Nama : Akhmat Faisal Hari/Tanggal : Selasa/20 Juni 2011NIM : J1D107007 Mata Kuliah : Inversi Data Geofisika

1. A. Penurunan rumus Gelombang P

Nama : Akhmat Faisal Hari/Tanggal : Selasa/20 Juni 2011NIM : J1D107007 Mata Kuliah : Inversi Data Geofisika

Maka didapat Rumus Kecepatan Gelombang P dibawah ini :

B. Penurunan Rumus Kecepatan Gelombang S

Didapat Rumus Kecepatan Gelombang P dibawah ini:

2. Gelombang P adalah gelombang yang arah rambatnya searah dengan arah getaran partikel medium yang dilewati. Gelombang S adalah gelombang bebas karena dapat menjalar kesegala arah didalam bumi. Sedangkan gelombang permukaan adalah terikat karena harus menjalar melalui permukaan atau lapisan bumi. Gelombang S tidak dapat merambat melalui benda cair (Liquid) pada lapisan dalam bumi. Hal ini dikarenakan fluida yang memiliki sifat tidak meneruskan tekanan geser ( shear strain). Sedangkan gelombang P dapat menjalar melalui benda padat (solid) dan cair (liquid) pada lapisan bumi.

3. Proses inversi adalah suatu proses pengolahan data lapangan yang melibatkan teknik penyelesaian matematika dan statistik untuk mendapatkan informasi yang berguna mengenai distribusi sifat fisis bawah permukaan. Di dalam proses inversi dilakukan analisis terhadap data lapangan dengan cara melakukan curve fitting  (pencocokan kurva) antara model matematika 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.

Nama : Akhmat Faisal Hari/Tanggal : Selasa/20 Juni 2011NIM : J1D107007 Mata Kuliah : Inversi Data Geofisika

4. Ringkasan Jurnal berjudul “ Pemodelan Inversi Non-Linier dalam Geofisika Menggunakan Algoritma Rantai Markov”

Pada jurnal berjudul “Pemodelan Inversi Non-Linier dalam Geofisika Menggunakan Algoritma Rantai Markov” Inversi data diformulasikan dalam konteks inferensi Bayes dimana solusi dinyatakan oleh fungsi densitas probabilitas (selanjutnya disebut probabilitas) model posterior. Probabilitas kondisional model posteriror berlaku sebagai probabilitas transisi yang menentukan evolusi suatu rantai Markov. Rantai Markov sebagai “Gibbs sampler” mengeksplorasi ruang model secara lebih terarah dengan memberi peluang lebih besar pada model yang memiliki kontribusi signifikan pada perhitungan kuantitas posterior. Pada inversi dengan model 1-D diperlukan kendala tambahan berupa kriteria model dengan variasi resistivitas minimum. Pada inversi dengan model 2-D tidak diperlukan penambahan faktor smoothing karena data (terutama tensor impedansi) telah dapat mendefinisikan model dengan baik. Metoda inversi non-linier menggunakan algoritma rantai Markov secara efektif dapat mengatasi kelemahan pendekatan lokal. interpretasi model inversi tidak dapat hanya didasarkan pada estimator klasik (seperti harga rata-rata dan standar deviasi parameter model) tetapi pada fungsi probabilitas marginal