MODUL KE – 2
INVERSI LINIER MENGGUNAKAN BOBOT
Oleh:
Naning wahyunengsih 120120008
Asisten :
Alifah Iftinan 119120042
(2.1)
Tampak bahwa semakin besar pangkat n maka elemen terbesar dari
vektor e akan diberi bobot yang makin besar pula. Pada kasus yang ekstrim
dimana n mendekati atau menjadi tak-hingga maka panjang suatu vektor
lebih ditentukan oleh elemen terbesarnya dan dinyatakan oleh:
(2.2)
Figure 3.1 Regresi garis lurus pada pasangan data (x,y) menggunakan
kriteria kesalahan minimum dengan norm yang berbeda
b. Inversi linier berbobot
Dalam penyelesaian permasalahan inversi linier menggunakan
persamaan (2.23) kesalahan atau ketelitian data belum diperhitungkan.
Padahal kesalahan data sangat berpengaruh pada solusi yang diperoleh
sebagaimana dapat dilihat pada pembahasan singkat mengenai konsep norm
di atas. Misalnya, jika dalam satu set data terdapat satu atau beberapa data
dengan tingkat kesalahan yang sangat besar atau "outliers" maka hasil
inversi menggunakan metode kuadrat-terkecil adalah garis regresi L2 yang
sebenarnya bukan merupakan solusi yang diharapkan. Jika data tidak
mengandung "outliers" maka hasil inversi akan mirip atau dekat dengan
garis regresi L1 (figure 2.1).
Metode inversi yang baik hendaknya dapat memperhitungkan tingkat
kesalahan data atau ketelitian data dalam proses penyelesaian inversi.
Dengan demikian solusi yang diperoleh secara obyektif sesuai dengan
kualitas data. Umumnya pengaruh data dengan kesalahan cukup besar (atau
tingkat ketelitian rendah) harus diminimumkan agar hasil inversinya
merupakan representasi data dengan tingkat ketelitian yang baik. Hal
tersebut dapat dilakukan melalui pembobotan data dalam penyelesaian
masalah inversi. Pada dasarnya kita dapat memberikan bobot relatif pada
data sedemikian hingga data dengan kesalahan besar tidak akan berpengaruh
pada solusi inversi. Dengan kata lain, solusi inversi akan lebih ditentukan
oleh data yang berkualitas baik. Faktor pembobot data ke-i atau wi
dimasukkan pada perhitungan kesalahan kuadratik sehingga diperoleh:
Jika data dianggap memiliki kesalahan cukup besar maka diberi bobot
kecil agar kontribusi pada penjumlahan pada persamaan (3.3) tidak terlalu
signifikan. Sebagai contoh pada Gambar 3.1 salah satu data dianggap
memiliki kesalahan cukup besar ("outlier"). Jika informasi lain tidak tersedia
maka kita dapat memberikan bobot konstan untuk semua data kecuali data
yang dianggap meragukan (dalam hal ini data terakhir) sehingga [wi] = [ …
1 1 1 1 0.1 ]. Jika informasi mengenai tingkat ketelitian data tersedia lebih
lengkap (misalnya dari statistik data) maka pembobotan dapat dilakukan
dengan mengacu pada tingkat ketelitian data tersebut dan tidak bersifat
subyektif dengan menggunakan harga ekstrim seperti pada contoh di atas.
Pemberian bobot secara lebih obyektif dapat dilakukan dengan
menggunakan standar deviasi data sebagai bobot sehingga persamaan (3.3)
menjadi :
3. Langkah pengerjaan
3.1 langkah kerja
a. Bukalah aplikasi python atau google colabs.
b. Tulis script model permasalahan kedua dan ketiga untuk melakukan
perhitungan linie berbobot vs tidak berbobot (Forward Modeling).
c. Input data yang digunakan.
d. Input rumus yang akan dimasukan.
e. Ketik print untuk memunculkan hasil saat setelah di run.
f. Setelah di run, kemudian akan muncul dua figure pada problem 2 dan 3.
g. Jika sudah muncul hasilnya lakukanlah perulangan seperti sebelumnya
untuk mencari data inversi linier yang berbobot.
h. Setelah itu analisis grafik atau kurva tersebut.
3.2 Diagram alir
4. Hasil dan pembahasan
4.1 Hasil
a. Problem `1 Data outlier pada data observasi travel time pada inversi
penentuan hiposenter
Gambar 1
Gambar 2
Gambar 3
Gambar 4
Gambar 5
Gambar 6
Gambar 7
Gambar 8
Gambar 9
4.2 Pembahasan