (Celcius)

150

100

50

0
0 20 40 60 80 100
Kedalaman (m)

Gambar 2.1: Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah

Source code untuk menggambar grafik tersebut dalam Matlab adalah

1 clc
2 clear
3 close
4
5 % Data observasi
6 z = [5 16 25 40 50 60 70 80 90 100];
7 T = [35.4 50.1 77.3 92.3 137.6 147.0 180.8 182.7 188.5 223.2];
8
9 % Plot data observasi
10 plot(z,T,’*r’);
11 grid;
12 xlabel(’Kedalaman (m)’);
13 ylabel(’Suhu (Celcius)’);
14 title(’\fontsize{14} Variasi Suhu vs Kedalaman’);
2.2. INVERSI MODEL GARIS 11

Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman ditentukan oleh rumus
berikut ini:
m1 + m2 zi = Ti (2.1)

dimana m1 dan m2 adalah konstanta-konstanta yang akan dicari. Rumus di atas disebut mod-
el matematika. Sedangkan m1 dan m2 disebut parameter model atau biasa juga disebut
unknown parameter. Pada model matematika di atas terdapat dua buah parameter model,
(M = 2). Sementara jumlah data observasi ada empat, (N = 10), yaitu nilai-nilai kedala-
man, zi , dan temperatur, Ti . Berdasarkan model tersebut, kita bisa menyatakan temperatur dan
kedalaman masing-masing sebagai berikut:

m1 + m2 z1 = T1
m1 + m2 z2 = T2
m1 + m2 z3 = T3
m1 + m2 z4 = T4
m1 + m2 z5 = T5
m1 + m2 z6 = T6
m1 + m2 z7 = T7
m1 + m2 z8 = T8
m1 + m2 z9 = T9
m1 + m2 z10 = T10

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
   
1 z1 T1
   

 1 z2 
 T2




 1 z3   T
 3


   

 1 z4 " #  T4
 

 1 z5  m1
  T
 5

= (2.2)
 
  

 1 z6  m2  T6




 1 z7   T
 7


   

 1 z8   T8




 1 z9   T
 9


1 z10 T10

Lalu ditulis secara singkat

Gm = d (2.3)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
12 BAB 2. FORMULASI MASALAH INVERSI

patkan nilai m1 dan m2 pada vektor kolom m? Manipulasi1 berikut ini bisa menjawabnya

GT Gm = GT d (2.4)

dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:

GT Gm = GT d
[GT G]−1 GT Gm = [GT G]−1 GT d
m = [GT G]−1 GT d (2.5)

1. Tentukan transpos dari matrik kernel, yaitu GT

 
1 z1
 

 1 z2 

 1 z3 
 

 1 z4  " #
 1 z5  T 1 1 1 1 1 1 1 1 1 1
G= ⇒ G =
 


 1 z6  z1 z2 z3 z4 z5 z6 z7 z8 z9 z10

 1 z7 
 

 1 z8 

 1 z9 
1 z10

2. Lakukan perkalian matriks GT G

 
1 z1
 

 1 z2 

 1 z3 
 
"

# 1 z4  " P #
1 1 1 1 1 1 1 1 1 1  1 z5  N zi
GT G = = P
 
 P 2
z1 z2 z3 z4 z5 z6 z7 z8 z9 z10 
 1 z6  zi zi

 1 z7 
 

 1 z8 

 1 z9 
1 z10

dimana N = 10 atau sesuai dengan jumlah data observasi; sementara i = 1, 2, 3, ..., 10.

1
Matrik G biasanya tidak berbentuk bujursangkar. Akibatnya tidak bisa dihitung nilai invers-nya. Dengan menga-
likan matrik G dan transpose matrik G, maka akan diperoleh matrik bujursangkar
 2.2. INVERSI MODEL GARIS 13

3. Kemudian tentukan pula GT d

 
T1
 

 T2 

 T3 
 
"

# T4  " P #
1 1 1 1 1 1 1 1 1 1  T5  Ti
GT d = = P
 

z1 z2 z3 z4 z5 z6 z7 z8 z9 z10 
 T6  z i Ti

 T7 
 

 T8 

 T9 
T10

4. Dengan menggunakan hasil dari langkah 2 dan langkah 3, maka persamaan (2.4) dapat
dinyatakan sebagai

GT Gm = GT d

" P #" # " P #

N zi m1 Ti
P P 2 = P (2.6)
zi zi m2 z i Ti

Berdasarkan data observasi pada tabel di atas, diperoleh

m = [GT G]−1 GT d

" # P #−1 " P

" #
m1 N zi Ti
= P P 2 P (2.7)
m2 zi zi z i Ti
" # " #−1 " #
m1 10 536 1314
=
m2 536 38006 88855

Operasi matriks di atas akan menghasilkan nilai m1 = 24.9 dan m2 = 2.0.

Perintah di Matlab untuk menghitung elemen-elemen m, yaitu

m=inv(G’*G)*G’*d

Secara lebih lengkap, source code Matlab untuk melakukan inversi data observasi adalah

1 clc
2 clear
3 close
4
5 % Data observasi
6 z = [5 16 25 40 50 60 70 80 90 100];
7 T = [35.4 50.1 77.3 92.3 137.6 147.0 180.8 182.7 188.5 223.2];
8
 14 BAB 2. FORMULASI MASALAH INVERSI

9 % Plot data observasi

10 plot(z,T,’*r’);
11 grid;
12 xlabel(’Kedalaman (m)’);
13 ylabel(’Suhu (Celcius)’);
14 title(’\fontsize{14} Variasi Suhu vs Kedalaman’);
15
16 % Membentuk matrik kernel G dan vektor d
17 n = length(z);
18 for k = 1:n
19 G(k,1) = 1;
20 G(k,2) = z(k);
21 end
22 d = T’;
23
24 % Perhitungan inversi dengan general least-squares
25 m = inv(G’*G)*G’*d;
26
27 % Plot hasil inversi (berupa garis least-squares)
28 hold on;
29 zz = 0:0.5:z(n);
30 TT = m(1) + m(2)*zz;
31 plot(zz,TT);

Variasi Suhu vs Kedalaman

250

200
Suhu (Celcius)

150

100

50

0
0 20 40 60 80 100
Kedalaman (m)

Gambar 2.2: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman

Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model garis. An-
da bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki
bentuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model garis:
y = m1 + m2 x. Selanjutnya mari kita pelajari inversi model parabola.
2.3. INVERSI MODEL PARABOLA 15

2.3 Inversi Model Parabola

Kembali kita ambil contoh variasi temperatur terhadap kedalaman dengan sedikit modifikasi
data. Misalnya telah dilakukan sebanyak delapan kali (N = 8) pengukuran temperatur (Ti ) pada
kedalaman yang berbeda beda (zi ). Tabel pengukuran yang diperoleh adalah: Data observasi

Tabel 2.2: Data temperatur bawah permukaan tanah terhadap kedalaman

Pengukuran ke-i Kedalaman (m) Temperatur (O C)
1 z1 = 5 T1 = 20, 8
2 z2 = 8 T2 = 22, 6
3 z3 = 14 T3 = 25, 3
4 z4 = 21 T4 = 32, 7
5 z5 = 30 T5 = 41, 5
6 z6 = 36 T6 = 48, 2
7 z7 = 45 T7 = 63, 7
8 z8 = 60 T8 = 74, 6

tersebut selanjutnya di-plot ke dalam grafik variasi suhu terhadap kedalaman.

Variasi Suhu vs Kedalaman

80

70

60
Suhu (Celcius)

50

40

30

20
5 10 15 20 25 30 35 40 45 50
Kedalaman (m)

Gambar 2.3: Data observasi perubahan suhu terhadap kedalaman dari permukaan tanah

Lalu kita berasumsi bahwa variasi temperatur terhadap kedalaman memenuhi model matem-
atika berikut ini:
m1 + m2 zi + m3 zi2 = Ti (2.8)

dimana m1 , m2 dan m3 adalah unknown parameter. Jadi pada model di atas terdapat tiga buah
model parameter, (M = 3). Adapun yang berlaku sebagai data adalah nilai-nilai temperatur T1 ,
T2 ,..., dan T8 . Berdasarkan model tersebut, kita bisa menyatakan temperatur dan kedalaman
sebagai sistem persamaan simultan yang terdiri atas 8 persamaan (sesuai dengan jumlah data
16 BAB 2. FORMULASI MASALAH INVERSI

observasi):

m1 + m2 z1 + m3 z12 = T1
m1 + m2 z2 + m3 z22 = T2
m1 + m2 z3 + m3 z32 = T3
m1 + m2 z4 + m3 z42 = T4
m1 + m2 z5 + m3 z52 = T5
m1 + m2 z6 + m3 z62 = T6
m1 + m2 z7 + m3 z72 = T7
m1 + m2 z8 + m3 z82 = T8

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
   
1 z1 z12 T1
1 z2 z22 
   
  T2 
   
 1 z3 z32 
    T3 

 m1

1 z4 z42 
  
   T4 
  m2  = 
  (2.9)
 1 z5 z52   T5 

m
 
3
1 z6 z62 
   
  T6 
   

 1 z7 z72 

 T 
 7 
1 z8 z82 T8

Lalu ditulis secara singkat

Gm = d (2.10)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah model parameter, juga
dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara menda-
patkan nilai m1 , m2 dan m3 pada vektor kolom m? Manipulasi berikut ini bisa menjawabnya

GT Gm = GT d (2.11)

dimana t disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
2.3. INVERSI MODEL PARABOLA 17

1. Tentukan transpos dari matrik kernel, yaitu GT

 
1 z1 z12
1 z2 z22 
 

 
 1 z3 z32   
1 1 1 1 1 1 1 1
 
2
 
1 z4 z4 
GT =  z1

G= ⇒ z2 z3 z4 z5 z6 z7 z8 
  
 1 z5 z52 
z12 z22 z32 z42 z52 z62 z72 z82
 
2
 

 1 z6 z6 

 1 z7 z72 

1 z8 z82

2. Tentukan GT G
 
1 z1 z12
1 z2 z22 
 

 
  1 z3 z32 
  P P 2 
1 1 1 1 1 1 1 1 N zi zi

2
 
T  1 z4 z4  2
G G =  z1 z2 z3 z4 z5 z6 z7 = zi3 
P P P
z8   zi zi
  
 1 z5 z52 
z12 z22 z32 z42 z52 z62 z72 z82  zi2 zi3 zi4
  P P P
2


 1 z6 z6 

 1 z7 z72 

1 z8 z82

dimana N = 8 dan i = 1, 2, 3, ..., 8.

3. Kemudian tentukan pula GT d

 
T1
 

 T2 

  T3 
  P 
1 1 1 1 1 1 1 1 Ti

 
T  T4 
G d =  z1 z2 z3 z4 z5 z6 z7 = P
z8   z i Ti 
 

 T5 

z12 z22 z32 z42 z52 z62 z72 z82 
P 2
z i Ti



 T6 


 T7 

T8

4. Sekarang persamaan (2.16) dapat dinyatakan sebagai

 P P 2    P 
N zi zi m1 Ti
P 2 P 3 
zi   m2  =  (2.12)
 P   P
zi zi z i Ti 


P 2 P 3 P 4 P 2
zi zi zi m3 z i Ti
 18 BAB 2. FORMULASI MASALAH INVERSI

Berdasarkan data observasi pada tabel di atas, diperoleh

    
8 219 8547 m1 349, 89
 219 8547 393423   m2  =  12894, 81  (2.13)
    

8547 393423 19787859 m3 594915, 33

Matlab telah menyediakan sebuah baris perintah untuk menghitung elemen-elemen m,

yaitu

m=inv(G’*G)*G’*d

Sehingga operasi matriks di atas akan menghasilkan nilai m1 = 21, m2 = 0, 05 dan m3 =

0, 02.

Gabungan antara data observasi dan kurva hasil inversi diperlihatkan oleh Gambar 2.4 Script

Variasi Suhu vs Kedalaman

80

70

60
Suhu (Celcius)

50

40

30

20

10
0 10 20 30 40 50
Kedalaman (m)

Gambar 2.4: Hasil inversi atas data observasi perubahan suhu terhadap kedalaman. Tanda titik
merah adalah data observasi sementara kurva biru adalah kurva hasil inversi

Matlab yang lengkap untuk tujuan ini adalah

1 clc
2 clear
3 close
4
5 % Data observasi
6 z = [5 8 14 21 30 36 45 50];
7 T = [20.8 22.6 25.3 32.7 41.5 48.2 63.7 74.6];
8
9 % Plot data observasi
10 plot(z,T,’*r’);
 2.3. INVERSI MODEL PARABOLA 19

11 grid;
12 xlabel(’Kedalaman (m)’);
13 ylabel(’Suhu (Celcius)’);
14 title(’\fontsize{14} Variasi Suhu vs Kedalaman’);
15
16 % Membentuk matrik kernel G dan vektor d
17 n = length(z);
18 for k = 1:n
19 G(k,1) = 1;
20 G(k,2) = z(k);
21 G(k,3) = z(k).^2;
22 end
23 d = T’;
24
25 % Perhitungan inversi dengan general least-squares
26 m = inv(G’*G)*G’*d;
27
28 % Plot hasil inversi (berupa garis least-squares)
29 hold on;
30 zz = 0:0.5:z(n);
31 TT = m(1) + m(2)*zz + m(3)*zz.^2;
32 plot(zz,TT);

Demikianlah contoh aplikasi teknik inversi untuk menyelesaikan persoalan model parabola.
Anda bisa mengaplikasikan pada kasus lain, dengan syarat kasus yang anda tangani memiliki
bentuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu model garis:
y = m1 + m2 x + +m3 x2 . Selanjutnya mari kita pelajari inversi model bidang atau model 2-
dimensi (2-D).
 20 BAB 2. FORMULASI MASALAH INVERSI

2.4 Inversi Model Bidang

Misalnya telah dilakukan sebanyak sepuluh kali (N = 10) pengukuran suatu nilai parameter
pada suatu area sebagaimana ditunjukan datanya pada Tabel 2.3.

Tabel 2.3: Distribusi suatu nilai dalam area tertentu

Pengukuran ke-i X (m) Y (m) Nilai
1 2 3 10,6
2 5 6 23,5
3 7 2 27,3
4 4 7 20,8
5 1 8 11,1
6 3 9 18,9
7 6 4 25,4
8 9 1 33,5
9 8 5 33,2
10 4 5 24,1

Sebaran nilai terhadap X dan Y

35

30

25
Nilai

20

15

10
10
10
8
5 6
4
2
Y (m) 0 0
X (m)

Gambar 2.5: Data observasi perubahan nilai terhadap posisi koordinat x dan y

Source code untuk menggambar grafik tersebut dalam Matlab adalah

1 clc
2 clear
3 close
4
5 % Data observasi
6 x = [2 5 7 4 1 3 6 9 8 4];
7 y = [3 6 2 7 8 9 4 1 5 5];
8 nilai = [10.6 23.5 27.3 20.8 11.1 18.9 25.4 33.5 33.2 24.1];
 2.4. INVERSI MODEL BIDANG 21

9
10 % Plot data observasi
11 plot3(x,y,nilai,’*r’);
12 grid;
13 xlabel(’X (m)’);
14 ylabel(’Y (m)’);
15 zlabel(’Nilai’);
16 title(’\fontsize{14} Sebaran nilai terhadap X dan Y’);

Model matematika untuk 2-dimensi berikut ini digunakan untuk analisa data tersebut:

m1 + m2 xi + m3 yi = di (2.14)

dimana m1 , m2 dan m3 merupakan unknown parameter yang akan dicari. Adapun yang berlaku
sebagai data adalah d1 , d2 , d3 , ..., dN . Berdasarkan model matematika tersebut, kita bisa ny-
atakan

m1 + m2 x1 + m3 y1 = d1
m1 + m2 x2 + m3 y2 = d2
m1 + m2 x3 + m3 y3 = d3
.. .. .. .. ..
. . . . .
m1 + m2 xN + m3 yN = dN

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
   
1 x1 y1 d1
    

 1 x2 y2  m1
 d2 
 

 1 x3 y3   m2  =  d3 
   
 .. .. .. 

 ... 
 

 . . .  m3  
1 xN yN dN

Lalu ditulis secara singkat

Gm = d (2.15)

dimana d adalah data yang dinyatakan dalam vektor kolom, m adalah unknown parameter,
juga dinyatakan dalam vektor kolom, dan G disebut matrik kernel. Lantas bagaimana cara
mendapatkan nilai m1 , m2 dan m3 pada vektor kolom m? Sama seperti sebelumnya, kita harus
membuat persamaan matriks berikut ini

GT Gm = GT d (2.16)

dimana T disini maksudnya adalah tanda transpos matrik. Selanjutnya, untuk mendapatkan
elemen-elemen m, diperlukan langkah-langkah perhitungan berikut ini:
22 BAB 2. FORMULASI MASALAH INVERSI

1. Tentukan transpos dari matrik kernel, yaitu GT

 
1 x1 y1
 
1 x2 y2 
 

  1 1 1 ··· 1
G= 1 x3 y3  ⇒ Gt =  x1 x2 x3 · · · xN 
  

 .. .. .. 

 . . . 
 y1 y2 y3 · · · yN
1 xN yN

2. Tentukan GT G
 
1 x1 y1
  
1 x2 y2 
 P P 
1 1 1 ··· 1 
  N xi yi
GT G =  x1 x2 x3 · · · xN 1 x3 y3 
P 2 P
=
 P
xi xi xi yi 
  

 .. .. .. 

yi2
P P P
y1 y2 y 3 · · · yN 
 . . .  yi xi yi
1 xN yN

dimana N = jumlah data. dan i = 1, 2, 3, ..., N .

3. Kemudian tentukan pula GT d

 
d1
   P
d2 
 
1 1 1 ··· 1 
  d i
Gt d =  x1 x2 x3 · · · xN d3 =
 P
xi di 
  

 .. 
 P
y1 y2 y3 · · · yN 
 .  yi d i
dN

4. Sekarang, persamaan (2.16) dapat dinyatakan sebagai

 P P    P 
N xi yi m1 di
P 2 P
xi yi   m2  =  (2.17)
 P   P
xi xi xi di 
 

P P P 2 P
yi xi yi yi m3 yi d i

5. Sampai disini, jika tersedia data observasi, maka anda tinggal memasukan data tersebut ke
dalam persamaan di atas, sehingga nilai elemen-elemen m dapat dihitung dengan perintah
matlab

m=inv(G’*G)*G’*d

Langkah-langkah selanjutnya akan sama persis dengan catatan sebelumnya (model linear
dan model parabola)

Gabungan antara data observasi dan kurva hasil inversi diperlihatkan oleh Gambar 2.6
 2.4. INVERSI MODEL BIDANG 23

Sebaran nilai terhadap X dan Y

40

30
Nilai

20

10

0
10
10
8
5 6
4
2
Y (m) 0 0
X (m)

Gambar 2.6: Hasil inversi berbentuk bidang. Saya sebut saja sebagai bidang inversi

Gambar 2.7: Ini adalah hasil inversi yang sama, hanya saja bidang inversi diputar (di-rotasi)
pada suatu arah sehingga kita bisa saksikan dan pastikan bahwa sebaran titik data observasi
berada di-dekat permukaan bidang inversi

Script Matlab yang lengkap untuk tujuan ini adalah

1 clc
 24 BAB 2. FORMULASI MASALAH INVERSI

2 clear
3 close
4
5 % Data observasi
6 x = [2 5 7 4 1 3 6 9 8 4];
7 y = [3 6 2 7 8 9 4 1 5 5];
8 nilai = [10.6 23.5 27.3 20.8 11.1 18.9 25.4 33.5 33.2 24.1];
9
10 % Plot data observasi
11 plot3(x,y,nilai,’*r’);
12 grid;
13 xlabel(’X (m)’);
14 ylabel(’Y (m)’);
15 zlabel(’Nilai’);
16 title(’\fontsize{14} Sebaran nilai terhadap X dan Y’);ndata = length(nilai);
17
18 % Membentuk matrik kernel G dan vektor d
19 ndata = length(x);
20 for k = 1:ndata
21 G(k,1) = 1;
22 G(k,2) = x(k);
23 G(k,3) = y(k);
24 end
25 d = nilai’;
26
27 % Perhitungan inversi dengan general least-squares
28 m = inv(G’*G)*G’*d;
29
30 % Plot hasil inversi (berupa garis least-squares)
31 hold on;
32 [X,Y] = meshgrid(min(x):max(x),min(y):max(y));
33 Z = m(1) + X.*m(2) + Y.*m(3);
34 surf(X,Y,Z);

Anda bisa mengaplikasikan data pengukuran yang anda miliki, dengan syarat kasus yang anda
tangani memiliki bentuk model yang sama dengan yang telah dikerjakan pada catatan ini, yaitu
memiliki tiga buah model parameter yang tidak diketahui dalam bentuk persamaan bidang
(atau 2-dimensi): d = m1 + m2 x + m3 y.

2.5 Contoh aplikasi

2.5.1 Menghitung gravitasi di planet X

Seorang astronot tiba di suatu planet yang tidak dikenal. Setibanya disana, ia segera mengelu-
arkan kamera otomatis, lalu melakukan ekperimen kinematika yaitu dengan melempar batu
vertikal ke atas. Hasil foto-foto yang terekam dalam kamera otomatis adalah sebagai berikut
Plot data pengukuran waktu vs ketinggian diperlihatkan pada Gambar 2.8. Anda diminta un-
tuk membantu proses pengolahan data sehingga diperoleh nilai konstanta gravitasi di planet
tersebut dan kecepatan awal batu. Jelas, ini adalah persoalan inversi, yaitu mencari unkown
parameter (konstanta gravitasi dan kecepatan awal batu) dari data observasi (hasil foto gerak
sebuah batu).
Langkah awal untuk memecahkan persoalan ini adalah dengan mengajukan asumsi model
2.5. CONTOH APLIKASI 25

Tabel 2.4: Data ketinggian terhadap waktu dari planet X

Waktu (dt) Ketinggian (m) Waktu (dt) Ketinggian (m)
0,00 5,00 2,75 7,62
0,25 5,75 3,00 7,25
0,50 6,40 3,25 6,77
0,75 6,94 3,50 6,20
1,00 7,38 3,75 5,52
1,25 7,72 4,00 4,73
1,50 7,96 4,25 3,85
1,75 8,10 4,50 2,86
2,00 8,13 4,75 1,77
2,25 8,07 5,00 0,58
2,50 7,90

matematika, yang digali dari konsep-konsep fisika, yang kira-kira paling cocok dengan situasi
pengambilan data observasi. Salah satu konsep dari fisika yang bisa diajukan adalah konsep
tentang Gerak-Lurus-Berubah-Beraturan (GLBB), yang formulasinya seperti ini

1
ho + vo t − gt2 = h
2

Berdasarkan tabel data observasi, ketinggian pada saat t = 0 adalah 5 m. Itu artinya ho = 5 m.
Sehingga model matematika (formulasi GLBB) dapat dimodifikasi sedikit menjadi

1
vo t − gt2 = h − ho (2.18)
2

Selanjut, didefinisikan m1 dan m2 sebagai berikut

1
m1 = vo m2 = − g (2.19)
2

sehingga persamaan model GLBB menjadi

m1 ti + m2 t2i = hi − 5 (2.20)

dimana i menunjukkan data ke-i.

Langkah berikutnya adalah menentukan nilai tiap-tiap elemen matrik kernel, yaitu dengan
memasukan data observasi kedalam model matematika (persamaan (2.20))

m1 t1 + m2 t21 = h1 − 5
m1 t2 + m2 t22 = h2 − 5
m1 t3 + m2 t23 = h3 − 5
.. .. .
. . = ..
m1 t20 + m2 t220 = h20 − 5
26 BAB 2. FORMULASI MASALAH INVERSI

6
Tinggi (meter)

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (detik)

Gambar 2.8: Grafik data pengukuran gerak batu

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik berikut ini:
 
t1 t21  
h1 − 5
t22
 
 t2 
 h2 − 5
   
t23


 t3 "
 # 
 h3 − 5

 m1 
t24

 t4 
 m =

 ..


.. ..  .

 2  
 . .   
 h19 − 5
   
t219 

 t19
h20 − 5
 
t20 t220

Operasi matrik di atas memenuhi persamaan matrik

Gm = d

Seperti yang sudah dipelajari pada bab ini, penyelesaian masalah inversi dimulai dari proses
manipulasi persamaan matrik sehingga perkalian antara Gt dan G menghasilkan matriks bujur-
sangkar
Gt Gm = Gt d (2.21)

Selanjutnya, untuk mendapatkan m1 dan m2 , prosedur inversi dilakukan satu-per-satu

2.5. CONTOH APLIKASI 27

1. Menentukan transpos matrik kernel, yaitu Gt

 
t1 t21
t22 
 

 t2 

 t3 t23 
 " #
2 t1 t2 t3 t4 . . . t19 t20
Gt =
 
G= t4 t4  ⇒

 .. .. 
 t21 t22 t23 t24 . . . t219 t220

 . . 


 t19 t219 

t20 2
t20

2. Menentukan Gt G
 
t1 t21
t22 
 

 t2 
" #
 t3 t23 
 " P 2 P 3 #
t t1 t2 t3 t4 . . . t19 t20  2
 ti ti
GG=  t4 t4  = P t3 P t4
t21 t22 t23 t24 . . . t219 t220 
 .. ..  i i

 . . 


 t19 t219 

t20 t220

dimana N = 20 dan i = 1, 2, ..., N .

3. Kemudian menentukan hasil perkalian Gt d

 
h1
 

 h2 
" #
 h3  " P #
t1 t2 t3 t4 . . . t19 t20 t i hi
Gt d =
 
 h4  = P t2 h
t21 t22 t23 t24 . . . t219 t220 
 ..  i i

 . 


 h19 

h20

4. Sekarang persamaan (2.21) dapat dinyatakan sebagai

" P #" # " P #
t2i t3i
P
m1 ti hi
= (2.22)
t3i t4i t2i hi
P P P
m2

Berdasarkan data observasi, diperoleh

" #" # " #
179, 4 689, 1 m1 273, 7
=
689, 1 2822, 9 m2 796, 3

Hasil operasi matriks ini dapat diselesaikan dengan satu baris statemen di matlab yaitu
28 BAB 2. FORMULASI MASALAH INVERSI

6
Ketinggian (m)

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Waktu (dt)

Gambar 2.9: Grafik hasil inversi parabola

m=inv(G’*G)*G’*d

Hasil inversinya adalah nilai kecepatan awal yaitu saat batu dilempar ke atas adalah sebesar
m1 = vo = 3,2009 m/dt. Adapun percepatan gravitasi diperoleh dari m2 dimana m2 = − 21 g =
-0,8169; maka disimpulkan nilai g adalah sebesar 1,6338 m/dt2 .
Gambar 2.9 memperlihatkan kurva hasil inversi berserta sebaran titik data observasi. Garis
berwarna biru merupakan garis kurva fitting hasil inversi parabola. Sedangkan bulatan berwar-
na merah adalah data pengukuran ketinggian (m) terhadap waktu (dt). Jelas terlihat bahwa
garis kurva berwarna biru benar-benar cocok melewati semua titik data pengukuran. Ini me-
nunjukkan tingkat akurasi yang sangat tinggi. Sehingga nilai kecepatan awal dan gravitasi hasil
inversi cukup valid untuk menjelaskan gerak batu di planet X.

2.5.2 Analisa data seismik pada reflektor tunggal horizontal

Suatu survei seismik dilakukan untuk mengetahui kedalaman sebuah reflektor mendatar seba-
gaimana tampak pada gambar
Waktu tempuh gelombang (t), yang bergerak sesuai dengan lintasan warna merah, memenuhi
model matematika berikut ini
4z 2 x2
+ 2 = t2 (2.23)
v2 v
Data observasi yang berhasil dihimpun dari survei tersebut adalah
Berdasarkan data tersebut, tuliskan langkah demi langkah proses inversi selengkap mungkin
untuk menentukan:

• kecepatan gelombang seismik (v) pada lapisan

• kedalaman reflektor mendatar (z) terhadap permukaan (surface)

2.5. CONTOH APLIKASI 29

S R1 R2 R3 R4 R5 R6 R7 R8 Surface

z
v

Reflektor

Gambar 2.10: Reflektor mendatar pada kedalaman z. Kecepatan gelombang v dianggap konstan.
S adalah sumber gelombang seismik dan R adalah penerima gelombang seismik. Jarak antara S
dan R disebut offset (x). Sementara garis merah yang ada panahnya adalah lintasan gelombang
seismik.

Tabel 2.5: Data variasi offset (x) dan travel time (t)
Receiver R ke-i Offset (x), meter Travel time (t), detik
1 60 0, 5147
2 80 0, 5151
3 100 0, 5155
4 120 0, 5161
5 140 0, 5167
6 160 0, 5175
7 180 0, 5183
8 200 0, 5192

Petunjuk: sederhanakan model matematika di atas menjadi

m1 + m2 x2 = t2 (2.24)

Hasil yang benar adalah: kecepatan = 2797 m/dt ; kedalaman = 719 meter. Jika anda tidak
mendapatkan kedua angka tersebut, maka proses inversi anda mungkin masih keliru!

2.5.3 Analisa data seismik pada reflektor tunggal miring

Suatu survei seismik dilakukan untuk mengetahui keberadaan sebuah reflektor miring seba-
gaimana tampak pada gambar
Waktu tempuh gelombang (t), yang bergerak sesuai dengan lintasan warna merah, memenuhi
model matematika berikut ini
4z 2 4xz sin α x2
t2 = + + 2 (2.25)
v2 v2 v
Data observasi yang berhasil dihimpun dari survei tersebut adalah
Berdasarkan data tersebut, tentukan:

• kecepatan gelombang seismik (v) pada lapisan

• kedalaman reflektor miring (z) terhadap permukaan (surface) — jarak terdekat ke sumber
gelombang seismik

• sudut kemiringan reflektor (α)

30 BAB 2. FORMULASI MASALAH INVERSI

x
Surface S R1 R2 R3 R4 R5

z
v

Reflektor

O
Gambar 2.11: Reflektor miring dengan sudut kemiringan sebesar α. Kecepatan gelombang v
dianggap konstan. S adalah sumber gelombang seismik dan R adalah penerima gelombang
seismik. Jarak antara S dan R disebut offset (x). Sementara garis merah yang ada panahnya
adalah lintasan gelombang seismik.

Tabel 2.6: Data variasi offset (x) dan travel time (t)
Receiver R ke-i Offset (x), meter Travel time (t), detik
1 60 0, 4877
2 80 0, 4900
3 100 0, 4924
4 120 0, 4949
5 140 0, 4974

Petunjuk: sederhanakan model matematika di atas menjadi

m1 + m2 x + m3 x2 = t2 (2.26)

2.6 Kesimpulan

Dari sejumlah contoh pada bab ini, terlihat bahwa matrik kernel kerap kali berubah-ubah, sesuai
dengan model matematika. Jadi, model matematika secara otomatis akan mempengaruhi ben-
tuk rupa matrik kernelnya.
 Bab 3

Penyelesaian Masalah Overdetermined

3.1 Regresi linear sederhana

Jika suatu masalah inversi dapat direpresentasikan kedalam persamaan d = Gm, maka ia dise-
but linear. Kita dapat menjalankan prosedur yang sederhana untuk memperoleh nilai m dari
data observasi. Dalam kenyataannya, tidak semua data observasi berhimpit dengan satu garis
lurus. Jika kita mencoba melakukan fitting terhadap semua titik data observasi kepada satu
garis, maka garis yang didapat disebut garis regresi. Misalnya, ada satu set data observasi yang
ditulis sebagai (x1 , y1 ),(x2 , y2 ),...,(xn , yn ), garis regresi dinyatakan sebagai

y = a0 + a1 x (3.1)

dan setiap data memenuhi relasi berikut

yi = a0 + a1 xi + ei (3.2)

dimana ei disebut error, residual, atau sering juga disebut misfit atau kesalahan prediksi (pre-
diction error ). Garis regresi tidak akan berhimpit dengan setiap data observasi dan biasanya
untuk kasus inversi seperti ini selalu overdetermined. Secara umum, tipe masalah inversi seper-
ti ini diselesaikan dengan metode least squares. Dengan metode least squares, kita mencoba
meminimalkan error, ei , dengan cara menentukan nilai a0 dan a1 sedemikian rupa sehingga
diperoleh jumlah-kuadrat-error, (S), yang minimal.

3.2 Metode least square

Diketahui data eksperimen tersaji pada Tabel 3.1 Lalu data tersebut di-plot dalam sumbu x
dan y. Sekilas, kita bisa melihat bahwa data yang telah di-plot tersebut dapat didekati dengan
sebuah persamaan garis, yaitu a1 xi + a0 . Artinya, kita melakukan pendekatan secara linear,
dimana fungsi pendekatan-nya adalah

P (xi ) = a1 xi + a0 (3.3)

31
32 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED

Tabel 3.1: Contoh data observasi yang dapat diolah oleh least squares
xi yi xi yi
1 1,3 6 8,8
2 3,5 7 10,1
3 4,2 8 12,5
4 5,0 9 13,0
5 7,0 10 15,6

16

14

12

10

Y 8

0
1 2 3 4 5 6 7 8 9 10
X

Gambar 3.1: Hasil plotting data observasi dalam sumbu-x dan sumbu-y

Problemnya adalah berapakah nilai konstanta a1 dan a0 yang sedemikian rupa, sehingga po-
sisi garis tersebut paling mendekati atau bahkan melalui titik-titik data yang telah di-plot di
atas? Dengan kata lain, sebisa mungkin yi (pada persamaan (3.2)) sama dengan P (xi ) (pada
persamaan (3.3)) atau dapat diformulasikan sebagai
m
X
yi − P (xi ) = 0 (3.4)
i=1
m
X
yi − (a1 xi + a0 ) = 0 (3.5)
i=1

dimana jumlah data, m = 10. Suku yang berada disebelah kiri dinamakan fungsi error (error
function), yaitu
m
X
E(a0 , a1 ) = yi − (a1 xi + a0 ) (3.6)
i=1

Semua data yang diperoleh melalui eksperimen, fungsi error-nya tidak pernah bernilai nol. Ja-
di, tidak pernah didapatkan garis yang berhimpit dengan semua titik data ekperimen. Namun
demikian, kita masih bisa berharap agar fungsi error menghasilkan suatu nilai, dimana nilai
tersebut adalah nilai yang paling minimum atau paling mendekati nol. Harapan tersebut di-
wujudkan oleh metode least square dengan sedikit modifikasi pada fungsi error-nya sehingga
3.2. METODE LEAST SQUARE 33

menjadi
m
X
E(a0 , a1 ) = [yi − (a1 xi + a0 )]2 (3.7)
i=1

Agar fungsi error bisa mencapai nilai minimum, maka syarat yang harus dipenuhi adalah:

∂E(a0 , a1 )
=0 (3.8)
∂ai

dimana i = 0 dan 1, karena dalam kasus ini memang cuma ada a0 dan a1 . Maka mesti ada dua
buah turunan yaitu:
m
∂E(a0 , a1 ) ∂ X
= [yi − (a1 xi + a0 )]2 = 0
∂a0 ∂a0
i=1
m
X
2 (yi − a1 xi − a0 )(−1) = 0
i=1
m
X m
X
a0 .m + a1 xi = yi (3.9)
i=1 i=1

dan
m
∂E(a0 , a1 ) ∂ X
= [yi − (a1 xi + a0 )]2 = 0
∂a1 ∂a1
i=1
m
X
2 (yi − a1 xi − a0 )(−xi ) = 0
i=1
m
X m
X m
X
a0 xi + a1 x2i = xi yi (3.10)
i=1 i=1 i=1

Akhirnya persamaan (3.9) dan (3.10) dapat dicari solusinya berikut ini:
Pm 2
Pm Pm Pm
i=1 xi i=1 yi − i=1 xi yi i=1 xi
a0 = Pm 2
Pm 2 (3.11)
m i=1 xi − ( i=1 xi )

dan Pm Pm Pm
m i=1 xi yi − i=1 xi yi
a1 = Pm 2
Pm i=12 (3.12)
m i=1 xi − ( i=1 xi )
Berdasarkan data ekperimen yang ditampilkan pada tabel diawal catatan ini, maka didapat:

385(81) − 55(572, 4)
a0 = = −0, 360
10(385) − (55)2

dan
10(572, 4) − 55(81)
a1 = = 1, 538
10(385) − (55)2
34 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED

Jadi, fungsi pendekatan-nya, P (xi ), adalah

P (xi ) = 1, 538xi − 0, 360

Nilai a0 dan a1 disebut koefisien regresi. Lebih jauh lagi a0 disebut intercept (titik perpoton-
gan) terhadap sumbu y sedangkan a1 adalah gradient atau slope (kemiringan garis). Gambar
di bawah ini menampilkan solusi regresi linear tersebut berikut semua titik datanya

16

P(x) = 1.538*x − 0.36

14

12

10

−2
0 2 4 6 8 10

Gambar 3.2: Contoh solusi regresi linear

Teknik diatas diterapkan secara rutin dalam analisis data geofisika, khususnya ketika kita
mencoba meng-esktrak satu atau dua parameter model dari data observasi. Teknik ini disebut
analisis regresi linear (linear regression analysis ) atau classical least squares fitting. Teknik ini
pertama kali dipakai oleh Gauss pada tahun 1809. Teknik ini pada mulanya digunakan untuk
mencari solusi dari masalah overdetermined namun pada perkembangannya teknik ini diterap-
kan juga pada underdetermined problem setelah dimodifikasi. Ketika kita ingin mendapatkan
lebih dari 2 parameter maka teknik ini disebut analisis regresi multipel (multiple regression
analysis ).

3.3 Aplikasi regresi linear pada analisis data seismik refraksi

Tabel 3.2 menampilkan data survei seismik refraksi yang dilakukan dengan jarak offset xi dan
waktu tempuh gelombang dari source ke receiver dicatat dalam ti . Anggap saja persamaan travel
time adalah
xi
ti = + Th (3.13)
v
Parameter xi dan ti berperan sebagai known parameter (parameter yang diketahui). Semen-
tara kecepatan gelombang pada medium, v, dan waktu tempuh gelombang secara vertikal, Th
bertindak sebagai unknowm parameter (parameter yang tidak diketahui). Metode regresi linear,
atau yang juga akrab disebut least square, dilakukan untuk memecahkan unknown parameter
tersebut, artinya metode regresi linear berupaya mencari nilai v dan Th . Pertama-tama proses
3.3. APLIKASI REGRESI LINEAR PADA ANALISIS DATA SEISMIK REFRAKSI 35

Tabel 3.2: Data seismik refraksi: waktu-datang gelombang, ti , dan jarak antara source dan
receiver atau jarak offset, xi

Trace xi (m) ti (ms)

1 2 5,1
2 4 9,2
3 6 11,9
4 8 14,9

linearisasi dilakukan terhadap persamaan (3.13) sehingga menjadi

1
ti = a0 + a1 xi dimana a0 = Th dan a1 = (3.14)
v

Kesalahan (error ) diasumsikan hanya berasal dari cuplikan waktu gelombang datang. Pen-
erapan metode regresi linear yang berusaha meminimalkan jumlah kuadrat dari error, ei =
ti − (a0 + a1 xi ), dapat dinyatakan sesuai persamaan (3.11) dan (3.12). Dengan jumlah data,
m = 4, maka P4 P4
2 − 4i=1 xi ti 4i=1 xi
P P
i=1 xi i=1 ti
a0 = P  P 2 = 2, 25
4 2 4
4 i=1 xi − i=1 xi

dan P4 P4 P4
4 i=1 xi ti − i=1 xi i=1 ti
a1 = P  P 2 = 1, 605
4 2 4
4 i=1 xi − i=1 xi

Dengan demikian kecepatan gelombang seismik pada medium tersebut1 adalah v = 1/a1 =
623, 053 m/dt. Adapun standard error χ2a1 dan χ2a0 ditentukan oleh rumus berikut

χ2
χ2a1 = m (3.15)
D
x2
P
χ2a0 = χ2 (3.16)
D

dimana

m
! m
!2
X X
D = m x2i − xi
i=1 i=1
m
1 X 2
χ2 = Ei
m−2
i=1

Sebagai catatan tambahan, χ2 adalah nilai deviasi rms (root mean square ) dari data ti
terhadap garis regresi hasil analisis (a0 + a1 xi ) dengan faktor (m − 2) karena dalam masalah ini
hanya dicari 2 parameter model (a0 dan a1 ).

1
Nilai kecepatan yang diperoleh adalah nilai hasil analisis regresi linear. Namun itu bukan nilai yang mutlak, kare-
na bisa jadi, pengukuran kecepatan gelombang menggunakan (misalnya) sonic-log memperoleh hasil yang berbeda,
walaupun perbedaan tersebut tidak boleh terlalu jauh atau masih bisa diterima
36 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED

3.4 Regresi linear dengan pendekatan matriks

Metode regresi linear dapat didekati dengan operasi matriks. Caranya sama persis dengan yang
telah dibahas pada Bab 2. Pendekatan matrik ini dimulai dari upaya membuat persamaan ma-
trik d = Gm dari persamaan model (persamaan (3.13)). Unknown parameter, yang hendak
dipecahkan, terkandung pada elemen-elemen vektor m. Jika data yang kita miliki sangat ideal
dalam arti tidak ada error sama sekali, maka m bisa diperoleh sebagai berikut

m = G−1 d

Akan tetapi, pada kenyataannya semua data pengukuran pasti memiliki error yang besarnya
relatif bervariasi. Karenanya, data observasi tak akan pernah fit secara sempurna dengan model.
Itu artinya keberadaan misfit tidak pernah bisa dihindari. Konsekuensinya, misfit (baca: error)
tersebut mesti disertakan pada d = Gm

d = Gm + ei (3.17)

dan selanjutnya, solusi regresi linear diupayakan dengan cara meminimalkan jumlah kuadrat
dari error, ei . Cara ini tak lain berupaya untuk memperoleh misfit terkecil yaitu jarak perbedaan
terkecil antara data survei dan model. Dalam formulasi matematika, kuadrat error tersebut
dinyatakan dengan
q = eT e = (d − Gm)T (d − Gm) (3.18)

Dimana simbol T maksudnya adalah operasi transpose. Agar kuadrat error di atas menghasilkan
nilai minimal, maka persamaan (3.18), diturunkan terhadap m dan hasilnya harus sama dengan
nol
∂ dT d − dT Gm − mT GT d + mT GT Gm
 
∂q
= =0
∂mj ∂mj
sehingga
−dT G − GT d + GT Gm + mT GT G = 0

akhirnya diperoleh

2GT Gm = 2GT d
GT Gm = GT d (3.19)

Persamaan (3.19) disebut persamaan normal2 . Dengan persamaan normal, estimasi unknown
parameter yang terkandung pada vektor m ditentukan oleh
−1 T
m = GT G

G d (3.20)

Persamaan (3.20) disebut unconstrained least squares terhadap masalah inversi d = Gm.
−1 T
Bagian GT G

G dinamakan Generalized Inverse yang mengolah data d untuk memperoleh

2
Sebetulnya kita sudah menuliskannya di Bab 2 sebagai persamaan (2.4), namun tanpa penurunan rumus
3.4. REGRESI LINEAR DENGAN PENDEKATAN MATRIKS 37

parameter model m. Untuk menyelesaikan persamaan (3.20) dengan operasi matriks secara
numerik atau komputasi bisa menggunakan beberapa metode, diantaranya metode Eliminasi
Gauss, LU-Decomposition, Iterasi Gauss-Seidel, dan Singular Value Decomposition.

3.4.0.1 Aplikasi pada data survei seismik refraksi

Kembali kita tampilkan Tabel 3.3 merupakan data survei seismik refraksi yang dilakukan dengan
jarak offset xi , dan persamaan travel time adalah

xi
ti = + Th
v

Tabel 3.3: Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi )

Trace xi (m) ti (ms)

1 2 5,1
2 4 9,2
3 6 11,9
4 8 14,9

Pertama-tama proses linearisasi dilakukan terhadap persamaan travel time sehingga menjadi

1
ti = a0 + a1 xi dimana a0 = Th dan a1 =
v

Berdasarkan linearisasi tersebut, kita bisa menyusun sistem persamaan linear sebagai berikut:

t1 = a0 + a1 x1
t2 = a0 + a1 x2
t3 = a0 + a1 x3
t4 = a0 + a1 x4

Semua persamaan tersebut dapat dinyatakan dalam operasi matrik (d = Gm) berikut ini:
   
t1 1 x1
   " #
 t2   1 x2  a0
 t = 1 x  a
   
 3   3  1
t4 1 x4

dimana
   
t1 1 x1 " #
   
 t2   1 x2  a0
d=
  G=  dan m=
 t3 
  1 x  a1
 3 
t4 1 x4
38 BAB 3. PENYELESAIAN MASALAH OVERDETERMINED

Selanjutnya, unknown parameter, a0 dan a1 , dipecahkan dengan menggunakan persamaan (3.20).

Untuk menuju kesana, langkah-langkah penyelesaian berikutnya adalah

1. Menentukan transpos dari matrik G, yaitu GT

 
1 x1 " #
 
 1 x2  1 1 1 1
G=
  ⇒ GT =
 1 x 
3  x1 x2 x3 x4
1 x4

2. Melakukan perkalian matriks GT G

 
" # 1 x1
 " P #
T 1 1 1 1  1 x2  N xi
G G=  = P P 2
x1 x2 x3 x4 
 1 x3

 xi xi
1 x4

dimana N = 4 dan i = 1, 2, 3, 4.

3. Kemudian menentukan perkalian GT d

 
" # t1
 " P #
1 1 1 1  t2 
= P it
GT d = 
x1 x2 x3 x4  t
 3 
 xi ti
t4

4. Sekarang persamaan (3.20) dapat dinyatakan sebagai

" # " P #−1 " P #
a0 N xi ti
= P P 2 P (3.21)
a1 xi xi xi ti

Berdasarkan data survei pada Tabel 3.3 di atas, diperoleh

" # " #−1 " #
a0 4 20 41, 1
= (3.22)
a1 20 120 237, 6

Operasi matriks di atas akan menghasilkan nilai a0 = 2, 25 dan a1 = 1, 605. Dengan

demikian v = 1/a1 = 623, 053 m/dt
3.5. SOAL 39

3.5 Soal

Diketahui data temperatur borehole sebagai berikut. Tentukan slope dan intercept pada z-axis
dan kemudian perkirakan temperatur pada kedalaman 390m.

Depth, z(m) Temp, t(o C)

30 25,0
70 26,2
180 29,7
250 34,3
300 35,5
 Bab 4

Constrained Linear Least Squares

Inversion

Geofisika merupakan ilmu yang bertujuan untuk memahami kondisi bawah permukaan bu-
mi dengan menggunakan prinsip-prinsip ilmu fisika. Karena letaknya yang berada dibawah
permukaan bumi, maka obyek geofisika tidak bisa diamati dengan mata telanjang. Sebagai
gantinya, mau tidak mau obyek tersebut dipelajari dengan mengamati respon bawah permukaan
bumi ketika suatu gangguan fisis diberikan padanya. Selanjutnya, respon tersebut dianalisis
hingga diperoleh solusi yang nantinya siap menjadi acuan interpretasi.

Masalahnya, pada kebanyakan pengamatan geofisika, sangat mungkin mendapatkan solusi

yang berbeda-beda, yang semuanya itu bisa saja dipakai untuk menjelaskan data observasi.
Inilah yang disebut dengan istilah non-uniqueness problem atau non-unik. Namun demikian
pada akhirnya, kita harus memilih satu buah solusi yang paling baik menurut kita. Karena kita
sadar bahwa obyek yang sedang kita incar dibawah sana, pastilah hanya berada dalam satu
kondisi tertentu yang unik.

Untuk mendapatkan solusi yang unik, kita harus menambahkan sejumlah informasi yang
sebelumnya tidak ada pada persamaan least square d = Gm. Informasi tambahan ini disebut
a priori information, yang selanjutnya akan digunakan untuk meng-constrain solusi sehingga
diperoleh solusi yang dianggap paling tepat untuk menggambarkan kondisi bawah permukaan.
A priori information, atau yang saya indonesiakan menjadi informasi awal, ini didapat dari data
geofisika yang lainnya, atau bisa juga dari data borehole, atau juga bersumber dari data geologi.

4.1 Inversi dengan informasi awal

Kita dapat menambahkan informasi awal (h) kepada parameter model dalam suatu proses in-
versi. Secara umum, informasi awal (h) tersebut diharapkan membantu pemodelan inversi
sehingga diperoleh hasil yang unik dari sejumlah kemungkinan solusi. Sekali lagi, proses ini
disebut meng-constrain, sementara solusi yang diperoleh disebut solusi ter-constrain. Constrain

41
42 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION

terhadap suatu data dirumuskan sebagai berikut

Dm = h (4.1)

Dimana D adalah matrik -dengan seluruh elemen selain diagonal bernilai nol- yang beroperasi
pada parameter model m sedemikian rupa sehingga parameter m "dipaksa" untuk sama per-
sis dengan informasi awal (h). Kalau kita menyelesaikan persamaan (4.1), berarti kita telah
melakukan apa yang disebut dengan linear equality constraints. Formulasi matematika-nya
adalah sebagai berikut

φ = (d − Gm)T (d − Gm) + β 2 (Dm − h)T (Dm − h) (4.2)

Untuk mendapatkan error minimum maka turunan φ terhadap parameter model m dibuat sama
dengan nol
2GT Gm − 2GT d + 2β 2 DT Dm − 2β 2 DT h = 0

sehingga diperoleh persamaan normal

(GT G + β 2 DT D)m = GT d + β 2 DT h (4.3)

Ketika D adalah matrik identitas, maka persamaan normal berubah menjadi

(GT G + β 2 I)m = (GT d + β 2 h) (4.4)

Dari sini solusi ter-constrain didapat sebagai berikut

m̂c = (GT G + β 2 I)−1 (GT d + β 2 h) (4.5)

Formula ini dinamakan inversi linear terkonstrain atau disebut juga the biased linear estima-
tion technique. Keuntungannya adalah formula ini dapat membantu mendapatkan satu solusi
yang unik dari sejumlah solusi yang mungkin pada masalah overdetermined, dimana didalam-
nya terdapat ketidakpastian sebagai akibat dari kesalahan pengukuran (observational errors)
dan ketidakpastian (uncertainties). Parameter β ditentukan secara coba-coba (trial and error),
namun biasanya ia memiliki nilai antara nol dan satu. Konstanta β disebut faktor pengali un-
determined atau disebut juga faktor pengali Lagrange. Sehingga metode ini disebut Lagrange
multiplier method (metode pengali Lagrange).
4.1. INVERSI DENGAN INFORMASI AWAL 43

4.1.1 Memformulasikan persamaan terkonstrain

Persamaan Dm = h secara umum memiliki bentuk

    
1 m1 h1
1 m2 h2
    
    
 . .. ..   .. = ..  (4.6)
 .
 . . .  . .
   
  
1 mp hp

Namun demikian, persamaan matrik di atas dapat dimodifikasi sesuai kebutuhan. Misalnya jika
informasi awal yang diketahui hanya ada satu, modifikasinya menjadi
 
m1
i m2
h  h i
 
1 0 ... 0  ..  = hknown (4.7)
.
 
 
mp

Jika pada kasus lain, kita punya informasi awal yaitu parameter pertama dan parameter ke
empat, maka persamaan matrik terkonstrain menjadi
    
1 m1 h1
    
 0   m2   0 
=
   (4.8)

 0  m   0 
 3   
1 m4 h4

4.1.2 Contoh aplikasi inversi terkonstrain

Contoh 1: Least squares garis terkonstrain

Sekarang kita ingin menerapkan inversi terkonstrain pada pengolahan data first arrivals dari
seismik refraksi. Persamaan least square garis adalah

ti = m1 + m2 xi (4.9)

dengan parameter model yang terdiri atas m1 dan m2 . Sementara data lapangan merupakan
pasangan dari jarak offset xi dan waktu datang gelombang (first arrival time) ti . Jika ada 4 data
lapangan, sistem persamaan linear yang bisa disusun adalah

t1 = m1 + m2 x1
t2 = m1 + m2 x2
t3 = m1 + m2 x3
t4 = m1 + m2 x4

Sekarang kita berasumsi memiliki informasi konstrain dari kegiatan explorasi sebelumnya bah-
wa solusi least square harus melewati titik koordinat (xc , tc ). Jadi kita harus meng-konstrain
44 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION

solusi least square untuk mengakomodasi informasi awal tersebut.

" #
h i m1 h i
1 xc = tc (4.10)
m2

Persamaan matrik di atas harus diintegrasikan dengan d = Gm sehingga solusi akhir merupakan
solusi terkonstrain yang kita harapkan lebih akurat dibandingkan jika tidak terkonstrain.

Tentu anda masih ingat pada least square tidak terkonstrain, dimana dikenal dua komponen
berikut GT G dan GT d.
" P #
n xi
GT G = P P 2
xi xi

dan
" P #
ti
GT d = P
xi ti

Agar menjadi terkonstrain kedua komponen itu mesti dimodifikasi sedemikian rupa sehingga
menjadi
 P 
n xi 1
(GT G + β 2 I) = 
P 2
(4.11)
 P
xi xi xc 


1 xc 0

dan
 P 
ti
(GT d + β 2 h) =  (4.12)
 P
xi ti 


tc

Sebelum dilanjut, mari kita tengok lagi persamaan normal (4.4) secara utuh, yaitu

(GT G + β 2 I)m = (GT d + β 2 h)

Sekarang mari kita masukkan kedua komponen kedalam persamaan (4.4)

 P    P 
n xi 1 m1 ti
P 2
xi xc   m2  =  (4.13)
 P   P
xi xi ti 
 

1 xc 0 β tc

dimana nilai β mesti kita tentukan secara coba-coba namun dalam batas antara nol dan satu.
4.1. INVERSI DENGAN INFORMASI AWAL 45

Tabel 4.1: Data seismik refraksi: waktu-datang gelombang (ti ) pada empat posisi geophone (xi )

Trace xi (m) ti (ms)

1 2 5,1
2 4 9,2
3 6 11,9
4 8 14,9

Akhirnya, solusi terkonstrain terhadap inversi garis yang melewati (xc , tc ) adalah
  P  −1  P 
m1 n xi 1 ti
P 2
m̂c =  m2  =  (4.14)
  P   P
xi xi xc   xi ti 
 

β 1 xc 0 tc

Sekarang, kita melangkah pada kasus nyata. Tabel 4.1 menunjukkan data pengukuran seismik
refraksi. Tentukan parameter model untuk persamaan garis yang melewati titik (xc = 8, yc =
14, 9)! Langkah pertama kita hitung komponen matrik
 P   
n xi 1 4 20 1
(GT G + β 2 I) = 
P 2
xi xc  =  20 120 8  (4.15)
 P
xi
  

1 xc 0 1 8 0

Kemudian kita hitung komponen matrik yang lain

 P   
ti 41, 1
(GT d + β 2 h) =  xi ti  =  237, 6  (4.16)
 P   

tc 14, 9

Problem ini dapat diselesaikan secara numerik dengan metode Eliminasi Gauss. Solusi yang
diperoleh adalah m1 = 2, 3857, m2 = 1, 5643 dan β = 0, 2714. Berikut ini adalah script lengkap-
nya dalam Matlab

clear all
clc;
a(1,1)=4;
a(1,2)=20;
a(1,3)=1;
a(1,4)=41.1;
a(2,1)=20;
a(2,2)=120;
a(2,3)=8;
a(2,4)=237.6;
a(3,1)=1;
a(3,2)=8;
46 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION

a(3,3)=0;
a(3,4)=14.9;
a
n=3; % n = jumlah baris
% berikut ini proses triangularisasi -----------
for j=1:(n-1)
kk=j+1;
for k=kk:n
m(k,j)=a(k,j)/a(j,j)
for i=1:(n+1)
a(k,i)=a(k,i)-m(k,j)*a(j,i);
end
end
end
% akhir dari proses triangularisasi -------------
a
x(n,1)=a(n,n+1)/a(n,n);
% berikut ini proses substitusi mundur ----------
for k=1:n-1
i=n-1-k+1;
j=i+1;
sum=0;
for k=j:n
sum = sum + a(i,k) * x(k,1);
end
x(i,1)=(a(i,n+1)-sum)/a(i,i);
end
% akhir dari proses substitusi mundur -------------
x

4.2 Inversi dengan Smoothness

Cara yang paling efektif untuk menginversi data yang terbatas adalah dengan menentukan kon-
strain sehingan solusi yang diinginkan menjadi smooth (halus). Tingkatan smooth dapat diukur
berdasarkan kondisi fisis atau kondisi geologi.

4.2.1 Formulasi masalah

Mari kita pelajari bagaimana suatu masalah dapat diformulasikan menuju solusi yang smooth.
Jika diinginkan parameter model bervariasi dengan jarak selisih yang kecil, maka lakukanlah
proses minimalisasi perbedaan paramter yang berdekatan (m1 −m2 ), (m2 −m3 ),..., (mp−1 −mp ).
4.2. INVERSI DENGAN SMOOTHNESS 47

Perbedaan ini dinyatakan sebagai persamaan konstrain Dm = h

    
1 −1 m1 0
m2
    
 1 −1    0 
= 
  ..  0  (4.17)
.
 
    
1 −1 mp 0

dimana D adalah operator selisih yang bertindak sebagai matrik smoothness dan Dm disebut
penghalus (flatness) solusi vektor parameter model m.
Jika parameter model tidak bervariasi secara smooth terhadap posisi, maka gunakanlah per-
samaan konstrain berbentuk
    
1 m1 0
1 m2
    
    0 
 . .. ..   ..=  (4.18)
 .   0 
 . . .  .

  
1 mp 0

Dalam kasus ini, D adalah matrik identitas dengan dimensi p × p dan dimensi h adalah p × 1.
Operasi ini akan mendorong proses inversi menuju kondisi stabil. Untuk mendapatkan solusi
yang smooth, kita gunakan ukuran selisih seperti persamaan (4.2), dinyatakan sebagai

q2 (m) = (Dm − h)T (Dm − h) = mT DT Dm = mT Hm (4.19)

dimana H = DT D.
Kita nyatakan mengenai masalah terkonstrain adalah: Dimulai dari data lapangan yang tidak
komplit, tidak lengkap, tidak cukup, kita mencari seluruh kemungkinan solusi dengan residual
q1 = |d − Gm|2 dan solusi yang paling smoothness dengan judgement dari ukuran q2 (m).
Secara matematik, pernyataan di atas memiliki maksud: meminimalkan q2 = mT Hm dibawah
kondisi |d − Gm|2 = q1 atau secara umum |d − Gm|2 ≤ qT , dimana qT adalah nilai toleransi
maksimum dari residual atau misfit.
Masalah konstrain membutuhkan minimalisasi kd − Gmk2 dan q2 (m) secara bersamaan,

φ = (d − Gm)T (d − Gm) + β 2 (mT DT Dm) (4.20)

4.2.2 Solusi masalah

Untuk mendapatkan solusi parameter model, perlu dilakukan minimalisasi terhadap persamaan
(4.20),
∂ dT d − mT GT d − dT Gm + mT GT Gm + β 2 mT Hm


=0
∂mj
sehingga
GT G + β 2 H m = GT d


48 BAB 4. CONSTRAINED LINEAR LEAST SQUARES INVERSION

Ini adalah persamaan normal yang baru. Dan akhirnya solusi smoothness diturunkan sebagai
berikut
ms = GT G + β 2 H

−1
GT d (4.21)

Dan bila D = I,
ms = GT G + β 2 I

−1
GT d (4.22)

Persamaan (4.22) lebih populer disebut Damped Least Squares solution atau solusi Least Square
Teredam. Nama lainya yang juga cukup terkenal adalah inversi Marquardt.
 Daftar Pustaka

[1] Meju, A Max., Geophysical Data Analysis: Understanding Inverse Problem Theory and Prac-
tice, (1994), Society of Exploration Geophysicists (SEG)

49
 Indeks

akurasi, 3 model konseptual, 4

arus fluida, 3 model matematika, 1, 4
modulus bulk, 4
bahan tambang, 1
momen inersia, 5
bessel, 7
noise, 3
data lapangan, 1
non-linear, 6
data observasi, 1
densitas, 4 observasi, 31

eksplorasi, 3 parameterisasi, 6
elektroda, 7 permeabilitas, 4

fitting, 1 resistivity, 1
forward, 1
sampling rate, 3
gelombang elektromagnetik, 3 Schlumberger, 6
gelombang seismik, 3 sedimentasi, 3
gempa bumi, 3 seismik refraksi, 1
geologi, 4 slowness, 6
sumur bor, 3
hambatan jenis, 4
hidrogeologi, 3 unknown parameter, 1
highly non-linear, 7
human error, 4

instrumen, 4
instrumental error, 4
inversi, 1
inversi diskrit, 6

jejari bumi, 5

kernel, 5
komputasi, 5

laboratorium, 3
linearisasi, 6
lithospere, 3

matematika diskrit, 5
model fisik, 4

51