8.

KRIGING
81 8.1 Kriging dan Automatik Contouring Kriging
Istilah kriging diambil dari nama seorang ahli, yaitu D.G. Krige, yang perg g g ,y g , y g perp tama kali menggunakan korelasi spasial dan estimator yang tidak bias. Istilah kriging diperkenalkan oleh G. Matheron untuk menonjolkan metometode khusus dalam moving average terbobot (weighted moving average) yang meminimalkan varians dari hasil estimasi. Metode kriging menghasilkan estimator tidak bias terbaik (the best unbiased estimator, BLUE) dari variabel yang ingin diketahui nilainya.

Automatic contouring
Sampel data dalam geosains biasanya diambil di tempat yang tidak beraturan. beraturan Komputer akan bekerja hanya dengan data digital yang teratur (misal kalau akan menggambar konturnya). Untuk itu perlu dibuat jejala (grid) yang teratur dimana sampel data teratur, harus ditempatkan untuk bisa diproses oleh komputer.

yang pada umumnya menggunakan korelasi spasial. Bila di semua titik telah diestimasi nilai datanya (teratur). Dalam bahasa (noise) penyaringan / penapisan (filtering). Metode moving average biasanya digunakan pada proses penghalusan sinyal (data) untuk mengecilkan peranan gangguan (noise). Banyak cara untuk mengestimasi nilai data di titik grid tersebut.Automatic Contouring (lanjutan) Masalahnya adalah bagaimana memperkirakan (mengestimasikan) sampel data pada titik-titik grid yang ada dari data sampel yang tersebar titiksecara tidak teratur. Moving average (perata-ratan bergerak) (perataKriging menggunakan metode khusus dalam proses perata-rataan perataberjalan terbobot (weighted moving average). berarti data untuk automatic contouring dengan computer sudah siap pakai. penghalusan termasuk tapis lolos rendah. antara lain adalah kriging. Jendela tsb mempunyai lebar tertentu dan tingginya =1 (tak terbobot). Prinsip moving average adalah merata-ratakan nilai data yang berada meratapada jendela (window) yang berjalan. .

0 40 4.7 30 3.0 (3+4+5) / 3 = 4 (5+7+4) / 3=5.Moving average (lanjutan) Rumus estimasi untuk moving average adalah: umus st mas untu mo ng a rag a a ah Dengan xj = deret data input yi = deretan data output W n w fungsi Window : fung kotak tinggi=1 berjalan kekanan Contoh: x: 5 7 4 3 2 3 4 5 7 2 6 Y: 5. pererataan harus dikalikan dengan tinggi window (terboboti) ⇒ weighted moving average .7 30 3.3 Kalau windownya bukan fungsi kotak. tetapi sembarang.0 27 2.3 53 47 4.

dalam arti expected value ralatnya = 0.3) . Bila nilai estimasinya atau estimatornya adalah z* (vi) maka ralat z ). yang harus memenuhi prinsip: sederhana (perhitungan mudah) dan tidak bias.Estimasi nilai variabel teregionalisasi Andaikan kita mempunyai data teregionalisasi (tak teratur) z(xi) Kita ). akan mengestimasi nilai data teregionalisasi lain (teratur) pada titik grid tertentu. yaitu z(vi). ♣ Varians ralat estimasi (estimation variance) nya adalah: (8.1) Karena variabel teregionalisasi dianggap sebagai variabel random.2) ♣ Estimator z* (vi) dihitung dengan memakai kombinasi linear dari variabel yang diketahui z(xi). maka baik Z (xi) maupun R(vi) dianggap pula sebagai variabel random. estimasinya adalah: (8. atau: bias 0 (8.

N) adalah faktor bobot yang membuat varians estimasi ) (estimation variance) nya minimum minimum.Estimasi nilai variabel teregionalisasi (lanjutan) Persamaan yang paling sederhana untuk memenuhi prinsip tersebut y p p p adalah combinasi linear rerata terbobot (weighted average linear combination). yaitu: (8.4) (8 4) Dengan aj ( j = 1. Faktor bobot tersebut secara teoritis dapat dihitung dari persamaan: (8.5) Dgn: Kovarians dari data pada titik vi dan data pada titik xi Kovarians dari data pada lokasi xi dan xj .

6) Adalah Covarians antara 2 variabel random adalahFaktor bobot yang dicari. μ adalah pengali Lagrange yang harus dicari .5) menghasilkan persamaan lain yang lebih praktis.Estimasi nilai variabel teregionalisasi (lanjutan) Penerapan prinsip optimasi pada persamaan (8. yaitu titik rata dan titik yang ingin dihitung nilai estimasinya. yaitu: (8. y Adalah Covarians antara 2 titik.

Block kriging. Co-kriging.8. kriging dapat p p y p dibedakan menjadi beberapa macam. kriging Ini juga sering disebut sbg ordinary kriging atau punctual kriging.1.7) ai = fungsi peluang . Point kriging Ini adalah kriging yang paling sederhana. Nilai ini harus memenuhi persamaan: (8. n. dsb Co- 8. yaitu: Point kriging.2. dengan i = 1. menggunakan norma MVUE (minimum variance unbiased estimate). Universal kriging. Besarnya pengaruh titik-titik data disekitarnya terhadap nilai estimasi titikdinyatakan dalam bentuk nilai bobotnya Dalam menghitung nilai bobot ini bobotnya. Point kriging memungkinkan kita untuk menghitung nilai harapan data di suatu titik yang tidak ada data pengukurannya berdasarkan nilai-nilai nilaidata disekitarnya yang diketahui. Nilai bobot tersebut adalah ai .2. sehingga disebut sbg simple kriging. Macam-macam kriging MacamBerdasarkan cara estimasi dan proses perhitungannya.

yang berada di antara x1 dan x2 . Z(x1)=10. Z(x2)=20 Nilai variabel di x0 akan dicari dengan menggunakan point kriging. Nilai di x2. Hitunglah nilai estimasi di titik x0 . Rumus yang dipakai estimasi nilai variabel di titik x0 adalah: .Contoh perhitungan point kriging Andaikan nilai variabel di 2 titik x1 dan x2 diketahui. bila posisinya adalah sbb: x1 • x0 • x2 • 30 ft 50 ft Nilai variabel di x1.

93 = 9.x1) = C(0) = 100 C(x2.x0) = C(50) = C(0)-γ(50) = 100-77. dan 80 ft. Hasil perhitungan nilai komponen matrix. C dapat dihitung dengan menggunakan rumus p p g g gg C(0) = nilai sill variogram.31 . x2) = C(80) = C(0)-γ(80) = 100−90.69 = 22. Nilai variogramnya adalah: 30.34 = 40. 50 ft Nilai komponen matrix. yaitu = 100 (nilai max variogram exponensial).07 C(x1.NilaiNilai-nilai komponen matrix tsb dapat dicari sbb: y Andaikan variogram yang cocok untuk combinasi data tersebut variogram model exponensial: Nilai h yang mungkin adalah: 30 50.x0) = C(30) = C(0)-γ(30) = 100-58.66 C(x2. C mendapatkan: C(x1.x2) = C(0) = 100 C(x1.

6009. dan a1 = 0.Bila komponen-komponen matrix dimasukkan dalam persamaan matrixnya komponenakan diperoleh: Apabila persamaan matrix ini diselesaikan akan diperoleh: a2 = 0.05 Ralat varians yang merupakan indikator derajad ketidakpastian dari hasil estimasi adalah: Catatan: Nilai estimasi data di x0.76 . k l dihitung d C t t Nil i ti id t kalau dihit dengan i t interpolasi akan l i k diperoleh: V*(x0) = 10 + (30/80) × (20-10) = 13. Jadi nilai estimasi data di titik x0 adalah: μ = 23.3991.

Block kriging Block kriging: Estimasi nilai data di titik-titik x0j dlm suatu blok berdatitikberdaj sar set data di titik-titik xi yang berada disekitar blok (neighborhood).8. Dalam gambar diperlihatkan blok dgn ukuran V yang didalamnya ada 16 titik grid yang akan dicari nilai estimasinya. yg dicari adalah estimasi nilai di suatu blok. x0j) = Kovarians antara titik xi dan x0j nb = banyak titik di dalam blok b k d l bl k CV(xi. . x01 • • • • • • • • • • • • x04 • • • ♣ Perhitungan dalam block kriging mig g g mirip dg perhitungan pd point kriging. 2. 2. x0) = mean (perhitungan arithmatik ratarata) dari semua kovarians terhitung. titikJadi dalam block kriging. ♣ Kovarians antara titik xi dan x0j j yang ada di dalam blok dapat didituliskan sbb: xi2 x013 • • • x016 • xi1 Dgn xi3 Dg C(xi.

Block kriging (lanjutan) Jumlah titik yang dianggap sepadan di dalam blok untuk mewakili CV adalah: nb = 16 untuk blok 2 D. karena adanya perhitungan ratag g j p . y p g ratarata. . misalnya sifatporositas dan saturasi. Untuk sifat dinamis seperti permeabilitas. Block kriging dipakai untuk mencari nilai estimasi suatu blok. dan nb = 64 untuk blok 3D. Ini sangat g g p g bermanfaat untuk memperkirakan sifat-sifat statis suatu blok. block kriging tidak dianjurkan untuk dipakai.

g g) p dengan memakai 2 variabel yang berbeda. variabel dapat diestimasi dari variabel lain yang sampelnya diketahui Dalam hal posisi sample yang tersebar terserak (sparse). variabel yang akan diestimasi nilainya dinamakan b l k d l d k variabel utama (principal variable). 2. sedang variabel yang dipakai untuk mengestimasi disebut co-variabel. tetapi secara spasial berhubungan. co-kriging p p y g ( p ) co.8. g coKita dpt menambahkan co-variabel baru (selain yang sudah ada) selama cohubungan spasial antara co-variabel b h b l cob l baru d dengan variabel utama cukup b l k kuat . Co-kriging CoCo. Dengan memanfaatkan hubungan spasial ini. nilai-nilai suatu nilaidiketahui. 3.g g (p Co-kriging (point co-kriging) adalah teknik khusus dalam interpolasi co.g g dianggap dapat mengurangi ketidakpastian hasil estimasi Dalam co-k l co-kriging.

Vk(xj) = nilai-nilai sampel variabel Vk pada posisi xj. Selanjudnya diambil keadaan khusus dalam bentuk hubungan antara satu covariabel d satu prncipal variabel. V*(x0) = estimator d i V di titik x0. V(xi) = principal variabel. sehingga pers di t b i b l dan t i l i b l hi diatas berubah menjadi: b h j di Dengan ai = faktor bobot untuk variabel V(x). dan m = jumlah sampel. W(xj) = co-variabel. k = jumlah total co-variabel. . m adalah jumlah titik sampel covariai dari i ik d l h j l h i ik l i bel. dan n = jumlah titik sampel principal variabel. ak = faktor bobot untuk variabel Vk(xj). b = faktor bobot untuk variabel W(x).Proses perhitungan dalam co-kriging coAndaikan kita ingin mengestimasi nilai suatu variabel di titik x0 dari variabel lain xi yang diketahui. maka hasil estimasinya adalah: Dengan ai = faktor bobot. V(xi) = nilai-nilai sampel di titik xi .

CoCo-kriging (lanjutan) Hubungan antara ai dan bi sesuai dengan persyaratan MVUE (minimum variance unbiased estimate) adalah: Selanjutnya dengan menggunakan pengali Lagrange (Lagrange multiplier) dapat dihasilkan persamaan matrix: Dgn .

xj’) = kovarians silang (cross covariance) dari variabel V dan W ) . …. xj’) = kovarians antara xi’ dan xj’ dari variabel W CVW(xi.CoCo-kriging (lanjutan) dan dan Dalam hal ini: x1. xn =lokasi titik-titik sampel principal variabel l k i i ik i ik l i i l i b l x1’.. x2’. x2.. …. xm’ = lokasi titik-titik sampel co-variabel CV(xi. xj) = kovarians antara xi dan xj dari variabel V CV(xi’.

Jadi variabel yang harus dikriging adalah yang residual. Universal kriging Universal kriging adalah kriging dari data yang mempunyai kecenderukecenderungan (trend) tertentu.4. sehingga pendekatan untuk melakukan kriging perlu diubah. maka anggapan bahwa fungsi teregionalisasi adalah random tidak berlaku lagi.2. dan R(x) = Residual (tanpa trend. D(x) = Drift atau nilai harapan dari V(x) yaitu nilai trend nya. random). yaitu: Salah satu cara yang mudah untuk mencari nilai variabel D(x) adalah dengan memakai moving window atau moving average . misalnya nilai permeabilitas yang berkurang karena lokasinya yang menjauh dari channel sand. gg p g g Bila ada trend. Dalam hal ini variabel regionalisasi ybs perlu diubah menjadi: j Dengan V(x) = nilai variabel teregionalisasi terukur.8.