KRIGING

A. Data Spasial
Data spasial adalah jenis data yang diperoleh dari hasil pengukuran yang memuat
informasi mengenai lokasi dan pengukuran. Data ini disajikan dalam posisi geografis dari
suatu obyek, berkaitan dengan lokasi, bentuk dan hubungan dengan obyek-obyek lainnya,
dengan menggunakan titik, garis dan luasan. Data spasial dapat berupa data diskrit atau
kontinu dan dapat juga memiliki lokasi spasial beraturan (regular) maupun tak beraturan
(irregular). Data spasial dikatakan mempunyai lokasi yang regular jika antara lokasi yang
saling berdekatan satu dengan yang lain mempunyai posisi yang beraturan dengan jarak
sama besar, sedangkan dikatakan irregular jika antara lokasi yang saling berdekatan satu
dengan yang lain mempunyai posisi yang tidak beraturan dengan jarak yang berbeda.
Berdasarkan jenis data, terdapat 3 tipe mendasar data spasial yaitu data geostatistika
(geostatistical data), data area (lattice data), dan pola titik (point pattern).

B. Semivariogram Eksperimental
Semivariogram adalah perangkat dasar dari geostatistik untuk visualisasi, pemodelan dan
eksploitasi autokorelasi spasial dari variabel teregionalisasi. Semivariogram
Eksperimental adalah semivariogram yang diperoleh dari data yang diamati atau data
hasil pengukuran. Semivariogram dapat digunakan untuk mengukur korelasi spasial
berupa variansi selisih pengamatan pada lokasi u dan lokasi berjarak u+h. Taksiran
semivariogram eksperimental pada jarak h adalah sebagai berikut:

𝑛(ℎ)
1
𝛾(ℎ) = + ∑ [(𝑍(𝑢𝑖 + ℎ) − 𝑍(𝑢𝑖 ))]
2𝑛(ℎ)
𝑖=1

γ(h) = nilai semivariogram dengan jarak h

Z(𝑢𝑖 ) = nilai pengamatan dititik 𝑢𝑖

Z(𝑢𝑖 +h) = nilai pengamatan dititik 𝑢𝑖 +h

n(h) = banyaknya pasangan titik yang mempunyai jarak h

 Gambar plot semivariogram adalah sebagai berikut:

Keterangan :
 Sill adalah titik jenuh dimana data/sampel yang didapatkan tidak mempunyai
korelasi. Data/sampel yang cenderung horizontal tidak memiliki korelasi yang
sama (konstan).
 Range adalah titik jarak dimana variogram memiliki korelasi yan sama. Semakin
kecil range yang dibuat maka semakin bagus/akurat data yang didapatkan.
 Nugget secara teori nilai awal semivariogram adalah nol. ketika lag mendekati nol
nilai semivariogram disebut sebagai nugget. Nugget mewakili variasi pada jarak
(lag) yang sangat kecil, rmasuk eror dalam pengukuran

C. Semivariogram Teoritis
Dalam analisis data geostatistika proses pencocokan antara semivariogram eksperimental
dengan semivariogram teoritis ini disebut analisis struktural (structural analysis). Selain
itu, analisis struktural juga bisa dilakukan dengan cara perbandingan mean square error
(MSE) dari masing-masing semivariogram teoritis. Ada beberapa model semivariogram
teoritis yang diketahui dan biasanya digunakan sebagai pembanding dari semivariogram
eksperimental:
a. Model Spherical

3ℎ ℎ 3
𝑢𝑛𝑡𝑢𝑘 ℎ ≤ 𝑎
𝛾(ℎ) = 𝐶 [(2𝑎 ) − (2𝑎 ) ]
𝑢𝑛𝑡𝑢𝑘 ℎ > 𝑎
𝐶
 Dimana:

h = jarak lokasi antar sampel

C = sill, yaitu nilai variogram untuk jarak pada saat besarnya konstan (tetap). Nilai

ini sama dengan nilai variansi data.

a = range, yaitu jarak pada saat nilai variogram mencapai sill.

b. Model Eksponensial

Pada model eksponensial terjadi peningkatan dalam semivariogram yang sangat

curam dan mencapai nilai sill secara asimtotik, dirumuskan sebagai berikut:

ℎ
𝛾(ℎ) = 𝐶[1 − exp(− )]
𝑎

c. Model Gaussian

Model Gauss merupakan bentuk kuadrat dari eksponensial sehingga menghasilkan

bentuk parabolic pada jarak yang dekat. Model Gauss dirumuskan sebagai berikut :

ℎ
𝛾(ℎ) = 𝐶[1 − exp(− )2 ]
𝑎

Berikut gambar ketiga model semivariogram secara teoritis:

D. Apa itu Interpolasi ?
Untuk memahami kriging, maka perlu diketahui apa itu interpolasi.
Interpolasi adalah estimasi variable pada lokasi tidak terukur dari nilai yang diamati di
lokasi sekitarnya. Interpolasi optimal berdasarkan pada regresi terhadap nilai 𝑧 yang
diamati dari titik data sekitarnya, terboboti menurut nilai kovariansi spasial.
Seluruh algoritma interpolasi mengestimasi nilai pada lokasi tertentu sebagai jumlah nilai
data terboboti di lokasi sekitarnya. Hampir semua bobot yang ditetapkan sesuai dengan
fungsi yang memberi bobot turun dengan peningkatan jarak pemisah.
Berikut contoh dari interpolasi :

Titik ungu akan diprediksidengan mengambil jarak inverse jarak teboboti dari tiga titik
input terdekat (Nilai 12, 10 dan 10). Berdasarkan jarak, akan dihitung seberapa jauh
masing-masing titik input dan dapatkan nilai 11,1.
12 10 10
( + + )
350 750 850 = 11.1
1 1 1
( + + )
350 750 850
Ini adalah bagaimana interpolasi bekerja secara deterministik. Interpolasi hanya
menggunakan fungsi yang telah ditentukan dan memang seperti itu. Tapi itu tidak
memberi tahu seberapa tingkat kebenaran dari hasil yang diberikan.

E. Apa itu Kriging ?

Istilah kriging diambil dari nama seorang ahli, yaitu D.G. Krige, yang pertama kali
menggunakan korelasi spasial dan estimator yang tidak bias. Istilah kriging diperkenalkan
oleh G. Matheron untuk menonjolkan metode khusus dalam moving average terbobot
(weighted moving average) yang meminimalkan varians dari hasil estimasi.
Kriging adalah suatu teknik perhitungan untuk estimasi dari suatu variabel terregional
yang menggunakan pendekatan bahwa data yang dianalisis dianggap sebagai suatu
realisasi dari suatu variabel acak, dan keseluruhan variabel acak yang dianalisis tersebut
akan membentuk suatu fungsi acak menggunakan model struktural variogram.
Secara umum, kriging merupakan suatu metode yang digunakan untuk menganalisis data
geostatistik, yaitu untuk menginterpolasi suatu nilai berdasarkan data sampel. Data
sampel pada ilmu kebumian biasanya diambil di lokasi-lokasi atau titik-titik yang tidak
beraturan. Dengan kata lain, metode ini digunakan untuk mengestimasi besarnya nilai
karakteristik pada titik tidak tersampel berdasarkan informasi dari karakteristik titik-titik
tersampel Z yang berada di sekitarnya dengan mempertimbangkan korelasi spasial yang
ada dalam data tersebut.
Kriging menetapkan bobot sesuai fungsi terboboti berdasarkan data, bukan fungsi
sebarang, namun algoritma ini masih merupakan algoritma interpolasi dan akan
memberikan hasil yang sangat mirip dengan yang lainnya dalam banyak kasus (Isaaks dan
Srivastava, 1989). Secara khusus :
 Jika lokasi data cukup padat dan terdistribusi secara merata di seluruh area studi,
maka akan didapatkan perkiraan yang cukup bagus terlepas dari algoritma
interpolasi
 Jika lokasi data terletak pada beberapa kelompok dengan jarak yang besar di
antaranya, maka akan didapatkan perkiraan yang tidak dapat diandalkan terlepas
dari algoritma interpolasi.
 Hampir semua algoritma interpolasi akan mengabaikan tinggi dan rendahnya
overestimasi.

Beberapa keuntungan dari kriging :

 Membantu mengimbangi efek pengelompokan data, menetapkan titik-titik pada

sebuah kelompok kurang terboboti daripada titik data yang terisolasi.
 Memberikan perkiaraan dari estimasi error (variansi kriging), seiring degnan
perkiraan variabel 𝑍 itu sendiri
  Adanya estimasi eror memberikan dasar untul simulasi stokastin dari
kemungkinan 𝑍(𝑢)

Tujuan Kriging

 Mencari penaksir tak-bias linier terbaik. Kriteria terbaik: variansi minimum.

 Memilih rata-rata berbobot dari nilai sampel yang memiliki variansi minimum.
 Interpolasi spasial

F. Estimasi Kriging dan Terminologi

Estimator kriging 𝑍 ∗ (𝑢) dari 𝑍(𝑢) dapat dituliskan sebagai berikut:
𝑛(𝑢)
∗ (𝑢)
𝑍 − 𝑚(𝑢) = ∑ 𝜆𝑎 [𝑍(𝑢𝑎 ) − 𝑚(𝑢𝑎 )]
𝑎=1

dengan
𝑢, 𝑢𝑎 : lokasi untuk estimasi dan salah satu lokasi dari data yang berdekatan dinyatakan
dengan 𝑎.
𝑛(𝑢) : banyaknya data sampel yang digunakan untuk estimasi.
𝑚(𝑢), 𝑚(𝑢𝑎 ) : nilai espektasi dari 𝑍(𝑢) dan 𝑍(𝑢𝑎 )
𝜆𝑎 : faktor bobot
𝑍(𝑢) dianggap sebagai bidang acak dengan suatu komponen trend 𝑚(𝑢) dan komponen
residual , 𝑅(𝑢) = 𝑍(𝑢) − 𝑚(𝑢). Estimasi kriging untuk residual pada 𝑢 adalah jumlah
berbobot dari sisa pada sekitar data titik. Nilai 𝜆𝑎 diturunkan dari fungsi kovariansi atau
semivariogram, yang harus mencirikan komponen residual.
Tujuan kriging adalah untuk menentukan nilai 𝜆𝑎 yang meminimalkan variansi pada
estimator, dapat dinyatakan sebagai berikut:
𝜎𝐸2 (𝑢) = 𝑉𝑎𝑟{𝑍 ∗ (𝑢) − 𝑍(𝑢)}
Dengan batasan bias 𝐸{𝑍 ∗ (𝑢) − 𝑍(𝑢)} = 0
Random Field (𝑅𝐹)𝑍(𝑢) adalah diuraikan menjadi komponen residual dan trend, 𝑍(𝑢) +
𝑅(𝑢) + 𝑚(𝑢) , dengan komponen residual diperlakukan sebagai RF dengan mean
stasioner 0 dan kovarian stasioner (fungsi lag, h, tapi tidak pada posisi, u):
 𝐸{𝑅(𝑢)} = 0
𝐶𝑜𝑣{𝑅(𝑢), 𝑅(𝑢 + ℎ)} = 𝐸{𝑅(𝑢). 𝑅(𝑢 + ℎ)} = 𝐶𝑅 (ℎ)
Fungsi residu kovarians umumnya berasal dari model input semivariogram 𝐶𝑅 (ℎ) =
𝐶𝑅 (0) − 𝛾(ℎ) = 𝑆𝑖𝑙𝑙 − 𝛾(ℎ). Dengan demikian, semivariogram yang kita berikan pada
program kriging harus mewakili komponen residual dari variabel tersebut.
Terdapat tiga jenis kriging, simple, ordinary, dan kriging dengan tren, perbedaannya ada
pada perlakuan terhadap komponen tren, 𝑚(𝑢).

G. Simple Kriging
Simple kriging mengasumsikan bahwa komponen trend sebuah konstan dan diketahui
rata-ratanya, 𝑚(𝑢) = 𝑚, jadi
𝑛(𝑢)
∗ (𝑢)
𝑍𝑆𝐾 = 𝑚 + ∑ 𝜆𝑎𝑆𝐾 [𝑍(𝑢𝑎 ) − 𝑚]
𝑎=1
∗ (𝑢)]
Estimasi ini tidak bias karena 𝐸[𝑍(𝑢𝑎 ) − 𝑚] = 0 , jadi 𝐸[𝑍𝑆𝐾 = 𝑚 = 𝐸[𝑍(𝑢𝑎 )] .
∗ (𝑢)
Esttimasi error 𝑍𝑆𝐾 − 𝑍(𝑢) adalah kombinasi linier dari variabel acak mewakili
residual pada titik data 𝑢𝑎 dan estimasi titik 𝑢 ∶
∗ (𝑢) ∗ (𝑢)
𝑍𝑆𝐾 − 𝑍(𝑢) = [𝑍𝑆𝐾 − 𝑚] − [𝑍(𝑢) − 𝑚]
𝑛(𝑢)
∗ (𝑢)
= ∑ 𝜆𝑎𝑆𝐾 (𝑢)𝑅(𝑢𝑎 ) − 𝑅(𝑢) = 𝑅𝑆𝐾 − 𝑅(𝑢)
𝑎=1

Dengan menggunakan aturan variansi dari kombinasi liniear variable acak, variansi error
diberikan oleh
∗ (𝑢)} ∗ (𝑢),
𝜎𝐸2 (𝑢) = 𝑉𝑎𝑟 {𝑅𝑆𝐾 + 𝑉𝑎𝑟 {𝑅𝑆𝐾 (𝑢)} − 2𝐶𝑜𝑣{𝑅𝑆𝐾 𝑅𝑆𝐾 (𝑢)}
𝑛(𝑢) 𝑛(𝑢) 𝑛(𝑢)

= ∑∑ 𝜆𝑎𝑆𝐾 (𝑢) 𝜆𝛽𝑆𝐾 (𝑢) 𝐶𝑅 (𝑢𝑎 − 𝑢𝛽 ) + 𝐶𝑅 (0) − ∑ 𝜆𝑎𝑆𝐾 (𝑢) 𝐶𝑅 (𝑢𝑎 − 𝑢) (𝑠𝑘1)
𝑎=1 𝛽=1 𝑎=1

Dengan
𝑛(𝑢)

∑ 𝜆𝛽𝑆𝐾 (𝑢)𝐶𝑅 (𝑢𝑎 − 𝑢𝛽 ) = 𝐶𝑅 (𝑢𝑎 − 𝑢) 𝑢𝑛𝑡𝑢𝑘 𝑎 = 1, … , 𝑛(𝑢)

𝛽=1
Karena meannya konstan, fungsi kovariansi 𝑍(𝑢) sama dengan component residual
𝐶(ℎ) = 𝐶𝑅 (𝑢), maka system simple kriging dalam bentuk 𝐶(ℎ):
𝑛(𝑢)

∑ 𝜆𝛽𝑆𝐾 (𝑢)𝐶(𝑢𝑎 − 𝑢𝛽 ) = 𝐶(𝑢𝑎 − 𝑢) 𝑢𝑛𝑡𝑢𝑘 𝑎 = 1, … , 𝑛(𝑢)

𝛽=1

Ini dapat dituliskan ke dalam matrix dengan bentuk

𝐾𝜆𝑆𝐾 (𝑢) = 𝑘
dimana 𝐾𝑆𝐾 adalah matriks kovarians antar titik data, dengan elemen 𝐾𝑖,𝑗 = 𝐶(𝑢𝑖 −

𝑢𝑗 ), k dalah vector kovarians antara titik data dan titik estimasi, dengan elemen

diberikan oleh 𝑘𝑖 = 𝐶(𝑢𝑖 − 𝑢), dan 𝜆𝑆𝐾 adalah vektor bobot simple kriging untung
data sekitar. Jika model kovariansi memenuhi aturan dan tidak ada dua titik data yang
collocated, kemudian matriks covariansi data definit positif maka bobot kriging dapat
diselesaikan dengan
𝜆𝑆𝐾 = 𝐾 −1 𝑘
Sehingga persamaan 𝑠𝑘(1) berubah menjadi
𝑛(𝑢)
2 (𝑢)
𝜎𝑆𝐾 = 𝐶(0) − ∑ 𝜆𝑎𝑆𝐾 (𝑢) 𝐶(𝑢𝑎 − 𝑢)
𝑎=1

Penerapan Simple Kriging Menggunakan Spherical Semivariogram dengan nugget nol, sill
0.78 dan sange 4141 m
Karena menggunakan spherical semivariogram, maka fungsi kovariansnya adalah
ℎ ℎ 3
𝐶(ℎ) = 𝐶(0) − 𝛾(ℎ) = 0.78 (1 − 1.5 ( ) + 0.5 ( ) )
4141 4141
untuk jarak pemisah, h, sampai 4141 m, dan 0 di luar jangkauan. Plot di bawah ini
menunjukkan unsur-unsur vektor right-hand, 𝑘 = [0.38,0.56,0,32,0.49,046,0.37]𝑇 ,
diperoleh dari penyambungan data ke titik estimasi jarak ke dalam fungsi kovarian :

Matriks jarak antar pasangan titik data (dibulatkan ke meteran terdekat) diberikan oleh

Kemudian diterjemahkan menjadi matriks kovarians data

(dibulatkan menjadi dua desimal). Perhatikan khususnya korelasi yang relatif tinggi antara
titik 5 dan 6, dipisahkan oleh 447 m. Vektor yang dihasilkan dari bobot kriging adalah
Perhatikan bahwa data titik 6 diberi bobot yang sangat kecil relatif terhadap data titik 1,
meskipun keduanya sama jaraknya dari titik estimasi dan memiliki kovarians titik-data--
ke-titik-estimasi yang sama (𝑘1 = 0.38, 𝑘6 = 0.37). Ini karena data titik 6 secara efektif
"disaring" oleh titik data terdekat yaitu 5.
Data titik 5 dan 6 cukup berkorelasi kuat satu sama lain dan 5 memiliki korelasi yang lebih
kuat dengan estimasi, sehingga data titik 6 diabaikan secara efektif. Perhatikan bahwa
kovarians dan dengan demikian bobot kriging ditentukan sepenuhnya oleh susunan data
dan model kovarians, bukan nilai data sebenarnya.
Porositas pada poin 5 dan 6 sebenarnya bisa sangat berbeda dan ini tidak berpengaruh
pada bobot kriging.
Nilai porositas rata-rata untuk 85 sumur adalah 14,70%, dan nilai porositas pada enam
sumur contoh adalah 13,84%, 12,15%, 12,87%, 12,68%, 14,41%, dan 14,59%. Perkiraan
residu dari mean pada u diberikan oleh perkalian titik dari bobot kriging dan vektor residu
pada titik data:

Menambahkan mean kembali ke estimasi residu ini memberikan perkiraan porositas

𝑍̂(𝑢) = 𝑅 (𝑢) + 𝑚 = −1,87 + 14,70 = 12,83% . Demikian pula, memasukkan bobot
kriging dan vektor k ke dalam persamaan untuk estimasi varians memberikan varians dari
0,238(kuadrat%). Dengan adanya dua informasi ini, dapat mewakili porositas pada u =
(2000 m, 4700 m) sebagai distribusi normal dengan mean 12,83% dan standar deviasi
0,49%. Perhatikan bahwa, seperti bobot kriging, estimasi varians sepenuhnya bergantung
pada susunan data dan fungsi kovarians, bukan pada nilai data itu sendiri. Estimasi varians
kriging akan sama terlepas dari apakah nilai porositas sebenarnya di lingkungan sangat
mirip atau sangat bervariasi. Pengaruh nilai data, melalui pemasangan model
semivariogram, cukup tidak langsung.
Berikut adalah estimasi simple kriging dan standar deviasi pada grid 100x80 dengan jarak
100 meter menggunakan model spherical semivariogram dan memperkirakan setiap nilai
grid dari 16 titik data terdekat (lokasi sumur)
Beberapa karakteristik yang perlu diperhatikan:
Smoothness: Permukaan Kriged pada dasarnya akan semulus mungkin mengingat
keterbatasan data; Dalam banyak kasus, mungkin lebih halus daripada permukaan
"sebenarnya".
Bullseyes: Karena rata-rata kriging antara titik data, ekstrem lokal biasanya berada pada
lokasi sumur; bullseyes tak terelakkan. Hal ini berlaku untuk hampir semua algoritma
interpolasi. Bentuk ekstrim dari hal ini adalah diskontinuitas artefak di lokasi yang baik
saat model semivariogram mencakup nugget yang signifikan.
Peta kesalahan mencerminkan lokasi data, bukan nilai data: Peta standar deviasi kriging
bergantung sepenuhnya pada konfigurasi data dan fungsi kovarian; Pada dasarnya peta
jarak ke lokasi sumur terdekat diperkecil oleh fungsi kovarians.