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
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:
C = sill, yaitu nilai variogram untuk jarak pada saat besarnya konstan (tetap). Nilai
b. Model Eksponensial
curam dan mencapai nilai sill secara asimtotik, dirumuskan sebagai berikut:
ℎ
𝛾(ℎ) = 𝐶[1 − exp(− )]
𝑎
c. Model Gaussian
bentuk parabolic pada jarak yang dekat. Model Gauss dirumuskan sebagai berikut :
ℎ
𝛾(ℎ) = 𝐶[1 − exp(− )2 ]
𝑎
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.
Tujuan Kriging
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)
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
(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: