BAB I PENDAHULUAN

Metode yang berkaitan dengan geostatistika ditemukan oleh para ilmuwan yang membuat peta tentang sifat-sifat tanah dari Suatu lokasi menggunakan sejumlah data dari lokasi yang diketahui. Sifat -sifat tersebut antara lain keasaman tanah dalam air, konduktivitas listrik, perubahan potassium dalam tanah dan perembesan air tanah. Matheron menggunakan istilah geostatistika dalam konteks geologi untuk menunjukkan teori dan metode-metode menduga persediaan bijih besi dari data spasial yang menyebar sepanjang area. Penggunaan lain dari geostatistika diantaranya penyerapan air hujan dan pendugaan konsentrasi bahanbahan yang mencemari air tanah. Data spasial adalah data yang dikumpulkan dari lokasi-lokasi yang berkorelasi satu sama lain. Lokasi yang saling berdekatan memiliki sifat-sifat yang mirip dibandingkan dengan lokasi yang saling berjauhan. Ini dikenal dengan kekontinuan spasial (spatial continuity). Penempatan data spasial merupakan langkah awal yang penting. Hal ini dikarenakan penempatan nilai tertinggi dan terendah akan menciptakan beberapa kecenderungan (trend) dalam data. Semua trend yang ada dalam data dapat digambarkan dengan peta kontur. Salah satu masalah penting dalam geostatistika adalah menduga data suatu lokasi yang tidak bisa diamati secara langsung menggunakan data dari lokasi spasial yang diketahui. Matheron menyebut proses ini sebagai pendugaan kriging. Kriging merupakan metode yang mempertimbangkan kondisi tak bias dan ragam minimum.

.BAB II ORDINARY KRIGING Kriging adalah metode geostatistik yang digunakan untuk mengestimasi nilai dari sebuah titik atau blok sebagai kombinasi linier dari nilai conto yang terdapat disekitar titik yang akan diestimasi. Istilah kriging diperkenalkan oleh G. 2. Matheron untuk menonjolkan metode khusus dalam moving average terbobot (weighted moving average) yang meminimalkan varians dari hasil estimasi. kemenerusan dan anisotropi merupakan pertimbangan yang penting dalam kriging.G. Krige. ketinggian.V) (hubungan antara data dan volume) 3. yang pertama kali menggunakan korelasi spasial dan estimator yang tidak bias. yaitu D. kadar atau variabel lain. Sifat-sifat Kriging : 1. Bobot inilah yang dipakai untuk mengestimasi nilai dari ketebalan. Struktur dan korelasi variabel melalui fungsi γ(h) Hubungan geometri relatif antar data yang mencakup hal penaksiran dan penaksiran volume melalui (Si. Dalam hal ini jangkauan radius conto yang pertama atau kedua pertama tidak memengaruhi (tersaring). Kriging memberikan lebih banyak bobot pada conto dengan jarak terdekat dibandingkan dengan conto dengan jarak lebih jauh. Jika variogram isotrop dan pola data teratur.Sj) (hubungan antar data) dan sebagai (Si. Estimator kriging dapat diartikan sebagai variabel tidak bias dan penjumlahan dari keseluruhan bobot adalah satu. maka sistem kriging akan memberikan data yang simetri 4. Bobot kriging diperoleh dari hasil variansi estimasi minimum dengan memperluas penggunaan semi-variogram. bentuk geometri dari data dan karakter variabel yang diestimasi serta besar dari blok juga ditaksir. Dalam banyak hal hanya conto-conto di dalam blok dan di sekitar blok memberikan estimasi dan mempunyai suatu faktor bobot masing-masing nol 5. Istilah kriging diambil dari nama seorang ahli.

Ordinary kriging biasanya hanya memiliki satu fungsi variogram yang berlaku untuk semua lokasi. semuai conto mempunyai bobot yang sama. 3. Semivariogram. 8. jika tidak ada nugget effect atau kecil sekali ε = C0/C 7. Efek screen ini akan terjadi. Ordinary Kriging Yaitu pendugaan suatu nilai peubah pada suatu titik tertentu yang dengan mengamati data sejenis pada daerah lain. dilakukan 2. Variogram. Efek nugget ini menurunkan efek screen Untuk efek nugget yang besar. Conto-conto yang terletak jauh dari blok dapat diikutsertakan dalam estimasi ini melalui harga rata-ratanya Jenis -jenisnya antara lain : 1. data spasial diasumsikan sebagai proses stokastik {Z(S):S E D} dengan D adalah himpunan bagian dalam ruang berdimensi R . Kovariogram dan Korelogram Pada pemodelan variogram dan kriging. Blok Kriging . Kovarian nilai antara dua titik sembarang si dan sj didefinisikan sebagai. Yaitu pendugaan nilai su atu peubah pada suatu titik tertentu menggunakan data lebih dari satu peubah dengan mengamati data yang sejenis pada lokasi lain.6. d > 0. Yaitu pendugaan nilai suatu peubah pada area dan area tersebut dipecahpecah menjadi area-area yang lebih kecil dimana suatu nilai menggambarkan nilai potongan area yang kecil tersebut. Cokriging. d . 9.

Sj) = ρ(Si –Sj) = ρ(h) 2 2 di mana h adalah vektor jarak antara titik i dan j. C(h) disebut kovariogram dan ρ(h) disebut korelogram. akibatnya: C(Si. MisalZ(Si) adalah nilai hasil pengukuran pada . 2ϒ(h)disebut variogram dan ϒ (h) disebut semivariogram. Varians nilai antara dua lokasi dengan jarak tertentu ditentukan sebagai Var [Z(S + h) -Z(S)] = 2ϒ(h).Sj) = C(Si –Sj) = C(h) ρ(Si.dengan nilai korelasi adalah Suatu proses dikatakan stasioner pada ratarata dan varians jika dan hanya jika μ(Si) = μ dan μ (Si)=μ . korelogram dan semivariogram berdasarkan kestasioneran dinyatakan dengan [2] Semivariogram Empirik Semivariogram empirik dihitung dari data sampel yang kemudian diplotkan sebagai fungsi dari jarak. Hubungan antara kovariogram.

…. Untuk spatial statistics Z test. y.lokasi i. yang dihitung dengan: |h| = lSi -Sjl = [(Xi –Xj) + (yi –yj) ]1/2 Perhitungan ini melibatkan ribuan titik pada plot semivariogram sehingga mengakibatkan sulitnya melihat pola tertentu. |N(h)| : banyak pasangan jarak di dalam himpunan N(h). sedangkan T(h) merupakan daerah toleransi di sekitar h.5[Z(Si)-Z(Sj)] 2 untuk semua pasangan jarak yang mungkin {(Si. h E T(h). Berikut rumusan semivariogram yang 2 2 dikelompokkan (semivariogram empirik): ϒ(h) = di mana N(h) : himpunan pasangan data pada Si dan Sj yang mempunyai selisih jarak yang sama. Ada banyak metode yang digunakan untuk mendeteksi adanya pencilan salah satunya adalah dengan spatial statistics Z test.2. i. semivariogram cloud didefinisikan sebagai ϒij=0.j = 1. Untuk mengatasi hal tersebut maka yij dikelompokkan (binning) berdasarkan kesamaan jarak. Munculnya pencilan dapat disebabkan oleh mekanisme pengambilan nilai observasi yang berbeda dengan yang lainnya.yi) adalah vektor yang mengandung koordinat spasial x. didefinisikan sebagai: . sedangkan Si = (Xi.n} dan diplotkan sebagai fungsi jarak. Spatial Outlier Spatial Outlier (pencilan spasial) didefinisikan sebagai nilai lokasi observasi yang tidak konsisten (ekstrim) terhadap nilai lokasi observasi yang lainnya.Sj).3.

Jika Zs(x) > θ. maka dideteksi sebagai pencilan (outlier). untuk tingkat signifikansi 5%. nilai θ = 2. Berbeda dengan kriging klasik (simple. Robust Kriging Model yang mendasari robust kriging adalah Dengan W(·) stasioner intrinsik dan gaussian dan ɳ(·)+ϵ(·) = ε(·) .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. diperlukan pembuatan program yang sesuai untuk algoritma robust kriging. . 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. Oleh karena itu. untuk mengakomodir adanya outlier. ordinary).

Selanjutnya menghitung matrik C yang terbentuk dari semivariogram robust. untuk mengestimasi nilai pada suatu daerah tertentu adalah dengan menggunakan macro Minitab v. menghitung interval masingmasing lag dimana besar lag didapatkan dari proses perhitungan via ArcGIS 9. Pada umumnya. sehingga pada penelitian ini hanya dicari nilai estimasi pada daerah yang sudah diketahui nilai asalnya yang kemudian dihitung tingkat ketepatan dalam mengestimasi. Langkah terakhir adalah menghitung matrik lambda yang digunakan untuk menentukan nilai estimasi.2. Best karena tujuannya adalah meminimasi σ 2 R . kemudian mengelompokkan jarakjarak tersebut pada lag yang bersesuaian. Pada penelitian ini. Unbiased sejak Ordinary Kriging mencoba mempunyai mR . sama dengan nol. Ordinary Kriging Teori Kriging sering dihubungkan dengan akronim BLUE. yaitu mean residual error. matrik C0 yang terbentuk dari semivariogram dari titik yang diestimasi dengan semua titik yang diketahui. yang merupakan akronim dari Best Linear Unbiased Estimator. 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. Langkah kedua adalah menghitung variogram dan semivariogram untuk robust kriging. Namun. Langkah awal dari macro adalah menghitung jarak masingmasing titik. variansi error.Penelitian tentang aplikasi robust kriging masih terbatas. Ordinary Kriging disebut Linear karena estimasinya merupakan kombinasi linear berbobot dari data yang tersedia.14 . Kebanyakan metode estimasi yang ada sekarang ini juga mempunyai sifat linear dan secara teori mempunyai sifat . para peneliti hanya sampai pada ilustrasi statistika matematika dari modelmodel yang menunjang penggunaan robust kriging. kelemahan pada macro tersebut adalah ketidakmampuan untuk mengestimasi nilai pada daerah lain.

Pendugaan data yang tidak diketahui menggunakan persamaan berikut. Pertimbangan terpenting dalam kriging adalah metode ini memberikan bobot yang lebih besar pada titik contoh dengan jarak yang lebih dekat dibandingkan dengan titik contoh dengan jarak lebih jauh. V(x). model merupakan fungsi acak stasioner yang terdiri dari beberapa peubah acak yaitu V(x1). Sisaan yang diperoleh sebesar R(x0) Telah diasumsikan sebelumnya bahwa fungsi acak stasioner dan nilai harapan sisaannya nol sehingga dapat dituliskan sebagai berikut. . Masing-masing peubah acak mempunyai peluang yang sama pada semua lokasi dengan nilai tengah E(Z). Penjumlahan dari keseluruhan bobot sama dengan satu. tetapi hal yang membedakan Ordinary Kriging dengan metode lainnya adalah Ordinary Kriging bertujuan meminimasi variansi error. Pada titik yang akan diduga nilainya.unbiased juga. Ketepatan dugaan kriging sangat bergantung pada model semivariogram yang dipilih yang digunakan untuk menentukan bobot kriging. ditambah dengan satu nilai peubah V(x) yang diinterpolasi nilainya.

dimana merupakan semivarian antara data pada titik atau lokasi pengamatan dan . Metode interpolasi ordinary kriging adalah metode pendugaan yang menghasilkan ragam minimum dengan menggunakan parameter lagrange µ Dengan menghitung turunan parsial persamaan G terhadap µ dan wi sebagai berikut: Maka dalam notasi matriks akan diperoleh: dengan : C : matriks kovarian antar pasangan lokasi/titik ke-i dan ke-j . Semua prosedur pendugaan dalam kasus ini menggunakan kondisi ketidakbiasan. maka jumlah pembobot masing-masing nilai peubah pada lokasi lainnya adalah sama dengan satu (Isaaks & Srivastava 1989). menerangkan bahwa ragam duga adalah sebagai berikut. x0 sedangkan adalah semivarian antara data pada titik ke-i dan data pada titik ke-j.Agar nilai dugaan yang dihasilkan tidak bias.

Pemeriksaan kestasioneran data secara formal dilakukan dengan menggunakan Uji Dickey Fuller. Contoh perhitungan ordinary kriging . data harus memenuhi asumsi stasioner intrinsik.. besarnya bobot masing-masing nilai peubah V(x1). atau t hitung < nilai kritisnya maka keputusan yang diambil adalah menolak H0 yang berarti data bersifat stasioner.. V(xn) diperoleh sebesar: Untuk mengetahui apakah metode Ordinary Kriging dapat digunakan untuk menduga data hilang. Hipotesis yang diuji adalah: H0 : γ = 0 (data tidak stasioner) H H1: γ < 0 (data stasioner) Jika nilai p < a.. .w : vektor pembobot-i D : vektor kovarian antara lokasi/titik yang diduga dengan lokasi pengamatan yang telah ada Selanjutnya.

3. Yaitu pendugaan nilai suatu peubah pada area dan area tersebut dipecahpecah menjadi area-area yang lebih kecil dimana suatu nilai menggambarkan nilai potongan area yang kecil tersebut. Ordinary Kriging Yaitu pendugaan suatu nilai peubah pada suatu titik tertentu yang dengan mengamati data sejenis pada daerah lain. Bobot kriging diperoleh dari hasil variansi estimasi minimum dengan memperluas penggunaan semi-variogram. Blok Kriging . Jenis -jenisnya antara lain : 1. Cokriging.BAB III PENUTUP Kesimpulan Kriging adalah metode geostatistik yang digunakan untuk mengestimasi nilai dari sebuah titik atau blok sebagai kombinasi linier dari nilai conto yang terdapat disekitar titik yang akan diestimasi. Pengembangan ordinary kriging adalah robust kriging yang mentransformasi bobot variogram pada variogram klasik sehingga menjadi variogram yang robust terhadap outlier. Yaitu pendugaan nilai su atu peubah pada suatu titik tertentu menggunakan data lebih dari satu peubah dengan mengamati data yang sejenis pada lokasi lain. . Ordinary kriging biasanya hanya memiliki satu fungsi variogram yang berlaku untuk semua lokasi. dilakukan 2.

Endra. 2006.DAFTAR PUSTAKA Angen Laksana. Bandung. Pendekatan Fuzzy Kriging Pada Analisis Data Spasial. Yogyakarta. System Ordinary Kriging Untuk Matriks Data yang Dibagi Menjadi 4 Bagian. Bambang. 2007. 2005. Robust Kriging Untuk Interpolasi Spasial Pada Data Spasial Berpencilan (Outlier). Wenny. Suharjo. Darmanto dan Soepraptini. S. Malang Rokhma. Jakarta. 2010. . Analisis Data Geostatistik Dengan Pendekatan Kriging Universal.

Mata Kuliah : Rekayasa Perhitungan Cadangan Metode Ordinary Kriging OLEH: IRIANTO RANTE PASANG YASER ADHITYA ACHMAD PABIANUS RAMPEAN PANGKI TRI SADLY CHRISTIANUS SANDY DADANG ARYANDA D62109281 D62109282 D62109284 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS HASANUDDIN FAKULTAS TEKNIK PROGRAM STUDI TEKNIK PERTAMBANGAN MAKASSAR 2012 .

Sign up to vote on this title
UsefulNot useful