Catatan Kuliah Dr.Ir.

Lilik Eko Widodo, MS

XII-1
Bab 12
Pemodelan Data Dua dan Multi Dimensi

12.1. Pendahuluan

Pemodelan data 2-D merupakan proses representasi data dalam bentuk persamaan
bidang dengan 2 peubah bebas dan 1 peubah tak bebas. Pada pemodelan n-D, data
direpresentasikan dengan persamaan ruang orde n, dengan (n-1) peubah bebas dan 1
peubah tak bebas.

Prinsip-prinsip pemodelan data 1-D yang diberikan di dalam Bab 9 berlaku juga untuk
pemodelan dua dan multi. Pemodelan data 2-D banyak digunakan untuk menyatakan
data-data dalam bentuk peta.


12.2. Pemodelan Data 2-D dengan Polinomial

Secara umum polinomial 2-D derajat tinggi dapat dinyatakan sebagai berikut:


....... y x b y x b y b x b
y x b y b x b y b x b b z
2
i i 9 i
2
i 8
3
i 7
3
i 6
i i 5
2
i 4
2
i 3 i 2 i 1 o i
+ + + +
+ + + + + + =
(12-1)


12.2.1. Model Polinomial 2-D Orde Nol (Bidang Datar)

Pemodelan data 2-D yang paling sederhana berdasar persamaan (12-1) adalah model
polinomial 2-D orde nol atau model konstan yang dinyatakan sebagai berikut:

z b z
o i
= = (12-2)

Model konstan juga disebut dengan model rata-rata berupa persamaan bidang datar
dalam ruang.

12.2.2. Model Polinomial 2-D Orde Satu (Bidang Miring)

Pemodelan data 2-D orde satu berdasar persamaan (12-1) direpresentasikan dengan
persamaan linier sebagai berikut:

i 2 i 1 o i
y b x b b z + + = (12-3)

Persamaan (12-3) digambarkan sebagai bidang miring dalam ruang. Permasalahannya
adalah, bidang miring manakah yang dapat memodelkan data 2-D terbaik. Bidang miring
terbaik adalah yang menghasilkan jumlah deviasi kuadrat terkecil (least square).

Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-2
Dari sudut pandang statistik bidang tersebut menghasilkan sum of squares to deviation
(SS
D
) atau jumlah deviasi kuadrat terkecil dan dapat dinyatakan sebagai berikut:

( )

=
=
= =
n i
1 i
2
i i D
imum min z z SS (12-4)

Penyelesaian masalah nilai optimum akan menghasilkan persamaan normal yang
dinyatakan sebagai berikut:


=
=
=
=
=
=
+ + =
n i
1 i
i 2
n i
1 i
i 1 o
n i
1 i
i
y b x b n b z (12-5)


=
=
=
=
=
=
=
=
+ + =
n i
1 i
i i 2
n i
1 i
2
i 1
n i
1 i
i o
n i
1 i
i i
y x b x b x b z x (12-6)


=
=
=
=
=
=
=
=
+ + =
n i
1 i
2
i 2
n i
1 i
i i 1
n i
1 i
i o
n i
1 i
i i
y b y x b y b z y (12-7)

Persamaan (12-5) s.d. (12-7) merupakan persamaan simultan linier dengan b
o
,b
1
dan b
2

sebagai nilai yang tidak diketahui, dalam bentuk matrik dinyatakan sebagai berikut:

(
(
(
(

=
(
(
(

(
(
(
(

yz
z x
z
b
b
b
y y x y
y x x x
y x n
2
1
o
2
2
(12-8)

Untuk ilustrasi diberikan contoh data kedalaman dasar batuan berumur kapur berikut ini:


Tabel 12.1: Koordinat Lubang Bor
Serta Kedalaman Batuan Dasar Berumur Kapur
pada Lapangan Minyak Anglo-Barren (Davis, 1973)

n x (km) y (km) z (m)

1 10 17 -665
2 21 89 -613
3 33 38 -586
4 35 20 -440
5 47 58 -544
6 60 18 -343
7 65 74 -455
8 82 93 -437
9 89 60 -354
10 97 15 -142


Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-3
Penyelesaian selanjutnya diperoleh hasil-hasil seperti berikut ini.





= = =
= =
= = =
0 . 232342 yz ; 0 . 211098 xz ; 0 . 4579 z
; 7 . 31 y ; 0 . 482 y
0 . 27 xy ; 9 . 36 x ; 0 . 539 x
2
2
(12-9)

Persamaan (12-9) disubstitusi ke dalam Persamaan (12-8) akan menghasilkan
persamaan matrik sebagai berikut:


(
(
(

=
(
(
(

(
(
(

232342
0 . 211098
0 . 4579
b
b
b
7 . 31 0 . 27 0 . 482
0 . 27 9 . 36 0 . 539
0 . 482 0 . 539 10
2
1
o
(12-10)

Penyelesaian selanjutnya persamaan (12-10) akan menghasilkan b
o
= -621.0, b
1
= 4.8
dan b
2
= -2.0, sehingga persamaan bidang miring terbaik didapatkan dengan
mensubstitusikan harga b
o
, b
1
dan b
2
tersebut ke dalam persamaan (12-3), sehingga
diperoleh persamaan berikut ini:

i i i
y 0 . 2 x 8 . 4 0 . 621 z + = (12-11)

Perhitungan parameter-parameter statistik dilakukan dengan tabel berikut.



Tabel 12.2: Pengolahan Data untuk Parameter-parameter Statistik
Pemodelan Data 2-D dengan Polinomial 2-D Orde Satu

n x y z
z ( )
2
z z

( )
2
z z


1 10 17 -665 -606.6 3410.6 22111.7
2 21 89 -613 -695.7 6839.3 56548.8
3 33 38 -586 -537.8 2323.2 6384.0
4 35 20 -440 -492.8 2787.8 1218.0
5 47 58 -544 -510.2 1142.4 2735.3
6 60 18 -343 -369.2 686.4 7867.7
7 65 74 -455 -455.5 0.3 5.8
8 82 93 -437 -411.5 650.3 2153.0
9 89 60 -354 -313.0 1681.0 20996.0
10 97 15 -142 -186.1 1944.8 73875.2

x = y = z = ( )

2
z z

( )

2
z z

539 482 -4579 21466.1 193895.5





Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-4
Dengan memperhatikan Tabel 12.2, maka SS
T
, SS
R
, SS
D
dan R model bidang miring
dapat dinyatakan dan mempunyai harga sebagai berikut:

( ) 5 . 215324 z z z
n
1
z SS
2
n i
1 i
i
2
n i
1 i
i
n i
1 i
2
i T
= =
|
|

\
|
=

=
=
=
=
=
=
(12-12)

( ) 5 . 193895 z z
n
z
z SS
2
n i
1 i
i i
2
n i
1 i
i
n i
1 i
2
i R
= =
|
|

\
|
=

=
=
=
=
=
=
(12-13)

( ) 21429 z z SS SS SS
n i
1 i
2
i i R T D
= = =

=
=
(12-14)

90 . 0
4 . 215324
5 . 193895
SS
SS
R
T
R 2
= = = (12-15)

95 . 0
SS . SS
SS
r
SS
SS
R
y x
xy
T
R
= = = = (12-16)

Mengacu pada paremeter-parameter statistik di atas dapat disimpulkan bahwa, model
polinomial 2-D orde satu cukup representatif memodelkan data yang dicantumkan pada
Tabel 12.1. Berdasar model ini dapat diinterpretasi bahwa, batuan dasar (baserock)
berumur kapur di ladang minyak Anglo-Barren tidak mengalami pelipatan.

12.2.3. Model Polinomial 2-D Orde Tinggi (Permukaan)

Model polinomial 2-D orde tinggi dinyatakan pada persamaan (12-1). Koefisien-koefisien
polinomial ditentukan berdasar persamaan simultan dalam bentuk matrik berikut ini:

2 2 3
2 2
0
2 1
2
2 4
3
4 2 4
3
5
6
3 5
n x y x y xy x . .
b
x x . . . x y . . .
b
y . y . . . . . .
b
b
x . . x . . . . .
b
y . . . y . xy . . .
b
b xy . . . . . . . .
.
x . . x . . . . .
.
. . . . . . . . .
. . . . . . . . .
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

(

(

(
(
(

2
2
3
z
xz
yz
. x z
. y z
. xyz
x z
.
.
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(

(12-17)

Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-5

12.3. Pemodelan Data 2-D dengan Deret Fourier

Model data 2-D dengan deret Fourier merupakan pengembangan model data 1-D
dengan metode yang sama dan dapat dinyatakan sebagai berikut:

+ + =


=

= 1 i 1 j 1 i 1 j
2
sin
2
cos
2
cos
2
cos
2
j
1
i
nm
2
j
1
i
nm ij
y m
x n
y m
x n
z

=
+
1 i 1 j 1 i 1 j
2
sin
2
sin
2
cos
2
sin
2
j
1
i
nm
2
j
1
i
nm
y m
x n
y m
x n

(12-18)

Jika suku dalam cosinus dan sinus dinyatakan sebagai berikut:

2 1
i
2
j
1
i
m
x n
m
x n

j
*
m n
*
m n
y 2
sin S
2
sin S
y 2
cos C
2
cos C
= =
= =
(12-19)

maka persamaan (12-18) dapat dimodifikasi menjadi sebagai berikut:

=
+ + + =
1 i 1 j
*
m n nm
*
m n nm
*
m n nm
*
m n nm ij
) S S C S S C C C ( z (12-20)

Persamaan (12-20) merupakan sistem persamaan linier simultan yang secara simbolik
dapat dituliskan dalam bentuk matrik sebagai berikut:

[A] . [] = [C] (12-21)

[A] adalah matrik yang elemennya merupakan penjumlahan, [] adalah vektor koefisien
Fourier yang dicari dan [C] adalah vektor penjumlahan perkalian silang. Matrik [A]
mempunyai elemen sebagai berikut:

[ ]
(
(
(
(
(
(
(
(

=
2 *
m n
*
1 3
*
m n
*
0 1
*
m n
*
0 0
*
m n
*
m n
*
1 3
2 *
1 3
*
0 1
*
1 3
*
0 0
*
1 3
*
m n
*
0 1
*
1 3
*
0 1
2 *
0 1
*
0 0
*
0 1
*
m n
*
0 0
*
1 3
*
0 0
*
0 1
*
0 0
2 *
0 0
*
m n
*
1 3
*
0 1
*
0 0
*
m n
*
1 3
*
0 1
*
0 0
) S (S S C S S C C S S C C S S
S S S C ) S (C C C S C C C S C
S S C C S C C C ) C (C C C C C
S S C C S C C C C C C C ) C (C nd
S S S C C C C C
S S
S C
C C
C C
A
L L
M M M M
L L
M M M M
L L
L L
L L
M
M

(12-22)


Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-6
n
Vektor koefisen Fourier yang dicari dan vektor perkalian silang yang diketahui masing-
masing mempunyai elemen-elemen sebagai berikut:
[ ] [ ]
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(

=
*
m n
*
1 3
*
0 1
*
0 0
mm
31
10
00
S zS
S zC
C zC
C zC
C

M
M
M
M
dan (12-23)

Jika n dan m berharga nol, maka komponen sinus dan cosinus-nya akan mempunyai
harga nol dan satu seperti dinyatakan sebagai berikut:

0
y ) 0 ( 2
sin
x ) 0 2
sin
2
= =

j
1
i
(
(12-24)

1
y ) 0 ( 2
cos
x ) 0 2
cos
2
= =

j
1
i
(
(12-25)

Harga perkalian sinus dan cosinus lengkap secara skematis diberikan sebagai berikut:


Tabel 12.3: Perkalian Sinus dan Cosinus (II)
m


0
1 2 3 4


cos
*
sin
*
cos
*
sin
*
cos
*
sin
*
cos
*
sin
*
cos
*
sin
*


0
cos 1
C
*
1
S
*
1
C
*
2
S
*
2
C
*
3
S
*
3
C
*
4
S
*
4

sin


1
cos C
1

C
1
C
*
1
C
1
S
*
1
C
1
C
*
2
C
1
S
*
2
C
1
C
*
3
C
1
S
*
3
C
1
C
*
4
C
1
S
*
4

sin S
1

S
1
C
*
1
S
1
S
*
1
S
1
C
*
2
S
1
S
*
2
S
1
C
*
3
S
1
S
*
3
S
1
C
*
4
S
1
S
*
4


2
cos C
2

C
2
C
*
1
C
2
S
*
1
C
2
C
*
2
C
2
S
*
2
C
2
C
*
3
C
2
S
*
3
C
2
C
*
4
C
2
S
*
4

sin S
2

S
2
C
*
1
S
2
S
*
1
S
2
C
*
2
S
1
S
*
2
S
2
C
*
3
S
2
S
*
3
S
2
C
*
4
S
2
S
*
4


3
cos C
3

C
3
C
*
1
C
3
S
*
1
C
3
C
*
2
C
3
S
*
2
C
3
C
*
3
C
3
S
*
3
C
4
C
*
4
C
3
S
*
4

sin S
3

S
3
C
*
1
S
3
S
*
1
S
3
C
*
2
S
3
S
*
2
S
3
C
*
3
S
3
S
*
3
S
3
C
*
4
S
3
S
*
4


4
cos C
4

C
4
C
*
1
C
4
S
*
1
C
4
C
*
2
C
4
S
*
2
C
4
C
*
3
C
4
S
*
3
C
4
C
*
4


sin S
4

S
4
C
*
1
S
4
S
*
1
S
4
C
*
4
S
4
S
*
2
S
4
C
*
3
S
4
S
*
3
S
4
C
*
4



Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-7
n

Untuk kasus dua cycle, maka n dan m berharga 0 dan 1, maka persamaan (12-20) dapat
dimodifikasi menjadi sebagai berikut:

) S S C S S C C C (
) S S C S S C C C (
) S S C S S C C C (
) S S C S S C C C ( z
*
1 1 11
*
1 1 11
*
1 1 11
*
1 1 11
*
1 0 01
*
1 0 01
*
1 0 01
*
1 0 01
*
0 1 10
*
0 1 10
*
0 1 10
*
0 1 10
1 i 1 j
*
0 0 00
*
0 0 00
*
0 0 00
*
0 0 00 ij
+ + +
+ + + +
+ + + +
+ + + + =

=
(12-26)

Dengan memperhatikan Tabel 12.3, maka persamaan (12-26) dapat dimodifikasi
menjadi sebagai berikut:

*
1 1 11
*
1 1 11
*
1 1 11
*
1 1 11
*
1 01
*
1 01 1 10 1 10
1 i 1 j
00 ij
S S C S S C C C
S C S C z
+ + +
+ + + + + =

=
(12-27)

Persamaan (12-27) mempunyai 9 koefisien Fourier, sehingga persamaan matrik (12-21)
akan mempunyai dimensi sebesar 9, seperti ditunjukkan pada persamaan (12-29).
Solusi persamaan (12-29) yang merupakan koefisien Fourier kemudian disubstitusi ke
dalam persamaan (12-27) menjadi persamaan model data z 2-D untuk n da m berharga
0 dan 1. Pemodelan data 2-D dengan deret Fourier menuntut adanya proses
pemrograman komputer, karena melibatkan perhitungan sumasi atu penjumlahan dan
operasi matrik skala besar.

Jika data terdistribusi dalam interval yang teratur, maka koefisien Fourier dapat
ditentukan dengan cara yang lebih mudah, yaitu berdasar formula berikut ini:

= =
= =
= =
= =
=
=
=
=
N
1 i
j
M
1 j
i
ij nm
N
1 i
j
M
1 j
i
ij nm
N
1 i
j
M
1 j
i
ij nm
N
1 i
j
M
1 j
i
ij nm
M
y m 2
sin
N
x n 2
sin z
NM
K

M
y m 2
cos
N
x n 2
sin z
NM
K

M
y m 2
sin
N
x n 2
cos z
NM
K

M
y m 2
cos
N
x n 2
cos z
NM
K

(12-28)

Koefisien-koefisien Fourier yang dihitung berdasar persamaan (12-2) kemudian
disubtitusi ke dalam persamaan (12-20) menghasilkan persamaan model data 2-D
berdasar deret Fourier.


Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-8


Keterangan:

K = 1, jika n = 0 dan m = 0
K = 2, jika n = 0 atau m = 0, namun tidak keduanya berharga nol
K = 4, jika n > 0 dan m > 0

n : jumlah cycle berasosiasi dengan x
m : jumlah cycle berasosiasi dengan y
N : jumlah grid dalam arah x
M : jumlah grid dalam arah y


Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-9








(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(
(
(
(
(

*
1 1
*
1 1
*
1 1
*
1 1
1
*
1
*
1
1
11
11
11
11
10
01
01
10
00
2 *
1
2
1
*
1 1 1
*
1 1
*
1 1
*
1 1
*
1 1
1
*
1
*
1
2
1 1
*
1 1
*
1 1
*
1 1
*
1 1 1
*
1
*
1 1
S zS
C zS
S zC
C zC
zS
zS
zC
zC
z
S S . . . . . . S S C . S S
. . . . . . . . C S
. . . . . . . . S C
. . . . . . . . C C
. . . . . . . . S
. . . . . . . . S
. . . . . . . . C
. . . . . . . C C
S S C S S C C C S S C C nd

(12-29)



Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-10
12.4. Pemodelan Data n-D Linier dengan Polinomial

Pemodelan data n-D dengan polinomial dikembangkan berdasar pada pemodelan data
1-D seperti yang dinyatakan oleh persamaan (11-1) dan pemodelan data 2-D seperti
dinyatakan oleh persamaan (12-1). Pemodelan data n-D linier dengan polinomial dapat
dinyatakan sebagai berikut:

=
=
+ = + + + + =
n i
1 i
i i 0
n
n n 4 4 3 3 2 2 1 1 o i
x b b x b ..... .......... x b x b x b x b b y (12-30)

Koefisien-koefisien b
i
dihitung seperti sebelumnya melalui persamaan matrik. Sebagai
ilustrasi, untuk pemodelan data 3-D linier dengan polinomial, maka persamaan matrik
mempunyai skema dan elemen-elemen sebagai berikut:

(
(
(
(

=
(
(
(
(

(
(
(
(
(

Y X
Y X
Y X
Y
b
b
b
b
.
X X X X X X
X X X X X X
X X X X X X
X X X n
3
2
1
3
2
1
0
2
3
2 3 1 3 3
3 2
2
2
1 2 2
3 1 2 1
2
1
1
3 2 1
(12-31)

Pemodelan data n-D nonlinier dengan polinomial, misalnya untuk pemodelan data 3-D
orde 2 dapat dinyatakan sebagai berikut:


3 2 9 3 1 8 2 1 7
2
3
6
2
2
5
2
1
4 3 3 2 2 1 1 o i
x x b x x b x x b
x b x b x b x b x b x b b y
+ +
+ + + + + + + =
(12-32)

Persamaan matrik untuk perhitungan koefisien-koefisien yang tercantum dalam
persamaan (12-32) mempunyai ekspresi sebagai berikut:
(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(
(
(
(
(

y x x
y x x
y x x
y x
y x
y x
y x
y x
y x
y
b
b
b
b
b
b
b
b
b
b
.
. . . . . . . . . x x
. . . . . . . . . x x
. . . . . . . . . x x
. . . . . . . . . x
. . . . . . . . . x
. . . . . . . . . x
. . . . . . . . . x
. . . . . . . . . x
. . . . . . . . . x
x x . x x x . x x . x n
3 2
3 1
2 1
2
3
2
2
2
1
3
2
1
9
8
7
6
5
4
3
2
1
0
3 2
3 1
2 1
2
3
2
2
2
1
3
2
1
3 2 2 1
2
3
2
1 3 1
(12-33)

Pemodelan data n-D linier atau orde 1 merupakan dasar pemodelan data 2-D dengan
moving average atau kriging yang kemudian sering disebut dengan kringing linier.



Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-11
12.5. Pemodelan Data 2-D dengan Moving Average

Moving average adalah metode pemodelan data yang didasarkan pada nilai rata-rata
sejumlah data di sekitar lokasi data yang dimodelkan. Prinsip nilai rata-rata ini kemudian
diaplikasikan di lokasi-lokasi lain, sehingga dinamakan moving average.

12.5.1. Pemodelan Data Titik (Punctual)

Pemodelan data titik atau punctual data merupakan dasar formula umum moving
average yang dinyatakan sebagai berikut:


i
n
1 i
i k
z w z

=
= (12-34)

w
i
adalah fungsi bobot yang berharga 1/n untuk prinsip nilai rata-rata dan z
i
adalah data
di sekitar lokasi yang ditinjau (
k
z ). Pada persamaan (12-34) bobot atau pengaruh data
sekitar berharga sama. Pada perkembangan selanjutnya nilai bobot dapat ditentukan
berbanding terbalik dengan kuadrat jarak lokasi yang ditinjau terhadap lokasi data di
sekitarnya atau dikenal dengan invers squared distance. Pemodelan data titik dengan
moving average berdasarkan kriteria invers squared distance dapat dinyatakan sebagai
berikut:

=
=
=
n
1 i
2
i
i
n
1 i
2
i
k
d
1
z
d
1
z (12-35)

12.5.2. Pemodelan Data Blok Rata-rata (Block Mean)

Pemodelan data blok rata-rata didasarkan pada pemodelan data titik dan umumnya
digunakan dalam eksplorasi pertambangan, namun demikian metode ini dapat
digunakan untuk kasus-kasus lainnya, padamana data-data terstruktur dalam blok-blok.

Prinsip atau permasalahan inti pemodelan data blok rata-rata dengan moving average
adalah mendapatkan ekspresi hubungan antara model data blok rata-rata blok yang
ditinjau dengan data blok rata-rata eksplorasi di sekitarnya atau dalam daerah tertentu.
Prinsip ini kemudian diterapkan pada blok-blok lainya, sehingga disebut moving
average. Untuk penjelasan, berikut ini adalah gambaran 9 blok penambangan.

Misalkan masing-masing blok mempunyai data eksplorasi, yang jumlah dan lokasinya
tidak teratur. Lokasi data rata-rata eksplorasi untuk setiap blok (
i
z ) ditentukan di titik
tengah masing-masing blok.





Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-12


1

2

3

4

5

6

7

8

9

Gambar 12.1: Blok-blok Penambangan


Data blok rata-rata tidak terpengaruh atau bersifat independen terhadap dimensi blok,
sebaliknya varians-nya sangat tergantung oleh dimensi blok. Data blok rata-rata dan
varians blok ke i dinyatakan sebagai berikut:

=
=
=
m j
1 j
ij i
z
m
1
z (12-36)

=
=

=
m j
1 j
2
i ij
2
i
) z z (
1 m
1
S (12-37)

Indeks i menyatakan blok yang ditinjau, sedang indeks j menyatakan indeks data dalam
blok i. Semakin kecil dimensi blok, maka semakin tinggi nilai varians-nya. Varians
mempunyai nilai yang stabil pada blok dengan dimensi minimal tertentu. Penaksiran
data blok rata-rata dengan cara moving average didasarkan pada formula penaksiran
titik seperti pada persamaan (12-34) yang dimodifikasi menjadi sebagai berikut:


= =
+ + + =
n
1 i
i i 0 i
n
1 i
i 0 k
z z w z (12-38)

k
z ,
i
,
i
z masing-masing adalah nilai taksiran pada blok k, bobot untuk blok i dan data
blok rata-rata eksplorasi untuk blok i. Bobot dapat ditentukan seperti pada kasus moving
average titik, yaitu masing-masing sebesar 1/n atau dengan cara lain, misalnya dengan
kriteria invers squared distance. Penaksiran untuk blok diusahakan sedemikian rupa,
sehingga blok yang ditaksir berada di tengah-tengah blok-blok lainnya. Pada Gambar
12.1, blok yang ditaksir adalah blok 5. Langkah-langkah penaksiran blok rata-rata
dengan metode moving average dilakukan sebagai berikut:



Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS
XII-13
1. Tentukan konfigurasi blok desain moving average, misalkan blok 1 sampai blok 9
seperti pada Gambar 12.1.
2. Hitung data blok rata-rata eksplorasi (
i
z ) masing-masing blok.
3. Tentukan model data rata-rata blok yang ditinjau. Misalkan blok 5 ditentukan sebagai
blok model dalam desain moving average, sehingga model data rata-rata blok 5
dapat dinyatakan sebagai berikut:


= =
+ + + =
9
1 i
i i 0
9
1 i
i i 0 5
z z zr (12-39)

4. Langkah 3 selanjutnya diberlakukan pada blok-blok lainnya dengan konfigurasi blok
seperti pada Gambar 12.1, sehingga akan diperoleh pemodelan data dengan
moving average yang lengkap. Jika seandainya blok-blok lainnya yang lebih jauh
dari konfigurasi blok desain moving average seperti pada Gambar 12.1 akan
dilibatkan dalam penaksiran, maka bobot masing-masing blok dapat ditentukan
berdasar kriteria invers squared distance. Jumlah bobot total harus sama dengan
satu.

Harga koefisen
0
dapat ditentukan sebagai berikut:

=
=
=
=
n i
1 i
i
0
z
n
1
z
z .
'
0

(12-40)

z disebut grand mean atau rata-rata dari data rata-rata eksplorasi (
i
z ). Subtitusi
persamaan (12-40) ke dalam persamaan (12-39) akan didapat persamaan penaksir
yang baru, yaitu:

=
+ =
n
1 i
i i k
z z z
'
0
(12-41)

Metode moving average mempunyai keterbatasan, yaitu akan menghasilkan penaksiran
yang kurang teliti, jika digunakan pada blok-blok eksplorasi yang letaknya berjauhan
dengan blok-blok desain moving average, demikian juga jika data bersifat sangat eratik
atau sangat variatif dalam jarak pendek. Agar diperoleh penaksiran yang teliti sebaiknya
desain moving average meliputi blok-blok di sekitarnya saja.