LAPORAN PRAKTIKUM II

PRAKTIKUM STATISTIKA SPASIAL

Interpolasi Metode Geostatistik (Kriging)

Tanggal Penyerahan : 21 November 2017

Disusun Oleh :
Rima Dharmastuti / 23 – 2017 - 091
Kelas C
Nama Asisten :
Herdis Dwi Toga (23-2013-071)
Marianus Filipe Logo (23-2014-118)

LABORATORIUM SISTEM INFORMASI SPASIAL

JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2017
 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

BAB I

PENDAHULUAN

1.1. Maksud dan Tujuan

Praktikum Statistika Spasial mengenai analisis geostatistika ini bermaksud untuk meningkatkan
pemahaman, pengetahuan dan keterampilan dalam melakukan analisis geostatistik dengan metode
interpolasi deterministik, khususnya dengan metode Kriging, dengan data dasar curah hujan dan
batas adminsitrasi Kota Cimahi.

Praktikum Statistika Spasial ini bertujuan agar mahasiswa mampu melakukan analisis data
spasial metode interpolasi deterministik dengan menggunakan tools yang telah disediakan oleh
Software ArcGIS.

1.2. Waktu Pelaksanaan Pekerjaan

Praktikum Statistika Spasial analisis interpolasi curah hujan dengan metode krigging
dilaksanakan pada :
a. Hari / Tanggal : Senin, 13 November 2017
b. Waktu : 15.00 – 17.00 WIB
c. Tempat : R. 18.3.04 Teknik Geodesi Itenas

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 1

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

BAB II
DASAR TEORI
2.1. Interpolasi Geostatistik

Geostatistika adalah salah satu cabang dari statistika terapan yang dikembangkan oleh George
Matheron daric Centre de Morophologie Mathematicque di Fontainebleau, Perancis (1960).
Geostatistika adalah aplikasi dari metode probabilistik pada variable yang diresmikan
(regionalized variable) ( G. Matheron ). Dalam kata lain, geostatistika adalah ilmu yang
mempelajari mengenai fenomena yang berkaitan dalam ruang dan waktu ( Deutsch,2002 ).
Variabel yang diresmikan (regionalized variable) adalah variable yang berada di antara variabel
yang benar – benar acak dan variabel yang benar – benar deterministik. Dalam kata lain, variabel
yang diresmikan ( regionalized variable ) adalah fungsi – fungsi yang menjabarkan variabel –
variabel yang mempunyai distribusi geografis ( misalnya ketinggian / elevasi permukaan tanah ).
Geostatistika merupakan metodologi untuk menganalisis data yang berkorelasi secara spasial serta
memodelkan data spasial. Geostatistika menghasilkan akurasi dan estimasi yang dapat diandalkan
mengenai fenomena pada lokasi yang tidak terukur. Geostatistika memmiliki karakterisitik yaitu
menggunakan variogram atau teknik – teknik lainnya untuk mengkuantifikasi dan memodelkan
struktur korelasi spasial dan juga penggunaan berbagai Teknik interpoasi, seperti kriging, yang
menggunakan model – model korelasi spasial. Prinsip dasar geostatistika adalah bahwa area yang
sering berdekatan akan cenderung memiliki bobot nilai yang tidak jauh berbeda jika dibandingkan
dengan area yang berjauhan.
Interpolasi spasial adalah proses matematis yang mengestimasi nilai yang belum diketahui (
unknown ) dari suatu fungsi ( biasanya fungsi skalar ) pada suatu titik berdasarkan satu set nilai
yang diketahui pada beberapa titik sampel. Interpolasi penting karena terdapat banyak ibjek spasial
yang dipresentasikan sebagai fungsi skalar yang didefinisikan pada suatu bidang, elevasi, distribusi
suhu, harga lahan, dsb. Namun, tidak mungkin untuk engukur nilai fungsi pada semua lokasi
sehingga kita harus mengestimasinya dari satu set nilai yang diketahui. Rasional / gagasan dasar
dari interpolasi spasial adalah Hukum Geografi dari Tobler : “all things are related but nearer
things more so”, artinya jika dua benda lokasinya berdekatan satu sama lain maka keduanya akan
saling serupa dibandingkan dengan benda – benda yang lokasinya saling berjauhan.

A 124

B 108 B akan lebih serupa dengan

A dibandingkan dengan C
C 221
( Hukum Tobler )

Di dalam mengestimasi suatu nilai dari suatu titik tertentu kita berikan bobot yang lebih tinggi
kepada nilai – nilai fungsi pada titik – titik yang dekat dibandingkan titik – titik yang jauh.
Interpolasi spasial adalah fitur yang sangat penting di dalam SIG, hal ini dikarenakan :
1. Interpolasi spasial dapat memberikan kontur untuk menampilkan data secara grafis
2. Interpolasi spasial dapat menghitung ( mengestimasi ) beberapa sifat ( properties ) dari
permukaan pada suatu titik yang diberikan
Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 2
 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

Interpolasi spasial dapat mengubah unit perbandingan ketika menggunakan struktur data yang
berbeda dalam layer yang berbeda

2.2. Metode Kriging/CoKriging

Kriging adalah salah satu tehnik atau metode analisis data yang sering digunakan dalam
pertambangan. Secara umum, kriging merupakan analisis data geostatistika untuk
menginterpolasikan suatu nilai kandungan mineral berdasarkan nilai-nilai yang diketahui.
Suprajitno (2005) menjelaskan bahwa metode ini merupakan metode khusus dalam moving
average terbobot (weighted moving average) yang meminimalkan variansi dari hasil estimasi.
Kriging adalah metode estimasi yang memberikan estimator BLUE (Best Linier Unbiased
Estimator) dari nilai-nilai titik atau rata-rata blok. Metode estimasi ini mempertimbangkan faktor-
faktor yang mempengaruhi akurasi estimasi, yaitu: banyaknya sampel, posisi sampel, jarak antar
sampel dengan titik yang akan diestimasi, kontinuitas spasial dari variabel-variabel yang terlibat
dll. Dengan kata lain metode ini digunakan untuk mengestimasi besarnya nilai karakteristik dari
estimator (𝑧̂ ) pada titik tidak tersampel berdasarkan informasi dari titik-titik tersampel yang berada
disekitarnya.
Metode Kriging sangat banyak menggunakan sistem komputer dalam perhitungan. Kecepatan
perhitungan tergantung dari banyaknya sampel data yang digunakan dan cakupan dari wilayah
yang diperhitungkan. Tidak seperti metode IDW, Kriging memberikan ukuran eror dan confidence.
Metode ini menggunakan semivariogram yang merepresentasikan perbedaan spasial dan nilai
diantara semua pasangan sampel data. Semivariogram juga menunjukkan bobot (weight ) yang
digunakan dalam interpolasi. Semivariogram dihitung berdasarkan sampel semivariogram dengan
jarak h. Kriging mengasumsikan bahwa setidaknya beberapa variasi spasial yang diamati pada
fenomena alam dapat dimodelkan dengan proses acak dengan autokorelasi spasial. Teknik Kriging
dapat digunakan untuk mendeskripsikan dan membuat model pola spasial, nilai prediksi pada
lokasi yang tidak terukur, dan menilai ketidakpastian yang terkait dengan suatu nilai prediksi pada
lokasi yang tidak terukur. Terdapat beberapa tipe krigging yang dapat disesuaikan dengan tipe data
dan perbedaan asumsi yang mendasarinya :
a. Ordinary e. Probability
b. Simple f. Disjunctive
c. Universal g. Empirical Bayesian
d. Indicator h. Aerian Interpolation

Metode tersebut dapat digunakan untuk menghasilkan permukaan berikut :

a. Peta nilai prediksi kriging
b. Peta hubungan standar kesalahan dengan nilai prediksi kriging
c. Peta kemungkinan, yang menunjukkan apakah tingkat kritis prediksi terlampaui atau tidak
d. Peta quantile untuk tingkat probabilitas yang telah ditentukan

Metode ini sangat tepat digunakan bila kita mengetahui korelasi spasial jarak dan orientasi dari
data. Oleh sebab itu, metode ini sering digunakan dalam bidang ketanahan dan geologi. Kelemahan

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 3

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

dari metode ini adalah tidak dapat menampilkan puncak lembah atau nilai yang berubah drastic
dalam jarak yang dekat. Pada praktikum ini, akan dilakukan analisis geostatistik metode
deterministik dengan menggunakan metode Simple Kriging
Simple Kriging mengasumsikan model :
Z ( s ) = µ + ε (s),
Dimana µ adalah konstanta yang diketahui, yaitu Langrange multiplier yang digunakan untuk
meminimalkan galat kriging. Sebagai contoh pada gambar berikut, data pengamatan digambarkan
oleh lingkaran penuh :

Konstanta yang diketahui di representasikan oleh garis putus – putus adalah µ. Hal ini dapat
dibandingkan dengan ordinary kriging, pada simple kriging konstanta µ diketahui secara pasti,
begitu juga dengan ε(s) yang merupakan data lokasi. Namun pada ordinary kriging, melakukan
estimasi nilai µ, sehingga ε(s) juga harus di estimasi. Jika ε(s) diketahui, maka dapat melakukan
estimasi autokorelasi dengan lebih baik daripada melakukan estimasi ε(s).

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 4

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

BAB III
PELAKSANAAN PRAKTIKUM

3.1. Langkah Praktikum

1. Melakukan add data batas administrasi dan curah hujan Kota Cimahi, sehingga hasilnya
menjadi seperti berikut :

2. Melakukan analisis krigging, dengan cara pada tools Geostatistical Analyst 

Geostatistical Wizard..

3. Akan muncul jendela Geostatistical Wizards Kriging / Cokriging untuk memilih metode
analisis geostatistik

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 5

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

Pada jendela di atas, pilih metode yang akan digunakan, yaitu Kriging / Cokriging, kemudian
pada tabs dataset, pada bagian Sourch Dataset pilih curah_hujan dan pada Data Field pilih
intensitas, kemduian klik next

4. Akan muncul jendela Handling Coincidental Samples seperti berikut :

Pada jendela tersebut, memilih metode untuk mengatasi apabila terdapat 2 atau lebih sampel
terdapat pada lokasi yang sama, metode yang digunakan pada praktikum kali ini adalah Use
Mean atau nilai rata – rata, kemudian klik OK

5. Kemudian akan muncul jendela Geostatistical wizard – Kriging step 2 of 5 berikut :

Pada jendela di atas, tidak ada pengaturan yang dilakukan, biarkan seperti default, kemudian klik
next

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 6

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

6. Kemudian akan muncul jendela Geostatistical wizards – Kriging step 3 of 6 berikut :

Pada jendela di atas, pada tabs Type pada bagian Approximation method, pilih Multiplicative
Skewing kemudian klik next

7. Kemudian akan muncul jendela Geostatistical wizards – Kriging step 4 of 6 berikut :

Pada jendela di atas, tidak ada pengaturan yang dilakukan, biarkan seperti default,

kemudian klik next

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 7

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

8. Kemudian akan muncul jendela Geostatistical wizards – Kriging step 5 of 6 berikut :

Pada jendela di atas, tidak ada pengaturan yang dilakukan, biarkan seperti default,
kemudian klik next

9. Kemudian akan muncul jendela Geostatistical wizards – Kriging step 6 of 6 berikut :

Jendela di atas merupakan jendela tampilan pada step terakhir dalam melakukan analisis
geostatistik metode kriging, tidak ada pengaturan yang dipilih, sehingga langsung klik finish
untuk mengakhiri proses analisis kriging.

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 8

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

10. Setelah proses selesai, akan muncul jendela report yang berisi mengenai informasi
pengaturan apa saja yang telah dipilih

11. Berikut adalah hasil dari proses analisis geostatistika metode kriging / simple kriging

12. Melakukan pembuatan kontur dengan cara export to vector data hasil analisis kriging di
atas

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 9

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

13. Kemudian akan muncul jendela GA Layer To Contour berikut :

Pada jendela di atas, isikan input geostatistical layer dengan Kriging, kemudian contour type
dengan FILLED_CONTOUR, serta tentukan tempat penyimpanan hasil pada kolom output
feature class, sehingga hasilnya adalah sebagai berikut :

14. Melakukan clip antara kontur dengan batas administrasi dengan cara pada menu bar
Geoprocessing pilih clip, seperti berikut :

Kemudian akan muncul jendela clip seperti berikut ini :

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 10

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

Pada jendela di atas, pada bagian input features pilih GALayerToContour1_filled, kemudian pada
clip features pilih batas administrasi kemudian klik OK, sehingga hasil dari clip adalah sebagai
berikut :

15. Melakukan pengaturan simbologi terhadap hasil clip dengan cara klik kanan properties
kemudian pilih simbologi

Pada jendela di atas, pilih tab symbologi kemudian pilih categories  unique value
sehingga muncul jendela seperti berikut ini :
Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 11
 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

Pada value field, pilih value max, yang artinya hanya menggunakan nilai maksimum, kemudian
pilih color ramp dan klik add all values kemudian klik OK

16. Berikut adalah hasil akhir dari proses analisis geostatistika dengan menggunakan metode
simple kriging hingga melakukan simbologi terhadap hasil kriging tersebut :

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 12

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

BAB IV
HASIL DAN ANALISIS

4.1. Analisis Simple Kriging

Metode Kriging memerlukan hitungan statistik dari setiap sampel data. Perhitungan statistik
ini dilakukan dengan membuat semivariogram seperti berikut :

Semivariogram / covariance cloud memperlihatkan semvariogram empiris ( setengah dari

kuadrat selisih nilai data) dan covariance untuk semua pasangan lokasi yang ada di dalam suatu set
data dan mengeplotnya sebagai fungsi dari jarak antara kedua lokasi tersebut. Pada grafik
semivariogram di atas, dapat dilihat mengenai model semivariogram yang terbentuk dari data curah
hujan di Kota Cimahi, semakin jauh jarak interpolasi yang dilakukan, variansi dari intensitas hujan
semakin menurun.
Selain pembuatan semivariogram, dalam proses kriging juga dilaksanakan pencarian tetangga
terdekat / Searching Neighborhood yang tertuang pada jendela berikut :

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 13

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

Pada Searching Neighborhood di atas, Neighborhood type yang digunakan adalah tipe standart,
kemudian batasan maksimum tetangga yang dicari adalah sebanyak 5 titik, sedangkan Batasan
minimum tetangga yang dicari adalah sebanyak 2 titik, serta tipe sector yang digunakan adalah 4
sektor dengan 45o offset. Parameter – parameter tersebut adalah Batasan – Batasan yang digunakan
dalam menentukan tetangga yang digunakan untuk melakukan prediksi nilai pada area yang tidak
terukur. Semakin kecil batas maksimum dan minimum yang digunakan dalam pencarian tetangga,
maka semakin spesifik nilai yang di prediksi, namun hasil prediksi kurang valid dikarenakan
kurangnya parameter nilai yang digunakan untuk prediksi.
Tahap terakhir dalam proses analisis dengan kriging adalah cross validation yaitu

Cross Validation menggunakan semua data digunakan untuk estimasi prediksi. Pada hasil cross
validation di atas, jumlah sampel data adalah 265, dan seluruh data sejumlah 265 dilakukan
estimasi prediksi, dengan hasil mean -2.214228, dan besar RMS adalah 90.40006. Nilai RMS yang
dihasilkan masih cukup besar, nilai RMS digunakan untuk mengetahui besarnya penyimpangan
yang terjadi antara nilai prediksi total curah hujan harian dibandingkan dengan nilai total curah
hujan harian actual hasil observasi. Perlu diketahui bahwa untuk validasi estimasi, maka semakin
besar nilai RMS akan semakin jauh nilai total curah hujan harian estimasi terhadap data curah hujan
aktualnya. Semakin kecil nilai RMS, maka semakin baik prediksi total hujannya. Nilai terbaik RMS
adalah 0. Mengingat bahwa tingkat kesalahan yang dapat diminimalisir dapat meningkatkan
tingkat akurasi kualitas estimasi.
Hasil akhir analisis geostatistika metode simple kriging adalah sebagai berikut :

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 14

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

BAB V
KESIMPULAN

5.1. Kesimpulan

Hasil di atas menunjukkan mengenai intensitas curah hujan yang ada di Kota Cimahi dengan
analisis metode simple kriging. Pada hasil di atas, intensitas curah hujan di Kota Cimahi secara
estetika memang lebih bagus jika dibandingkan dengan metode IDW, namun secara hasil
interpolasi lebih teliti dengan menggunakan IDW dikarenakan batasan dalam pencarian tetangga
dalam melakukan prediksi lebih besar, sehingga nilai prediksi yang dihasilkan lebih akurat. Selain
itu, hasil RMS pada metode kriging juga lebih besar jika dibandingkan dengan metode IDW, pada
metode kriging RMS yang dihasilkan sebesar 90.40006, sedangkan pada IDW, RMS yang
dihasilkan adalah 88.54768. Sehingga dapat disimpulkan bahwa metode Kriging kurang baik
digunakan untuk melakukan analisis curah hujan di Kota Cimahi.

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 15

 Praktikum Statistika Spasial : Interpolasi Metode Geostatistik

DAFTAR PUSTAKA

Materi pembelajaran Geostatistika oleh Ibu Dr. Ir. Dewi Kania Sari., M.T
Hadi,Bambang Syaeful (2013).Metode Interpolasi Spasial dalam Studi Geografi. Jurnal
Pendidikan Geografi, FIS, UNY, Vol.11, No.2, hlm. 232-239.
Laksana, Endra Angen. 2010. Analisis Data Geostatistika dengan Universal Kriging.Yogyakarta
: Universitas Negeri Yogyakarta.
Pranomo, Gatot H (2008). Akurasi Metode IDW dan Kriging untuk Interpolasi Sebaran Sedimen
Tersuspensi. Forum Geografi, Vol.22, No.1, hlm 97 – 110.
Purnama, Putu Mirah.dkk (2015). Interpolasi Spasial dengan Metode Ordinary Kriging
menggunakan Semivariogram Isotropik pada Data Spasial. E-Jurnal Matematika, Vol. 4, No. 1,
hlm.26-30.
http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-analyst/understanding-
simple-kriging.htm, diakses pada 19 November 2017

Rima Dharmastuti / 23 – 2017 – 091 / Kelas C 16