MODUL KE – 3
INFORMASI “A PRIORI” MODEL REFERENSI, FLATNESS DAN SMOOTHNESS
Oleh:
Muhamad Arif Samsudin 120120158
Asisten :
Alifah Iftinan 119120042
Andika Bonardo Sipahutar 119120122
Bernard Cavin Ronlei 119120087
Kiki Harfianza 119120111
Mu'amar Hafiz 119120084
Nisa Nur Azizah 119120027
Hypocenter Determination V = 4
1.2 Variasi V = 5
Hypocenter Determination V = 5
1.3 Variasi V = 6
Hypocenter Determination V= 6
1.4 Variasi V = 7
Hypocenter Determination V = 7
➢ Problem 2
2. Dengan Pembobotan
2.1 Variasi V = 4
Hypocenter Determination V= 4
2.2 Variasi V = 5
Hypocenter Determination V= 5
2.3 Variasi V = 6
Hypocenter Determination V= 6
2.4 Variasi V = 7
Hypocenter Determination V= 7
➢ Problem 3
3.1 Hasil Perhitungan menggunakan Python
3.2
Dimana 𝑇𝑜 merupakan waktu asal (origin time), yaitu waktu awal terjadinya rupture dan 𝑆
merupakan jarak yang ditempuh sinar dari sumber gempa ke stasiun yang dihitung melalui
persamaan jarak. jika pada prakteknya data waktu tempuh yang kita observasi terdapat kesalahan,
misal pada saat kita picking waktu tiba gelombang P, karena faktor noise maka kita tidak terlalu
yakin dengan hasil picking kita (onsite pertama dari gelombang P tidak jelas) maka data tersebut
akan menyebakan kesalahan pula pada penentuan posisi hiposenter. Dengan demikian, pengaruh
data outlier tersebut perlu kita minimalkan dampaknya terhadap hasil inversi, yaitu dengan cara
memberikan bobot pafda setiap data. Data outlier diberikan bobot rendah dengan tujuan
memerkecil pengaruhnya terhadap hasil inversi.
Pada problem dua dilakukan Inversi dengan Kondisi Under-determined, Adapun data yang
diperoleh adalah data hasil Suatu pengamatan koefisien refleksi gelombang seismic terhadap sudut
dating (incident angle).
Pada kasus under-determined data tidak cukup memberikan kendala untuk menentukan solusi
atau model secara unik (tunggal). Untuk mengatasi masalah itu, diperlukan informasi tambahan
yang diharapkan dapat memberikan kendala atau batasan terhadap model yang dicari. Pada
contoh regresi garis lurus informasi tersebut misalnya:
- Informasi mengenai titik lain (diperoleh secara independent) yang harus dilalui garis yang
dimaksud sehingga N=M
- Asumsi berdasarkan sumber informasi lainnya mengenai harga salah satu parameter model.
Dengan demikian N=M=1, karena harga salah satu parameter model sudah diketahui
Jika ditinjau permasalahan inversi linier d = Gm dimana N<M (purely under-determined).
Terdapat banyak solusi dengan kesalahan prediksi data E=0. Selama hubungan antara data
dengan parameter model d = Gm bersifat konsisten maka sebenarnya data memberikan informasi
mengenai parameter model, namun belum mampu menentukan model secara unik. Untuk
memperoleh solusi maka kita perlu suatu cara yang dapat menentukan atau memilih secara
objektif salah satu dari tak-hingga solusi dengan E=0. Untuk itu perlu ditambahkan informasi lain
yang tidak ada dalam hubungan d = Gm.
Informasi tambahan yang sering disebut informasi ‘a priori’ merupakan kuantifikasi harapan
mengenai karakteristik solusi yang tidak didasarkan pada data pengukuran. Contohnya adalah
pada regresi garis lurus dengan hanya satu data. Informasi a priori dapat mempersempit daerah
pencarian solusi yang mungkin. Pemilihan informasi a priori harus dilakukan dengan cermat
sehingga solusi yang diperoleh memang dapat menjelaskan data pengamatan dan bukan sebagai
akibat pengaruh informasi a priori yang dominan. Salah satu informasi a priori yang dapat
digunakan dalam penyelesaian masalah inversi purely under-determined adalah asumsi bahwa
solusi yang dicari bersifat sederhana.
Adapun hasil yang didapat dengan python yaitu:
Jika dilihat, hasil perhitungan dengan python dan manual memiliki selisih yang tidak terlalu
signifikan, bahkan bisa dapat dikatakan sama. Kriteria norm model minimum dapat mengarah
pada solusi inversi atau model yang dekat dengan nol yang jelas tidak realistis. Meskipun
demikian, penggunaan informasi ‘a priori’ terbukti dapat mengatasi permasalahan inversi linier
underdetermined maupun mixed-determined.
LAMPIRAN
Script problem 1 (Tanpa Bobot)
# Modul 3
# Problem 1 tanpa bobot
# Muhamad Arif Samsudin_120120158
import numpy as np
import matplotlib.pyplot as plt
import copy
from numpy.linalg import inv
# Station Position
x = [0, 10, 20, 30]
z = [0, 0, 0, 0]
n = len(x)
# True Hiposenter
x0 = 12
z0 = 10
t0 = 0
xhipo = [init_position[0]]
yhipo = [init_position[1]]
Erms = []
J = np.zeros((n, 2))
for i in range(n):
J[i][0] = dgm_dm1[i]
J[i][1] = dgm_dm2[i]
Mo = copy.deepcopy(M)
plt.plot(Erms)
plt.title('Kurva Erms vs N Iterasi_158')
plt.xlabel('Rms Eror')
plt.ylabel('N Iterasi')
plt.show()
import numpy as np
import math
#Diketahui
Sudut_Datang1=10
Sudut_Datang2=25
teta1=math.radians(Sudut_Datang1)
teta2=math.radians(Sudut_Datang2)
Sudut=[teta1, teta2]
print('maka sudut teta 1 dan teta 2 adalah',Sudut)
Robs=[0.1523,0.0947]
print('Data koefisien refleksi',Robs)
#Data matrik G
Sx=(math.sin(Sudut[0]))**2
Sy=(math.sin(Sudut[1]))**2
Tx=(math.tan(Sudut[0]))**2
Ty=(math.tan(Sudut[1]))**2
ST1=Sx*Tx
print(ST1)
ST2=Sy*Ty
print(ST2)
d=np.reshape(Robs,(2,1))
print('d=',d)
G=np.zeros((2,3))
for i in range(2):
G[i][0]=1
G[0][1]=Sx
G[1][1]=Sy
G[0][2]=ST1
G[1][2]=ST2
print('G=',G)
#Gunakan rumus Under-Determinan
m=np.mat(G.transpose())*np.linalg.inv(np.mat(G)*np.mat(G.transpose()))*np.mat(d)
m=m.tolist()
A=m[0][0]
B=m[1][0]
C=m[2][0]
print('A=',A)
print('B=',B)
print('C=',C)