Latifah Muslimah - 121120011 - LSMODUL02
Latifah Muslimah - 121120011 - LSMODUL02
INVERSI GEOFISIKA
MODUL KE – 02
INVERSI LINEAR MENGGUNAKAN BOBOT
Oleh:
Latifah Muslimah 121120011
Asisten :
II. Analisis
Pada praktikum modul 2 yang berjudul inversi linier menggunakan
bobot. Pada ketiga gambar diatas dihasilkan plot kurva yang berbeda Dimana
garis berwarna merah adalah tanpa bobot, garis warna kuning adalah dengan
bobot serta titik berwarna hitam adalah sebaran data. Pada praktikum modul 2
dilakukanya penambahan pembobotan untuk mengurangi noise. Pembobotan
ini dilakukan dengan memberikan nilai bobot tertentu pada harga setiap data
dari jaraknya terhadap regresi yang dilakukan outlier yang mana biasanya
berada pada rentang yang lebih jauh rentang datanya dari regresi akan
mengalami penurunan harga dikarenkan bobotnya lebih kecil. Pengurangan
harga outlier ini akan mengurangi niali error sehingga hasil inversi lebih akurat.
Dalam prose pembobotan dan dengan pembobotan juga dipengaruhi
Ketika melakukan penekanan nilai RMSE dengan menambahkan ITERASI.
Namun akan lebih baik juga data yang sudah di bobot akan dilakukan
penekanan nilai RMSE agar hasil yang diperoleh dalam mendekati kondisi data
yang sebenarnya dan factual.dilakukan pembobotan juga juga dilakukan serta
di minimalkan errornya dengan mengurangi nilai RMSE dapat mengurangi nilai
yang terjadi adanya kesalahan.
Permodelan merupakan proses estimasi model dan parameter model
berdasarkan data yang diamati di permukaan bumi yang mempresentasikan
kondisi geologi oleh besaran fisis yang mencakup hubungan matematik dan
teoritik antara model dengan parameter model. Permodelan dalam geofisika
terdiri dari 2 yaitu, forward modelling dan inversi modelling. Root Mean Square
Error (RMSE) adalah metode alternatif untuk mengevaluasi teknik peramalan
yang digunakan dalam permodelan geofisika. RMSE digunakan untuk
mengukur tingkat akurasi hasil prakiraan suatu model. Semakin kecil nilai
RMSE, maka semakin akurat model tersebut. Penentuan RMSE dilakukan
untuk menentukan model semivariogram terbaik.
III. Lampiran
a. Bukti praktikum
b. Script
• import numpy as np
• import matplotlib.pyplot as plt
• from numpy.linalg import inv
•
• #Step 1 membuat data
• n = 20
• data = np.loadtxt('D:\SEMESTER 6\prak.inversi\modul
2\dataM2_P11.txt')
• print(data)
•
• z, obs = data[: , 0], data[: , 1]
•
• print(obs)
•
• sd = 1
• noise = np.random.normal(0, sd, n)
•
• Tobs = obs + noise
• Tobs [n-1] = 1
•
• print(Tobs)
•
• #Step 2 Matriks bobot
•
• w = np.eye(n)
• w [n-1][n-1] = 0.1
•
• #Step 3 Matriks kernel
•
• G = np.ones ((n, 2))
• for i in range (n) :
• G[i][1] = z[i]
•
• print(G)
•
• #Step 4 Matriks data
• d = np.reshape (Tobs, (n, 1))
•
• print(d)
•
• #Mencari paramater model untuk tanpa bobot
•
• m_tanpabobot = inv(G.T@G)@G.T@d
• a0 = m_tanpabobot[0][0]
• a1 = m_tanpabobot[1][0]
•
• #y = m1x + m2x
• y_tanpabobot = a0 + a1*z
•
• print(y_tanpabobot)
•
• #rmse error tanpa bobot
• rmse_tanpabobot = np.sqrt(np.mean((y_tanpabobot-
Tobs)**2))
•
• print(rmse_tanpabobot)
•
• #Mencari parameter model menggunakan bobot
•
• m_denganbobot = inv(G.T@ w @G)@G.T@ w @ d
• b0 = m_denganbobot[0,0]
• b1 = m_denganbobot[1,0]
•
• y_denganbobot = b0 + b1*z
•
• rmse_denganbobot = np.sqrt(np.mean(w*(y_denganbobot -
Tobs)**2))
•
• print('Rmse dengan bobot adalah' ,rmse_denganbobot)
• print('Rmse tanpa bobot adalah' ,rmse_tanpabobot)
•
• plt.scatter(z, Tobs, color = 'black')
• plt.plot (z, y_denganbobot,'y', label = 'Dengan Bobot')
• plt.plot (z, y_tanpabobot, 'r', label = 'Tanpa Bobot')
• plt.legend()
• plt.xlabel('kedalaman (Km)')
• plt.ylabel('Suhu (^oC)')
• plt.title('Variasi Suhu Terhadap Kedalaman')
• plt.show()
•