EXHAUSTIVE DATA SET

Pada saat pembuatan histogram, penentuan kelas dari suatu distribusi

data sangat diperlukan. Jika suatu data tersebar secara merata, penentuan kelas
tidak lah susah, namun jika nilai data tidak tersebar secara merata maka kelas
dapat diperkecil. Hal in dilakukan agar data dapat tercakup secara rata.
Histogram dengan bukti positif skewness mengindikasikan nahwa terjadi
peningkatan mean beberpa kali terhadap median. Selisih antara mean dan
median yang tinggi akan mengindikasikan adanya variasi yang tinggi pula. Maka
data akan bersifat eratik dan bermaslah ketika proses estimasi. Jika terdapat
kumpulan data bervariasi, untuk meningkatakan akurasi pada saat estimasi,
diperlukan adanya pemisahan menjadi dua kelompok data yang lebih kecil lagi.
Data dengan nilai besar dan data dengan nilai kecil.
Untuk melihat hubungan antara dua buh kumoulan data. Pembuatan
grafik scatterplot sangat diperlukan. Jika dua kumpulan data dikumpulkan dan
dibuat scatterplot nya, maka bisa dilihat hubungan antara kedua hubungan
kumpulan data tersebut. Namun jika pada grafik scatterplot kumpulan data tidak
menunjukan sebuah garis lurus, maka pemisahan data, antara anomali dan
background, sangat lah diperlukan.
Lokasi pengambilan data sangat penting untuk estimasi geostatistik.
Untuk itu diperlukan pembuatan sebuah gambar atau kontur dari nilai data.
Penyajian peta umumnya dibebaskan. Tapi kebanyakan menggunakan nilai cutt
off dari nine decile. Dari gambar persebaran ini, kita dapat menyimpulkan
daerah mana yang memiliki nilai tinggi dan nilai kecil. Jika pada peta kontur, data
yang kita punya tersebar pada daerah yang kecil. Ini menunjukan bahwa sebuah
nilai pada data tersebut akan sedikit lebih kontinyu pada jarak pendek.
Peta kontur dapat dibuat secara lokal dengan cara membagi daerah
perhitungan menjadi suatu area kecil dan tidak saling overlay. Untuk melihat
proporsi efek, maka bisa dibuatkan persebaran antar mean dan standar deviasi.
Jika keduanya tidak memperlihatkan suatu kemiripan, maka dapat disimpulkan
bahwa tidak memiliki proporsional efek yang kuat. Peta kontur kovarian dapat
dibuat dengan 4 arah. Dari peta kontur ini dapat dilihat hubungan kontinuitas

antara data pasangan dengan jarak. Dari peta kontur ini dapat ditentukan arah
sumbu maksimum, minimun, dan menengah nya.
Jika pada peta kontur kovarian, terdapat indikasi anisotrop. Maka
pembuatan kovarian dapat dibagi menjadi dua data set. Pembagian satu untuk
nilai besar dan satu lagi untuk nilai kecil. Setelah dipisahkan, maka zona
anisotrop akan sedikit berbeda jika menyatukan semua data.

SAMPEL DATA SET

Data yang diterima haruslah data yangtidak memiliki kesalahan. Untuk itu
diperlukan adanya pengecekan kembali data. Ada beberpa cara untuk
melakukan pengecekan. Diantaranya adalah melihat populasi data, jika terdapat
satu data yang anomali. Maka perlu diwaspadai, apakah ada kesalhan baik input
data ataupun kesalahan laboratorium. selain itu, data ekstrim tersebut bisa di
plot pada peta. Lalu dilihat dibagian mana data tersebut ada. Apakah data
disebelahnya menunjukan nilai yang berlawanan (sehingga terlihat terisolasi)
atau secara tren datanya hampir sama. Kesalahan ini dapat diantisipasi dengan
menanyakan bagaiman sampel tersebut diambil, siapa saja yang berperan dalam
pengambilan sampel dan berapa kali dilakukan pengambilan sampel.
Untuk melihat sebuah data memiliki distribusi normal atau tidak, bisa
dilakukan dengan membuat q-q plot. Pembuatan q-q plot antara data seluruh
dan data sampel di tiap-tiap program pengambilan sampel sangatlah berguna.
Jika data menyebar disetiap garis pada nilai nol, maka data ini terdistribusi
secara normal. Dapat dibandingkan untuk tiap program pengambilan sampel
nya. Sehingga dapat diperoleh apakah program pengambilan sampel tambahan
itu membuat data semakin acak atau memperbaika data untuk estimasi. Nilai
data akan menjadi eratik diarea dimana lokal mean nya tinggi. Penambahan
sampel di daerah anomali tinggi akan membuat lebih baik karena akan
meningkatkan keyakinan bahwa dimana proporsional efek akan membuat
semakin tidak akurat.

Semakin tinggi koefesien variasi dan median

mengindikasikan semakin tinggi skewness nya.

Penggambaran kontur sangat lah berguna untuk melihat spasial
kontinuitas. Keuntungan kontur lainnya adalah kita dapat mengetahui lebih rinci

kejanggalan dari sampel. Kita dapat melihat lokasi nilai ekstrim ataupun jarang
ataupun daerah dengan nilai yang sangat bervariasi. Dari kontur juga persebaran
nilai ekstrim tinggi dan rendah akan terlihat yang mana hal ini akan
menimbulkan masalah yang serius kepada akurasi estimasi. Area dengan data
yang berfluktuasi tidak bisa disamakan tingkat akurasi nya dengan nilai yang
tidak eratik. Pada daerah sekitar anomali, daerah yang sangat kontras, maka
diperlukan

adanya

pengambilan

sampel

lagi.

Ini

diperlukan

untuk

menghilangkan atau mendeliniasi daerah anomali tersebut. Untuk daerah yang

tidak terdapat sampel ada baiknya dibiarkan kosong. Apabila daerah ini
diinterpolasi secara otomatis maka data yang kita lihat akan bias dan
membingungkan pada saat interpretasi.
Adanya perbedaan yang sangat ekstrim memberikan perhatian bahwa
kemungkinan terdapat perubahan nilai yang besar pada jarak yang pendek.
Sangat penting mengetahui jika perubahan lokal variabiliti melewati area
tersebut. Jika benar maka dapat diketahui bagaiman lokal variabiliti
berhubungan dengan perubahan lokal mean.

SPASIAL KONTINUITI
Lokasi pengambilan sampel atau keadaan pengambilan sampel akan
berdampak pada nilai dan h-scatterplot. Keacakan ini dapat ditoleraqnsi dan
menerima pasangan data yang dipisahkan sejauh h. kita dapat mentolelir baik
jarak maupun arah. Kesimpulannya, h-scatterplot pada dasarnya tetap, tetapi
persamaan harus lah diubah untuk menjelaskan fakta bahwa tidak harus lagi
pasangan dipisahkan dengan h.
Untuk mengetahui kekontinyuan spasial, maka bisa didekati dengan
pembuatan fungsi korelasi, fungsi kovarian dan variogram. Kesemuanya
menggunakan simpulan statistik dari scatterplot untuk menjelaskan bagiman
spasial kontinyuiti berubah sebagai fungsi dari jarak dan arah. Pada variogram
terdapat komponen berupa:
Range : jarak pemisah antara kenaikan pasangan, nilai variogram juga secara
umum akan meningkat. Dengan kata lain, range adalah jarak dimana nilai data
tidak lagi saling berhubungan.

Sill : garis datar pencapain variogram pada range

Nugget Efek : meskipun nilai variogram untuk h=0 akanmendekati 0, beberapa
faktor espeperti kesalah sampling dan keacakan skala dekat, akan menyebabkan
nilai berbeda pada jarak yang sangat kecil. Ini menyebabkan ketidak kontinyuan
near origin dari variogram. Kenaikan secara vertika pada jarak yang sangat kecil
disebut dengan nugget efek.
Perhitungan omnivariogram tidak berimplikasi bahwa spasial kontinyuiti
sama di semua arah. Karena arah tidak berhubungan pada omnidirectinal
variogram, maka konsentrasi haruslah kepada parameter jarak dengan struktur
yang paling jelas. Selain itu, omnidirectional variogram dapat berfungsi sebagai
tanda bahaya untuk variogram yang eratik. Omnidirectional variogram
membutuhkan banyak pasangan, sehingga penafsiran struktur lebih jelas. Jika
omnidirectional variogram tidak terlihat bagus, kita tidak boleh berharap
directional variogram akan terlihat bagus. Pada h-scatterplot akan menunjukan
nilai suatu sampel memiliki pengaruh besar pada hasil perhitungan. Jika alasan
untuk ke eratikan sampel sudah diidentifikasi, maka kita harus menggunakan
perhitungan variogram untuk menjawab sebuah masalah.
Ketika omnidirectional variogram sudah berlaku, kita bisa memprose
bentuk anisotropi variogram dengan arah yang berbeda. Banyak informasi
penting tentang sumbu anisotropi. Pada mineral deposit, mungkin informasi
geologi tentang pembentukan bijih akan menunjukan arah maksimum dan
minimum kontinyuiti. Sebagai contoh, pada endapan sediment hosted,
maksimum kontinyuiti akan searah dengan perlapisan batuan. Dalam kasus
pencemaran udara, pengetahuan mengenai sumber dan media pembawa
polutan, arah media pembawa polutan, arah aliran airtanah, dapat membantu
dalam memilih arah untuk perhitungan variogram. Tanpa informasi penting itu,
peta kontur tidak dapat memberikan beberapa pernyataan mengenai arah
kekontinuitasan maksimum dan minimum. Salah satu yang penting untuk
mengetahui anisotrop suatau data tanpa mengetahui informasi geologi, adalah
dengan membuat directional variogram ke semua arah.
Ada dua parameter jarak yang harus dipilih. Satu adalah jarak antara hscatterplot berturut, bisa disebut lag spacing atau lag increment, dan satu lagi
adalah nilai jarak tolerasni yang diijinkan. Sampling pattern akan menunujukan

lag increment. Jika sampel diambil secara pseudo-regular grid, grid spacing
biasanya akanmenjadi lag spacing yang bagus. Jika sampel diambil secara acak,
dapat digunakan jarak rata-rata antara sampel yang berdekatan. Jika pola
anisotrop sudah terlihat, dengan jarak sampel lebih dekat daripada lainnya,
parameter jarak akan tergantung pada arah tersebut. Sebagai contoh pada
sampling drill core. Jarak assay secara vertikal akan berbeda dengan jarak
horizontal. Jarak vertikal jauh lebih kecil daripada jarak horizontal. Untuk itu
omnidirectional variogram tidak dianjurkan untuk menunjukan parameter jarak.
Haruslah digunakan jarak yang sama pada saat estimasi. Satu untuk parameter
jarak secara horizontal dan satu lagi untuk parameter jarak secara vertikal. Pada
umumnya lag tolerance adalah setengah dari lag spacing. Pada sampel grid atau
pseudo-regular, lag tolerance biasanya lebih kecil dari setengah lag spacing.
Untuk meliaht ke anisotropan suatu data, maka pembuatan variogram
dengan memasangkan data dapat dilakukan. Pemasangan data dapat dilakukan
dengan menggunakan perpindahan jendela area ataupun radial tolerance. Untuk
pembuatan variogram danmelihat fenomena anisotrop suatu data, maka
variogram sibuat dalam beberapa arah dan dilihat kearah amana sifat
anisotropinya muincul dengan melihat sumbu maksimum dan minimum.
Pada saat pembuatan variogram dan data sampelnya terlihat aneh, kita
hatur berhati hati untuk menghapus data. Karena tidak ada peraturan atau
prosedur yang menjelaskan data mana yang akan dihapus. Data yang dihapus
akan menghasilkan pasangan data hilang. Sehingga hasilnya akan menjadi lebih
eratik atupun mendekati spasial kontinyuiti yang bagus. Atau bahkan akan
membuat data bersifat menjadi nugget efek.
Ada tiga jenis variogram relatif yang sering digunakan untuk
menghasilkan penjelasn spasial kontinyuiti. Yaitu;
Lokal relatif variogram : cara yang sering digunakan untuk menghitung loakl
mean dengan memabagi daerah dan memperlakukan data di dalam area tersebut
sebagai populasi sendiri
General Relatif Variogram : kebalikan dengan lokal relatif variogram, general
relatif variogram tidak memisahkan atau membagi menjadi daerah lokal. Karena
daerah yang kecil dengan dat a yang sedikit akanmembuat data menjadi sangat
eratik.

Pairwise Relatif Variogram : metode ini menyesuaikan perhitungan variogram

dengan kuadrat mean. Pemyesuain ini, meskipun tidak membagi menjadi setiap
pasanagan data, tetapi menggunakan rata-rata dari nilai sebagai lokal mean.