Perpustakaan Digital ITB

Metode Magnetotelurik merupakan salah satu metode geofisika yang memanfaatkan variasi alami medan elektromagnetik untuk memetakan distribusi resistivitas di bawah permukaan. Dalam metode ini, inversi merupakan proses utama yang digunakan untuk mengestimasi struktur resistivitas berdasarkan data lapangan. Penelitian ini mengembangkan pendekatan berbasis deep learning untuk inversi satu dimensi data magnetotelurik dengan menggabungkan algoritma Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU) sebagai metode inversi. Dataset yang digunakan berjumlah 1.000.000 dataset, yang masingmasing terdiri atas nilai resistivitas semu, fasa, dan resistivitas. Nilai resistivitas diambil secara acak dari sampel resistivitas berdasarkan rentang ketidakpastian tertentu. Sebagai input, nilai resistivitas semu dan fasa diperoleh melalui pemodelan ke depan (forward modelling) berdasarkan resistivitas dan ketebalan yang telah ditentukan. Sementara itu, nilai resistivitas asli digunakan sebagai output. Total kedalaman model resistivitas yang diselidiki mencapai 4.000 meter, terdiri dari 20 lapisan dengan ketebalan 200 meter per lapisan. Dataset tersebut telah melalui proses standardisasi dan normalisasi menggunakan skala logaritmik dan MinMax ke dalam rentang 0-1. Dataset ini kemudian digunakan untuk melatih model CNNGRU yang telah dirancang. Hasil penelitian pada data sintetik dan data lapangan menunjukkan bahwa model CNN-GRU mampu untuk memetakan model distribusi resistivitas di bawah tanah dengan galat yang kecil berdasarkan data resistivitas semu dan fasa. Hal ini mengindikasikan bahwa model ini dapat digunakan untuk inversi satu dimensi pada metode magnetotelurik.