Anda di halaman 1dari 13

TUGAS GEOSTATISTIK

UNVARIAN DAN VARIOGRAM

Disusun Oleh :
Kelompok 4
Nandito Andrian

(103 14 11 042)

Rajesta Fahru .W

(103 14 11 049)

Rico Heru Tambunan

(103 14 11 056)

Tri Windy Astuti

(103 14 11 066)

JURUSAN TEKNIK PERTAMBANGAN


FAKULTAS TEKNIK
UNIVERSITAS BANGKA BELITUNG
2016
1. Analisis Diskriftif Unvarian
Rata-rata (mean): Merupakan hasil bagi dari sejumlah skor dengan banyaknya
responden.

Rumusnya untuk data tidak berkelompok :


n

xi

Ket :

x= i=0
n

xi = nilai data
n = jumlah data
i = nilai 1 sampai n

Contohnya:
Data =
1.0 0.98 1,3 1,4 1,2 1,7 1,5 1,5 1,4 1,5 1,5 1,2 1,3 1.0 1,1 1.0
Penyelesaian :
n

xi

x= i=0
n

(1,0+0,98+1,3+1,4 +1,2+1,7+1,45+1,5+1,35+1,5+ 1,52+1,2+1,3+1,0+ 1,1+1,0)


16
20,5
16

= 1,28
Median (nilai tengah) : nilai tengah dari data-data yang terurut.
Rumusnya :
- Untuk n ganjil
n1
k=
, Med = Xk+1
2
-

Untuk n genap
Median =

1
2

Contohnya :
0,98 1,1

1,3

1,5

1,0

1,2

1,35

1,5

1,0

1,2

1,4

1,52

1,0

1,3

1,45

1,7

Penyelesaianya :

{Xk + Xk+1}

k=

16
=8
2

1
median= ( x k +x k +1)
2

1
( x 8+ x 8 +1 )
2

1
(1,3+ 1,3 )
2

2,6
=1,3
2

Modus (nilai yag sering muncul) : data yang paling sering muncul, atau data yang
mempunyai frekuensi terbesar. Jika semua data mempunai frekuensi yang sama berarti
data-data tersebut tidak mempunyai memiliki modus, tetapi jika terdapat dua yang
mempunyai frekuensi terseut maka data-data tersebut memiliki dua buah modus, dan
seterusnya.
Contohnya :
1.
0
Data =

0.98 1,3 1,4 1,2 1,7 1,5 1,5 1,4 1,5 1,5 1,2 1,3 1.0 1,1 1.0

Jadi modus dari data diatas adalah 1,0 karena jumlah datanya paling banyak yaitu 3.
Standar deviasi (simpangan baku) : ukuran sebaran statistik yang paling lazim.
Singkatnya, ia mengukur bagaimana nilai-nilai data tersebar. Bisa juga didefinisikan
sebagai, rata-rata jarak penyimpangan titik-titik data diukur dari nilai rata-rata data
tersebut.
Simpangan baku didefinisikan sebagai akar kuadratvarians. Simpangan baku
merupakan bilangan tak-negatif, dan memiliki satuan yang sama dengan data. Misalnya
jika suatu data diukur dalam satuan meter, maka simpangan baku juga diukur dalam meter
pula.
Rumusnya :
x
xi

1
varian=
n

Ket : xi = nilai data

n = jumlah data
S= varian

Contohnya :

xi

x= i=0
n

20,5
=1,28
16

x 1

n
S= varian=
x 1

n
S= varian=

x
xi

1
V=
n

1,28
1,0

1,28
0,98

1,28
1,3

1,28
1,4

1,28
1,2

1,28
1,7

1,28
1,45

1,28
1,5

V =

1,28
1,35

1,28
1,5

1,28
1,52

1,28
1,2

1,28
V= 1,3

1,28
1,0

1,28
1,1

1,28
1,0

V=

(0,784+ 0,09+ 0,0004+0,0144 +0,0064+ 0,1764+0,0289+0,0484 +0,0049+ 0,0484+ 0,0576+0,0064+


16
0,7502
16

V =0,0468875

S= v
0,0468875
0,2165
Koefisien variasi : Perbandingan Koefisien variasi adalah perbandingan antara simpangan
standar dengan nilai antara simpangan standar dengan nilai rata-rata yang dinyatakan
dengan persen- rata-rata yang dinyatakan dengan persen- tase. tase. Koefisien variasi
berguna untuk melihat Koefisien variasi berguna untuk melihat sebaran data dari rata-rata
hitungnya. sebaran data dari rata-rata hitungnya.
Rumusnya :

s
V = 100
x
Contohnya :
s
V = 100
x

0,2165
100
1,28

16,914

Ukuran keruncingan (kurtosis) : suatu ukuran yang dapat digunakan untuk menentukan
runcing tidaknya suatu kurva distribusi. Ada 3 macam Kurtosis yaitu :
Leptokurtik merupakan bentuk kurva kurtosis meruncing, apabila 4 > 3.
Mesokurtik merupakan bentuk kurva kurtosis yang normal, apabila 4 = 3.
Platikurtik merupakan bentuk kurva kurtosis yang mendatar, apabila 4 < 3.

Rumusnya :
Untuk data tidak berkelompok
x
xi

n
M4

=
S4
Contohnya :
Datanya :
x

( x - x )2

( x - x )4

9.98
1.0
1.0
1.0
1.1
1.2
1.2
1.3

0,09
0,0784
0,0784
0,0784
0,0324
0,0064
0,0064
0,0004

1.3

0,0004

0,0081
0,0061
0,0061
0,0061
0,001
0,000041
0,000041
0,0000001
6
0,0000001
6

|x-x|
0,3
0,28
0,28
0,28
0,18
0,08
0,08
0,02
0,02

1.35
1.4
1.45
1.5
1.5
1.52
1.7

0,0049
0,0144
0,0289
0,0484
0,0484
0,0576
0,1764

0,000024
0,00021
0,00083
0,0023
0,0023
0,0033
0,0311

0,07
0,12
0,17
0,22
0,22
0,24
0,42

Penyelesaianya :
S = 0,2165 S4 = 0,0022197 = 2,197.10-3
x
xi

n
M4

=
S4

0,06754632
16
0,002197

4,2216 x 103

2,197 x 103

1,9215

Berdasarkan teori diatas kurtosis memiliki kurva berbentuk Platikurtik karena memiliki nilai

Koefisien Kecondongan Person (Coeffisient Skewness Pearson) : dugunakan untuk


mengetahui konsentrasi suatu kurva distribusi kearah kanan atau kiri. Bila kita ingin
mengetahui simetris atau tidaknya suatu kurva distribusi frekuensi pada niai-nilai
pusatnya, maka dapat kita gunakan perbedaan besar nilai-nilai pusat untuk mendekatinya.
Kurva yang tidak simetris dapat condong ke kiri atau ke kanan. Kurva yang simetris letak
modus, median, dan rata-rata sama. Ada 3 persyaratan untuk mengetahui kensentrasi suatu
kurva distribusi yaitu :
- Bila SK > 0 atau positif, maka distribusi akan berkonsentrasi pada sisi sebelah kanan.
- Bila SK < 0 atau negatif, maka distribusi akan berkonsentrasi pada sisi sebelah kiri.
- Bila SK = 0, maka distribusi akan simetris.
Rumusnya :
Menggunakan Median

3( xmd)
s

sk=

Menggunakan Modus
( x m o)
sk=
s

Contohnya :
Menggunakan Median
sk=

3( xm d)
s

3 ( 1,281,3 )
0,2165

3 (0,02) 0,06
=
=0,277
0,2165
0,2165

Sk < 0 bernilai negatif, maka distribusi akan berkonsentrasi pada sisi ke sebelah kiri.

Menggunakan Modus

Sk =

( xmo ) (1,281,0)
0,28
=
=
=1,29
s
0,2165
0,2165
Sk > 0 bernilai positif, maka distribusi akan berkonsentrasi pada sisi sebelah kanan.

Nilai Maksimum : merupakan nilai yang angkanya paling besar dalam suatu kumpulan
data.
Contohnya :
0,98 1,1

1,3

1,5

1,0

1,2

1,35

1,5

1,0

1,2

1,4

1,52

1,0

1,3

1,45

1,7

Nilai maksimalnya adalah 1,7.


Nilai Minimum : merupakan nilai yang angkanya paling kecil dalam suatu kelompok
data.
Contohnya :
0,98 1,1 1,3
1,5
1,0

1,2

1,35

1,5

1,0

1,2

1,4

1,52

1,0

1,3

1,45

1,7

Nilai minimum dari kelompok data diatas adalah 0,98.

Ukuran Jarak (Range) : Merupakan ukuran variasi yang paling sederhana dan
paling mudah ditentukan nilainya.
Rumusnya :
Range = nilai maxsimum nilai minimum
Contohnya :
0,98 1,1 1,3
1,5
1,0

1,2

1,35

1,5

1,0

1,2

1,4

1,52

1,0

1,3

1,45

1,7

Penyelesaiannya :
Range = Nilai Mak Nilai Min
= 1,7 0,98
= 0,72

2. Variogram
Variogram adalah suatu fungsi vektor yang dapat digunakan untuk
mengkuantifikasikan tingkat kemiripan atau variabilitas antara dua contoh yang
terpisah oleh jarak tertentu.
Rumus matematisnya yaitu :

Contohnya :
Untuk arah Selatan-Utara
1,0
1,2

1,
4
1

1,35

1,7

1,5

1,3

1,45

1,52

1,4

1,5

1,2

1,
5

1,3

0,98

Untuk datanya
1, 0,9 1. 1,
3
8
0
5

[dt -dt ]

=
1
2 N(h)

(h)

1,0

1,
7

1,1

1,
2

1,0
1,
2

1,5
2

1,
5

1,3
5

1.
0

1,
1

1.
0

1,
3

a. Untuk (h)= 25
Penyelesaiannya :
1,
4

1,
3

0,9
8

1,
0

1,
5

1,4
5

1,
7

1,
2

1,
2

1,5
2

1,
5

1,3
5

1,
0

1,
1

1,
0

1,3

16 data
15 pasang data
(25) =

1
{( 1,41,3 )2 + ( 1,30,98 )2+ ( 0,981,0 )2 + ( 1,01,5 )2+ ( 1,51,45 )2 + ( 1,451,7 )2+ (1,71,2 )2 + ( 1,2
2.15

1
{ ( 0,01 ) + ( 0,1024 )+ ( 0,0004 ) + ( 0,25 ) + ( 0,0025 )+( 0,0625 )+ ( 0,25 ) + ( 0 ) + ( 0,1024 )+ ( 0,0004 ) + ( 0,0225 ) + ( 0
30

= 30 (1,0356)
= 0,03452

b. Untuk (h)= 50
Penyelesaiannya :
1,4

1,3

0,9
8

1,0

1,5

1,4
5

1,7

1,2

1,2

1,5
2

1,5

1,3
5

1,0

1,1

1,0

1,3

14 pasang data
(50) =

1
{ (1,40,98 )2+ (1,31,0 )2 + ( 0,981,5 )2+ (1,01,45 )2 +( 1,51,7 )2+ (1,451,2 )2 + ( 1,71,2 )2 + ( 1,2
2.14

1
{ ( 0,1764 )+ ( 0,09 )+ ( 0,2704 ) + ( 0,2025 )+ ( 0,04 ) + ( 0,0625 ) + ( 0,25 ) + ( 0,1024 ) + ( 0,09 ) +( 0,0289 ) + ( 0,25 )+ ( 0
28

= 28 (1,6656)
= 0,05948

c. Untuk (h)= 75
Penyelesaiannya :
1,4

1,3

0,9
8

1,0

1,5

1,4
5

1,7

1,2

1,2

1,5
2

1,5

1,3
5

1,0

1,1

1,0

1,3

13 pasang data
(75) =

1
{( 1,41,0 )2 + ( 1,31,5 )2+ ( 0,981,45 )2 + ( 1,01,7 )2+ (1,51,2 )2 + ( 1,451,2 )2 + ( 1,71,52 )2+ ( 1,2
2.13

1
{ ( 0,16 )+ ( 0,04 ) + ( 0,2209 ) + ( 0,49 )+ ( 0,09 )+ ( 0,0625 ) +( 0,0324 ) + ( 0,09 )+ ( 0,0225 )+ ( 0,2704 ) + ( 0,16 )+ ( 0,1
26

= 26 (1,8512)
= 0,0712

d. Untuk (h)= 100


Penyelesaiannya :
1,4

1,3

0,9
8

1,0

1,5

1,4
5

1,7

1,2

1,2

1,5
2

1,5

1,3
5

1,0

1,1

1,0

1,3

12 pasang data
(100) =

1
{( 1,41,5 )2 + ( 1,31,45 )2 + ( 0,981,7 )2 + ( 1,01,2 )2 + ( 1,51,2 )2+ ( 1,451,52 )2+ (1,71,5 )2 + ( 1,21
2.12

1
{( 0,01 )+ ( 0,0225 )+ ( 0,5184 ) + ( 0,04 )+ ( 0,09 ) + ( 0,0049 ) + ( 0,04 )+ ( 0,0225 ) + ( 0,04 ) + ( 0,1764 ) + ( 0,25 ) + ( 0,0
24

= 24 (1,2172)
= 0,0507