GeoStat-Bab 10 - Kriging PDF
GeoStat-Bab 10 - Kriging PDF
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’).
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
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.
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.
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
∑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
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.
∑ 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.
σ K2 = −γ (V ,V ) + μ + ∑ λ j γ (S j ,V )
n
j =1
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
[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 ]
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 )
∑ 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
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
Standar deviasi relatif : σ K = ⋅ 100% = 29%
z
Sistem Kriging
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
λ1 + 2λ2 = 1,000
[4]
λ1 = 1,000 − 2λ2
______________________________________
j =1
γ (L , L ) = 0 ,165
μ = 0 ,124
j j
j =1
σ K2
Standar deviasi relatif : σ* 100% = 23% 2
K =
z
______________________________________
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
______________________________________
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
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
=
(
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 + λ2 + λ3 = 1,000
→ μ = 0 ,000 [3]
______________________________________
σ K2 = −γ (L , L ) + μ + ∑ λ j γ (S j , L )
n
j =1
∑ λ γ (S , L ) = 0 ,217
n
j j
j =1
λ1 + λ2 + λ3 = 1
μ = 0 ,0
___________________________________________
σ K2 = −γ (L , L ) + μ + ∑ λ j γ (S j , L )
n
j =1
∑ λ γ (S , L ) = 0 ,652
n
j j
j =1
σ K2 = 0 ,248 σ K = 43 %
10.3.5 RINGKASAN
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.
Hal ini sangat penting pada perkiraan cadangan untuk pemilihan blok apakah
layak tambang atau tidak.
Perhitungan dilakukan terhadap suatu blok pada endapan bahan galian yang
sudah diketahui mempunyai variogram model Matheron dengan :
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 :
σ K2 = −γ (R , R ) + μ + ∑ λ j γ (S j , R )
n
j =1
σ K2
Standar deviasi relatif : σ K =
⋅ 100% = 26%
z
___________________________________________
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
⎛ 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.
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.
Kadar z* suatu blok selayaknya ditaksir dari kadar conto blok tersebut dan kadar-
kadar dari conto di sekitar blok yang akan diestimasi.
z* = λ1 ⋅ z1 + λ2 ⋅ z 2 + λ3 ⋅ z
Sistem kriging :
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 .
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
Penentuan dapat juga diperoleh melalui tabel fungsi bantu F, seperti yang
ditunjukkan pada dua contoh berikut ini :
a) γ (R , A)
b) γ ( A, A)
81F = 9F11+12F12+16F13+12F14+6F26+6F39+8F25+8F38+4F37
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 %
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 :
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 :
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
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
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 :
x1 x3 x2
I-------------------I--------------------I
20 m x0 20 m
Jawab : λ3 = 1 λ1 = λ 2 − μ = 0
σ K2 = 0
___________________________________________
Contoh kriging titik dari Delfiner & Delhomme (1973)
Gambar 10.8
Perbandingan antara
Pembuatan kontur hasil
Interpolasi manual,
polinomial, dan kriging