10.

KRIGING

10.1 PERMASALAHAN

Dari hubungan kadar suatu conto pemboran dengan kadar blok akan diperoleh
suatu pencaran sistematis. Disini berarti bahwa conto bor tersebut bukanlah
suatu harga estimasi yang paling baik untuk menaksir blok, sehingga diperlukan
suatu koreksi.

Cara penentuan koreksi ini diberikan oleh Matheron melalui pemboran harga-
harga conto dengan bantuan fungsi variogram. Nama cara ini (kriging) diambil
dari pakar geostatistik di Afrika Selatan D. G. Krige yang telah memikirkan hal ini
untuk pertama kalinya di awal tahun limapuluhan.

Korelasi antara kadar-kadar conto pemboran dan kadar sebenarnya suatu blok
yang diwakili oleh titik bor tersebut (diperoleh mis. dari hasil penambangan blok
tersebut) akan memberikan suatu diagram pencar yang memperhatikan, bahwa
sebagian besar pasangan data tersebut terletak di dalam suatu elips seperti
yang terlihat pada Gambar 10.1.

Gambar 10.1 Pencaran data antara kadar conto hasil eksplorasi dengan kadar
blok penambangan

Dalam hal semua hasil analisa conto merupakan estimasi yang benar/cocok/
sesuai terhadap kadar setiap blok yang diwakili conto tersebut, maka pencaran
pasangan data tersebut akan membentuk garis regresi A-A’ yang melalui titik nol.

Penelitian Krige pada perilaku kadar conto emas memperhatikan bahwa garis
regresi tersebut pada kenyataannya lebih mendatar, seperti yang ditujukan oleh
garis B-B’ (Gambar 10.2).
Gambar 10.2 Pencaran data antara kadar conto vs. Kadar blok untuk conto
emas (kurva B-B’)

Ini berarti bahwa simpangan terbentuk secara sistimatik dan conto bor bukan
merupakan harga estimasi yang mewakili kadar bijih pada blok.

Analisa conto yang terletak di atas harga rata-rata memberikan suatu harga yang
lebih besar daripada kadar-kadar blok, jika tidak diberikan koreksi. Harga conto
z1 memberikan harga blok Z1’ melalui kurva A-A’ yang lebih besar dari harga
sebenarnya Z1 (kurva B-B’).

Tetapi sebaliknya analisa-analisa yang terletak di bawah harga rata-rata Z

memberikan harga yang di bawah harga-harga blok, conto z2 melalui kurva A-A’
memberikan harga blok Z2’ yang lebih kecil dari harga sebenarnya Z2 (kurva B-
B’).

Koreksi Matheron yang memperhatikan variogram dari analisa data regional,

memperlihatkan bahwa estimasi kadar blok tidak hanya dipengaruhi oleh conto
yang terletak di dalam blok saja, tetapi juga dipengaruhi oleh conto-conto di
sekitarnya yang berdekatan. Koreksi tersebut memberikan :
1. suatu harga estimasi yang lebih baik,
2. suatu varians σ K2 dari estimasi tersebut.

Cara perhitungan dengan metode kriging ini kadang-kadang terlalu kompleks

untuk suatu komoditi tertentu. Hal ini sangat bermanfaat jika dilakukan pada
penentuan cadangan-cadangan yang mineable dengan kadar-kadar di atas cut-
off grade.

Sebagai contoh hubungan antara harga analisa conto dengan harga analisa blok
bijih (harga sebenarnya) yang terpancar membentuk elips (Gambar 3), kemudian
tarik garis regresi melalui titik 0 dan titik ( Z , z ), selanjutnya bagi elips tersebut
dengan cut-off grade zc = Zc = 5% menjadi empat bagian.
Gambar 10.3 Pencaran data antara kadar conto vs. kadar blok yang
memperlihatkan kesalahan penambangan

Daerah 1 : semua blok dengan kadar > cog sesuai

dengan kadar conto > cog ditambang

Daerah 2 : semau blok dengan kadar < cog yang sesuai

dengan kadar conto < cog tidak ditambang

Daerah 3 : semua blok dengan kadar < cog yang karena

kesalahan kadar conto > cog yang ditambang

Daerah 4 : semua blok dengan kadar > cog yang karena

kesalahan kadar conto < cog tidak ditambang

Jika garis regresi B-B’ yang menunjukkan hubungan antara conto dan kadar blok
diplot, maka blok-blok dengan kadar 5% juga akan ditambang walaupun kadar
conto kadar 3,5% (Gambar 3b). Daerah 4 pada Gambar 3b yang tidak
tertambang karena kesalahan informasi menjadi kecil, sementara itu daerah 3
yang ditambang walaupun berkadar rendah menjadi lebih besar, walaupun
demikian secara keseluruhan daerah dengan blok-blok yang mempunyai kadar >
cut-off grade (5%) dan ditambang menjadi lebih besar.

Berdasarkan analisis variogram, Matheron memberikan koreksi perkiraan kadar

pada suatu blok yang tidak hanya dipengaruhi oleh conto di dalam blok saja,
tetapi juga pada conto-conto di sekitarnya.

Dengan bantuan kriging ini tidak akan ditentukan garis regresi baru yang lebih
baik, tetapi metode ini akan mengoreksi kadar-kadar conto (dinaikkan atau
diturunkan, sehingga mempersempit elips pencaran data (Gambar 4).
Gambar 10.4 Perubahan bentuk elips pencaran data akibat koreksi dengan
metode kriging

Melalui koreksi ini bentuk elips akan lebih kurus/sempit dengan batas-batasnya
mendekati garis regresi yang membentuk sudut 45º. Jumlah conto dan pasangan
bloknya pada daerah 3 dan daerah 4 yang menyatakan kadar rendah ditambang
atau kadar tinggi tidak ditambang akan berkurang.

Royle & Newton (1972) telah menyelidiki bermacam-macam model koreksi dan
menghasilkan solusi, bahwa proses kriging ini memberikan harga-harga
pengestimasi kadar-kadar blom terbaik berdasarkan kadar-kadar conto yang
sudah dikoreksi.

10.2 PERSAMAAN UMUM

Misalnya terdapat suatu kumpulan S1 dari n conto dengan volumina yang sama
pada suatu tempat xi sebagai harga perkiraan / estimasi terhadap suatu kadar Z
dari volume V dipilih Z*. Harga perkiraan ini dapat melalui pembobotan kadar
z(xi) conto :
n
Z* = ∑ λ i ⋅ z ( x i )
i =1

Jumlah faktor pembobotan λi dibuat sedemikian rupa sehingga sama dengan

satu :
n

∑λ
i =1
i =1
Dengan cara ini akan tercapai, bahwa harga estimasi adalah without bias, artinya
harga yang diharapkan untuk perbedaan antara Z da Z* adalah nol.

E{Z − Z *} = 0

Dengan memperhatikan faktor-faktor pembobotan akan didapat suatu varians

estimasi (lihat persamaan terdahulu pada varians estimasi)

Dengan memperhatikan faktor-faktor pembobotan akan didapat suatu varians

estimasi (lihat persamaan terdahulu pada varians estimasi)

σ E2 = Var [Z − Z * ]
γ x − y dx dy − ∑∑ λi λ j γ (xi − x j )
2 n n n
( )
= ∑ λi ∫ γ xi − y dy −
1
( )
V i =1 V VV V∫ V∫ i =1 i =1

= 2∑ λi γ (S i ,V ) − γ (V ,V ) − ∑∑ λi λ j γ (S i , S j )
n n n

i =1 i =1 j = 1

Varians estimasi ini adalah suatu fungsi dari faktor-faktor pembobotan λ1 , yang
sudak diketahui bahwa jumlahnya adalah 1. Untuk memilih faktor-faktor
pembobotan yang optimal, dibuat sedemikian rupa sehingga varians estimasi ini
minimum.

Persyaratan bahwa jumlah λ1 yang tidak diketahui adalah satu, dapat didekati
dengan pertolongan suatu multiplier lagrange untuk meminimumkan hubungan
persamaan berikut ini :

Q = σ E2 − 2μ (∑ λi − 1) ⇒ min

Selain dari yang tidak diketahui, juga terdapat μ yang juga tidak diketahui.
Pernyataan bahwa harus diminimumkan ini diartikan bahwa pendekatan parsial
∂Q / ∂ μ dan ∂Q / ∂λi adalah nol.

Selanjutnya didapat sistem persamaan linier (kriging system) sebagai berikut :

∑ λ γ (x − x j )+ μ =
n
γ (x − xi )dx
1
V V∫
j i atau
j =1

∑ λ j γ (S i , S j ) + μ = γ (S i ,V )
n n

j =1
dan ∑λ
i =1
i =1
Sistem persamaan ini cukup untuk menentukan harga-harga λ1 dan μ yang
akan menghasilkan suatu varians minimum.

Varians perkiraan/estimasi (kriging variance) akan diekspresikan melalui

persamaan berikut :
( )
n
dx∫ γ (x − y )dy − ∑ λ j ∫ γ x − x j dx
1 1
σK = ∫
2
atau
VV V V j =1 VV

σ K2 = −γ (V ,V ) + μ + ∑ λ j γ (S j ,V )
n

j =1

Keterangan : Persamaan-persamaan yang diberikan dapat juga kemudian

digunakan, jika z(xi) pada persamaan unutk perhitungan harga-
harga estimasi Z adalah lebih kurang sama dengan harga rata-
rata dari sejumlah conto-conto yang berdekatan satu sama lain.
Mis. γ (x i − x j ) bertindak sebagai harga rata-rata dari γ untuk
kumpulan titik-titik Si dan Sj pada posisi xi dan xj.

Berikut ini diuraikan persamaan untuk menghitung dan yang merupakan

konstanta-konstanta yang tidak dikenal :

λ1 ⋅ γ (S 1 S 1 ) + λ2 ⋅ γ (S 1 S 2 ) + ... + λ j γ (S 1 S j ) + ... + λn ⋅ γ (S 1 S n ) + μ = γ (S 1V )

λ1 ⋅ γ (S 1 S 1 ) + λ2 ⋅ γ (S 1 S 2 ) + ... + λ j γ (S 1 S j ) + ... + λn ⋅ γ (S 1 S n ) + μ = γ (S iV )
M M M M M M
λ1 ⋅ γ (S 1 S 1 ) + λ2 ⋅ γ (S 1 S 2 ) + ... + λ j γ (S 1 S j ) + ... + λn ⋅ γ (S 1 S n ) + μ = γ (S jV )
M M M M M M
λ1 ⋅ γ (S 1 S 1 ) + λ2 ⋅ γ (S 1 S 2 ) + ... + λ j γ (S 1 S j ) + ... + λn ⋅ γ (S 1 S n ) + μ = γ (S nV )
λ1 + λ2 + ... + λ j + ... + λ n +μ = 1
Dengan memperhatikan bahwa γ (S i S j ) = y (S j S i ) , maka akan memberikan suatu
matriks berikut ini :
⎡γ (S 1 S 1 ) γ (S 1 S 2 ) L γ (S 1 S j ) L γ (S 1 S n ) 1⎤ ⎡ λ1 ⎤ ⎡γ (S 1V )⎤
⎢ ⎥ ⎢ ⎥
⎢γ (S 2 S 1 ) γ (S 2 S ) L γ (S 2 S j ) L γ (S 2 S n ) 1⎥ ⎢⎢λ 2 ⎥⎥ ⎢γ (S 2V )⎥
⎢ M M M M ⎥ ⎢M⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ γ (S i S 1 ) γ (S j S 2 ) L γ (S i S j ) L γ (S j S n ) 1⎥ • ⎢λ j ⎥ = ⎢γ (S jV )⎥
⎢ M M M M ⎥ ⎢M⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢γ (S n S 1 ) γ (S n S 2 ) L γ (S n S j ) L γ (S n S n ) 1⎥ ⎢λ n ⎥ ⎢γ (S nV )⎥
⎢ 1 L L 0 ⎥⎦ ⎢⎣ μ ⎥⎦ ⎢⎣ 1 ⎥⎦
⎣ 1 1 1

Matriks γ (S i S j ) merupakan suatu matriks yang simetris.

Sistem persamaan tersebut diatas dapat dituliskan sebagai berikut :

[K ] ⋅ [L ] = [M ]
Persamaam ini akan diselesaikan terhadap L untuk mendapatkan λ1 dan
sehingga diperoleh persamaan :

[L ] = [K ]−1 ⋅ [M ]
Untuk varians kriging dapat dituliskan :

σ K2 = −γ (V ,V )+ t [L ] ⋅ [M ]

10.3 PENGARUH PARAMETER GEOSTATISTIK PADA FAKTOR-FAKTOR

PEMBOBOTAN DAN VARIANS ESTIMASI

Pengaruh beberapa parameter geostatistik akan diterangkan pada suatu conto

perhitungan sederhana sebagai berikut :

Diketahui conto x i dengan kadar z( x i ) diambil dengan jarak yang sama (L=20
m) di sepanjang suatu garis. Kadang rata-rata semua conto z = 1,0 . Variogram
(model Matheron) pada data tersebut mempunyai parameter sebagai berikut :
 C0 = 0 ,0 C = 1,0 a = 60 m

Akan dihitung faktor-faktor bobot, varians estimasi (varians kriging), dan standar
deviasi relatif untuk kadar z* suatu potongan garis sepanjang L (mis, pada titik
x1 )

Untuk melihat bagaimana pengaruh conto-conto di sekitarnya serta pengaruh

nugget variance, maka akan diperhatikan jika hanya dipengaruhi oleh suatu titik
x 1 (dirinya sendiri), atau dipengaruhi oleh tiga titik x 1 , x 2 , x3 atau jika
dipengaruhi oleh semua titik-titik conto disekitarnya.

10.3.1 SISTEM KRIGING DENGAN MEMPERHATIKAN HANYA SATU CONTO

∑ λ j γ (S i , S j ) + μ = γ (S i , L )
n n

j =1
∑λ
j =1
j =1

untuk n = 1 maka λ1 = 1
γ (S 1 S 1 ) = 0
γ (S 1 L ) = C0 + Cγ (pf)
= C0 + C X L [ 2]
= 0 + 1 X (10 )
60
= 0,124

Dengan memasukkan parameter-parameter tersebut pada persamaan umum

kriging akan memberikan :

1 ⋅ 0 + μ = 0 ,124 ⇒ μ = 0 ,124
Untuk varians krigingnya berlaku rumus :

σ K2 = −γ (L , L ) + μ + ∑ λ j γ (S j , L )
n

j =1

γ (L, L) = C0 + C ⋅ F (L)
= 0 + 1⋅ F L ( a ) = F (20 60 )
= F (0,333) = 0,165
μ = 0 ,124

λ1 γ (S 1 L ) = 1* 0 ,124 = 0 ,124

σ K2 = −0 ,165 + 0 ,124 + 0 ,124 = 0 ,083

σ K2
Standar deviasi relatif : σ K = ⋅ 100% = 29%
z

10.3.2 SISTEM KRIGING DENGAN MEMPERHATIKAN TIGA CONTO

Sistem Kriging

λ1 ⋅ γ (S1 S1 ) + λ2 ⋅ γ (S1 S 2 ) + λ3 ⋅ γ (S1 S 3 ) + μ = γ (S1 L)

λ1 ⋅ γ (S 2 S1 ) + λ2 ⋅ γ (S 2 S 2 ) + λ3 ⋅ γ (S 2 S3 ) + μ = γ (S 2 L)
λ1 ⋅ γ (S 3 S1 ) + λ2 ⋅ γ (S 3 S 2 ) + λ3 ⋅ γ (S 3 S 3 ) + μ = γ (S 3 L)
λ1 + λ2 + λ3 +μ = 1

Untuk L = 20 m a = 60 m C0=0,0 dan C = 1,0

maka :

γ (S 1 S 1 ) = γ (S 2 S 2 ) = γ (S 3 S 3 ) = 0
γ (S1 S 2 ) = γ (S1 S 3 ) = C0 + C ⋅ γ (x1 − x2 )
( ) ( )
γ (x1 − x 2 ) = γ L a = γ 20 60 = γ (0 ,333) = 0 ,481
γ (S 2 S3 ) = γ (S3 S 2 ) = C0 + C ⋅ γ (x2 − x3 )
 ( ) ( )
γ (x 2 − x3 ) = γ 2 L a = γ 40 60 = γ (0 ,667 ) = 0 ,851

( )
γ (S 1 L ) = C0 + C ⋅ X L 2 = 0 ,124 seperti pada a)
γ (S 2 L) = γ (S 3 L) = C0 + C ⋅ X (L' )

X (L' ) =
(L + L )⋅ X (L + L ) − (L )⋅ X (L )
2 2 2 2
L
⇒ X L+L( 2
) ( = X 30
60
)
= X (0 ,5 ) = 0 ,359
( ) (
X L = X 10
2 60
)
= X (0 ,167 ) = 0 ,124
30 ⋅ 0 ,359 − 10 ⋅ 0 ,124
X (L' ) = = 0 ,477
20

Sehingga sistem kriging menjadi :

λ 1 ⋅ 0 ,000 + λ 2 ⋅ 0 ,481 + λ 3 ⋅ 0 ,481 + μ = 0 ,124 [1]

λ 1 ⋅ 0 ,481 + λ 2 ⋅ 0 ,000 + λ 3 ⋅ 0 ,851 + μ = 0 ,477 [2 ]
λ 1 ⋅ 0 ,481 + λ 2 ⋅ 0 ,851 + λ 3 ⋅ 0 ,000 + μ = 0 ,477 [3 ]
λ1 + λ2 + λ3 + 0 = 1,000 [4 ]
______________________________________
0 + 0 ,851 λ 2 + 0 ,851 λ 3 + 0 = 0 ,00 [2] − [3]
λ 2 = λ3
______________________________________

λ1 + 2λ2 = 1,000
[4]
λ1 = 1,000 − 2λ2
______________________________________

2(0 ,481 λ2 ) + μ = 0 ,124

[1]
μ = 0 ,124 − 0 ,962 λ2
______________________________________

(1 − 2 λ 2 )0 ,481 + 0 ,851 λ 2 + (0 ,124 − 0 ,962 λ 2 ) = 0 ,477 [2]

0 ,481 − 0 ,962 λ 2 + 0 ,851 λ 2 + 0 ,124 − 0 ,962 λ 2 = 0 ,477
λ 2 = 0 ,12
______________________________________

λ 1 = 0 ,76 λ2 = λ3 = 0 ,12 dan μ = 0 ,01

σ K2 = −γ (L , L ) + μ + ∑ λ j γ (S j , L )
n

j =1

γ (L , L ) = 0 ,165
μ = 0 ,124

∑ λ γ (S , L ) = 0 ,76 ⋅ 0 ,124 + 0 ,12 ⋅ 0 ,477 + 0 ,12 ⋅ 0 ,477 = 0 ,208

n

j j
j =1

σ K2 = −0 ,165 + 0 ,01 + 0 ,208 = 0 ,053

σ K2
Standar deviasi relatif : σ* 100% = 23% 2
K =
z
______________________________________

Z* = λ1 ,76 * z (x1 ) + 0 ,12 * z (x2 ) + 0 ,12 * z (x3 )

Faktor bobot λ 2 dan λ3 mempunyai harga yang sama, sesuai dengan posisi titik
2 dan 3 yang simetri terhadap titik 1 (berjarak L). Berdasarkan posisi titik-titik
yang simetri ini, maka persamaan sistem kriging dapat lebih disederhanakan
sebagai berikut :
⎡ z ( x ) + z ( x3 ) ⎤
Z* = λ1 ⋅ z ( xi ) + λ2 ⋅ ⎢ 2 ⎥
{ ⎣ 442 443⎦
2
S1 1
S2

Sistem kriging

λ 1 ⋅ γ (S 1 S 1 ) + λ 2 ⋅ γ (S 1 S 2 ) + μ = γ (S 1 L )
λ1 ⋅ γ (S 2 S 1 ) + λ 2 ⋅ γ (S 2 S 2 ) + μ = γ (S 2 L )
λ1 + λ2 + 0 = 1,000

γ (S 1 S 1 ) = 0

γ (S 2 S 2 ) = 1 2 [C0 + C ⋅ γ (2 L )] ( )
γ 40 60 = γ (0 ,667 ) = 0 ,851
= 1 [0 + 1 ⋅ 0 ,851] = 0 ,425
2
γ (S 2 S 1 ) = γ (S 1 S 2 ) = 0 ,481
γ (S 1 L ) = 0 ,124 seperti sebelumnya
γ (S 2 L ) = 0 ,477
______________________________________
λ 1 ⋅ 0 ,000 + λ 2 ⋅ 0 ,481 + μ = 0 ,124
λ 1 ⋅ 0 ,481 + λ 2 ⋅ 0 ,425 + μ = 0 ,477
λ1 + λ2 + 0 = 1,000
______________________________________

λ 1 = 0 ,76 λ2 = 0 ,24(λ2 = 0 ,12 & λ3 = 0 ,12)

μ = 0 ,01
______________________________________

σ K2 = −0 ,165 + 0 ,01 + 0 ,76 ⋅ 0 ,124 + 0 ,24 ⋅ 0 ,477

= -0,165+0,01+0,208

σ K2 = 0 ,053 seperti sebelumnya

10.3.3 SISTEM KRIGING DENGAN MEMPERHATIKAN SEMUA CONTO

Akan digunakan tiga conto seperti pada 10.3.3, semua sisa conto lainnya
dikelompokkan menjadi satu conto dengan harga rata-ratanya z . Semua conto
rata-rata ini mempunyai jarak yang cukup jauh dari letak x1 , x 2 , x3 dan potongan
L, demikian hingga γ (h ) dan semua fungsi bantu X(h), F(h) dianggap sama
dengan 1,0.

⎡ z ( x ) + z ( x3 ) ⎤
Z* = λ1 ⋅ z ( xi ) + λ2 ⋅ ⎢ 2 ⎥ + λ3 ⋅ {z
{ ⎣1442 443⎦
S1
2 S3
S2

Sistem kriging

λ1 ⋅ γ (S1 S1 ) + λ2 ⋅ γ (S1 S 2 ) + λ3 ⋅ γ (S1 S 3 ) + μ = γ (S1 L)

λ1 ⋅ γ (S 2 S1 ) + λ2 ⋅ γ (S 2 S 2 ) + λ3 ⋅ γ (S 2 S3 ) + μ = γ (S 2 L)
λ1 ⋅ γ (S 2 S1 ) + λ2 ⋅ γ (S 2 S 2 ) + λ3 ⋅ γ (S3 S3 ) + μ = γ (S3 L)
λ1 + λ2 + λ3 + 0 = 1,000

γ (S 1 S 1 ) = 0
γ (S 1 S 2 ) = γ (S 2 S 1 ) = 0 ,481
γ (S 2 S 2 ) = 0 ,425
γ (S1 S 3 ) = γ (S 3 S1 ) = C0 + C ⋅ γ (1,0) = 1,0
γ (S 2 S3 ) = γ (S3 S 2 ) = C0 + C ⋅ γ (1,0) = 1,0
γ (S3 S3 ) = C0 + C = 1,0

Conto-conto yang tergabung dalam S3 terletak terpencar jauh di luar ( jarak > a),
sehingga kadar rata-rata semua γ (x1 − x j ) adalah 1 (satu).
γ (S 1 L ) = 0 ,124
γ (S 2 L ) = 0 ,477
γ (S 3 L) = C0 + C ⋅ X (L' ) ≅ 1,00

Sebagai contoh perhitungan , diambil conto-conto dengan jarak 6L = 120 m

X (L' ) =
(L + 6 L) ⋅ X (L + 6 L) − (6 L) ⋅ X (6 L)
L

=
(
7 L ⋅ X 140
60
) (
− 6 L ⋅ X 120 )
60 = 7 ⋅ X (2 ,333 ) − 6 ⋅ X (2 ,0 )
L
= 7 ⋅ 0,84 − 6 ⋅ 0,82 = 0,96 ≅ 1,00

λ1 ⋅ 0 ,000 + λ2 ⋅ 0 ,481 + λ3 ⋅ 1,000 + μ = 0 ,124 [1]

λ1 ⋅ 0 ,481 + λ2 ⋅ 0 ,425 + λ3 ⋅ 1,000 + μ = 0 ,477 [2]
λ1 ⋅ 1,000 + λ2 ⋅ 1,000 + λ3 ⋅ 1,000 + μ = 1,000 [3]
λ1 + λ2 + λ3 + 0 = 1,000 [4]
______________________________________

− 0 ,481 λ 1 + 0 ,056 λ 2 + 0 ,000 + 0 ,000 = −0 ,353 [1]-[2]

λ 1 = 0 ,116 λ 2 + 0 ,734
______________________________________

0,116 λ1 +0,734+ λ2 + λ3 = 1,000 [4]

λ3 = 0 ,266 − 1,116λ2
______________________________________

λ1 + λ2 + λ3 = 1,000
→ μ = 0 ,000 [3]
______________________________________

0 ,481λ 2 + 0 ,266 − 1,116 λ 2 = 0 ,124

0 ,142
λ2 = = 0 ,224
0 ,635
 λ 1 = 0 ,116 λ 2 + 0 ,734 = 0 ,760
λ3 = 0 ,226 − 1,116λ2 = 0 ,016 (karena kecil diabaikan)
______________________________________

σ K2 = −γ (L , L ) + μ + ∑ λ j γ (S j , L )
n

j =1

γ (L , L ) = 0 ,165 μ = 0 ,000 0,760 ⋅ 0,124 = 0,094

0 ,244 ⋅ 0 ,477 = 0 ,107
0 ,016 ⋅ 1,000 = 0 ,016

∑ λ γ (S , L ) = 0 ,217
n

j j
j =1

σ K2 = 0 ,053 (seperti sebelumnya)

Kedua conto z ( x 2 ) dan z ( x3 ) bersifat memagari pengaruh conto-conto yang

terletak di sebelah luarnya. Di sini tidak terjadi perbaikan faktor bobot dan juga
tidak ada perbaikan varians estimasi.

10.3.4 PENGARUH NUGGET VARIANCE C0 ≠ 0

Dengan memperhatikan semua conto seperti pada 10.3.3

γ (S 1 S 1 ) = 0 C0 = 0 ,3
γ (S 1 S 2 ) = 0 ,3 + 0 ,481 = 0 ,781 C = 1,0
γ (S 2 S 2 ) = (0 ,31 + 0 ,851) = 0 ,576
1
a = 60 m
2
γ (S 3 S1 ) = 0 ,31 + 1,0 = 1,3 z = 1,0
γ (S 3 S 2 ) = 0,31 + 1,0 = 1,3
γ (S 3 S 3 ) = 0 ,31 + 1,0 = 1,3
γ (S 1 L ) = 0 ,3 + 0 ,124 = 0 ,424
γ (S 2 L ) = 0 ,3 + 0 ,477 = 0 ,777
γ (S 3 L) = 0,3 + 1,0 = 1,3
___________________________________________

λ1 ⋅ 0 ,000 + λ2 ⋅ 0 ,781 + λ3 ⋅ 1,3 + μ = 0 ,424 [1]

λ1 ⋅ 0 ,781 + λ2 ⋅ 0 ,576 + λ3 ⋅ 1,3 + μ = 0 ,777 [2]
λ1 ⋅ 1,3 + λ2 ⋅ 1,3 + λ3 ⋅ 1,3 + μ = 1,3 [3]
λ1 + λ2 + λ3 + 0 = 1,0 [4]
___________________________________________

− 0 ,781 λ 1 + 0 ,205 λ 2 + 0 + 0 = − 0 ,353 [1]-[2]

λ 1 = (0 ,205 λ 2 + 0 ,353 ) / 0 ,781 = 0 ,262 λ 2 + 0 ,452
___________________________________________
___________________________________________

0 ,262λ1 + 0 ,452 + λ2 + λ3 = 1,0 [4]

λ2 = 0 ,548 − 1,262λ3
___________________________________________

1,3λ1 + 1,3λ2 + 1,3λ3 + μ = 1,3 [3]

1,3 ⋅ (λ1 + λ2 + λ3 ) + μ = 1,3

λ1 + λ2 + λ3 = 1
μ = 0 ,0
___________________________________________

0 ,781λ2 + 1,3λ3 + μ = 0 ,424 [1]

0 ,781 λ 2 + 1,3 (0 ,548 − 1,262 λ 2 ) = 0 ,424
0 ,288
λ2 = = 0 ,335
0 ,860
λ 1 = 0 ,262 λ 2 + 0 ,452 = 0 ,540
λ3 = 1,0 − 0 ,335 − 0 ,540 = 0 ,125
___________________________________________

σ K2 = −γ (L , L ) + μ + ∑ λ j γ (S j , L )
n

j =1

γ (L , L ) = 0 ,3 + 0 ,165 = 0 ,465 0 ,540 ⋅ 0,424 = 0,229

0,335 ⋅ 0,777 = 0,260
0 ,125 ⋅ 1,300 = 0 ,163 +

∑ λ γ (S , L ) = 0 ,652
n

j j
j =1

σ K2 = −0 ,465 + 0 ,00 + 0 ,652 = 0 ,187

σ K = 0 ,187 / 1,0 ⋅ 100 % = 43%
___________________________________________
Dengan kehadiran varians nugget, pengaruh conto-conto yang terletak di luar
tidak dapat lagi diabaikan. Effek screen pada conto berikutnya berkurang akibat
adanya varians nugget.

Jika varians nugget dinaikkan lagi menjadi C0 = 0 ,5 akan terlihat pengaruhnya

lebih baik lagi :

λ 1 = 0 ,466 λ 2 = 0 ,341 λ3 = 0 ,193 μ = 0 ,000

σ K2 = 0 ,248 σ K = 43 %

10.3.5 RINGKASAN

1 conto 3 conto Semua conto

C0 0,0 0,3 0,5 0,0 0,0 0,3 0,5
λ1 1,0 1,0 1,0 0,76 0,76 0,54 0,47
λ2 0,12 0,22 0,34 0,34
λ3 0,12 0,02 0,12 0,25

σ K2 0,08 0,38 0,58 0,05 0,05 0,19 0,25

29% 62% 76% 23% 23% 43% 50%
σK
10.4 SIFAT-SIFAT CARA KRIGING

Melalui metode kriging diperoleh harga penaksir terbaik berdasarkan informasi

yang ada pada suatu endapan bahan galian. Faktor bobot dipilih sedemikian
rupa sehingga diperoleh varians estimasi yang minimum.

Sehingga Kriging memperhatikan :

• Struktur dan korelasi spasial variabel melalui suatu fungsi γ (h ) ,
• Hubungan geometri relatif antar data yang mencakup hal penaksiran dan
penaksiran volume melalui γ sebagai γ (S i , S j ) (hubungan antar data) dan
sebagai γ (Si ,V ) (hubungan antara data dan volume).

Jika variogram isotrop dan pola data teratur, maka sistem kriging akan
memberikan data yang simetri.

Dalam banyak hal hanya conto-conto di dalam blok dan di sekitar blok
memberikan estimasi dan mempunyai suatu faktor bobot masing-masing nol.
Dalam hal ini jangkauan radius conto yang pertama atau kedua pertama akan
tidak mempengaruhi (tersaring). Efek screen ini akan terjadi, jika tidak ada
nugget effect atau kecil sekali ε = C0 / C . Efect nugget ini menurunkan efek
screen. Untuk efek nugget yang besar, semua conto mempunyai bobot yang
sama.

Conto-conto yang terletak jauh dari blok dapat diikutsertakan dalam estimasi ini
melalui harga rata-ratanya.

Seperti yang telah dijelaskan, metode ini memanfaatkan penggunaan informasi

yang ada sebaik-baiknya, sehingga didapatkan estimasi linier yang paling baik
untuk harga yang sebenarnya. Target utamanya adalah menghindari kesalahan
sistematis dalam estimasi yang terlalu besar atau terlalu kecil (over estimate atau
under estimate) dalam menaksir cadangan.

Hal ini sangat penting pada perkiraan cadangan untuk pemilihan blok apakah
layak tambang atau tidak.

10.5 CONTOH KRIGING PADA SUATU GRID YANG TERATUR

Perhitungan dilakukan terhadap suatu blok pada endapan bahan galian yang
sudah diketahui mempunyai variogram model Matheron dengan :

C0=0,0 C=1,0 a= 60 m z = 1,0

Blok berbentuk bujur sangkar
berukuran 20 m x 30 m dengan 4
conto disekelilingnya dan 1 conto di
tengah-tengah blok.

Berdasarkan kesimetrian letak conto

terhadap blok, maka persamaan
penaksiran kadar dapat
dikelompokkan sebagai berikut :

z ( x1 ) + z ( x 2 ) z (x4 ) + z (x5 )
z* = λ1 ⋅ z (x1 ) + λ 2 ⋅ + λ3 ⋅
{
S1 142 4 2 43 4 14 42 2 44 3
S2 S3

⋅ γ (S i , S j ) + μ = γ (S i , R )
3

∑λ
j =1
j

γ (S 1 , S 1 ) = 0
1⎛ ⎛ 40 ⎞ ⎞
γ (S 2 , S 2 ) = ⎜⎜ C0 + C ⋅ γ ⎜ ⎟ ⎟⎟ = 0 ,5 ⋅ 0 ,852 = 0 ,426
2⎝ ⎝ 60 ⎠ ⎠
1⎛ ⎛ 60 ⎞ ⎞
γ (S 3 , S 3 ) = ⎜⎜ C0 + C ⋅ γ ⎜ ⎟ ⎟⎟ = 0 ,5 ⋅ 1,000 = 0 ,500
2⎝ ⎝ 60 ⎠ ⎠
⎛ 20 2 + 30 2 ⎞
γ (S 2 , S 3 ) = C 0 + C ⋅ γ ⎜ ⎟ = γ (0 ,601) = 0 ,793
⎜ 60 ⎟
⎝ ⎠
⎛ 20 ⎞
γ (S 1 , S 2 ) = C0 + C ⋅ γ ⎜ ⎟ = 0 ,481
⎝ 60 ⎠
⎛ 30 ⎞
γ (S 1 , S 3 ) = C0 + C ⋅ γ ⎜ ⎟ = 0 ,688
⎝ 60 ⎠
⎛ 10 15 ⎞
γ (S 1 , R ) = C0 + C ⋅ Q⎜ , ⎟ = 0 ,241
⎝ 60 60 ⎠
γ (S 2 , R) = C0 + C ⋅ Q(R' )
⎛ 30 15 ⎞ ⎛ 10 15 ⎞
3 ⋅ Q⎜ , ⎟ − 1 ⋅ Q⎜ , ⎟
Q (R' ) = ⎝ 60 60 ⎠ ⎝ 60 60 ⎠
2
3 1
= ⋅ 0 ,638 − ⋅ 0 ,241 = 0 ,517
2 2
γ (S 3 , R) = C0 + C ⋅ Q(R' ' )
⎛ 45 10 ⎞ ⎛ 15 10 ⎞
3 ⋅ Q⎜ , ⎟ − 1 ⋅ Q⎜ , ⎟
Q (R' ' ) = ⎝ 60 60 ⎠ ⎝ 60 60 ⎠
2
3 1
= ⋅ 0 ,536 − ⋅ 0 ,241 = 0 ,683
2 2
⎛ 30 20 ⎞
γ (R , R ) = C0 + C ⋅ F ⎜ , ⎟ = 0 ,320
⎝ 60 60 ⎠

Sistem kriging :

λ1 ⋅ 0 ,000 + λ2 ⋅ 0 ,481 + λ3 ⋅ 0 ,688 + μ = 0 ,241

λ1 ⋅ 0 ,481 + λ2 ⋅ 0 ,426 + λ3 ⋅ 0 ,793 + μ = 0 ,517
λ1 ⋅ 0 ,688 + λ2 ⋅ 0 ,793 + λ3 ⋅ 0 ,500 + μ = 0 ,683
λ1 + λ2 + λ3 +0 =1,000
___________________________________________

penyelesaian empat persamaan dengan empat variabel

λ1 = 0 ,57 λ 2 = 0 ,26 λ3 = 0 ,17 μ = 0 ,00

σ K2 = −γ (R , R ) + μ + ∑ λ j γ (S j , R )
n

j =1

= − 0 ,320 + 0 ,00 + (0 ,057 ⋅ 0 ,241 + 0 ,26 ⋅ 0 ,517 + 0 ,17 ⋅ 0 ,083 )

= − 0,320 + 0,387
= 0,067

σ K2
Standar deviasi relatif : σ K =
⋅ 100% = 26%
z
___________________________________________

Bandingkan dengan : σ E2 ( ) = σ E2 ⎛⎜ 30 , 20 ⎞⎟ = 0 ,158

⎝ 60 60 ⎠
σ E = 40 %
___________________________________________

Secara umum cara kriging untuk blok dengan grid teratur ini tidak hanya
memperhatikan 4 conto/blok di sekitarnya tetapi 8 blok.
 •8 •2 •9

•4 •1 •5

•7 •3 •6

Kadar yang diestimasi untuk blok di tengah-tengah (blok 1) adalah :

⎛ z ( x ) + z ( x3 ) ⎞ ⎛ z ( x ) + z ( x5 ) ⎞
Z* = λ1 ⋅ z ( x1 ) + λ2 ⋅ ⎜ 2 ⎟ + λ3 ⋅ ⎜ 4 ⎟+
⎝ 2 ⎠ ⎝ 2 ⎠
⎛ z (x ) + z ( x7 ) + z ( x6 ) + z (x7 ) ⎞
λ4 ⋅ ⎜ 6 ⎟ + λ5 ⋅ z
⎝ 2 ⎠

Dalam hal ini akan terdapat 6 sistem persamaan linier untuk menentukan bobot
λi ( μ = 0 seperti yang sudah dijelaskan terlebih dahulu). Untuk suatu efek nugget
yang besar ε = C0 / C perlu diperhatikan satu kelompok conto yang mengitari
blok di cincin luarnya lagi.

Catatan : Sistem persamaan tersebut, yaitu pembobotan tiap conto melalui λi

berlaku juga untuk semua blok-blok yang akan ditaksir, dengan syarat
konfigurasi conto dan bloknya sama.

Untuk dapat melakukan kriging pada

66 blok dengan grid teratur, harus
dihitung 4 faktor bobot yaitu untuk 4
conto bor yang mengitari setiap blok.

Varians estimasi untuk tiap blok

akan berbeda, semakin sedikit conto
yang ikut dalam proses semakin
besar harga varians ini.

Jika conto terletak di dalam blok yang akan ditaksir, atau ada satu-dua conto
terletak di sekitar 8 conto yang akan digunakan untuk menaksir blok, maka
sistem persamaannya harus disesuaikan lagi karena sistem pembobotannya
sudah berbeda.
Untuk conto dengan penyebaran yang tidak teratur, yang karena suatu hal tidak
terletak di tengah-tengah blok (random stratified grid), sistem persamaannya
masih dapat digunakan tetapi dengan memodifikasi untuk tiap blok.

10.6 CONTOH KRIGING PADA GRID YANG TIDAK TERATUR

Kadar z* suatu blok selayaknya ditaksir dari kadar conto blok tersebut dan kadar-
kadar dari conto di sekitar blok yang akan diestimasi.

Terdapat satu kelompok S1 = n conto

di tengah-tengah blok R, yang
dikelilingi 8 blok di sekitarnya A yaitu
kelompok S2 = m conto, dan seluruh
endapan diwakili oleh satu kelompok
S3 = 1 conto (kadar rata-rata = z ).
Jika kadar kelompok S1 = z1, dan
kadar kelompok S2 = z2, maka harga
estimasi adalah :

z* = λ1 ⋅ z1 + λ2 ⋅ z 2 + λ3 ⋅ z

Blok 1 = blok R / S1 / n conto dengan z1

Blok 2-9 = aureol A / S2 / m conto dengan z2
Seluruh endapan V / S3 z

(aureol = blok-blok yang mengelilingi blok yang akan ditaksir R)

Sistem kriging :

λ1 ⋅ γ (S1 S1 ) + λ2 ⋅ γ (S1 S 2 ) + λ3 ⋅ γ (S1 S3 ) + μ = γ (S1 R)

λ1 ⋅ γ (S 2 S1 ) + λ2 ⋅ γ (S 2 S 2 ) + λ3 ⋅ γ (S 2 S 3 ) + μ = γ (S 2 R)
λ1 ⋅ γ (S3 S1 ) + λ2 ⋅ γ (S 3 S 2 ) + λ3 ⋅ γ (S 3 S 3 ) + μ = γ (S 3 R)
λ1 + λ2 + λ3 = 1,0

Karena conto-conto dalam blok tidak mempunyai posisi yang teratur, maka
hubungan γ yang biasanya berlaku antar titik digantikan dengan hubungan γ
dengan bidang yang ditaksir, mis.
 γ (S 1 S1 ) → γ (R , R ) atau γ (S 1 S 2 ) → γ (R , A)
1
n

λ1 ⋅ γ (R , R ) + λ2 ⋅ γ (R , A) + λ3 ⋅ γ (RV ) + μ = γ (R1 R )
1
n
λ1 ⋅ γ ( A, R ) + λ2 ⋅ γ ( A, A) + λ3 ⋅ γ ( A,V ) + μ = γ ( A, R )
1
m
λ1 ⋅ γ (V , R) + λ2 ⋅ γ (V , A) + λ3 ⋅ γ (V ,V ) + μ = γ (V , R)
λ1 + λ2 + λ3 = 1,0

Selain itu perlu diperhatikan juga, bahwa ekstensi endapan (V) lebih besar
dibandingkan dengan range a, sehingga γ (V , R ) = γ (R ,V ) = γ (V , A) = γ ( A,V )
= γ (V ,V ) = C0 + C = K dan dengan demikian μ = 0 .

Sistem persamaan kriging disederhanakan menjadi :

λ1 ⋅ γ (R , R ) + λ2 ⋅ γ (R , A) + λ3 ⋅ K = γ ( R , R )
1
n
λ1 ⋅ γ ( A, R ) + λ2 ⋅ γ ( A, A) + λ3 ⋅ K = γ ( A, R )
1
m
λ1 + λ2 + λ3 = 1,0

Hubungan γ antar bidang yang digunakan untuk menyelesaikan persamaan

tersebut dapat diperoleh secara numerik melalui integrasi, seperti yang sudah
dijelaskan pada penurunan fungsi bantu F.

Penentuan dapat juga diperoleh melalui tabel fungsi bantu F, seperti yang
ditunjukkan pada dua contoh berikut ini :

a) γ (R , A)

Perhitungan hubungan antara bidang di tengah-tengah R (=1) dan aureol

A (=2+3+4) :
 Untuk mempermudah,
hubungan antara bidang 1
dengan bidang 1 diekspresikan
dalam F11, hubungan antara
bidang 1 dengan bidang 2
adalah F12, dst

Sehingga didapat : F11 + F12 + F13 + F14

+ F22 + F21 + F24 + F23
+ F33 + F34 + F31 + F32
+ F44 + F43 + F42 + F41 = 16F

Hubungan yang sama dan sebangun tersebut ditulis berulang-ulang dan

dapat disederhanakan sebagai berikut :

4F11 + 4F12 + 4F13 + 4F41 = 16F

F11 + F12 + F13 + F41 = 4F
Yang dicari adalah hubungan antara bidang 1 dengan 2+3+4 :

F12 + F13 + F14 = 4F - F11

γ (R , A) = 4F(2h,2l) - F(h,l)

b) γ ( A, A)

Dengan jalan yang sama hubungan antara bidang 2 sampai dengan 9

dapat dicari :

81F = 9F11+12F12+16F13+12F14+6F26+6F39+8F25+8F38+4F37

setelah dikelompokkan diperoleh :

64 γ ( A, A) = 81F - F11 - 4F12 - 8F13 - 4F14

1
γ ( A, A) = [81F(3h,3l) - F(h,l) – 8F(h,2l) – 8F(2h,l) – 32F(2h,2l)]
64
Contoh melakukan kriging pada suatu endapan bahan galian (Royle, 1971)

Diketahui suatu potongan (slice) endapan bahan galian yang dibagi dalam blok
berukuran 100 x 100 ft (Gambar 10.5). Pada setiap blok diambil satu conto
(random stratified grid). Dari conto tersebut diperoleh variogram yang dengan
model Matheron memberikan parameter berikut ini :

C = 16,50 %²
C0 = 3,80 %²
ε = 0,23
a = 240 ft
z = 4,27 %

Untuk mengoreksi harga-harga conto dengan memperhatikan kadar-kadar blok

di sekitarnya perlu dilakukan kriging. Perhitungan dilakukan jika pada aureol
minimum terdapat 5 conto.

Harga taksiran : z* = λ1 ⋅ z1 + λ2 ⋅ z 2 + λ3 ⋅ z 3

dengan λ3 = 1 − λ1 − λ2
z 1 = kadar conto di tengah-tengah
z 2 = kadar rata-rata conto 5 s/d 8 (blok di sekitarnya)
z3 = z = kadar rata-rata conto seluruh endapan

Varians dari harga perkiraan ini tergantung dari jumlah conto yang diikutkan
pada estimasi ini :

Conto di tengah aureol varians Simpangan baku

1 8 3,68 1,9
1 7 3,99 2,0
1 6 4,25 2,1
0 6 8,43 2,9

Pada Gambar 10.5 terlihat harga conto (angka dengan font besar) dan di
bawahnya harga yang sudah dikriging (angka dengan font kecil italic)
Histogram kadar conto asli :

MINIMUM Y = 0.0 2 MAKSIMUM = 26.40 KADAR RATA-RATA Y = 4.24

N = 85 VARIANS = 14.6369 STANDAR DEVIASI = 3.8258
SKEWNESS = 2.8204 KURTOSIS = 15.0903
JUMLAH KELAS = 12 INTERVAL = 2.5000
.
NO. BATAS FREKUENSI FREKUENSI FREKUENSI
KELAS ATAS RELATIF KUMULATIF
1 2.5000 27. 31.76 31.76
2 5.0000 34. 40.00 71.76
3 7.5000 13. 15.29 87.06
4 10.0000 6. 7.06 94.12
5 12.5000 3. 3.53 97.65
6 15.0000 0. 0.00 97.65
7 17.5000 1. 1.18 98.82
8 20.0000 0. 0.00 98.82
9 22.5000 0. 0.00 98.82
10 25.0000 0. 0.00 98.82
11 27.5000 1. 1.18 100.00
12 30.0000 0. 0.00 100.00

Histogram kadar conto setelah dikriging :

MINIMUM Y = 1.57 MAKSIMUM = 15.51 KADAR RATA-RATA Y = 4.50

N = 78 VARIANS = 5.5037 STANDAR DEVIASI = 2.3460
SKEWNESS = 1.8352 KURTOSIS = 8.0452
JUMLAH KELAS = 12 INTERVAL = 2.5000
.
NO. BATAS FREKUENSI FREKUENSI FREKUENSI
KELAS ATAS RELATIF KUMULATIF
1 2.5000 13. 16.67 16.67
2 5.0000 41. 52.56 69.23
3 7.5000 15. 19.23 88.46
4 10.0000 7. 8.97 97.44
5 12.5000 1. 1.28 98.72
6 15.0000 0. 0.00 98.72
7 17.5000 1. 1.28 100.00
8 20.0000 0. 0.00 100.00
9 22.5000 0. 0.00 100.00
10 25.0000 0. 0.00 100.00
11 27.5000 0. 1.18 100.00
12 30.0000 0. 0.00 100.00
Gambar 10.5 Blok yang telah dikriging
Berdasarkan susunan masing-masing blok dan batasan kriging bahwa di
sekitarnya minimum harus ada 5 conto, maka hanya blok yang dikriging dari total
blok 88.

Jika ditentukan cut-off grade adalah 3,00%.

Ditanyakan : 1. Berapa dari 78 blok yang telah dikriging mempunyai kadar conto
asli > 3% ?
2. Berapa dari 78 blok yang telah dikriging mempunyai kadar yang
telah dikriging > 3% ?
3. Beri tanda blok yang mempunyai kadar yang dikriging > 3% ?
Endapan yang sama dihitung lagi dengan cara kriging dengan anggapan, bahwa
semua titik bor terletak tepat di tengah-tengah grid. Hasil proses kriging ini dapat
dilihat pada Gambar 10.7.

Varians estimasi ( σ K2 ) lebih rendah dari sebelumnya. Tergantung dari susunan/

pola pemboran dan jumlh N titik bor yang digunakan untuk estimasi, akan
diperoleh harga-harga yang berbeda. Gambar 10.6 memperlihatkan sifat varians
estimasi dan harga-harga yang ditaksir Z* kaitannya dengan jumlah titik bor N
untuk 2 pola pemboran yang berbeda. Terlihat bahwa 5 sampai 6 titik bor untuk
estimasi dalam hal ini sudah cukup baik.

Gambar 10. 6 Pengaruh pola dan jumlah conto pada varians kriging dan harga
rata-rata
Gambar 10.7 Blok yang telah dikriging dengan maks. 9 dan min. 6 conto
10.7 KRIGING TITIK

Titik-titik pengambilan conto umumnya tidak terdistribusi teratur, sehingga untuk

pembuatan peta isoline perlu dilakukan interpolasi membentuk suatu grid yang
teratur.

Terdapat berbagai metode untuk masalah ini, di antaranya adalah NNP (nearest
neighboring polygon) dan IDW (inverse distance weighted, ID, IDS, atau ID3).

Dari diskusi cara penaksiran telah diketahui, bahwa kriging memberikan harga
penaksiran melalui titik yang paling baik dan terpercaya. Untuk menyelesaikan
masalah ini dapat digunakan sistem persamaan kriging yang sebelumnya telah
digunakan. Dalam hal ini hanya digunakan variogram saja, karena hanya
hubungan antar titik conto saja yang perlu diperhatikan.

Untuk tiga titik xi yang digunakan untuk menaksir titik keempat x0 di peroleh
sistem persamaan sebagai berikut :

λ1 ⋅ γ (x1 x1 ) + λ2 ⋅ γ (x1 x2 ) + λ3 ⋅ γ ( x1 x3 ) + μ = γ ( x1 x0 )
λ1 ⋅ γ (x2 x1 ) + λ2 ⋅ γ ( x2 x2 ) + λ3 ⋅ γ (x2 x3 ) + μ = γ (x2 x0 )
λ1 ⋅ γ (x3 x1 ) + λ2 ⋅ γ (x3 x2 ) + λ3 ⋅ γ (x3 x3 ) + μ = γ (x3 x0 )
λ1 + λ2 + λ3 = 1,0

γ (x1 x1 ) = γ (x2 x2 ) = γ (x3 x3 ) = 0,0 ‫ס‬

X1
γ (x1 x2 ) = γ (x2 x1 ) = C0 + C ⋅ γ (x1 − x2 )
γ (x1 x3 ) = γ (x3 x1 ) = C0 + C ⋅ γ (x1 − x3 ) ‫ס‬
X2
γ (x2 x3 ) = γ (x3 x2 ) = C0 + C ⋅ γ (x2 − x3 ) •
X0
γ (x1 x0 ) = C0 + C ⋅ γ (x1 − x0 )
γ (x2 x0 ) = C0 + C ⋅ γ (x2 − x0 )
‫ס‬
γ (x3 x0 ) = C0 + C ⋅ γ (x3 − x0 ) X3

Penentuan varians estimasi disederhanakan melalui persamaan berikut :

σ K2 = μ + ∑ λ j γ (x j − x0 )
n

j =1
Metode ini mempunyai sifat, bahwa proses estimasi memberikan suatu titik
xi = x0 , sehingga pada titik ini z * ( x0 ) = z( xi ) .

Hal ini perlu diterangkan pada suatu contoh yang sederhana sebagai berikut :

Suatu endapan dengan model Matheron mempunyai C0 = 0 C =1,0 a = 60m

dimisalkan terdapat tiga titik :

x1 x3 x2
I-------------------I--------------------I
20 m x0 20 m

γ (x1 x1 ) = γ (x2 x2 ) = γ (x3 x3 ) = 0,0

⎛ 40 ⎞
γ (x1 x 2 ) = γ (x2 x1 ) = C0 + C ⋅ γ (x1 − x2 ) = γ ⎜ ⎟ = 0 ,852
⎝ 60 ⎠
⎛ 20 ⎞
γ (x1 x3 ) = γ (x3 x1 ) = C0 + C ⋅ γ (x1 − x3 ) = γ ⎜ ⎟ = 0 ,481
⎝ 60 ⎠
⎛ 20 ⎞
γ (x2 x3 ) = γ ( x3 x2 ) = C0 + C ⋅ γ ( x2 − x3 ) = γ ⎜ ⎟ = 0 ,481
⎝ 60 ⎠
γ (x3 x0 ) = γ (x0 x0 ) = 0,0
___________________________________________

λ1 ⋅ 0 ,0 + λ2 ⋅ 0 ,852 + λ3 ⋅ 0 ,481 + μ = 0 ,481

λ1 ⋅ 0 ,852 + λ2 ⋅ 0 ,0 + λ3 ⋅ 0 ,481 + μ = 0 ,481
λ 1 ⋅0 ,481 + λ2 ⋅ 0 ,481 + λ3 ⋅ 0 ,0 + μ = 0 ,0
λ1 + λ2 + λ3 = 1,0
___________________________________________

Jawab : λ3 = 1 λ1 = λ 2 − μ = 0
σ K2 = 0
___________________________________________
Contoh kriging titik dari Delfiner & Delhomme (1973)

(b) titik pengukuran curah hujan dalam mm

kontur dibuat berdasarkan interpolasi dan
digambarkan secara manual

Gambar 10.8
Perbandingan antara
Pembuatan kontur hasil
Interpolasi manual,
polinomial, dan kriging

(a) variogram linier

data curah hujan di
Wadi Kadjemur
(c) kontur dihitung berdasarkan polinomil pangkat
dua

(d) kontur dihitung melalui proses kriging titik