PENGERTIAN DAN MODEL KRIGING

Istilah kriging diambil dari nama seorang ahli, yaitu D.G. Krige, yang pertama kali
menggunakan korelasi spasial dan estimator yang tidak bias. Istilah kriging diperkenalkan
oleh G. Matheron untuk menonjolkan metode khusus dalam moving average terbobot (weighted
moving average) yang meminimalkan varians dari hasil estimasi.
kriging adalah suatu metode geostatistika yang memanfaatkan nilai spasial pada lokasi
tersampel dan variogram untuk memprediksi nilai pada lokasi lain yang belum dan/atau tidak
tersampel dimana nilai prediksi tersebut tergantung pada kedekatannya terhadap lokasi
tersampel [1]. Pada penerapannya, kriging dibawah asumsi kestasioneran dalam ratarata () dan
varians (2), sehingga jika asumsi kestasioneran tersebut dilanggar maka kriging menghasilkan
nilai prediksi yang kurang presisif. Selain itu, sebagaimana pada semua metode analisis data
nonspatial (crosssectional, time series, panel, dll.), kriging juga dapat menghasilkan nilai
prediksi kurang presisif jika di antara data yang ada terdapat pencilan (outlier). Outlier
didefinisikan sebagai nilai yang ekstrim dari nilai amatan lainnya yang kemungkinan dapat
disebabkan oleh kesalahan pencatatan, kalibrasi alat yang tidak tepat atau kemungkinan
lainnya. Kriging sebagai interpolasi spasial optimum dapat menghasilkan nilai prediksi kurang
presisif jika di antara data yang ada terdapat pencilan (outlier). Outlierdidefinisikan sebagai nilai
yang ekstrim dari nilai amatan lainnya yang kemungkinan dapat disebabkan oleh kesalahan
pencatatan, kalibrasi alat yang tidak tepat atau kemungkinan lainnya. Pengembangan ordinary
kriging (kriging klasik) adalah robust kriging yang mentransformasi bobot variogram pada
variogram klasik sehingga menjadi variogram yangrobust terhadap outlier.
Data yang digunakan dalam penelitian ini adalah data spasial yang mengandung outlier dan
memenuhi asumsi kriging klasik. Hasil analisis menunjukkan bahwa robust kriging jauh lebih
presisif dibandingkan dengan ordinary kriging dalam mengestimasi nilai dari titik-titik spasial
untuk data yang mengandung pencilan. Hal tersebut ditunjukkan dengan nilaicross
validation (MAE dan RMSE) dari robust kriging jauh lebih kecil dibandingkan dengan ordinary
kriging.
Ada

beberapa

model

kriging

yang

umum

digunakan

di

antaranya

adalah ordinary kriging dan universal krigingyang notabenenya tidak mengakomodir adanya
outlier. Lebih lanjut, pengembangan ordinary kriging adalah robust kriging yang
mentransformasi bobot variogram pada variogram klasik sehingga menjadi variogram yang
robust terhadap outlier.
Variogram, Semivariogram, Kovariogram dan Korelogram
Pada pemodelan variogram dan kriging, data spasial diasumsikan sebagai proses
stokastik {Z(S):S E D} dengan D adalah himpunan bagian dalam ruang berdimensi R d, d > 0.
Kovarian nilai antara dua titik sembarang si dan sj didefinisikan sebagai,

dengan nilai korelasi adalah

Suatu proses dikatakan stasioner pada ratarata dan varians jika dan hanya jika (Si) = dan
2(Si)=2, akibatnya:
C(Si,Sj) = C(Si Sj) = C(h)
(Si,Sj) = (Si Sj) = (h)
di mana h adalah vektor jarak antara titik i dan j, C(h) disebut kovariogram dan (h) disebut
korelogram.
Varians nilai antara dua lokasi dengan jarak tertentu ditentukan sebagai
Var [Z(S + h) -Z(S)] = 2(h), 2(h)disebut variogram dan (h) disebut semivariogram.
Hubungan antara kovariogram, korelogram dan semivariogram berdasarkan
kestasioneran dinyatakan dengan [2]

Semivariogram Empirik
Semivariogram empirik dihitung dari data sampel yang kemudian diplotkan sebagai
fungsi dari jarak. MisalZ(Si) adalah nilai hasil pengukuran pada lokasi i, sedangkan Si = (Xi,yi)
adalah vektor yang mengandung koordinat spasial x, y, semivariogram cloud didefinisikan
sebagai

ij=0,5[Z(Si)-Z(Sj)]2
untuk semua pasangan jarak yang mungkin {(Si,Sj); i,j = 1,2,3,,n} dan diplotkan sebagai
fungsi jarak, yang dihitung dengan:
|h| = lSi -Sjl = [(Xi Xj)2 + (yi yj)2]1/2 Perhitungan ini melibatkan ribuan titik pada plot
semivariogram sehingga mengakibatkan sulitnya melihat pola tertentu.
Untuk mengatasi hal tersebut maka yij dikelompokkan (binning) berdasarkan kesamaan
jarak. Berikut rumusan semivariogram yang dikelompokkan (semivariogram empirik):

(h) =

di mana
N(h) : himpunan pasangan data pada Si dan Sj yang mempunyai selisih jarak yang sama, h E
T(h), sedangkan T(h) merupakan daerah toleransi di sekitar h. |N(h)| : banyak pasangan jarak di
dalam himpunan N(h).
Spatial Outlier
Spatial Outlier (pencilan spasial) didefinisikan sebagai nilai lokasi observasi yang tidak
konsisten (ekstrim) terhadap nilai lokasi observasi yang lainnya. Munculnya pencilan dapat
disebabkan oleh mekanisme pengambilan nilai observasi yang berbeda dengan yang lainnya, Ada
banyak metode yang digunakan untuk mendeteksi adanya pencilan salah satunya adalah dengan
spatial statistics Z test. Untuk spatial statistics Z test, didefinisikan sebagai:

Jika Zs(x) > , maka dideteksi sebagai pencilan (outlier), untuk tingkat signifikansi 5%, nilai =
2.
Robust Kriging
Model yang mendasari robust kriging adalah

Dengan W() stasioner intrinsik dan gaussian dan ()+() = () . Berbeda dengan kriging
klasik (simple, ordinary), untuk mengakomodir adanya outlier, variogram empirik untuk robust
kriging dirumuskan sebagai :

Robust kriging mengakomodir adanya outlier sehingga semivariogram yang digunakan adalah
semivariogram empirik terboboti. Adapun paket program ArcGIS 9.2 yang digunakan untuk
membuat peta kontur prediksi pada ordinary kriging masih belum menyediakan fasilitas
penghitungan nilai dan pembuatan peta kontur prediksi untuk robust kriging, demikian pula
untuk semua paket program geostatistika. Oleh karena itu, diperlukan pembuatan program yang
sesuai untuk algoritma robust kriging.
Penelitian tentang aplikasi robust kriging masih terbatas. Pada umumnya, para peneliti hanya
sampai pada ilustrasi statistika matematika dari modelmodel yang menunjang penggunaan
robust kriging. Pada penelitian ini, untuk mengestimasi nilai pada suatu daerah tertentu adalah
dengan menggunakan macro Minitab v.14 . Namun, kelemahan pada macro tersebut adalah
ketidakmampuan untuk mengestimasi nilai pada daerah lain, sehingga pada penelitian ini hanya
dicari nilai estimasi pada daerah yang sudah diketahui nilai asalnya yang kemudian dihitung
tingkat ketepatan dalam mengestimasi.
Langkah awal dari macro adalah menghitung jarak masingmasing titik, menghitung interval
masingmasing lag dimana besar lag didapatkan dari proses perhitungan via ArcGIS 9.2,
kemudian mengelompokkan jarakjarak tersebut pada lag yang bersesuaian. Langkah kedua
adalah menghitung variogram dan semivariogram untuk robust kriging.
Selanjutnya menghitung matrik C yang terbentuk dari semivariogram robust, matrik C0 yang
terbentuk dari semivariogram dari titik yang diestimasi dengan semua titik yang diketahui.
Langkah terakhir adalah menghitung matrik lambda yang digunakan untuk menentukan
nilai estimasi.

Berdasarkan hasil analisis dari macro didapat nilai estimasi yang relatif sama dengan nilai
asalnya atau dengan kata lain tingkat presisif dari robust kriging untuk data yang mengandung
pencilan sangat tinggi.