Anda di halaman 1dari 21

VII.

KORELASI SPASIAL
Pengertian Korelasi
Korelasi mencerminkan derajad kesamaan antara 2 fungsi.

Pengertian
g
Korelasi dalam
m matematika
m
m
Kroskorelasi, integral korelasi antara 2 fungsi f1(t) dan f2(t) adalah

12 ( ) =

f (t ) f
1

(t + ) dt

Dalam bentuk digital, kroskorelasi antara 2 fungsi digital f1(k) dan f2(k)

12 (k ) =

N 1

f (i) f
i =0

(k + i )

Dalam p
perhitungannya
g
y ada proses
p
pergeseran
p g
sejauh
j
k dan penjumlahan.
p j
Jadi kroskorelasi merupakan fungsi pergeseran.
Autokorelasi, korelasi dengan dirinya sendiri
N 1

11 (k ) = f1 (i ) f1 (k + i )
i =0

Contoh: Hitunglah korelasi antara f1 = (1, 2, 3) dengan f2 = (2, 2, 1)

Terlihat bahwa: 12 = 7 bila pergeseran f2 = 0, yang berarti kedua fungsi


masih mempunyai korelasi yang kuat.
kuat Untuk pergeseran = 1 dan -1,
1 kedua
fungsi masih mempunyai korelasi, walaupun nilainya berkurang. 12 = 0, bila
pergeserannya mencapai 3 dan -3, ke 2 fungsi sudah tidak berkorelasi,

Korelasi dalam statistik


Korelasi 2 variabel random X dan Y:

Kor ( X , Y ) = =

Kov ( X , Y )
Var ( X )Var (Y )

Kovarians antara 2 variabel random X dan Y:

Kov ( X , Y ) = E ( XY ) E ( X ) E (Y )
Untuk variabel random diskrit berlaku

E ( XY ) = ( X = x)(Y = y ) P( X = x, Y = y )
Bila variabel random X dan Y independen satu sama lain, maka

E ( XY ) = E ( X ) E (Y )
Sehingga

Kov (X,Y) = 0.

Tapi bila Kov(X,Y


X Y) =0 belum tentu X dan Y independen.
independen
Bila X = Y, maka Kov (X,Y) = Kov (X,Y), yang nilainya diharapkan akan
besar.
Dalam Korelasi maupun Kovarians tidak terlihat adanya unsur pergeseran.

Korelasi dalam geostatistik


Geostatistik adalah statistik ditambah dengan informasi spasial,
yaitu
p
y
statistik untuk menangani variabel teregionalisasi
Z(x) disebut variabel teregionalisasi jika x merupakan titik di dalam
ruang R3 (Z merupakan fungsi posisi x).
x)

Sifat-sifat variabel teregionalisasi


Sifata. Stasionaritas
S i
i lemah
l
h
E {[z(x{[z(x-m)] [z(x+h) m]} = K(x, x+h) = K(h)
Var {{z(x)}
( )} = K(x,
( , x)) = K(0)
( )
dengan m adalah mean = E {Z(x)}
b. Sifat intrinsik
E {Z(x+h) Z(x)} = 0
Var [Z(x+h) Z(x)] = 2 (h)
sehingga (h) = K(0) K(h)
Variabel 2
2 disebut variogram, dan disebut semivariogram. Tapi dalam
aplikasinya yang dimaksud dengan variogram adalah semivariogram .

Dalam Geostatistics: Spatial autocorrelation can be analyzed


using correlograms, covariance functions and variograms (=
semivariograms).
g
)
Correlogram
Correlogram adalah suatu fungsi yang menunjukkan korelasi antara
sample points yang terpisah sejauh h. Korelasi umumnya berkurang
dengan bertambahnya jarak, sehingga mencapai 0 pada jarak tertentu.
g
dapat
p dihitung
g dengan
g rumus:
Correlogram

( h) =

2
z
z

12 h h

N h h2

dengan z1 dan z2 adalah element


element--element 2 sampel (variabel) yang
terpisah sejauh h, penjumlahan dilakukan pada semua pasangan sampel
yang terpisah sejauh h, Nh adalah jumlah pasangan sampel yang terpisah
sejauh h, h dan h adalah Mean dan Deviasi standar sampelsampel-sampel yang
terpisah sejauh h (masing
(masing--masing sampel terboboti oleh jumlah pasangan
sampel yang termasuk di dalamnya)

Contoh perhitungan correlogram


Hitung
g correlogram
g
variabel Z yg berupa
data porositas pada
titik titik yang tertitik-titik
ter
pisah sejauh h = 10,
seperti pada gambar
samping
15

U t k h =10
Untuk
10
Pasangan-pasanagn yang berjarak 10 adalah 10-13, 13-23, 23-18, 18-16, 16-15, dst
Jumlah
J
m
pasangan
p
g Nh = 12. Mean p
pasangan
g data ini = h= ((10+13+23+18+dst)) / 13 = 14
Varians = h2 = { (10-14)2 + (13-14)2 + (23-14)2 + (18-14)2 + dst } / (13-1) = 13.167
Maka nilai correlogram untuk h = 10 adalah:
(h=10) = [ { (10*13) + (13*23) + (23*18) + dst } { 12*142 } ] / (12*13.167 )
= 2822 / 158.004 = 17.86

Untuk h = 20

14

Pasangan-pasangan yang berjarak


j
20 adalah (10-23), (23-16), (16-12), (12-12), (1211), dan (11-14)
Jumlah pasangan Nh = 6. Mean data ini = (10+23+16+12+12+11+14) / 7 = 14
h2 = { (10-14)2 + (23-14)2 + (16-14)2 + (12-14)2 + dst } / (6-1) = 23.6
23 6
Maka nilai correlogram untuk h = 20 adalah:

14

(h=20) = [ { (10*23) + (23*16) + (16*20) + dst } { 6*142 } ] / (6*23.6) = 10


Untuk h = 30
Pasangan yang berjarak 30 adalah: (10-18),
(10-18) (18-12)
(18-12), (12-15)
(12-15), dan (15-14)
Jumlah pasangan Nh = 4. Mean data = h = (10+18+12+15+14) / 5 = 13.8
2 } / (4-1) = 12.27
15
h2 = { (10-13.8)2 + (18-13.8)2 + (12-13.8)2 + (15-13.8)2 + (14-13.8)

Nilai correlogram untuk h = 30 adalah (h=30) adalah:


[ { (10*18) + (18*12) + (12*15) + (15*14) } { 4*13.82 } ] / (4*12.27) = 0.494

Catatan
Correlogram adalah omnidireksional, yang berarti kita tidak peduli
dengan arah h.
h
Analisis geostatistik yang lebih cermat kadangkala memasukkan estimasi
korelogram terarah (directional correlogram), karena kadangkadang-kadang
y berbeda bila arah h berbeda. Jika nilai korelogram
g
bergantung
g
g
nilai-- nya
nilai
pada arah, maka pola spasial variabel teregionalisasi ybs adalah
anisotrop.
Persamaan korelogram bekerja dengan baik hanya bila tidak ada trend
dalam densitas populasi data dalam daerah studi.
studi
Jika ada trend pada data, maka nonnon-ergodic correlogram yang harus
dipakai.

Omnidirectional, N(h) = 45

Directional, N(h) =29

Trend: tingkat kestasioneran dari mean

Stationary
Tidak ada trend

Nonstationary
ada trend
2-3

Variogram
Variogram
(originally
semi-variogram).
This function quantifies
g
g
y called semig
q
the spatial correlation and in the case of second order stationarity it is
expressible in terms of the (auto)covariance function.
Semi--Variogram atau lebih sering disebut Variogram merupakan ukuran
Semi
perilaku data secara spasial. Variogram dipakai untuk menentukan jarak
dimana nilainilai-nilai data pengamatan menjadi saling tidak tergantung atau
tidak ada korelasinya.
korelasinya
Variogram adalah perangkat dasar Geostatistik untuk visualisasi, pemopemodelan, dan eksploitasi autokorelasi spasial dari variabel teregionalisasi
Variogram, pertama kali dipakai di bidang pertambangan (kriging) dalam
perkiraan/perhitungan cadangan yang menyangkut konsep ekstensi atau
perluasan dan konsep perkiraan penyebaran atau kesalahan.
Dalam hal ini, variogram adalah ketidaksamaan harga di suatu tempat
dengan tempat lain dalam suatu ruang.
Karena dipakai di pertambangan
pertambangan, maka beberapa istilah pertambangan
dipakai nama parameter variogram, misalnya: sill (nilai variogramnya
konstan) dan nugget (Nilai penyimpangan variogram dari 0)

Variogram
Rumus untuk variogram dapat diturunkan dari hipothesa intrinsik untuk
variabel teregionalisasi

E [Z ( x + h) Z ( x)] = 0

Var [Z ( x + h) Z ( x)] = 2 (h)


Parameter 2(h) disebut variogram, sehingga (h) disebut semivariogram.
Berdasarkan persamaan intinsik di atas, dapat diturunkan rumus untuk
semivariogram:

1 N (h)
2
( h) =
[
Z
(
x
+
h
)

Z
(
x
)]
i
i
2 N (h) i =1
Dengan Z(xi) adalah nilai pengamatan di titik xi
Z (xi+h) adalah nilai pengamatan di titik xi + h
N(h) adalah banyaknya pasangan titik yang mempunyai jarak h

Contoh perhitungan variogram

Banyak pasangan berjarak a, N(a) = 6


# pasangan berjarak 2a
2a, N(2a) = 5
# pasangan berjarak 3a, N(3a) = 5
# pasangan berjarak 4a, N(4a) = 5
# pasangan berjarak 5a, N(5a) = 4
# pasangan berjarak 6a, N(6a) = 2
# pasangan berjarak 7a, N(7a) = 1

1 N (h)
2
( h) =
[
Z
(
x
+
h
)

Z
(
x
)]
i
i
2 N (h) i =1

(a) = (1/12) [ 12 + 32 + 02 + 02 + 22 + 22] = 1.5


(2a) = (1/10) [ 22 + 32 + 32 + 22 + 22 ] = 3
(3a)
(3 ) = (1/10) [ 22 + 32 + 32 + 42 + 02 ] = 3.8
38
(4a) = (1/10) [ 02 + 32 + 12 + 42 + 22 ] = 3
(5a) = (1/8) [ 12 + 02 + 12 + 22 ] = 0.75
0 75
(6a) = (1/4) [ 12 + 22 ] = 1.25
(7a) = (1/2) [ 12 ] = 0.5

Tingkah laku variogram


1. Nilai variogram disekitar titik
awal,
l dinamakan
di
k sebagai
b
i nuggett
mencerminkan kontinuitas lokal
dan variabilitas data. Jika mendekati kontinyu dan variabilitasvariabilitas
nya kecil, maka nilai variogram di
sekitar titik awal akan 0.
2. Nilai
l variogram untuk
k jarak
kh
yang besar = nilai varians data
ybs, dan nilainya hampir tetap,
yaitu
it = sill
sill.
3. Jarak h, di mana nilainya mencapai sill disebut range
Bila nilai variogram di titik awal tidak sama dengan 0, maka dikatakan bahwa
variogram
g
mempunyai
p y effek nugget.
gg
Nugget
gg mencerminkan adanya
y data
skala kecil yang tidak dapat dikorelasikan. Ada yang mengatakan bahwa
efek nugget ini adalah sampling error

Gambar variogram yang lebih jelas

Penjelasan lain ttg variogram


Variogram
components
g
p
Nugget variance: a nonnon-zero value for g when h = 0.
Produced by various sources of unexplained error (e.g.
measurementt error).
)
Sill: for large values of h the variogram levels out, indicating
that there no longer is any correlation between data points.
The sill should be equal to the variance of the data set.
Range: is the value of h where the sill occurs (or 95% of the
value
l of
f the
th sill).
ill)
In general, 30 or more pairs per point are needed to
generate a reasonable sample variogram.
variogram
The most important part of a variogram is its shape near
the origin, as the closest points are given more weight in the
interpolation
i
l i process.

Variogram teoritis
Variogram yang dihitung berdasarkan data yang ada disebut
experimental variogram.
Untuk keperluan analisis, variogram experimental ini harus diganti
dengan variogram teoritis, yang kurvanya paling mendekati variogram
eksperimentalnya. Dalam geostatistik, pencocokan antara variogram
experimental dan teoritis disebut analisis struktur (structural
analysis).
y
Beberapa jenis variogram teoritis yang sering dipakai:
1. Variogram model bola

(h) = C0 + C1 [1.5 (h a ) 0.5(h a ) 3 ], untuk h a


(h) = C 0 + C1 , untuk h a

Dgn: C0 = Nugget, C1 = komponen struktursl, C0 + C1 = sill, a = range

2. Variogram model eksponensial

(h) = C0 + C1 [1 exp( h b)] , dengan b a 3

3. Variogram model linear

(h) = C0 + C1 (h a )

Jenis variogram (lanjutan)


4 Variogram model Gauss:
4.

(h) = C0 + C1 [1 exp( h 3 b 3 )], dgn b = a

(h) = C0 + C1 (1 cos h) , untuk h 0

5. Variogram model cosinus:

6. Variogram model segitiga: (h) = C0 (h a ) , untuk h a

= C0 , untuk
kha
7. Variogram model Nugget:

(h) = 0 , untuk h < 0


= C0 , untuk h 0

1. Model fBm (fractional Brownian motion):

(h) = VH h

2H

Dgn VH = faktor skala, H = exponen, umumnya = 0.5, 0.6, 0.7, 0.8, 0.9

9. Model fGn (fractional Gaussian noise)

h
1
(h) = VH 2 H 2 2
2

2H

h
2

2H

Variogram
models
Variogram
models must
be positive
p
definite so
that the
covariance
matrix based
on it can be
inverted
( hi h occurs
(which
in the kriging
process).
Because of
this, only
certain models
can be used.
used

Fungsi Kovarians
Salah satu cara untuk melihat ketergantungan antara dua variabel adalah
dengan menghitung nilai kovarians nya. Kovarians didefinisikan sebagai
nilai harapan (expectation) perkalian antara deviasi di sekitar nilai rataratarata.

1 n
Kov ( x, y ) = E [( x x )( y y )] = ( x x )( y y )
n i =1
Fungsi Kovarians C(h) adalah kovarians antara 2 variabel random yang
terpisah sejauh h

CV (h) = Kov[V ( x) V ( x + h)]

= E [V ( x) V ( x + h)] E [V ( x)] E [V ( x + h)]

Fungsi Kovarians antara variabel random pada lokasi yang sama adalah
varians dari fungsi random ybs

CV (0) = Kov[V ( x) V ( x)] = Var [V ( x)]

Hubungan antara fungsi kovarians C(h) dan variogram (h)


Variogram dapat didefinisikan sebagai nilai harapan

1
(h) = E [V ( x) V ( x + h)]
2

Hubungan
H b
antara variogram
i
dengan
d
fungsi
f
i kovarians
k
i
adalah
d l h

(h) = CV (0) CV (h)

Beberapa kesimpulan:

1 Correlogram dan variogram memberikan informasi yang sama.


1.
sama
2. Correlogram dan fungsi kovarians mempunyai bentuk yang sama apabila
correlogram nya diskala sehingga nilai maksimumnya =1.
3. Variogram dan fungsi kovarians mempunyai bentuk yang sama; bedanya
mereka hanya saling bertolak belakang. Pada saat variogram bergerak
dari nilai rendah ke nilai tinggi,
gg maka fungsi
g kovariance bergerak
g
dalam
arah yang sebaliknya.

Hubungan antara variogram dengan fungsi kovarians dapat


dijelaskan dengan gambar berikut:

(h)

Hubunganya adalah:

( h) = C (0) C ( h)
Dengan C(0) adalah nilai
fungsi kovarians pada h = 0