BAB I

PENDAHULUAN
1.1 Latar Belakang
1.2 Rumusan Masalah
1.3 Tujuan

1
 BAB II

TINJAUAN PUSTAKA

2.1 Konsep Dasar

Statistika sangat dibutuhkan untuk mengestimasi sumber daya mineral.

Statistik yang dimaksud adalah mtode matematis untuk mengumpulkan,
mengorganisasikan, dan menginterpretasikan data. Berdasarkan gagasan
konvensional, endapan mineral merupakan kumpulan dari nilai-nilai tak terbatas
yang disebut dengan populasi. populasi Sampel merupakan subset yang
dianggap mewakili sifat/karakteristik dari populasi. Tiap unit sampel yang
memiliki kesempatan yang sama untuk diambil disebut dengan sampel acak.
Untuk mengambil kesimpulan dari sampel yang ada, sampel harus
bersifat representatif. Namu, karena kesimpulan yang dibuat tidak dapat
dipastikan, Bahasa probabilitas selalu digunakan dalam menyatakan
kesimpulan. Tujuan dari estimasi sumber daya mineral adalah menyimpulkan,
maka banyak statistic deskriptif diperlukan untuk meninjau, memahami, dan
menevaluasi data.

2.2 Distribusi Probabilitas

Probabilitas atau biasa disebut juga dengan peluang berkaitan erat dengan
proporsi. Namun, seringkali terjadi di mana probablilitas tidak dapat dihitung
dari proporsi. Oleh karenanya, dibutuhkan model probabilistik dan hukum
probabilitas.
2.2.1 Distribusi univarian
Fungsi distribusi kumulatif (CDF) adalah cara universal untuk
mengekspresikan keadaan pengetahuan yang tidak lengkap untuk
variabel berkelanjutan. Misalkan sebuah RV dilambangkan dengan Z
maka CDF F(z) didefinisikan sebagai:

𝐹(𝑧) = 𝑃𝑟𝑜𝑏{𝑍 ≤ 𝑧} ∈ [0,1]

2
 Fungsi densitas probabilitas (PDF) adalah turunan dari CDF. Dengan
menerapkan teorema dasar kalkulus, CDF dapat diperoleh dengan
mengintegrasikan PDF:

𝐹(𝑧 + 𝑑𝑧) − 𝐹(𝑧)

𝑓(𝑧) = 𝐹 ′ (𝑧) = lim
𝑑𝑧→0 𝑑𝑧
𝑍

𝐹(𝑧) = ∫ 𝑓(𝑧)𝑑𝑧
−∞

2.2.2 Distribusi Parametrik dan Non-parametrik

Statistik Parametrik, yaitu ilmu statistik yang mempertimbangkan jenis
sebaran atau distribusi data, yaitu apakah data menyebar secara normal
atau tidak. Dengan kata lain, data yang akan dianalisis menggunakan
statistik parametrik harus memenuhi asumsi normalitas. Pada umumnya,
jika data tidak menyebar normal, maka data seharusnya dikerjakan
dengan metode statistik non-parametrik, atau setidak-tidaknya dilakukan
transformasi terlebih dahulu agar data mengikuti sebaran normal,
sehingga bisa dikerjakan dengan statistik parametrik.
Statistik Non-Parametrik adalah test yang modelnya tidak menetapkan
syarat-syaratnya yang mengenai parameter-parameter populasi yang
merupakan induk sampel penelitiannya. Oleh karena itu observasi-
observasi independent dan variabel yang diteliti pada dasarnya memiliki
kontinuitas. Uji metode non parametrik atau bebas sebaran adalah
prosedur pengujian hipotesa yang tidak mengasumsikan pengetahuan
apapun mengenai sebaran populasi yang mendasarinya kecuali selama
itu kontinu.
Pendeknya Statistik Non-Parametrik adalah yaitu statistik bebas sebaran
(tidak mensyaratkan bentuk sebaran parameter populasi, baik normal
atau tidak). Selain itu, statistik non-parametrik biasanya menggunakan
skala pengukuran sosial, yakni nominal dan ordinal yang umumnya tidak
berdistribusi normal.

3
2.2.3 Quantiles

Quantiles adalah nilai Z spesifik yang memiliki makna probabilistik.

Quantiles digunakan untuk membandingkan distribusi dengan berbagai
cara. Quantiles dapat digunakan untuk membandingkan distribusi data
asli dengan nilai simulasi, membandingkan dua jenis sampel, atau
membandingkan hasil uji dari dua laboratorium yang berbeda. Cara yang
baik untuk melakukan ini adalah dengan sebidang pencocokan quantiles,
yaitu plot quantile-quantile (Q-Q)
2.2.4 Nilai Ekspektasi

Nilai yang diharapkan dari variabel acak adalah rata-rata probabilitas

tertimbang dari variabel acak tersebut:

+∞ +∞

𝐸{𝑍} = 𝑚 = ∫ 𝑧𝑑𝐹(𝑧) = ∫ 𝑧𝑓(𝑧)𝑑𝑧

−∞ −∞

4
 Nilai yang diharapkan dari variabel acak juga dikenal sebagai mean atau
momen pertama. Nilai yang diharapkan juga bisa dianggap sebagai
operator statistik. Ini adalah operator linear.

2.2.5 Extreme Values—Outliers

Sejumlah kecil nilai yang sangat rendah atau sangat tinggi dapat sangat
statistik ringkasan seperti mean atau varians data, koefisien korelasi, dan
ukuran kontinuitas spasial. Jika terbukti nilai keliru, maka harus
dikeluarkan dari data. Untuk nilai ekstrim sampel yang valid, ada
beberapa cara untuk mengatasinya:
1. mengklasifikasikan nilai ekstrim ke populasi statistik terpisah
untuk pemrosesan khusus, atau
2. menggunakan statistik yang kuat, yang kurang sensitif terhadap
nilai ekstrim.
Sebagai prinsip umum, data tidak boleh dimodifikasi kecuali diketahui
keliru, walaupun pengaruhnya dalam model prediktif spasial mungkin
dibatasi.
2.2.6 Multiple Variable Distributions
Beberapa variabel bisa berupa atribut geometris dari deposit atau nilai
seperti nilai ketebalan, emas, perak, atau tembaga. Mereka bisa menilai
kelas yang sama di lokasi yang berbeda. Statistik bivarian dan
multivarian digunakan dalam kasus ini.

5
2.3 Analisis Data Spasial

2.3.1 Declustering
Teknik declustering menetapkan setiap datum sebuah bobot berdasarkan
kedekatan dengan data sekitarnya wi, i = 1, ..., n. Bobot ini lebih besar
dari 0 dan jumlah ke 1. Distribusi eksperimental dan semua statistik
ringkasan dihitung dengan bobot selain 1/n konstan. Metode
declustering poligonal mungkin yang paling sederhana, dan memberikan
bobot masing-masing sebanding dengan luas atau volume masing-
masing sampel.

Teknik declustering tetangga-terdekat biasanya digunakan dalam

estimasi sumber daya dan seperti metode poligonal. Perbedaannya
adalah bahwa teknik ini diterapkan pada grid reguler blok atau node
grid. Teknik declustering sel adalah teknik declustering yang umum
digunakan lainnya (Journel 1983; Deutsch 1989). Declustering sel
bekerja sebagai berikut:
a. Bagi volume unit ke dalam grid sel l = 1, ..., L.

6
 b. Hitung sel yang terisi Lo dan jumlah data di setiap sel yang
ditempati nlo, lo = 1, ..., Lo.
c. Berat setiap data sesuai dengan jumlah data yang jatuh pada sel
yang sama, misalnya untuk datum saya jatuh di sel l, bobot
declustering sel adalah:.
1
𝑤𝑖 =
𝑛𝐼 . 𝐿𝑜

2.3.2 Declustering dengan Multiple Variables

Bobot declustering ditentukan berdasarkan konfigurasi geometrik data.
bobot declustering yang berbeda perlu dihitung bila tidak ada sampling
yang tidak sama. Sebagai contoh, terkadang ada beberapa set sampel
Tembaga dan Molibdenum yang berbeda dalam deposit porfiri Cu-Mo,
yang memerlukan dua set bobot declustering.
2.3.3 Moving Windows dan Proportional Effect
Moving windows digunakan untuk memahami perilaku data spasial lokal,
dan bagaimana hal itu mungkin berbeda dari statistik global. Proportional
Effects dikarenakan histogram berbentuk incline, tapi mungkin juga
mengindikasikan kecenderungan spasial atau kurangnya homogenitas
spasial. Grafik Proportional effect terkadang digunakan untuk membantu
menentukan populasi statistik homogen dalam deposit

7
2.3.4 Pemodelan Trend
Pemodelan trend diterapkan saat trend terdeteksi dan diasumsikan
dipahami dengan baik. Data lubang bor biasanya merupakan sumber
untuk deteksi trend. Kecenderungan dimodelkan sebagai komponen
deterministik ditambah komponen residual. Komponen deterministik
dihilangkan dan komponen residual dimodelkan melalui teknik estimasi
atau simulasi. Akhirnya, trend deterministik ditambahkan kembali. Dalam
model seperti itu, rata-rata residu dan korelasi antara tren dan residu
harus mendekati 0.

2.4 Distribusi Gaussian dan Transformasi Data

Distribusi Gaussian umumnya digunakan karena sifat statistiknya yang

mudah digunakan. Distribusi Gaussian berasal dari Teorema Batas Tengah,
yang merupakan salah satu teorema paling penting dalam statistik

8
 Distribusi Gaussian univariat sepenuhnya ditandai dengan mean (m) dan
standar deviasi (σ). Fungsi kepadatan probabilitas diberikan oleh:

1 1 𝑧−𝑚 2
𝑔(𝑧) = exp [− ( ) ]
𝜎√2𝜋 2 𝜎

2.5 Integrasi Data dan Inferensi

Prediksi variabel spasial memerlukan pertimbangan distribusi nilai

multivariat di lokasi yang berbeda. Inferensi memerlukan kombinasi data
sampel untuk diperkirakan di lokasi yang tidak diketahui. Perhitungan distribusi
bersyarat dilakukan dengan penerapan Hukum Bayes, salah satu hukum
terpenting dalam teori statistik.
Hukum Bayes memberi kemungkinan bahwa suatu peristiwa tertentu
akan terjadi mengingat bahwa (atau kondisional untuk) peristiwa yang berbeda
telah terjadi. Ekspresi matematis untuk Hukum Bayes dapat ditulis sebagai:

𝑃(𝐸1 𝑎𝑛𝑑𝐸2 )
𝑃(𝐸1 |𝐸2 ) =
𝑃(𝐸2 )

Di mana E1 dan E2 menjadi peristiwa, dan P mewakili probabilitas.

9
 BAB III
PENUTUP
3.1 Kesimpulan

10
 DAFTAR PUSTAKA
Wajdi, Marisa. 2013. http://bunda-bisa.blogspot.co.id/2013/04/perbedaan-
statistik-parametrik-dan.html
Sugianto, Aris. 2016
.https://www.researchgate.net/publication/306392316_JENIS-
JENIS_DATA_VARIABEL_VARIABEL_DISKRIT_DAN_VARIABEL_KONTINYU

11