Interpolasi Inverse Distance Weighted

This entry was posted on 10 May 2012, in Coretan. Bookmark the permalink. 1 Comment

Interpolasi adalah metode untuk mendapatkan data berdasarkan beberapa data yang
telah diketahui. Dalam pemetaan, interpolasi adalah proses estimasi nilai pada wilayah
yang tidak disampel atau diukur, sehingga terbentuk peta atau sebaran nilai pada seluruh
wilayah.

Ada beberapa metode yang bisa digunakan untuk melakukan interpolasi seperti Trend,
Spline, Inverse Distance Weighted (IDW) dan Kriging. Setiap metode ini akan memberikan
hasil interpolasi yang berbeda. Postingan kali ini memfokuskan pencarian nilai titik
observasi dari hasil luaran model menggunakan metode IDW dan hasilnya dipetakan lagi
menggunakan SIG.

Metode Inverse Distance Weighted (IDW) merupakan metode deterministik yang

sederhana dengan mempertimbangkan titik disekitarnya. Asumsi dari metode ini adalah
nilai interpolasi akan lebih mirip pada data sampel yang dekat daripada yang lebih jauh.
Bobot (weight) akan berubah secara linear sesuai dengan jaraknya dengan data sampel.
Bobot ini tidak akan dipengaruhi oleh letak dari data sampel.

Untuk mengolah dan menganalisa data secara spasial, Sistem Informasi Geografis (SIG)
biasanya digunakan. Didalam analisa spasial baik dalam format vektor maupun raster,
diperlukan data yang meliputi seluruh studi area. Oleh sebab itu, proses interpolasi perlu
dilaksanakan untuk mendapatkan nilai diantara titik sampel. Hal ini bertujuan agar
dalam perbandingan nilai dari titik observasi dan titik model bisa berimbang.

Data hasil keluaran model prediksi cuaca numerik berupa data grid, sehingga dalam satu
wilayah spasial bisa terdiri dari banyak grid tergantung dari resolusinya. Sedangkan data
observasi merupakan data pengamatan yang terletak pada suatu titik tertentu
berdasarkan koordinat. Dari pengertian ini, bisa diartikan bahwa lokasi antara titik
observasi dan grid bisa sama atau berada dalam area antar grid. Dimana titik merah
adalah grid dari data model dan titik biru adalah lokasi yang akan dicari datanya.
Selanjutnya mencari nilai titik observasi yang berada di dalam suatu grid model
menggunakan metode interpolasi inverse distance weighted (IDW). Ide dasar dalam
mencari nilai titik observasi adalah memanfaatkan berkas database model, selanjutkan
dispasialkan bersama titik pos hujan kerjasama. Titik-titik yang berada dalam suatu grid
dikelompokan dan dihitung berdasarkan titik grid diluarnya dengan persamaan
interpolasi IDW. Untuk mendapatkan berkas database model bisa membaca postingan
sebelumnya tentang Merubah Tampilan GrADS menjadi Shapefile.

Untuk lebih mudah dalam menginterpretasikan gambar diatas, lihat dulu ilustrasi
gambar dibawah ini :
Penghitungan metode interpolasi dilakukan secara manual setelah mengumpulkan grid-
grid dan titik-titik yang diperlukan. Hasilnya seperti contoh tabel berikut :

Nilai pada kolom dengan arsiran warna hijau merupakan nilai hasil interpolasi dari titik
observasi, jika di peta kan dalam software GIS hasilnya kurang lebih akan seperti ini :

Semoga bermanfaat.

Sumber :

Pramono, G. H., 2008, Akurasi Metode IDW dan Kriging untuk Interpolasi Sebaran
Sedimen Tersuspensi di Maros Sulawesi Selatan, Forum Geografi, Vol. 22, No. 1, Juli 2008:
145-158.
Hartkamp, D., Beurs, K. D., Stein, A., et al, 1999, Interpolation Technique for Climate
Variables, CIMMYT Natural Resource Group, Geographic Information Sustem Series 99-
01.

http://www.uiowa.edu/~geog/health/interp/inv2.html

Metode Model Blok (Grid)

Aspek yang paling penting dalam perhitungan cadangan adalah metode penaksiran, terdapat
bermacam-macam metode penaksiran yang bisa dilakukan yaitu metode klasik yang terdiri
dari NNP (Neighborhood Nearest Point) dan IDW (Inverse Distance Weighting) serta metode
non klasik yaitu penaksiran dengan menggunakan Kriging. Metode Kriging adalah yang
paling baik dalam hal ketepatan penaksirannya (interpolasi), metode ini sudah memasukkan
aspek spasial (posisi) dari titik referensi yang akan digunakan untuk menaksir suatu titik
tertentu. Salah satu keunggulan dalam memperhatikan posisi dalam metode Kriging adalah
adanya proses screening, yaitu titik referensi yang terletak tepat di belakang suatu titik yang
lebih dekat akan diabaikan. Kelebihan ini tidak mungkin ditemui pada metode klasik yang
selama ini digunakan.
Setelah data-data hasil uji kualitas dari conto dimasukkan ke dalam basis data, kemudian
dilakukan penaksiran data kualitas pada titik-titik (grid) yang belum mempunyai data
kualitas. Nilai data hasil taksiran tersebut merupakan nilai rata-rata tertimbang (weighting
average) dari data conto yang telah ada.
Dalam penaksiran data kadar (kualitas) ini dilakukan teknik-teknik pembobotan yang
umumnya didasarkan pada :
Letak grid atau blok yang akan ditaksir terhadap letak data conto,
Kecenderungan penyebaran data kualitas,
Orientasi setiap conto yang menunjukkan hubungan letak ruang antar contoh.
Pemodelan dengan komputer untuk merepresentasikan endapan bahan galian umumnya
dilakukan dengan model blok (block model). Dimensi block model dibuat sesuai dengan
disain penambangannya, yaitu mempunyai ukuran yang sama dengan tinggi jenjang. Semua
informasi seperti jenis batuan, kualitas, dan topografi dapat dimodelkan dalam bentuk blok.
Metode Neighborhood Nearest Point
Neighborhood Nearest Point (NNP), memperhitungan nilai di suatu blok didasari oleh nilai
titik yang berada paling dekat dengan blok tersebut. Dalam kerangka model blok, dikenal
jenis penaksiran poligon dengan jarak titik terdekat (rule of nearest point), yaitu nilai hasil
penaksiran hanya dipengaruhi oleh nilai conto yang terdekat (lihat Gambar 9), atau dengan
kata lain titik (blok) terdekat memberikan nilai pembobotan satu untuk titik yang ditaksir,
sedangkan titik (blok) yang lebih jauh memberikan nilai pembobotan nol (tidak mempunyai
pengaruh).

Gambar 7
Metode NNP pada model blok.
Metode Invers Distance Weighting (IDW)
Metoda ini merupakan suatu cara penaksiran yang telah memperhitungkan adanya hubungan
letak ruang (jarak), merupakan kombinasi linier atau harga rata-rata tertimbang (weighting
average) dari titik-titik data yang ada di sekitarnya.
Suatu cara penaksiran di mana harga rata-rata suatu blok merupakan kombinasi linier atau
harga rata-rata berbobot (wieghted average) dari data lubang bor di sekitar blok tersebut. Data
di dekat blok memperoleh bobot lebih besar, sedangkan data yang jauh dari blok bobotnya
lebih kecil. Bobot ini berbanding terbalik dengan jarak data dari blok yang ditaksir.
Untuk mendapatkan efek penghalusan (pemerataan) data dilakukan faktor pangkat. Pilihan
dari pangkat yang digunakan (ID1, ID2, ID3, ) berpengaruh terhadap hasil taksiran.
Semakin tinggi pangkat yang digunakan, hasilnya akan semakin mendekati metode poligon
conto terdekat.
Sifat atau perilaku anisotropik dari cebakan mineral dapat diperhitungkan (space warping).
Merupakan metode yang masih umum dipakai.
Metoda seperjarak ini mempunyai batasan. Metode ini hanya memperhatikan jarak saja dan
belum memperhatikan efek pengelompokan data, sehingga data dengan jarak yang sama
namun mempunyai pola sebaran yang berbeda masih akan memberikan hasil yang sama.
Atau dengan kata lain metode ini belum memberikan korelasi ruang antara titik data dengan
titik data yang lain.

Gambar 8
Contoh dimensi hasil penaksiran dengan model blok.

Metode Geostatistik dan Kriging

Kriging adalah penaksir geostatistik yang dirancang untuk penaksiran kadar blok sebagai
kombinasi linier dari conto-conto yang ada di dalam/sekitar blok, sedemikian rupa sehingga
taksiran ini tidak bias dan memiliki varians minimum. Secara sederhana, kriging
menghasilkan seperangkat bobot yang meminimumkan varians penaksiran (estimation
variance) sesuai dengan geometri dan sifat mineralisasi yang dinyatakan dalam fungsi
variogram yang mengkuantifikasikan korelasi spatial (ruang) antar conto.
Metode ini menggunakan kombinasi linier atau weighted average dari data conto lubang bor
di sekitar blok, untuk menghitung harga rata-rata blok yang ditaksir.
Pembobotan tidak semata-mata berdasarkan jarak, melainkan menggunakan korelasi statistik
antar-conto yang juga merupakan fungsi jarak. Karena itu, cara ini lebih canggih dan perilaku
anisotropik dapat dengan mudah diperhitungkan.
Cara ini memungkinkan penafsiran data kualitas secara probabilistik. Selain itu
dimungkinkan pula interpretasi statistik mengenai hal-hal seperti bias, estimation variance,
dan lainnya.
Merupakan metode yang paling umum dipakai dalam penaksiran kualitas/kadar blok dalam
suatu model cadangan.
Dengan teknik rata-rata tertimbang (weighted average), kriging akan memberikan bobot yang
tinggi untuk conto di dalam/dekat blok, dan sebaliknya bobot yang rendah untuk conto yang
jauh letaknya. Selain faktor jarak, bobot ini ditentukan pula oleh posisi conto relatif terhadap
blok dan terhadap satu sama lain. Metode kriging yang digunakan adalah teknik linier
(ordinary kriging). Ordinary kriging cenderung menghasilkan taksiran blok yang lebih merata
atau kurang bervariasi dibandingkan dengan kadar yang sebenarnya (smoothing effect).
Bobot yang diperoleh dari persamaan kriging tidak ada hubungannya secara langsung dengan
kadar conto yang digunakan dalam penaksiran. Bobot ini hanya tergantung pada konfigurasi
conto di sekitar blok dan satu sama lain, serta pada variogram (yang walaupun merupakan
fungsi kadar namun didefinisikan secara global).
Pemodelan pada endapan berlapis misalnya batubara atau lainnya akan lebih sesuai jika
dilakukan dengan cara gridded seam model.
Secara garis besar pemodelan ini mempunyai aturan sebagai berikut :
Secara lateral endapan berlapis dan daerah sekitar-nya dibagi menjadi sel-sel yang teratur,
dengan lebar dan panjang tertentu.
 Adapun dimensi vertikalnya tidak dikaitkan dengan tinggi jenjang tertentu, melainkan dengan
unit stratigrafi dari cebakan yang bersangkutan. Pemodelan dilakukan dalam bentuk puncak,
dasar
Metode Poligon (area of influence)
Metoda poligon ini merupakan metoda perhitungan yang konvensional. Metoda ini umum
diterapkan pada endapan-endapan yang relatif homogen dan mempunyai geometri yang
sederhana.
Kadar pada suatu luasan di dalam poligon ditaksir dengan nilai conto yang berada di tengah-
tengah poligon sehingga metoda ini sering disebut dengan metoda poligon daerah pengaruh
(area of influence). Daerah pengaruh dibuat dengan membagi dua jarak antara dua titik conto
dengan satu garis sumbu.
Andaikan ketebalan endapan bijih pada titik 1 adalah t1 dengan kadar rata-rata k1, maka
volume - assay - produk (V%) = S1 x t1 x k1 (volume pengaruh). Bila spec. gravity dari bijih
=,
maka tonnage bijih = S1 x t1 x k1 x ton.
Untuk data-data yang sedikit, metoda poligon ini mempunyai kelemahan, antara lain :
Belum memperhitungkan tata letak (ruang) nilai data di sekitar poligon,
Tidak ada batasan yang pasti sejauh mana nilai conto mempengaruhi distribusi ruang.

METODE-METODE GRIDDING PADA SOFTWARE SUFFER

Grid adalah jaringan titik segi empat yang tersebar secara teratur ke seluruh area pemetaan.
Grid dibentuk berdasarkan pada data XYZ dan menggunakan algoritma matematis tertentu. Gridding
merupakan proses penggunaan titik data asli (data pengamatan) yang ada pada file data XYZ untuk
membentuk titik-titik data tambahan pada sebuah grid yang tersebar secara teratur. Dalam
pembuatan file grid ini akan diatur mengenai :

1. Geometri garis grid, yang terdiri dari parameter batas grid dan kepadatan grid
2. Metode grid / gridding
Batas grid merupakan batas-batas pemetaan yang diambil dari nilai X terkecil, X terbeasr, Y
terkecil, dan Y terbesar. Nilai X dan Y diambil dari data mentah di worksheet. Batas-batas pemetaan
tersebut membentuk sebuah segi empat dengan koordinat terluar nilai-nilai terbesar dari X dan Y.
kepadatan grid merupakan lebar kolom dan garis pada file grid. Kolom dan baris ini berupa garis grid
minor yang terbentuk oleh proses interpolasi file XYZ di sepanjang sumbu X dan Y. beberapa metode
grid dalam surfer :

1. Inverse Distance to a Power

Metode ini cenderung memiliki pola bulls eyes pada kontur-kontur yang konsentris melingkar pada
titik data. Metode ini merupakan metode penimbangan rata-rata yang sederhana untuk menghitung
nilai jarak grid. Berikut contoh hasil gridding dengan metode Inverse Distance to a Power :
2. Kriging

Kriging adalah metode gridding geostatistik yang telah terbukti berguna dan populer di
berbagai bidang. Metode ini menghasilkan visual peta yang menarik dari data yang tidak teratur.
Kriging adalah metode gridding sangat fleksibel. Dimana krigging dapat menghasilkan jaringan yang
akurat pada data. Krigging merupakan metode default pada surfer. Berikut contoh hasil gridding
dengan metode Kriging :

3. Minimum Curvatur

Metode ini melakukan generalisasi permukaan secara halus. Metode ini juga secara luas
digunakan dalam ilmu bumi karena hasil interpolasi dengan metode Minimum curvatur analog yang
sangat tipis, piringan linier elastis melewati setiap nilai data dengan jumlah minimum yang dapat
berubah. Salah satu kelemahan metode ini adalah kecenderungan mengekstrapolasikan nilai-nilai di
daerah yang tidak ada datanya. Berikut contoh hasil grading dengan metode Minimum curvatur :
4. Modified Shepards Method

Hasil metode ini serupa dengan inverse distance, tetapi apabila parameter smoothing
diaktifkan maka kecenderungan kontur membentuk pola bulls eye tidak akan trjadi. Dengan
menggunakan metode ini kita dapat meramalkan kemungkinan nilai-nilai di luar rentang Z dari data
yang kita miliki. Berikut contoh hasil gradding dengan metode Modified Shepard :

5. Natural Neighbor

Metode ini menghasilkan kontur yang baik dari data set yang berisi data padat di beberapa
daerah dan data jarang di daerah lainnya. Hal ini tidak menghasilkan data di daerah tanpa data dan
tidak ekstrapolasi nilai-nilai Z di luar grid jangkauan data.

6. Nearest Neighbor

Metode ini efektif untuk data-data XYZ yang tersebar merata dalam setiap daerah pemetaan,
tetapi akan terjadi masalah apabila data XYZ tidak tersebar merata akan mengakibatkan hasil kontur
 menjadi bias. Metode Nearest neighbor menggunakan yiyik terdekat untuk memberikan nilai pada
node grid. Hal ini berguna untuk konversi secara teraturXYZ data file ke dalam file grid. Metode ini
tidak meramalkan kemungkinan grid Z di luar jangkauan data.

7. Polynomial Regression

Metode ini bermanfaat untuk analisis permukaan secaraumum. Metode ini menampilkan
kecenderungan kemiringan pada pola topografi secara umum dengan cakupan wilayah yang luas.
Metode Regresipolinomial memproses data sehingga mendasari skala besar dengan kecenderungan
pola yang ditampilkan. Hal ini digunakan untuk analisis yang cenderung berada di permukaan. Metode
ini dapat memaparkan nilai-nilai grid di luar data jangkauan Z.

8. Radial Basis Function

Metode radial basis function merupakan metode terbaik untuk sebagian besar jenis data.
Tetapi cenderung membentuk pola bulls eye terutama jika parameter smoothing diaktifkan.
Gambar yang dihasilkan dengan metode ini mirip dengan krigging tetapi menghasilkan hasil yang
sedikit berbeda.

9. Trianggulation with linear interpolation

Metode ini bermanfaat menghasilkan analisis patahan. Metode ini membutuhkan data yang
banyak, karena apabila terjadi kekurangan data maka akan terjadi pembentukan pola segitiga pada
permukaan kontur. Walau demikian metode ini dapat menangani situasi sulitseperti pembuatan fitur
seperti teras dan lubang. Metode ini tidak mengekstrapolasi nilai-nilai Z di luar jangkauan data.

10. Moving Average

 Metode ini hanya berlaku pada set data yang sangat besar dan banyak (misal >1000 titik data)
sehingga dapat menggabungkan data breakline. Metode Moving Average ini memberikan nilai ke
node jaringan dengan rata-rata data di dalam elips pencarian node grid.

11. Data Metrics

Metode gridding satu ini digunakan untuk membuat informasi grid tentang data. Metode
gridding data metrik secara umum cenderung tidak menginterpolasi rata-rata dari nilai-nilai Z.

12. Local Polynomial

Metode ini paling berlaku untuk set data yang halus lokal (misalnya relatif halus permukaan dalam
lingkungan pencarian). Metode gridding Polynomial local memberikan nilai ke node jaringan dengan
menggunakan kuadrat terkecil berbobot sesuai dengan data di dalam elips pencarian node grid.
Definisi Metode Krigging

Teknik estimasi dengan cara geostatistik, didasarkan atas studi variabilitas spasial di badan bijih yang
direfleksikan dalam bentuk semivariogram dengan menggunakan matriks. Teknik estimasi ini lebih
unggul, karena memperhitungkan penyebaran distribusi peubah terregional, konfigurasi data
dengan blok yang diestimasi, konfigurasi datanya sendiri, besarnya blok yang diestimasi dan juga
memberikan gambaran efisiensi estimasi. Distribusi kesalahan yang dihubungkan dengan perkiraan
ini dinamakan
variasi distribusi kesalahan (varians estimasi).

Suatu perkiraan yang mempunyai varian estimasi relatif besar dimasukkan sebagai estimasi jelek, hal
ini menunjukkan probabilitas dari suatu estimasi menjadi jauh dari kenyataan sebenarnya.
Sebaliknya, varians estimasi yang kecil menunjukkan estimasi mendekati keadaan sebenanya.
Kadangkala, distribusi kesalahan ini dianggab sebagai distribusi normal sehingga interval
kepercayaan baku untuk nilai blok dapat ditentukan.

Matheron berusaha untuk memperkecil kesalahan ini dengan jalan memperhatikan daerah
pengaruh dimana suatu conto berpengaruh terhadap conto didekatnya. Prosedur ini dinamakan
kriging yang diambil dan nama DG. Kridge yang memakainya sebagai korelasi spasial dan estimator
tak bias. Didalam proses kriging ini yang dilakukan adalah memperbaiki/membenarkan nilai estimasi
(tak bias) dan meminimumkkan suatu varians 2 (kriging varians) untuk estimasi. Kriging
mengestimasi kadar titik atau blok dengan menggunakan bobot dan titik yang ada disekelilingnya.
Dan hasil estimasi diperoleh suatu perkiraan kadar blok yang sebenarnya.
22. Persamaan Umum Kriging
Misalkan terdapat suatu kumpulan Si dari n conto dengan volumina yang sama pada suatu tempat
Xi. Maka estimasi kadar Z dari volume V adalah Z* yang diperoleh melalui pembobotan kadar-kadar
conto Z(x), yaitu:

Jumlah faktor pembobotan ,dibuat sedemikian rupa sehingga sama dengan satu.

Dengan cara ini tercapai suatu harga estimasi yang tak bias, artinya perbedaan rata-rata antara Z dan
Z* diharapkan sama dengan nol

E [Z-Z*]= 0

Sehingga varian estimasi didapat:

2E
2E
Atau
2E
dimana (V,V) = varian kadar blok V
(Si,V) = covarian antar kadar blok V dengan kadar conto Xi
(Si,Si) = covarian antar kadar Xi dengan kadar conto Xj
Varians estimasi 2E merupakan fungsi dari faktor-faktor pembobotan i, sama dengan satu. Agar
diperoleh faktor pembobotan yang optimal, dibuat sedemikian rupa sehingga varian estimasi ini
minimum. Hal ini dapat didekati dengan suatu rnultiplikator Lagrange, yaitu:
dimana. adalah faktor Lagrange
Q adalah fungsi yang akan diminimumkan, yaitu 2E
C adalah Pembatas (C=0)
Dengan menurunkan persamaan diatas terhadap , dan yang mana haruslah sama dengan nol
maka akan diperoleh:

Persamaan di atas merupakan sistim linier dan dari persamaan (n + l) sistim kriging dan biasanya
ditutis tidak diketahui yang disebut sebagai dalam bentuk

Dimana:

Atau dalam bentuk matriks pada rumus 12 adalah [E] matriks simetris dari variogramdiantara
seluruh conto dan [D] adalah matriks dan variogram antara blok yang diestimasi dengan harga
conto.

Seluruh varians dan kovarians dapat diperoleh dari variogram dan harga-harga dan dapat dicari
dengan cara menyelesaikan persamaan tersebut terhadap [A], yaitu :
[ A ] = [ E ] ' [D ]

3. Varians Estimasi Kriging

Varians kriging diperloeh dari mendesain sedimikian rupa sehingga varians estimasi minimum, pada
susbstitusi koefisien kriging untuk tiap ke dalam persamaan akan tetapi dapat juga diperloeh dari
penyerderhanaan formula dasar yang digunakan dalam perhitungan kiging.
Persamaan sistem kriging adalah :

k2 =o2- I 0i +

o2 = harga sill (C dalam variogram)

i = harga pembobot dari sampel menuju ke titik pusat
blok
0i = Harga Varains dengan jarak (h) dari sampel ke pusat
blok yang ditaksir
= Harga faktor lagrange hasil perhitungan
4.Sifat Kriging

4.1. Kondisi Tak Bias

Sifat dasar kriging yang terpenting dalam mengestimasi cadangan endapan adalah
kondisi tak bias dan varians estimasi minimum. Kondisi tak bias ini, dalam notasi
matematik dinyatakan sebagai berikut:
E= (Z*- Z)=0
Hal ini menunjukkan nilai estimasi rata-rata seluruh blok z yang diestimasi mempunyai kadar yang
sama dengan kadar sebenarnya. Sifat ini unik untuk kriging, dimana hanya terjadi pada kasus harga
terdistribusi normal (Z normal, Z* normal dan garis regresi berupa garis lurus).

4.2 Efek Penghalusan (Smoothing)

Untuk mengetahui varians harga krigge dibandingkan dengan varians harga sebenarnya digunakan
suatu diagram korelasi. Dan diagram ini terlihat bahwa rata-rata yang tinggi cenderun g under
estimasi (harga estimasi masih terlalu rendah) dan sebalilknya, sehingga dalam hal ini diperlukan
efek penghalusan. varians harga kriging dan harga sebenarnya dihubungkan dengan persamaan
z2 = z*2 +k2 +2
Kuantitas 2 diabaikan, sehingga menjadi :
z2 = z*2 +k2
Derajat kriging dapat ditunjukkan oleh faktor penghalusan, yaitu :
z2 /z*2

4.3.Hubungan Addivitas Krige

Ada dua metoda penyelesaian didalam mengestimasi suatu blok. Pertama dengan rnembagi blok-
blok menjadi lebih kecil dan yang kedua dengan menganggabnya sebagai suatu kesatuan. Sifat ini
dinamakan sifat addivitas, dan kriging mempunyai sifat ini, bila menggunakan data yang sama dalam
mengestimasi dengan kedua metoda tersebut. Sebagai contoh, pada suatu endapan bijih emas
dalam conto yang sedikit terletak antara 0 sampai 100 gr/ton (nugget), sedangkan kadar emas dalam
blok yang berdimensi beberapa meter kubik hanya akan rnemberikan variasi yang kecil (sekitar 0,1
sampai 3 gilton).

4.4.Interpolasi Exact
Pada dasarnya kriging mempunyai suatu metode interpolasi. Interpolasi ini dikatakan exact (tepat)
bila titik data lebih banyak dilewati garis interpolasi dibandingkan titik lainnya. Dengan kata lain,
support V yang diestimasi sama (serupa) dalam sebahagian besar support V dari data yang ada, dan
sistem kriging menentukan pada waktu kriging mengestimasi suatu titik, untuk titik data yang
diketahui, koefisien bobot diberi harga satu dan untuk titik data yang tidak diketahui adalah nol.

4.5 Efek Tirai/Tabir (Screen Effect)

Kriging memberikan bobot rendah untuk conto-conto yang jauh dari blok yang sedang diestimasi,
dan sebaliknya, tetapi juga dalam perhitungannya rnemperhitungkan poosisi relatif dari conto
terhadap blok dan conto lainnya. Sebagal contoh, yang terletak dekat dal blok seakan membentuk
semacam tirai yang akan memperkecil pengaruh conto yang lebih jauh.

3.PEMILIHAN METODE PENAKSIRAN DAN POLA PENGEBORAN

Pemilihan penaksir kadar blok umumnya didasarkan pada sifat-sifat cebakan yang
Diteliti, poligon cocok diterapkan pada cebakan yang mempunyai kecenderungan penyebaran kadar
merata ke segala arah (skewness 0,5), seperjarak cocok untuk cebakan yang mempunyai
kecenderungan kadar sedikit menyebar (skewness < 0,5); dan kriging cocok diterapkan pada cebakan
yang memiliki penyebaran sangat tidak merata (skewness > 1,5). Penaksir terbaik berurut: poligon,
seperjarak, dan kriging tanpa harus memperhatikan distribusi data. Peneliti telah membuktikan
bahwa pada CV < 0,5 kriging merupakan penaksir terbaik dibandingkan poligon dan seperjarak.
Pekerjaan yang dilakukan sebelum memilih suatu metode penaksiran adalah melakukan analisis.
distribusi data. Statistik deskriptif dapat digunakan untuk mengetahui gambaran keseluruhan data.
Parameter statistik tersebut adalah: jumlah sampel, rataan (mean), simpangan baku, variansi,
skewness, kurtosis, minimum, maksimum, Q1, median, Q2, log-mean, koefisien variasi (lebih detil
lihat Waterman, 1999). Joumel (1983:445) dan Kim (1988) menyarankan penggunaan koefisien
variasi sebagai kriteria pemakaian kriging linier. Journel menyimpulkan bahwa kriging linier
menghasilkan taksiran yang akurat pada data dengan koefisien variasi < 1. Namun pada distribusi
data sangat miring dengan koefisien variasi 2-5, kriging linier mulai bermasalah. Kim menyarankan
untuk berhati-hati bila koefisien variasi berkisar antara 0,5-1,5. Untuk data dengan koefisien variasi >
1,5 kriging linier tidak menghasilkan'taksiran yang memuaskan dan harus menggunakan kriging
nonlinier (lihat Waterman, 1998). Umumnya data dengan koefisien variasi tinggi sering memiliki
nugget yang tinggi pula.

Tinggi-rendah nilai nugget terhadap sil/ merupakan indikator untuk mengetahui korelasi spasial dari
data yang akan digunakan untuk penaksiran. Nisbah nugget/sill dapat dipakai untuk mengetahui
korelasi spasial tersebut. Apabila nisbah nugget-sill > 50% kriging tidak menghasilkan taksiran yang
akurat. Pada kondisi tersebut metode penaksiran yang dipakai adalah seperjarak. Apabila nugget
mendekati sil/, taksiran kriging sama denganrataan aritmatika biasa sehingga tidak ada pilihan lain
kecuali menggunakan poligon sampel terdekat untuk menaksir kadar blok.

Berdasarkan diskusi di atas, studi tentang korelasi spasial terhadap data lebih penting dan lebih
dahulu dilakukan daripada langsung menentukan metode penaksiran yahg akan dipakai. Selanjutnya
tahapan berikut adalah menentukan parameter penaksiran berdasarkan korelasi spasial data.
Parameter tersebut adalah:jarak pencarian sampel ke arah sumbu mayor (kontinuitas spasial
terbesar), ke arah sumbu minor (kontinuitas spasial terkecil) dan arah vertikal, jumlah maksimum
dan minimum sampel yang digunakan, serta parameter variogram meliputi: nugget, sill, dan range.

Pada tambang-tambang besar dan modern seperti tambang logam mulia, pola pengeboran tidak lagi
dibatasi pola segiempat atau selang-seling. Pengeboran dapat dilakukan di permukaan, tunnel, atan
drift ke segala arah dengan koordinat collar yang sama. Pola pengeboran ke segala arah tidak
memakai lagi konsep pola segiempat atau selang-seling. Penaksiran kadar segala arah dilakukan
dengan menentukan dahulu parameter penaksiran berdasarkan studi variografi. Sampel tersebar
dalam ruang 3D, sehingga pencarian sampel tidak terbatas pada selapis atau dua lapis dari blok saja.
Penaksiran blok berdasarkan jarak pencarian sampel searah sumbg mayor dan minor dengan sampel
tersebar teratur atau tidak teratur (tergantung konfigurasi). Pekerjaan selanjutnya adalah analisis
statisitk dan terakhir adalah pemilihan metode penaksiran.