ETS Metode Inversi

Kelompok 6 - Metode Inversi A

 Meet Our Team

Haikal Rahman Franciscus X.G.W.B. Rheza Marchellino P. Nadhil Abyan H. Mikael Mario P.P.
03411940000006 03411940000032 03411940000047 03411940000049 03411940000056
 Table of Contents

01 02 03
Inversi Garis Inversi Model Bidang Inversi Model Parabola

04 05 06
Aplikasi Inversi Linier Inversi Linier Berbobot Apriori
dalam Perhitungan Travel (Subyektif dan Obyektif)
Time Data Seismik
 01
Inversi Garis
This is the subtitle that
makes it comprehensible
Data
 Asumsi Model Matematika
Dari tabel tersebut variasi temperatur terhadap kedalaman dapat ditentukan oleh
persamaan

Kemudiaan dari persamaan diatas, didapatkan setiap temperatur terhadap kedalaman

masing-masing sebagai:
 Asumsi Model Matematika
Kemudian dari persamaan diatas, akan dirubah dalam bentuk matriks menjadi

Lalu model parameternya dihitung dengan menggunakan persamaan inversi:

 Script MATLAB
Clc

Clear

close

% Data observasi

z = [5 16 25 40 50 60 70 80 90 100];

T = [35.4 50.1 77.3 92.3 137.6 147.0 180.8 182.7 188.5 223.2];

% Plot data observasi

plot(z,T,'*r');

grid;

xlabel('Kedalaman(m)');

ylabel('Suhu(Celcius)');

title('\fontsize{14} Variasi Suhu vs Kedalaman'

);
 Script MATLAB
% Membentuk matrik kernel G dan vektor d % Plot hasil inversi (berupa garis least-squares)

n = length(z); hold on;

for k = 1:n TT = m(1) + m(2)*z;

G(k,1) = 1; plot(z,TT);

G(k,2) = z(k); M0=[m(2) m(1)]

end % Perhitungan nilai error (RMS)

d = T'; delta_T=abs(T-TT);

% Perhitungan inversi dengan general least-squares E=sum(delta_T)/n

m = inv(G'*G)*G'*d;
Hasil Pengolahan MATLAB
 02
Inversi Model Parabola
This is the subtitle that
makes it comprehensible
Data
 Asumsi Model Matematika
Dari tabel tersebut variasi temperatur terhadap kedalaman dapat ditentukan oleh
persamaan

Kemudiaan dari persamaan diatas, didapatkan setiap temperatur terhadap kedalaman

masing-masing sebagai:
 Asumsi Model Matematika
Kemudian dari persamaan diatas, akan dirubah dalam bentuk matriks menjadi

Lalu model parameternya dihitung dengan menggunakan persamaan inversi:

 Script MATLAB
clc

clear

close

% Data observasi

z = [5 8 14 21 30 36 45 50];

T = [20.8 22.6 25.3 32.7 41.5 48.2 63.7 74.6];

% Plot data observasi

plot(z,T,'*r');

grid;

xlabel('Kedalaman (m)’)ylabel(’Suhu (Celcius)');

title('Variasi Suhu vs Kedalaman');

 Script MATLAB
% Membentuk matrik kernel G dan vektor d % Perhitungan inversi dengan general
least-squares
n = length(z);
m = inv(G'*G)*G'*d;
for k = 1:n
% Plot hasil inversi (berupa garis
G(k,1) = 1; least-squares)

G(k,2) = z(k); hold on;

G(k,3) = z(k).^2; TT = m(1) + m(2)*z + m(3)*z.^2;

end plot(z,TT);

d = T'; % Perhitungan nilai error (RMS)

delta_T=abs(T-TT);

E=sum(delta_T)/n
Hasil Pengolahan MATLAB
 03
Inversi Model Bidang
This is the subtitle that
makes it comprehensible
Data yang Digunakan
Data Pengukuran Temperatur
 Asumsi Model Matematika
Diasumsikan variasi temperatur terhadap Persamaan Sederhana
kedalaman dapat dituliskan

Dimana: Untuk mendapatkan nilai m1,

m1, m2, m3 = parameter data
di = data (nilai parameter)
Atau apabila dituliskan matriksnya
m2 , dan m3 dapat dilakukan
dengan melakukan perkalian
antara matriks kernel (G) dan
transpos nya
 Perhitungan
1. matriks Transpose Kernel 2. Perkalian matriks kernel
transpose dengan matriks kernel

3. Perkalian matriks transpose

4. Persamaan Akhir
kernel dengan parameter data
 SCRIPT
clc; clear all; close all %Perhitungan inversi dengan general least-squares
m = inv(G'*G)*(G'*d);
% Data observasi
x = [2 5 7 4 1 3 6 9 8 4]; % Plot hasil inversi (berupa garis least-squares)
y = [3 6 2 7 8 9 4 1 5 5]; hold on;
nilai = [10.6 23.5 27.3 20.8 11.1 18.9 25.4 33.5 33.2 24.1]; [X,Y] = meshgrid(min(x):max(x),min(y):max(y));
Z = m(1) + X.*m(2) + Y.*m(3);
% Plot data observasi surf(X,Y,Z);
plot3(x,y,nilai,'Ok');
grid; % Menghitung misfit atau error
xlabel('X (m)'); dcal=G*m; %dcal=data kalkulasi
ylabel('Y (m)'); e=(dcal-d); %error=datakal-dataobservasi
zlabel('Nilai'); [emax]=max(abs(e))
title('Sebaran nilai terhadap X dan Y');

% Membentuk matrik kernel G dan vektor d

ndata = length(x);
for k = 1:ndata
G(k,1) = 1;
G(k,2) = x(k);
G(k,3) = y(k);
end
d = nilai';
Hasil
 04
Aplikasi Inversi Linier dalam
Perhitungan Travel Time Data Seismik
This is the subtitle that
makes it comprehensible
 Aplikasi Inversi Linier Berbobot
dalam Perhitungan Travel Time Data Seismik
Hasil pengukuran berupa data offset
(x) dan waktu tempuh gelombang
seismik (t) yang diterima receiver.

Receiver Offset (x) Waktu (t)

1 60 0.5147

2 80 0.5151

3 100 0.5155

Waktu tempuh gelombang (t), bergerak sesuai dengan lintasan 4 120 0.5161
(garis warna merah), sehingga memenuhi model matematika
berikut : 5 140 0.5167

6 160 0.5175

7 180 0.5183

8 200 0.5192
 Sehingga dapat dituliskan dengan :

dimana

Persamaan sederhana
Persamaan dari matriks kernel
8 data yang ada,
diubah menjadi
operasi matriks
Perlu adanya manipulasi
invers untuk mendapat
nilai m1 dan m2
 Perhitungan Model Matematis
1. Melakukan transpos pada matriks kernel

2. Menentukan
 Perhitungan Model Matematis
3. Menentukan

Sehingga, dinyatakan sebagai berikut :

 Hasil Inversi

Untuk mendapatkan nilai kecepatan (v)

dan kedalaman (z), digunakan persamaan
berikut :

Dari persamaan di atas, data awal

dimasukkan untuk menghasilkan nilai m1
dan m2.

Dihasilkan nilai : Sehingga didapatkan nilai :

v = 2797 m/s
z = 719.23 m
 Flowchart

Variabel data
Pembuatan Pendefinisian nilai
Start offset (x) dan
Matriks Kernel G d
waktu (t)

Menghitung
Plot hasil Proses Inversi
Plotting hasil kecepatan v dan
perhitungan
kedalaman z

Perhitungan nilai
Nilai Error End
Error
Script MatLab
 05
Inversi Linier Berbobot
(Subyektif dan Obyektif)
This is the subtitle that
makes it comprehensible
 Inversi Linier Berbobot

● Inversi linier berbobot adalah inversi linier

dengan menambahkan bobot dalam
perhitungan.
● Inversi linier berbobot digunakan karena
kesalahan atau ketelitian data belum
diperhitungkan dalam persamaan umum
inversi linier.
● Metode inversi linier berbobot dilakukan untuk
meminimalkan pengaruh data yang
mengandung outlier
● Outlier merupakan data yang tidak terdistribusi
secara normal dan dapat mempengaruhi solusi
dari data.
 Inversi Linier Berbobot

01 02
Bobot Subjektif Bobot Objektif

● Pembobotan dilakukan dengan ● Pembobotan dilakukan dengan

memasukkan nilai bobot secara
subjektif.
● Prinsip pemberian bobot:
○ Data dengan ketelitian rendah
bobotnya kecil
○ Data ketelitian tinggi bobotnya
tinggi
menggunakan standar deviasi data
sebagai bobot.
● Prinsip pembobotan:
○ Ketelitian rendah > standar
deviasi besar > bobot kecil
○ Ketelitian tinggi > standar deviasi
kecil > bobot besar
 Inversi Linier Berbobot

● Notasi matriks persamaan inversi linier secara umum adalah berikut

● Pada persamaan inversi linier berbobot, ditambahkan notasi elemen

matriks , maka dapat dituliskan sebagai berikut:

● Matriks adalah matriks diagonal yang memuat

Data yang Digunakan
Data disimpan dalam bentuk .txt
 clc; clear all; close all Membersihkan variabel terdahulu, membersihkan command
window, menutup jendela wokspace

Script MatLab disp(' X Elev') Menampilkan keterangan data

Pembobotan Subjektif
T= importdata ('DATA.txt') Input data pada matlab

disp(T); Menampilkan data yang sudah di input

T1=T (:,1); Mempermudah pekerjaan dengan membuat variabel, T1 untuk

T2=T (:,2); koordinat, dan T2 untuk elevasi

G = [ones(size(T1)),T1]; Membuat matriks kernel

d_obs=T2; Data elevasi sebagai data observasi, diberikan variabel untuk

mempermudah

m= (inv(G'*G))*G'*d_obs; Persamaan solusi inversi

d_cal=G*m; Menghitung data kalkulasi untuk solusi inversi

w= [1 1 1 0.5 0.8 0.8 1 0.2 0.8 1 0.1 1 0.1 1 1 1 0.1 0.5 0.4 1 1 1 Input nilai pembobotan subjektif.
0.2 0.2 1 1 1 1 1 1 0.1 0.3 0.5 0.5 0.5 1 1 0.2 0.2 1 ];
m2=(inv(G'*diag(w')*G))*G'*diag(w)*d_obs; Penentuan parameter model baru dengan nilai subjektif

d_cal2=G*m2; Perhitungan data setelah pembobotan

plot(T1,d_obs,'or','LineWidth',2,'MarkerFaceColor','r','MarkerSiz Plot hasil perhitungan

e',5)
hold on
plot(T1,d_cal,'-b','LineWidth',2)
hold on
plot(T1,d_cal2,'-k','LineWidth',2)
legend('data observasi','data kalkulasi','data kalkulasi + bobot')
xlabel ('koordinat x')
ylabel ('Elevasi (m)')
 clc; clear all; close all Membersihkan variabel terdahulu, membersihkan command
window, menutup jendela wokspace

Script MatLab disp(' X Elev') Menampilkan keterangan data

Pembobotan Objektif
T= importdata ('DATA.txt') Input data pada matlab

disp(T); Menampilkan data yang sudah di input

T1=T (:,1); Mempermudah pekerjaan dengan membuat variabel, T1 untuk

T2=T (:,2); koordinat, dan T2 untuk elevasi

G = [ones(size(T1)),T1]; Membuat matriks kernel

d_obs=T2; Data elevasi sebagai data observasi, diberikan variabel untuk

mempermudah

m= (inv(G'*G))*G'*d_obs; Persamaan solusi inversi

d_cal=G*m; Menghitung data kalkulasi untuk solusi inversi

misfit = (d_cal-d_obs).^2; Pembobotan

w=(misfit).^(-1);
m2=(inv(G'*diag(w')*G))*G'*diag(w)*d_obs; Perhitungan solusi inversi dengan pembobotan objektif

d_cal2=G*m2; Perhitungan data setelah pembobotan

plot(T1,d_obs,'or','LineWidth',2,'MarkerFaceColor','r','MarkerSiz Plot hasil perhitungan

e',5)
hold on
plot(T1,d_cal,'-b','LineWidth',2)
hold on
plot(T1,d_cal2,'-k','LineWidth',2)
legend('data observasi','data kalkulasi','data kalkulasi + bobot')
xlabel ('koordinat x')
ylabel ('Elevasi (m)')
06
Apriori
 Over-determined
Jumlah data lebih besar dari pada jumlah parameter
model yang dicari (N > M).

● Parameter model yang dicari adalah titik potong

garis pada sumbu vertikal (intercept) dan
kemiringan garis (gradien) sehingga jumlah
parameter model M adalah 2.

● Jumlah data yang digunakan untuk

memperkirakan parameter model tersebut
umumnya jauh lebih besar dari M atau N > 2.

● Secara statistik estimasi solusi dapat dianggap

memadai jika jumlah data minimum adalah 8.
 Even-determined
Jumlah data tepat sama dengan jumlah parameter
model (N = M) Solusi inversi dapat diperoleh langsung
dengan inversi matriks kernel yang merupakan
matriks bujur-sangkar (square)

Contoh pada regresi garis lurus terjadi jika hanya

terdapat dua data atau dua titik. Permasalahan inversi
yang demikian ter-reduksi menjadi permasalahan
kalkulus biasa, yaitu penentuan persamaan garis lurus
melalui dua titik yang solusinya sudah sangat dikenal
dan identik dengan persamaan di atas. Dalam hal ini
kesalahan prediksi data E = 0.
 Under-determined
● Jumlah data lebih kecil dari pada jumlah
parameter model yang dicari (N < M)

● Terdapat lebih dari satu solusi atau model yang

dapat menghasilkan kesalahan prediksi data
minimum. Artinya solusi tidak unik.

● Contohnya pada regresi garis lurus dengan

hanya satu data atau satu titik maka terdapat
tak-hingga garis yang melalui titik tersebut
dengan kesalahan prediksi data minimum yaitu E
= 0.
 Script MATLAB A-Priori
“Constrained Least Squares”
zp = 9 zp = 5

dp = 10 dp = 5

RMS = 0.7391 RMS = 2.0374

 THANKS!
Does anyone have any questions?
addyouremail@freepik.com
+91 620 421 838
yourcompany.com

Please keep this slide for attribution

CREDITS: This presentation template was created by Slidesgo,
including icons by Flaticon, infographics & images by Freepik