I.

Korelogram (Correlogram)
Pada dasarnya korelogram merupakan teknik identifikasi kestasioneran data deret waktu
melalui fungsi Autokorelasi (ACF) dan fungsi Autokorelasi parsial (PACF). Korelogram
merupakan gambar/grafik dari nilai ACF pada berbagai lag. Korelogram akan didapat dengan
membuat plot

Zt

yang merupakan koefisien autokorelasi antara

dan

Z t k

pada k .

Dalam grafik ACF, jika gambar ACF membangun sebuah histogram yang menurun cepat (pola
eksponensial) , maka data dikatakan stasioner dalam rata-rata sedangkan jika autokorelasinya
cenderung turun lambat (mengikuti pola garis lurus), maka dapat dikatakan data belum stasioner
dalam rata-rata sehingga perlu distasionerkan melalui proses differencing.
Koefisien autokorelasi sampel pada lag

berikut :
nk

( Z t Z t )( Z t k Z t k )

r k = t =1

nk

( Z t Z )
t=1

dimana :

rk

= koefisien autokorelasi pada lag-k

k = selisih waktu
n = jumlah observasi
z

= rata-rata dari pengamatan {zt}

zt

= pengamatan pada waktu ke-t

z tk

II.

= pengamatan pada waktu ke t-k

KOVARIAN

dinotasikan

rk

dan didefinisikan sebagai

Covariance (atau kovarians) digunakan untuk mengukur besarnya hubungan antara dua
variabel. Jenis hubungan yang dapat terjadi atara dua buah variabel berdasarkan nilai covariancenya adalah:

Positif : bila nilai covariance-nya positif atau > 0

Negatif : nilai covariance-nya negatif atau < o

Zero : bila nilai covariance-nya nol atau = 0

Kovarian dapat juga daikatan sebagai bilangan yang menyatakan bervariasinya nilai suatu
variabel dalam nisbah asosiatifnya dengan variabel lain.
Diberikan N pasang hasil pengukuran (1,1),,(,) dari dua buah kuantitas x dan y, dapat
didefiniskan kovarian dari x dan y yaitu sebagai berikut
=1()()
Jika sekarang kita menggunakan nilai terukur untuk menghitung fungsi (,), standar deviasi q
diberikan oleh

Jika kesalahan dalam x dan y adalah independen, maka =0 , dan persamaan ini tereduksi
menjadi rumus biasa untuk kesalahan propagasi. Apakah ada atau tidak kesalahan yang independen,
Schwarz menyiratkan batas atas

III.

SEMIVARIOGRAM

(Semi)variogram analysis karakterisasi korelasi spasial

 Karakteristik dari Semivariogram

Sill : Nilai semivariance di mana tingkat variogram off. Juga digunakan untuk merujuk pada
"amplitudo" komponen tertentu dari semivariogram. Untuk comtoh di atas, "sill" bisa mengacu
pada keseluruhan sill (1.0) atau perbedaan (0,8) antara ambang keseluruhan dan
nugget (0,2). Fungsi atau arti sill sendiri tergantung pada konteks yang ada.
Range : Jarak lag di mana semivariogram (atau komponen semivariogram) mencapai nilai
ambang. Agaknya, autokorelasi pada dasarnya adalah nol di luar jangkauan.
Nugget : Dalam teori nilai semivariogram pada titik asal (lag 0) harus nol. Jika berbeda secara
signifikan dari nol untuk lag sangat dekat dengan nol, maka nilai semivariogram ini disebut
sebagai nugget. nugget merupakan variabilitas pada jarak lebih kecil dari jarak sampel khas,
termasuk kesalahan pengukuran.

Pemodelan Semivariogram
Demi kriging (atau simulasi stokastik), kita perlu mengganti semivariogram empiris
dengan Model semivariogram yang dapat diterima. Yang mendasari ini adalah bahwa kriging
algoritma akan memerlukan akses pada nilai semivariogram untuk jarak lag selain yang
digunakan dalam semivariogram empiris. Lebih penting lagi, model semivariogram digunakan

dalam Proses kriging harus memenuhi sifat numerik tertentu agar persamaan kriging tersebut
dapat dipecahkan. (Secara teknis, model semivariogram harus non-negative definite, dalam
rangka sistem persamaan kriging untuk menjadi non-singular.) Oleh karena itu, geostatistik
memilih dari palet model semivariogram diterima atau sah. Menggunakan h untuk mewakili
jarak lag, untuk mewakili (praktis) Kisaran, dan c mewakili sill, lima model yang paling sering
digunakan adalah:

Model nugget merupakan diskontinuitas pada titik asal karena variasi skala kecil. Sendiri itu
akan merupakan murni variabel acak, dengan tidak ada korelasi spasial. Model bulat benar-benar
mencapai ditentukan ambang nilai, c, di kisaran tertentu, a. Eksponensial dan Gaussian
pendekatan ambang asimtotik, dengan mewakili berbagai praktis, jarak di mana semivariance
mencapai 95% dari nilai ambang. Ketiga model adalah sebagai berikut:

Model Gaussian, dengan perilaku parabola pada titik asal, mewakili sangat lancar bervariasi
sifat. (Namun, menggunakan Model Gaussian sendiri tanpa efek nugget dapat menyebabkan
ketidakstabilan numerik dalam proses kriging.) The bola dan model eksponensial menunjukkan
perilaku linear asal, sesuai untuk mewakili sifat dengan tingkat yang lebih tinggi dari variabilitas
jarak pendek.
Model dengan ambang terbatas, seperti Gaussian, eksponensial, dan

bulat, yang disebut sebagai

model transisi dan memiliki fungsi kovarians yang sesuai diberikan oleh

covhc
gh.

Model listrik tidak mencapai ambang terbatas dan tidak memiliki sesuai fungsi kovarians. semivariogram
power-law model yang tepat untuk properti menunjukkan perilaku fraktal. kombinasi linear dari model
semivariogram halal juga sah model, sehingga model yang lebih rumit dapat dibangun dengan
menambahkan bersama-sama model dasar yang dijelaskan di atas dengan rentang yang berbeda dan
kusen, yang mengarah ke arti kedua "sill" dibahas di atas. Misalnya, model variogram mungkin terdiri
dari nugget 0,1, sebuah komponen Gaussian dengan berbagai 1500 m dan sill 0,2 dan komponen
eksponensial dengan berbagai 8000 m dan sill 0,6, memberi sill keseluruhan 0,9:

Sebenarnya proses pas model untuk empiris semivariogram jauh lebih dari sebuah seni daripada ilmu,
dengan otoritas yang berbeda menunjukkan metode yang berbeda dan protokol. Sejak semivariogram
empiris sering cukup berisik, sedikit penilaian subjektif masuk ke memilih model yang baik. Berikut
adalah semivariogram untuk data contoh porositas kami, dengan tiga dilengkapi model. Dalam setiap
kasus nilai ambang itu tetap di keseluruhan varians 0,78 dan jangkauan yang diperkirakan menggunakan
tertimbang regresi nonlinear (bobot dengan jumlah pasangan data untuk setiap ketinggalan):

Rentang pas untuk tiga model yang 4141 m untuk bola, 5823 m untuk eksponensial, dan 2.884 m
untuk Gaussian. Itu Model Gaussian memberikan yang terbaik cocok, tapi bola adalah menutup
kedua.

Anisotropy
Pembahasan di atas telah diasumsikan bahwa korelasi spasial Struktur adalah sama di semua
arah, atau isotropik. Dalam hal ini fungsi kovarians, correlogram, dan semivariogram hanya bergantung
pada besarnya vektor lag, h h, dan tidak arah, dan semivariogram empiris dapat dihitung dengan
menggabungkan data pasangan yang dipisahkan oleh jarak yang tepat, terlepas dari arah. semivariogram
seperti digambarkan sebagai omnidirectional. Dalam banyak kasus, bagaimanapun, properti menunjukkan
autokorelasi yang berbeda struktur dalam arah yang berbeda, dan semivariogram anisotropic .Model
harus dikembangkan untuk mencerminkan perbedaan-perbedaan ini. Yang paling Model yang umum
digunakan untuk anisotropi adalah anisotropi geometris, dengan semivariogram yang mencapai ambang
yang sama di semua arah, tapi di rentang yang berbeda. Dalam pengaturan geologi, yang paling menonjol
bentuk anisotropi adalah kontras yang kuat dalam rentang di (Stratigrafi) vertikal dan horisontal arah,
dengan semivariogram vertikal mencapai ambang jendela di jarak yang lebih pendek dari semivariogram
horisontal.

Dalam beberapa pengaturan, mungkin ada juga menjadi anisotropi lateral yang
signifikan, sering mencerminkan terkemuka directionality dalam pengaturan pengendapan
(seperti, bersama dan tegak lurus terhadap saluran). Pendekatan yang paling umum untuk
pemodelan anisotropi geometrik untuk menemukan rentang, kapak, ay, dan az, dalam tiga pokok,
orthogonal arah dan mengubah vektor lag tiga dimensi h hx, hy, HZ menjadi lag isotropik
setara dengan:

ax, ay, and az, in three principal, orthogonal

directions and transform a three-dimensional lag vector
h h x , hy , hz:

Untuk memeriksa ketergantungan arah dalam empiris semivariogram, kita harus menghitung nilai
semivariance untuk data pasangan yang berada dalam band directional tertentu serta jatuh
dalam batas lag yang ditentukan. Band directional yang ditentukan oleh arah azimut diberikan, toleransi
sudut, dan Bandwidth:

Berikut adalah semivariogram porositas dalam arah N 0 E, N 45 E, N 90 E, dan N 135 E dengan

toleransi sudut 22,5 dan tidak ada batas bandwidth, bersama-sama dengan model Gaussian

omnidirectional:

The directional semivariograms are noisier due to the reduced

number of data pairs used for estimation. They do not show
overwhelming evidence of anisotropy.
IV.

NOMOGRAM
Nomogram atau yang biasa disebut juga sebagai nomograph, aligment chart atau
abque, merupakan alat penghitungan grafik, sebuah diagram dua dimensi yang
dirancang untuk approximate graphical computing dari sebuah fungsi. Bidang
nomography pertama kali diperkenalkan pada tahun 1844 oleh seorang engineer dari
perancis Philbert Maurice dOcagne dan digunakan
Nomogram menggunakan sistem kordinat paralel yang diciptakan oleh dOcagne,
dibadingkan koordinat standar Cartesian. Sebuah nomogram terdiri dari satu set
timbangan n, satu untuk setiap variable dalam sebuah persamaan. Mengetahui nilainilai variable n-1, nilai variable yang tidak diketahui dapat ditemukan, atau dengan
menperbaiki nilai dari beberapa variable, hubungan antara yang belum diketahui juga
dapat dipelajari. Hasilnya diperoleh dengan meletakan nilai-nila yang diketahui
secara sejajar pada timbangan dan membaca nilai yang tidak diketahui dari skala
mana nilai tersebut melitas pada variable tersebut. Garis virtual atau garis tarikan
sejajar diciptakan yang disebut sebagai garis indeks atau isopleths.
Seperti slide rule, nomogram adalah perangkat komputasi grafis analaog, dan seperti
slide rule, akurasinya juga dibatasi oleh presisi dengan tanda fisik yang dapat ditarik,
diproduksi
Kebanyakan nomogram digunakan dalam aplikasi dimana jawaban perkiraan yang
tepat dan berguna. Nomogram juga dapat digunakan untuk memeriksa jawaban yang
didapat dari metode perhitungan yang lain. Slide rule ini dimaksudkan untuk

DAFTAR PUSTAKA
Bohling, Geoff.2005. INTRODUCTION TO GEOSTATISTICS And VARIOGRAM ANALYSIS.
Kansas Geological Survey