TUGAS

GEOSTATISTIKA

Disusun Oleh:
YEHEZKIEL OTP RG
112.14.0025
KELAS D

PROGRAM STUDI SARJANA TEKNIK PERTAMBANGAN

JURUSAN TEKNIK PERTAMBANGAN
FAKULTAS TEKNOLOGI MINERAL
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2017
 BAB I
PENDAHULUAN

1.1. Latar Belakang Masalah

Statistik spasial dan geostatistik sudah berkembang dan mampu menjelaskan,
serta menganalisa variance yang terjadi akibat phenomena alam dan buatan
manusia, baik diudara, dilaut dan dipermukaan bumi. Geostatistik digunakan
untuk memprediksi data pada lokasi lokasi yang belum diukur (Fischer and Getis,
2010, p21). Salah satu metode prediksi untuk geostatistika yaitu Kriging. Kriging
merupakan metode geostatistika yang memanfaatkan interpolasi spasial pada
suatu regional tertentu untuk mengestimasi nilai pada regional lain yang belum
tersample (Fridayani, Kencana, dan Sukarsa,2012). Ada beberapa metode Kriging
yang umum digunakan, diantaranya adalah Ordinary Kriging dan CoKriging yang
tidak mengakomodir outlier, serta Robust Kriging yang mentransformasi bobot
variogram. Untuk menghitung nilai prediksi pada suatu titik dapat juga
menggunakan persamaan regresi, tetapi regresi hanya bisa dilakukan apabila data
memiliki 2 atau lebih variabel yang saling independent. Apabila variabel tidak
independent menyebabkan asumsi residual tidak terpenuhi. Sementara itu, metode
spasial, khususnya Kriging dapat digunakan sebagai alternatif (Fadly, 2006,p1-2).
Hasil prediksi menggunakan regresi kurang akurat karena fungsi regresi pada
dasarnya adalah menghitung pengaruh faktor independent terhadap data
dependent.

1.2 Tujuan
1. Mengenal aplikasi ilmu statistik pada bidang lain khususnya dalam bidang ilmu
geostatistik.
2. Mempelajari metode kriging sebagai salah satu analisis yang digunakan pada
analisis data geostatistika.
3. Mempelajari cara penggunaan software GS+win10
 BAB II
ISI

2.1. Dasar Teori

Geostatistika adalah ilmu yang digunakan untuk mengolah data geologi atau data
yang mengandung informasi spasial di dalamnya. Sementara, informasi spasial
adalah informasi yang mengidentifikasi lokasi geografis dan karakteristik keadaan
alam atau buatan manusia dan batas2 batas di muka bumi. Terdapat beberapa
metode yang dikenal dalam ilmu
geostatistika, di antaranya metode Inverse Distance Weighted dan metode kriging.
Inverse Distance Weighted (IDW) adalah metode deterministik yang sederhana
dengan mempertimbangkan titik disekitarnya (NCGIA, 1997). Asumsi dari
metode ini adalah nilai interpolasi akan lebih mirip pada sampel yang dekat
daripada yang jauh. Tidak seperti IDW, kriging memberikan ukuran error atau
galatnya. Metode ini menggunakan semivariogram yang merepresentasikan
perbedaan spasial dan nilai diantara semua pasangan data. Semivariogram juga
menunjukkan bobot yang digunakan dalam interpolasi spasial.
Kriging merupakan salah satu metode intepolasi spasial yang memanfaatkan nilai
spasial pada lokasi tersampel untuk memprediksi nilai pada lokasi lain yang tidak
tersampel dengan mempertimbangkan korelasi spasial yang ada dalam data
tersebut. Pada beberapa penelitian, para ahli telah banyak membuktikan bahwa
dalam dunia geostatistika, metode kriging layak digunakan untuk memperoleh
estimasi yang lebih baik dibandingkan metode estimasi lainnya. Salah satu
penyebabnya adalah karena dalam prosesnya, metode kriging bertujuan untuk
meminimalkan variansi dari galatnya.
Dalam perkembangannya, banyak metode kriging yang digunakan untuk
menyelesaikan berbagai kasus yang ada dalam data geostatistik antara lain
ordinary kriging, block kriging, universal kriging, dan banyak lagi metode
lainnya. Penggunaan metode tersebut disesuaikan dengan maksud penelitian dan
data yang ada.
2.2 Metode Penelitian
Metode penelitian meliputi pemetaan geologi dan pengambilan sampel di daerah
penelitian. Data untuk estimasi sumber daya nikel merupakan data sekunder yang
diperoleh dari hasil pemboran prospeksi dengan jarak spasi (500 x 500) m². Data
tersebut meliputi kode titik bor, koordinat lokasi titik bor, ketebalan laterit nikel
dan kadar nikel serta unsur lainnya. Metode estimasi sumber daya dilakukan
dengan menggunakan metode geostatistik ordinary kriging. Metode ini dipilih
karena dianggap 282 lebih teliti dibandingkan dengan metode konvensional.

Metode Geostatistik dan Ordinary Kriging

Kriging adalah suatu metoda geostatistik yang digunakan untuk menaksir
besarnya nilai karakteristik pada titik lokasi yang tidak tersampel berdasarkan data
titik yang tersampel disekitarnya, dengan mempertimbangkan korelasi spasial
yang ada dalam data tersebut. Penggunaan metode kriging dilakukan dalam dua
tahap yaitu tahap pertama menghitung nilai variogram atau semivariogram dan
fungsi covarian. Tahap kedua melakukan penaksiran lokasi yang tidak tersampel.

Semivariogram Eksperimental
Semivariogram adalah perbedaan rata-rata antara dua titik yang terpisah dengan
jarak pada arah tertentu. Semivariogram eksperimental adalah semivariogram
yang diperoleh dari data hasil pengukuran. Semivariogram dapat digunakan untuk
mengukur korelasi spasial berupa variansi selisih pengamatan pada lokasi x dan
lokasi berjarak x + h.
Semivariogram Teoritis
Untuk melakukan analisa data geostatistik perlu dilakukan pencocokan antara
bentuk semivariogram eksperimental dengan semivariogram teoritis yang
mempunyai bentuk kurva paling mendekati. Terdapat tiga model semivariogram
teoritis yang sering digunakan sebagai pembanding dengan semivariogram
eksperimental, yaitu: model spherical, model gaussian dan model eksponensial.
Dari analisis variogram akan diperoleh nilai parameter nugget (Co), range (a) dan
sill (C).
Ordinary Kriging
Ordinary kriging adalah metode kriging paling sederhana yang terdapat pada
geostatistik. Pada metode ini diasumsikan bahwa rata-rata (mean) tidak diketahui
dan bernilai konstan. Beberapa hal yang perlu diperhatikan dalam pengolahan data
dengan metode ordinary kriging antara lain:
1. Mencari nilai rata-rata di seluruh blok.
2. Mempertimbangkan kondisi tak bias dengan menentukan jumlah faktor
pembobotsama dengan satu.
3. Nilai yang diharapkan untuk perbedaan antara Ẑ𝑥 dengan Z sama dengan nol (
Ẑ𝑥 - Z ) = 0.

BAB III
HASIL DAN PEMBAHASAN
3.1. Langkah Kerja

Langkah Kerja Penggunaan Software GS+ dengan data demo 2D Krokiging

adalah sebagai berikut :

1. Memasukkan data dengan cara sebagai berikut:

a. Masukkan data pada Microsoft Excel berupa koordinat lubang bor meliputi
X (absis) dan Y (ordinat) serta kandungan zatnya. Kemudian Copy, lalu
buka GS+ dan klik paste

b. Beri nama dari variable X,Y,Z dengan klik di bagian bawah masing-masing
variable, beri nama lalu klik Ok
Data Z

Data Z2
 c. Simpan data untuk mencegah hilangnya pekerjaan akibat hal-hal yang tidak
terduga dengan klik File-> Save As -> Simpan file di folder yang
dikehendaki dan beri nama -> Save As

2. Menampilkan hasil statistik dengan langkah-langkah sebagai berikut

a. Klik Windows dari menu Toolbar -> Pilih Data Summary -> Pilih Σ
Primary Variate (Z) atau klik Σ pada toolbars
Klik Windows dari menu Toolbar -> Pilih Data Summary -> Pilih Σ
Secondary Variate (Z2) atau klik Σ2 pada toolbars

Akan muncul tampilan layar seperti ini

a. Untuk melihat sebaran data berdasarkan Koor X dan Koor Y, Klik X,Y
Coordinates pada data Summary

b. Untuk melihat regresi statistik. Klik regression

c. Untuk melihat hasil histogram dari statistic tersebut klik ganda pada
gambar Frequency Distribution, maka muncul tampilan berikut :

Data Z

Data Z2
3. Analisis Variogram, dengan cara :
a. Klik Autocorrelation pada menu toolbar -> Variogram -> Primary
Variate(Z)

Klik Autocorrelation pada menu toolbar -> Variogram -> Secondary Variate (Z2)
Sehingga akan muncul tampilan :

Primary Variate

Secondary Variate (Z2)

Cross Variate (Cx Ur)

 Pada Autocorrelation Analysis terdapat :
1. Variabel Active Lag Distance yaitu jarak sampel terjauh yang akan
diamati, Maximal sama dengan jarak terpanjang lubang bor, missal
antara lubang paling selatan dan paling utara
2. Uniform Interval, yaitu keseragaman jarak antar conto yang akan
diamati
3. Principal axis, yaitu arah variogram 0˚ (U-S)
4. Offset Tolerance, yaitu Toleransi sudut, pilih antara 20˚-30˚, bila dipilih
90˚ maka menjadi variogram isotrop

b. Untuk melihat hasil variogram dari data tersebut, isi Active Lag Distance,
Uniform Interval serta Offset Toleransinya, biasanya sudah terisi otomatis,
kemudian klik Calculate, maka akan muncul

Primary Variate (Z)

Secondary Variate (Z2)

 Cross Variate (C x Ur)

c. Pilih model variogram dengan klik Model di Anisotropic Variogram,

kemudian pilih tipe variogram yang diinginkan. Untuk merubah Co, Sill,
Range Mayor dan Range Minor, geser panah ke kiri atau kanan yang ada
dibagian bawah masing-masing variable tersebut.

Primary Variate (Z)

 Secondary Variate (Z2)

Cross Variate (C x Ur)

d. Untuk mengetahui arah penyebarannya, klik Surface. Kemudian ubah

Azimuth sampai nilai A maksimal sama dengan nilai sill

Primary Variate (Z)

 Secondary Variate (Z2)

Cross Variate (C x Ur)

e. Untuk merubah tampilan konturnya, klik double pada gambar, maka akan
muncul tampilan : ( Lakukan yang sama pada Data Z2 )
 Untuk merubah warna kontur, klik Contour Details pada Graph Setting,
pilih Define, dan edit warna sesuai yang kita inginkan, lalu klik ok

f. Untuk mendapatkan gambar kontur tiga dimensi, klik 3d ( Lakukan yang

sama pada data Z2)
4. Lakukan Analisis Kriging
a. Klik Interpolate pada menu Toolbar, kemudian pilih Krig

b. Ada dua macam discretization

1. Block Kriging, interval X dan Y ditentukan sendiri sesuai dengan
ukuran blok yang diinginkan. Pada tampilan variogam, pilih
anisotropic, dan output filenya diubah sesuai folder yang diinginkan.
Untuk nilai Max. Neighbours adalah pencarian estimasi maksimum
titik-titik paling dekat dan dapat juga terbatas pada radius yang telah
ditentukan, nilainya telah terisi otomatis yakni 16, nilai anggapan 16 ini
umumnya cukup baik. Pengisian radius Max dengan Range
Variogramnya, jika radiusnya lebih kecil, maka akan dapat estimasi
yang lebih mendekati dengan data aslinya .

2. Poin Kriging, yaitu pengestimasian hanya berdasarkan pada titik

terdekat, caranya dengan mengklik Point Kriging, untuk interval sama
dengan cara Block Kriging
Untuk melihat bentuk 2d, dan hasil estimasi dari Kriging, klik Calculate
pada Interpolation,

Maka akan muncul tampilan

Untuk melihat dalam 3D, klik double pada gambar, lalu pilih 3d dan klik
Ok
Untuk melihat hasil estimasi kriging dan standar deviasi dari data, pilih x
untuk exit dari gambaran 3d, lalu pada map klik view
 Maka akan muncul tampilan sebagai berikut

c. Untuk melihat hasil X-Validate, pilih Cross Validate pada menu

interpolation dan klik Validate
Maka akan muncul tampilan berikut

Untuk melihat nilai dari X-Validate, klik kanan pada gambar, lalu pilih List
Values
 Maka akan muncul nilainya, seperti tampilan ini :

3.2. Analisis Data

Proses kriging menggunakan aplikasi software GS+ versi.10.0 dengan metode
kriging blok dua dimensi. Pada program GS+ v.10.0 perhitungan semivariogram
eksperimental diperlukan data dari Ms Excel yang meliputi kode sampel atau
kode titik bor, titik koordinat sampel dan kadar nikel. Beberapa tahapan yang
dilakukan adalah sebagai berikut:
1. Langkah pertama membuka software GS+win10 dan masukkan data dengan
mengklik File -> Open File
2. Kemudian memilih Autocorrelation -> Variogram -> Primary Variate

3. Setelah itu akan muncul tampilan dibawah ini,kemudian klik model untuk
memilih model variogram yang diinginkan kemudian klik OK -> Calculate

4. Setelah itu klik Interpolate -> Krig

5. Kemudian akan muncul tampilan seperti dibawah ini dan ubah batas minimum
Number of Neighbors dengan 2, pilih IDW -> Weighting Power dan ubah
menjadi 10 untuk pangkat 10

6. Setelah itu klik Calculate dan akan muncul tampilan Map 2D, untuk mengubah
tampilan ke 3D dapat mengklik 2x tampilan 2D dan akan muncul
pengaturan jika ingin mengubahnya ke 3D

7. Kemudian klik Validate dan akan muncul tampilan hasil regresi dari model
variogram, dari regresi didapatkan hasil Regression coefficient, SE, r2, y
intercept, SE prediction, n.

8. Bila ingin mengubah pangkat ke 50 dapat mengklik IDW -> Weighting Power
dan ubah ke 50

9. Setelah itu pilih Calculate dan akan muncul tampilan 2D

10. Kemudian klik Validate untuk melihat hasil regresinya

Perbandingan regresi setiap model variogram (pangkat 10) :

1. Model Variogram Linier

2. Model Variogram Spherical

3. Model Variogram Eksponensial

4. Model Variogram Gaussian
 BAB IV
KESIMPULAN

Hasil regresi dari setiap model Variogram sebagai berikut :

Model Variogram

Linier Spherical Eksponensial Gaussian

Regression
-1,230 1,051 1,478 0,589
Coefficient
SE 0,655 0,203 0,393 0,150
Hasil Regresi

r2 0,077 0,390 0,252 0,268

y intercept 93,80 -2,87 -21,04 16,89
SE prediction 7,480 6,080 6,736 6,661
n 44 44 44 44