Kelompok 2

 Jhuank Arya Vazare

 Lidya Viviana
 Lukas Jacky Nestle Barus
 Muhammad Hadi Pratama
 Mukhlis Anggara
 Pignollee Donarthy
 Trisnawanty Harianja
 Yoga Aditama
 Yulita

1. Terkait dengan :
a. Point Kriging atau Simple Kriging
Penaksiran titik merupakan suatu kasus khusus dari penaksiran blok, yaitu
blok tersebut diwakili oleh titik tengahnya. Jadi, untuk penaksiran di suatu titik lokasi
(point kriging) volume blok menyusut menjadi sebesar volume conto. Perhitungan
varians penaksiran (kriging variance) pun menggunakan menggunakan varians conto
(sample variance) sebagai titik tolak.
Aplikasi penaksiran kadar dalam bidang pertambangan hampir selalu
dilakukan untuk blok-blok yang merupakan unit penambangan terkecil. Dalam
proses perhitungan (jarak conto ke blok, variogram antara conto dan blok), setiap
blok diwakili oleh titik-titik integrasi (lihat Gambar 5). Perhitungan varians
penaksiran dilakukan dengan titik tolak varians blok, bukan varians conto. Selain
dari hal-hal di atas, prosedur penaksiran titik pada dasarnya sama dengan
penaksiran blok (lihat Gambar 6).
Gambar 5. Contoh dua dimensi dari suatu blok dengan perhitungan luas yang
didekati oleh 9 titik integrasi numerik.

Gambar 6. Rangkuman prosedur point / block kriging.

Block Kriging
Penjelasan Block Kriging menggunakan software ArcGIS 9.0
Teknik interpolasi Kriging digunakan untuk menentukan kesalahan DEM. Seperti
yang dinyatakan sebelumnya ini biasanya dilakukan dengan ground control point,
tetapi ini tidak tersedia untuk situs ini. Saya sangat menyarankan mencari ahli
geostatistik untuk membantu proses kriging. Kriging adalah prosedur interpolasi
yang rumit dan seorang ahli di bidang ini akan ideal. Untuk penelitian ini, analisis
kriging diproses di Surfer 7.0, geoeas 2.1, dan ArcGIS 9.0 Analisis Geostatistik. Titik
kriging hanya dapat dilakukan di ArcGIS, tetapi blok kriging perlu ditentukan di
Surfer 7.0 (saya percaya blok kriging sekarang dapat digunakan di ArcGIS 9.2).
Gambar di bawah ini menjelaskan setiap langkah dari proses kriging. Saya kemudian
akan membahas detail dan latar belakang setiap langkah
 Langkah Kriging:
1. Pertama, perbedaan DEM ditentukan di luar wilayah vulkanik. Masker digunakan
untuk memotong area di luar daerah vulkanik. Untuk melakukan ini, pertama-tama
buat shapefile baru yang akan menjadi poligon. Langkah-langkah untuk membuat
shapefile baru dan mengeditnya. Tambahkan shapefile yang baru dibuat ke ArcMap.
Pertama saya menambahkan bidang di tabel atribut (ditampilkan di bawah).
2. Akhirnya saya ingin satu shapefile menampilkan topeng dan wilayah luar. Di sini saya
menggunakan bidang nilai untuk membedakan keduanya dan akan menerapkannya
ke raster. Setelah field ditambahkan, toolbar editor digunakan untuk mengedit
shapefile baru. Untuk penelitian ini saya hanya menggunakan kotak untuk
mengidentifikasi garis besar DEM, yang tersedia di Toolbar Pengeditan Tingkat
Lanjut. Setelah garis besar DEM selesai, saya menyimpan hasil editannya. Sekarang
wilayah bertopeng dan wilayah di luar ditampilkan di layar. Pilih wilayah mask
menggunakan panah hitam yang terletak di bilah alat editor. Hanya wilayah
bertopeng yang dipilih (disorot dengan warna biru). Verifikasi bahwa target (pada
bilah alat editor) adalah lapisan yang baru Anda buat (yaitu bukan lapisan
bertopeng, tetapi lapisan yang berisi lapisan bertopeng dan area di luar). Sekarang
salin dan tempel wilayah bertopeng ke dalam wilayah garis besar. Anda dapat
memverifikasi ini dengan mematikan lapisan wilayah bertopeng. Sekarang buka
tabel atribut, harus ada dua baris, satu untuk wilayah bertopeng, dan satu untuk
wilayah di luar. Klik pada baris untuk menentukan area bertopeng (yaitu area
vulkanik) dan ubah nilai ini menjadi 0. Juga pilih baris yang mewakili batas DEM dan
ubah nilainya menjadi 1. Hentikan pengeditan dan simpan hasil pengeditan.
Sayangnya tidak ada alat yang memungkinkan ekstraksi di luar area bertopeng, jadi
proses ini harus dilakukan sebagai gantinya. Pastikan untuk mencari versi terkini dari
ArcGIS untuk melihat apakah alat ini tersedia untuk dataset raster, jika demikian
proses ini tidak harus diselesaikan. Sekarang saya punya satu shapefile dengan
wilayah bertopeng dan daerah di luar. Selanjutnya saya ingin mengubah wilayah ini
menjadi raster. Tambahkan toolbar analis spasial dan pilih konversi fitur ke raster
(ditampilkan di bawah).
3. Di sini fitur input dan bidang yang sesuai dipilih, dalam hal ini bidangnya adalah Nilai.
Gunakan ukuran sel DEM saat ini, dalam hal ini adalah 10 m dan juga tentukan
sebuah raster keluaran. Sekarang ada raster dengan nilai 0 dan 1, mewakili wilayah
bertopeng dan area di luar masing-masing. Selanjutnya raster perlu digolongkan
ulang sehingga wilayah bertopeng diwakili sebagai NoData dan wilayah di luar
adalah 1. Selanjutnya, kalikan raster dengan perbedaan DEM. Untuk membuat
perbedaan DEM, dalam hal ini 2001-1954, Raster Calculator digunakan untuk
mengurangkan set data. Setelah perbedaan ini DEM dibuat, ini akan dikalikan
dengan raster yang baru kita buat (1 dan nilai-nilai NoData). Ini dilakukan
menggunakan Raster Calculator yang terletak di Toolbar Analis Spasial. Kedua alat
ditunjukkan di bawah ini

4. Setelah langkah-langkah di atas selesai, kita sekarang memiliki perbedaan DEM

dengan wilayah vulkanik yang direpresentasikan sebagai tidak ada data, seperti yang
ditunjukkan di bawah ini. Wilayah yang ditunjukkan pada langkah 1 dari keseluruhan
langkah kriging (di atas) mewakili area di luar zona vulkanik.
4. Selanjutnya saya mengonversi setiap piksel ke titik shapefile. Tapi pertama saya
mengubah DEM ke file integer, bukan file floating point. File integer dan floating
point dibahas di sini. Area identitas pertama pada DEM untuk menentukan jumlah
nilai di sebelah kanan titik desimal. Kita perlu mengalikan nilai ini dengan DEM untuk
mendapatkan hanya nilai integer. Untuk melakukan ini kita memerlukan raster
calculator lagi seperti yang ditunjukkan di bawah ini.

5. Di sini "int" adalah perintah untuk mengubah file ke integer. Di sini kami mengambil
DEM, dalam hal ini test2, dan dikalikan ini dengan 100 untuk mengubah nilai ke
integer. Selanjutnya kita perlu mengkonversi setiap piksel ke file titik. Ini dilakukan
dengan menggunakan Spatial Analyst Toolbar> Convert> Raster to Feature.
Tentukan nilai bidang yang memiliki nilai elevasi, ubah geometri output ke titik, dan
simpan hasilnya.

6. Sekarang harus ada titik di setiap lokasi piksel dengan nilai elevasi yang ditentukan
sebagai bilangan bulat. Berikutnya saya menambahkan bidang di tabel atribut (lihat
langkah 1 dari langkah kriging, di atas). Saat menambahkan bidang, jenis harus
ditentukan; dalam hal ini jenisnya mengambang, yang membutuhkan nilai untuk
 presisi dan skala. Presisi menunjukkan jumlah digit yang disimpan dalam suatu
bidang. Skala adalah jumlah digit di sebelah kanan tempat desimal. Untuk contoh ini
saya memilih 6 untuk presisi, dan 2 untuk skala, tetapi pilih yang sesuai untuk
dataset lain. Setelah bidang dibuat, saya memilih kalkulator lapangan untuk
menghitung nilai untuk bidang itu seperti yang ditunjukkan di bawah ini.

7. Selanjutnya saya memilih sampel acak dari titik-titik di luar zona vulkanik. Saya perlu
melakukan interpolasi wilayah di dalam zona vulkanik dan tidak ingin menggunakan
semua poin karena representasi yang berlebihan dan waktu pemrosesan. Untuk
penelitian ini saya menggunakan sampel acak 1000. Untuk mendapatkan sampel
acak ekstensi alat Hawth diunduh, yang tersedia di sini. Toolset ini saat ini bekerja
dengan ArcGIS 9.0. Jika toolset tidak tersedia untuk versi yang Anda gunakan, maka
Anda harus mencari metode lain untuk mendapatkan sampel acak, seperti Matlab.
Dengan menggunakan alat Hawth, pengguna dapat memilih sampel acak dan
menentukan jumlah fitur yang dibutuhkan. Untuk penelitian ini saya membuat
sampel acak 1000 poin. Langkah 1 pada langkah-langkah kriging keseluruhan (di
atas) menunjukkan 1000 titik-titik sampel acak yang dihamparkan pada perbedaan
DEM.

8. 1000 titik yang dipilih secara acak digunakan dalam analisis kriging untuk interpolasi
permukaan. Sekali lagi saya sangat menyarankan untuk meneliti kriging dan
geostatistik sebelum melakukan analisis ini, beberapa referensi dapat ditemukan di
sini. Saya akan memberikan langkah-langkah dasar, tetapi nilai-nilai yang digunakan
untuk semivariogram harus diperoleh untuk setiap set data dan seorang ahli harus
 dikonsultasikan untuk memastikan ini. Pertama saya akan memberikan latar
belakang untuk semivariogram dan apa artinya definisi.

9. Semivariogram mengukur ketergantungan spasial poin; titik-titik yang berdekatan

lebih mirip daripada titik yang lebih jauh terpisah (Davis, 1986; Maune, 2007).
Semivariogram hanya diketahui pada titik-titik diskrit yang mewakili jarak. Untuk
menerapkan semivariogram untuk jarak berapa pun, model teoritis perlu
didefinisikan yang paling sesuai dengan semivariogram, sehingga menciptakan fungsi
kontinu dan bukan yang terpisah (Davies, 1986). Sebuah model dipilih agar paling
sesuai dengan semivariogram, yang mencakup pengukuran untuk nugget, ambang,
dan jangkauan. Nugget menunjukkan pengukuran / kesalahan independen dan
merupakan penyimpangan dari 0 pada sumbu y. Ambangnya adalah tinggi
semivariogram yang dicapai ketika levelnya turun, terletak di sumbu y, dan
kisarannya adalah jarak di mana model pertama kali mendatar pada sumbu x.
Parameter di atas diperoleh dari plot semivariogram dan dimasukkan ke dalam
program interpolasi menggunakan kriging biasa (OK) untuk membuat permukaan
prediksi interpolasi. Selain itu, permukaan kesalahan dibuat yang menganalisa
seberapa akurat permukaan prediksi.

10. Sekarang kita memiliki beberapa definisi dasar pemasangan teknik semivariogram
dan kriging ditunjukkan di bawah ini:

11. Setelah memilih wisaya geostatistical, file titik harus digunakan untuk data input
dengan bidang atribut yang sesuai. Ada berbagai metode statistik yang dapat
digunakan, tetapi kriging dipilih untuk penelitian ini. Di menu berikutnya pilih kriging
Biasa, pertama pengguna akan membuat peta prediksi dan kemudian akan
 membuat peta kesalahan standar prediksi. Menu selanjutnya ditunjukkan di bawah
ini:

12. Menu di atas menunjukkan semivariogram di sebelah kiri. Semivariogram dianalisis

oleh ahli geostatistik dan parameter berikut: model, rentang, ambang, dan nugget
ditentukan dan dimasukkan ke menu di atas. Setelah selesai dengan menu ini,
lanjutkan sisanya, kecuali diperlukan parameter tambahan. Setelah selesai dengan
wizard geostatistik, permukaan akan dibuat dari interpolasi 1000 poin. Permukaan
prediksi kriging dan 1000 titik sampel acak ditampilkan di bawah ini:
13. Next, I clipped the kriging prediction surface to the masked region, in this case the
dome. To recall how to extract an area by a mask refer here. Once the kriging
prediction surface is clipped to the area of interest the raster calculator is then used
to subtract the kriging surface from the original DEM difference as shown in the
overall kriging steps part 4-6. This new surface represents the DEM difference with
the error removed. For this study, the kriging prediction surface is the DEM error.
More detailed information is located within the thesis.

14. Blok kriging digunakan sebagai langkah terakhir untuk analisis kriging / kesalahan.
Sebelum memblokir kriging, 1000 poin perlu dikonversi ke file teks. File teks harus
menyertakan nilai X, Y, dan Z. Untuk menambahkan nilai X dan Y saya menggunakan
toolbar XToolsPro, yang merupakan perpanjangan dalam ArcGIS 9.0. Jika ekstensi ini
tidak tersedia, metode lain harus digunakan untuk mendapatkan nilai-nilai ini.
Mengekspor file teks dilakukan dengan membuka tabel atribut, memilih opsi, dan
mengekspor. Di sini Anda dapat menyimpan file sebagai file teks. File teks kemudian
akan dimasukkan ke menu kriging.

15. Blok kriging menggunakan jumlah poin rata-rata dalam area tertentu, yang
memperlancar data. Untuk blok kriging semivariogram menghitung kovarian antara
blok bukan titik. Untuk menentukan perkiraan kesalahan perubahan volume, kita
perlu menggunakan kepadatan poin yang sebanding. Untuk penelitian ini wilayah
kubah memiliki perubahan elevasi di luar zona vulkanik, dengan celah besar di zona
vulkanik. Untuk melakukan interpolasi di zona vulkanik, diperlukan blok-blok yang
mewakili jarak (area) dari zona vulkanik. Kalau tidak, jika 1000 titik digunakan
misalnya, representasi lebih dari poin (atau blok) akan terjadi di luar zona vulkanik,
yang keliru akan interpolasi daerah dalam zona vulkanik. Oleh karena itu, blok dipilih
untuk mewakili daerah vulkanik. Untuk penelitian ini kubah memiliki jarak blok 2500
m, menghasilkan luas 6,25 km2. Blok kriging dilakukan di Surfer 7.0® dengan
memasukkan parameter model yang ditentukan dari semivariogram seperti
ditunjukkan di bawah ini:
16. Menggunakan Surfer 7.0® data grid menggunakan Data Grid tersedia di bawah alat
Grid. Dalam menu ini kolom x, y, dan z ditetapkan, metode kriging dan pengaturan
jarak juga dipilih. Menggunakan opsi lanjutan, model dan parameter kriging lainnya
ditetapkan, serta mengubah jenis kriging untuk memblokir kriging. . Permukaan
kesalahan deviasi standar kemudian dibuat (keseluruhan kriging langkah 7,
ditunjukkan di atas). Nilai-nilai ini kemudian dirata-ratakan untuk wilayah vulkanik,
memberikan kesalahan standar perkiraan. Kami menganggap kesalahan estimasi
terdistribusi secara normal; oleh karena itu mengalikan dengan 2, kita memperoleh
estimasi kesalahan dengan probabilitas 95%. Nilai ini kemudian dikalikan dengan
luas vulkanik untuk mendapatkan kesalahan standar untuk perubahan volume
(keseluruhan kriging langkah 8, ditunjukkan di atas). Sekali lagi saya akan
menyarankan konsultasi ahli geostatistik sebelum melakukan blok kriging.

Literatur :
http://www.geo.mtu.edu/rs4hazards/ksdurst/website/Thesis/Kriging.html
http://geosurta.blogspot.co.id/2014/05/pengertian-poligon-dan-
metode.html

2. Penerapan, teori aplikasi software geostatistical (G+)

Geostatistik berguna ketika kita perlu membuat peta yang akurat. akurat
secara statistik yang dibuat dari data yang tidak lengkap - yang berarti setiap kali kita
membuat peta untuk properti yang tidak dapat diambil sampelnya secara
menyeluruh. Apakah kita memetakan deposit minyak atau distribusi plankton,
geostatistik memungkinkan kita lebih percaya diri dalam nilai interpolasi untuk lokasi
yang tidak benar-benar diambil sampelnya. Statistik yang disediakan oleh GS + GS +
menyediakan analisis autokorelasi spasial: Analisis semivarian menghasilkan
variograms dan berbagai jenis model variogram, termasuk variograms isotropik dan
anisotropik; Peta variogram anisotropik membuatnya mudah mengenali anisotropi;
h-Scattergrams dan Variance clouds menyediakan cara mudah untuk mengenali data
outlier; dan Banyak jenis lain dari langkah-langkah autokorelasi, termasuk Moran I,
fraktal, correlograms, covariogram, madogram, rodogram, drift, variograms standar,
dan variograms relatif umum dan berpasangan. GS + memberikan interpolasi cepat:
Berbagai jenis kriging memberikan interpolasi yang optimal dari titik diskrit atau area
di sekitar lokasi titik sampel; Simulasi kondisional memberikan interpolasi berbasis
probabilitas dan kesalahan estimasi; Persiapan Cokriging memberikan interpolasi
optimal ketika Anda hanya memiliki beberapa sampel untuk varian utama tetapi
banyak sampel untuk kovariat yang lebih mudah diukur, terkait; dan Pembobotan
jarak terbalik memberikan interpolasi tetangga terdekat yang hanya berdasarkan
jarak ke sampel di dekatnya. GS + menyediakan statistik parametrik dasar: Contoh
sarana dan varians; Distribusi frekuensi, distribusi probabilitas, dan ukuran
kemiringan dan kurtosis untuk menentukan keberangkatan dari normalitas; dan Plot
kuantitatif atau peta koordinat menunjukkan distribusi nilai sampel di seluruh
domain spasial; Transformasi untuk mengembalikan data ke normalitas; dan Analisis
regresi untuk kovariat varian utama.

3. Penerapan, teori aplikasi software SGeMs (Stanford Geostatistical Modelling

Software)
Software ini memiliki keunggulan dalam menganalisis variable special.
Menyediakan kemudahan dalam visualisasi 3D secara interalif. Beberapa tools
maupun plugin secara khusus disediakan untuk menganalisis di bidang lingkungan ,
pertambangan , dan perminyakan
 Untuk menerapkan rutinitas geostatistiknya, termasuk:
 Kriging
 Multi-variate kriging (co-kriging)
 Simulasi Gaussian berurutan
 Simulasi indikator berurutan
 Multi-variate sequential Gaussian dan simulasi indikator
 Simulasi statistik beberapa poin

4. Fungsi Bandwidth pada software SgeMs

Bandwidth adalah besaran data transfer (upload dan download) yang muncul
dari aktivitas user ataupun client terhadap suatu server. Transfer data dihitung
berdasarkan satuan bit per-detik atau disebut juga dengan bit per-second (bps) pada
waktu tertentu, bandwidth (pada suatu hosting) umumnya dipengaruhi oleh
banyaknya jumlah pengunjung, besaran halaman suatu website yang diakses
(meliputi text, gambar, music, video, dll), dan adanya aktivitas upload data ke server.
Dalam suatu jaringan komputer terdapat dua jenis bandwidth, yaitu
bandwidth digital dan bandwidth analog. Inilah penjelasannya:
a. Bandwidth Analog
Bandwidth analog merupakan beda antara frekuensi tertinggi dengan frekuensi
terendah dalam rentang frekuensi bersatuan Hertz (Hz). Beda pada frekuensi
nantinya untuk menentukan seberapa banyak data atau informasi yang bisa
ditransmisikan dalam suatu waktu.
b. Bandwidth Digital
Bandwidth digital merupakan jumlah atau volume suatu data yang dapat dikirimkan
melalui suatu saluran komunikasi tanpa keberadaan distorsi. Seperti yang telah
disinggung sebelumnya, volume data tersebut menggunakan satuan bps atau bit per
second.
Fungsi Bandwidth
Setelah mendapatkan gambaran mengenai pengertiannya, bisakah Anda
mengira-ira apa fungsi dari bandwidth? Fungsi utama dari bandwidth sebenarnya
tidak jauh dari pengertiannya. Bandwidth memiliki fungsi utama sebagai penghitung
besaran transfer data atau transaksi ketika suatu user atau pengguna mengakses
atau menggunakan suatu server. Dalam kaitannya dengan situs, penghitungan
besaran bandwidth yang terpakai sama dengan besaran jumlah data yang diakses
oleh pengunjung situs tersebut.
Secara lebih spesifik, ada 3 fungsi bandwidth dalam jaringan maupun hosting.
Apa sajakah itu? berikut penjelasannya.
a. Sebagai media atau jalur pengiriman data.
Seperti yang bisa dilihat dari pengertiannya, fungsi yang pertama dari bandwidth
adalah sebagai media atau jalur penghubung ketika proses pengiriman data
dilakukan. Sebagai contoh, di suatu rumah atau gedung, media koneksi antara
perangkat komputer dengan koneksi LAN adalah kabel LAN fisik. Di dalam kabel
tersebut terdapat jaringan atau jalur yang memungkinkan terjadinya pertukaran
atau transfer data antara perangkat komputer rumah dengan media lain.
b. Sebagai pembatas kecepatan saat transfer data.
Apa fungsi lainnya dari bandwidth? Fungsi bandwidth yang kedua adalah sebagai
pembatas kecepatan suatu aktivitas transfer data. Pada umumnya, fungsi ini berlaku
untuk para administrator jaringan agar dalam pengelolaannya ia dapat menghindari
perilaku tidak baik seperti streaming atau download video beresolusi HD (high
display). Mengapa streaming atau download video HD tergolong sebagai perilaku
yang tidak baik? Hal ini karena aktivitas tersebut menyebabkan banyaknya
bandwidth yang tersedot. Jika suatu layanan hanya memiliki kapasitas terbatas
sementara banyak pengguna/pengaksesnya, orang lain yang turut mengakses
internet dengan jalur yang sama akan terganggu.
Jadi, pada intinya administrator yang bertugas mengelola jaringan perlu membagi
bandwidth dengan adil dan merata untuk setiap pengakses internetnya. Sebagai
contoh, para pengunjung warnet memiliki jatah bandwidth sebesar 1 atau 10 Mbps.
Dengan begitu, masing-masing pengguna warnet bisa berselancar dengan nyaman
dan lancar dengan jaringan internet yang digunakannya.
c. Pembatas jumlah data yang bisa ditransfer
Fungsi yang sering diberlakukan oleh administrator jaringan suatu hosting ini dapat
dipahami melalui contoh berikut. Suatu web hosting menyediakan bandwidth 2 GB
per bulan. Dari hal itu, bisa diketahui bahwa terlepas dari seberapa banyak
 perangkat yang mengakses serta seberapa cepat aktivitas akses, jumlah maksimal
data yang ditransfer tidak lebih dari 2 GB.

5. Terkait dengan :
a. Simple Kriging
Simple Kriging Pada metode simple kriging diasumsikan bahwa mean atau rata-rata
sudah diketahui dan memunyai nilai yang konstan.
Metode ini dapat dikembangkan lagi, dimana data spasial yang akan diestimasi akan
dipartisi menjadi beberapa bagian yang disebut metode sequential kriging.

 Mean µ diketahui
 Misalkan Y(S) adalah variable teregionalisasi dengan mean nol
 Misalkan Z(s) = Y(s) + µ
 Estimator untuk Y(S) :

 Estimator harus tak bias dan variansi minimum – mean error = 0

 Bersifat tak bias karena E[Y(S)] = 0

 Sehingga tidak perlu ada syarat untuk bobot (tidak perlu pengali lagrange)
Bobot untuk mean

gambar simple kriging

B. Ordinary Kriging (OK)

Ordinary kriging (OK) adalah metode kriging paling sederhana yang terdapat pada
geostatistika. Pada metode ini, memiliki asumsi bahwa rata-rata (mean) tidak
diketahui dan bernilai konstan. Pada ordinary kriging, 4 merupakan mean dari Z(u)
yaitu 4 , dimana ! U.
 Pada Cressie (1993: 120) dijelaskan bahwa ordinary kriging
berhubungan dengan prediksi spasial dengan dua asumsi:

Asumsi Model:

VW X YW( W Z( X [ \]^ X _]` \a`b_]cWa (3.3)

Asumsi Prediksi:

n N
ˆ
Z(u)=∑ λα Z(uα ) dengan ∑λα 1 (3.4)
α =1 α =1

Dengan:
Y W : nilai error pada Z(u)

n : banyaknya data sampel yang digunakan untuk estimasi.

Karena koefisien dari hasil penjumlahan prediksi linear adalah 1 dan memiliki syarat
tak bias maka / M 0 U ! ( untuk setiap U dan karena Z(u)
merupakan suatu konstanta maka E(Z(u)) = Z(u).
Jika terdapat estimator error, Gd , pada setiap lokasi merupakan perbedaan
antara nilai estimasi dengan nilai sebenarnya Z(u), yang dinyatakan sebagai berikut:
d (3.5)

Dengan E ( eˆ (u )) 0

Dengan menggunakan persamaan (3.5) dapat dibuktikan bahwa merupakan

estimator tak bias. Akan dibuktikan bahwa merupakan estimator tak bias:
 Gd
Ge ! / M 0

Ge ! / M 0 !
Karena Ge ! , maka diperoleh
/M 0 !

/M 0 !
Terbukti bahwa merupakan estimator tak bias dari .
Ordinary kriging akan meminimalkan rata-rata estimator eror kuadrat. Dengan
menggunakan persamaan (3.4) maka akan diperoleh

Karena E ( eˆ (u )) 0 , maka E eˆ (u ) 2 0
Sifat – Sifat pada Ordinary Kriging
Salah satu tujuan kriging, seperti yang sudah dijelaskan pada pembahasan
sebelumnya, yaitu menghasilkan estimator yang bersifat Best Linear Unbiassed
Estimator (BLUE). Berikut akan dibuktikan sifat BLUE pada ordinary kriging:
1. Linear
Diperoleh suatu persamaan pada metode ordinary kriging adalah sebagai berikut:
n
Z(u)=ˆ∑λα Z(uα )
α =1
Dari persamaan diatas, Zˆ(u) dapat dikatakan estimator yang bersifat linear karena

merupakan fungsi linear dari Z(u)

Terdapat n pengukuran pada lokasi 1, 2, 3, …, n dinyatakan sebagai berikut

: ( ( f ( g ( . Berdasarkan data yang tersampel, akan diestimasi Z(u) pada lokasi

yang tidak tersampel yang dinyatakan dalam h . Selanjutnya, dari
 D. Langkah–Langkah Estimasi Menggunakan Ordinary Kriging

Pada estimasi dengan menggunakan ordinary kriging, diperlukan langkah-langkah

pengestimasian. Berikut ini langkah – langkah estimasi dengan menggunakan
ordinary kriging :

1. Menguji asumsi stasioneritas orde dua, yaitu menguji asumsi stasioneritas antara
kandungan batubara dengan elevasi. Pada ordinary kriging diperlukan asumsi data
yang bersifat stasioner untuk data kandungan hasil tambang. Data dikatakan
stasioner jika plot yang dihasilkan tidak mengandung trend tertentu, ditunjukkan
seperti pada gambar berikut ini:

Time Series
Plot
30
25
20
15
Series

10
5
0
1 12 24 36 48 60 72 84 96 108
Index

Gambar 3.1. Plot analisis runtun waktu stasioneritas atau dapat dilihat dari keacakan
warna kandungan pada plot 3D kandungan batubara sehingga tidak menimbulkan
gradasi warna tertentu seperti dapat dilihat pada gambar 3.3 (Suprajitno Munadi:
2005).

2. Apabila asumsi stasioneritas sudah terpenuhi maka selanjutnya dilakukan perhitungan

variogram eksperimental. Variogram eksperimental diperoleh dari data sampel.

3. Melakukan analisis struktural. Analisis struktural yaitu mencocokkan semivariogram

eksperimental dengan semivariogram teoritis. Hal ini dilakukan dengan
 membandingkan nilai mean square error (MSE) dari beberapa semivariogram teoritis,
lalu dipilih model semivariogram teoritis dengan nilai MSE yang terkecil untuk
digunakan pada analisis lebih lanjut.

4. Jika dilakukan langkah pengestimasian secara manual, selanjutnya akan dilakukan

perhitungan nilai bobot pengaruh masing-masing titik tersampel pada variabel
terhadap titik yang akan diestimasi menggunakan semivariogram yang valid. Namun,
karena perhitungan dilakukan dengan menggunakan program R maka dapat langsung
diperoleh hasil pengestimasian cadangan batubara dan variansi eror.
5. Menghitung . merupakan hasil estimasi cadangan batubara yang diperoleh dari data
kandungan batubara tersampel.

6. Langkah terakhir yaitu dilakukan perhitungan estimasi variansi error. Jika dalam
perhitungan digunakan program R maka hasil variansi error akan terlihat pula pada
saat dilakukan perhitungan estimasi cadangan hasil tambang.

b. Co-kriging
CoKriging merupakan interpolasi titik, membutuhkan peta titik sebagai data masukan
dan menghasilkan peta raster dengan estimasi dan peta kesalahan/error. CoKriging
adalah multivariate variant dengan operasi dasar Kriging. CoKriging menghitung
perkiraan atau prediksi dengan sampel minimum dengan bantuan variabel yang lebih
baik (covariable). Variabel harus dengan korelasi tinggi (positif atau negatif). CoKriging
baik untuk mendapatkan hasil yang presisi. CoKriging menggunakan semivariogram
kovarian dengan mem-perhitungkan bobot S w i = 1 and S h j = 0 dan metode Kriging
(Deutsch & Journel, 1992 dalam ilwis, 2009). Nilai variogram
Pemodelan 3D Pulau Batu Mandi ........(Atriyon Julzarika) dengan model semivariogram
g A , g B dan model silang variogram untuk observasi predictand Ai dan n observasi dari
covariable Bj sesuai dengan persamaan CoKriging.
s2 = S wi gA(hi) + S hj g AB(hj) + m1
Setiap pengukuran mempunyai kesalahan ukur, baik kesalahan acak maupun
kesalahan tidak acak (Arsana dan Julzarika, 2006). Pemerataan titik kontrol dalam
jaring kontrol geodetik mempengaruhi akurasi dan presisi data (Julzarika, 2007). Proses
interpolasi CoKriging ini menggunakan data DSM SRTM90 dibantu dengan satu
basepoint dan satu titik referensi serta sejumlah titik batimetri. Semua data tersebut
 dijadikan menjadi satu kesatuan sehingga dapat menghasilkan akurasi dan presisi yang
lebih baik. Berikut hasil penggabungan DSM SRTM90 dengan data batimetri.

Gambar 3-1: DSM SRTM90 + Batimetri

Setelah penggabungan semua data tersebut, maka kemudian dilakukan interpolasi
CoKriging dengan kriteria model semivariogram sebagai berikut: Component Type
(Spherical); Anisotropy Angle (0) Anisotropy Length Anisotropy Ratio (1); Variogram
Scale (1) Polynomial Drift Order (0).
Setelah dilakukan interpolasi CoKriging maka diperoleh DSM dengan resolusi spasial
7 m. Kemudian DSM tersebut dilakukan koreksi DSM2DEM sehingga diperoleh DEM
dengan resolusi spasial 7 m. Akurasi vertikal yang
diperoleh <5m setelah dilakukan perbandingan matematika sederhana terhadap data
untuk CoKriging.

Gambar 3-2: DEM 7 m

Hasil DEM 7 m tersebut dapat dibuat lebih halus lagi dengan menggunakan
metode Interpolasi Spline yaitu memasukkan persamaan Spline ke dalam hasil DEM 7
m tersebut. DEM yang diperoleh akan lebih halus dengan kondisi resolusi spasial dan
akurasi vertikal yang sama.

Gambar 4-1: Spline Smooth

Hasil DEM tersebut bisa digunakan untuk berbagai aplikasi, baik yang bersifat
keteknikan maupun yang non teknik. Aplikasi tersebut dapat berupa kajian kenaikan
muka air laut terhadap parameter geobiofisik, prediksi kelangsungan suatu pulau,
aliran permukaan, slope, kontur, isobaths dan lain-lain. Gambar 4-1 merupakan aplikasi
untuk penentuan slope/kemiringan pada wilayah topografi dan batimetri. Selain itu
juga bisa diaplikasikan untuk kajian survei rekayasa laut dan aliran hidrologi Gambar 4-
2.
Gambar 4-2: Slope direction
310300
310200
310100
310000
309900
309800
682200 682300 682400 682500 682600 682700 682800

Gambar 4-3: Aplikasi pada rekayasa laut dan aliran permukaan

DEM yang dihasilkan tersebut akan dicek kelayakannya berdasarkan tampilan
konturnya. Pada penelitian ini, kenampakan kontur sudah merepresen-tasikan
keadaan wilayah di puncak Gunung Semeru dengan nilai akurasi tertentu dan tingkat
presisi tertentu juga. Jika pengujian dengan kenampakan kontur sudah sesuai dengan
kenam-pakan pada DEM maka proses selanjutnya adalah uji range. Nilai yang benar
pada masing-masing titik penelitian tersebut hanya terdapat pada Range Z (Z-dzi s/d
Z+dzi meter). Range ini merupakan syarat mutlak dalam penurunan DSM ke DEM
sedangkan nilai yang berada di luar range merupakan Bull Eye’s. Istilah ini sering
digunakan dalam interpolasi kontur. Gambar 4-4 merupakan tampilan uji profil
melintang pada DSM SRTM90 + Batimetri.

Gambar 4-4: Uji profil melintang DSM SRTM90 + Batimetri

Bull Eye’s bisa disebabkan oleh interpolasi kontur yang salah akibat penyebaran
titik tinggi yang tidak merata atau bisa juga disebabkan oleh nilai titik tinggi yang tidak
sesuai dengan yang sebenarnya. Bull Eye’s merupakan titik, garis, atau area yang
mempunyai nilai ketinggian, akan tetapi nilai tersebut tidak merepresentasikan
keadaan sebenarnya di lapangan. Jika ada wilayah yang tidak sesuai dengan uji range
ini, maka dilakukan lagi penentuan pola dan model supaya dapat mencakupi seluruh
wilayah di model 3D tersebut. Titik penelitian bisa ditambah jika terjadi pada kasus
khusus, misal pada daerah yang ekstrim seperti daerah pegunungan. Gambar 4-5
merupakan tampilan uji profil melintang pada DEM turunan DSM SRTM90.

Gambar 4-4: Uji profil melintang DEM 7

DEM yang telah dibuat harus diuji, baik secara statistik maupun secara non-
statistik. Uji secara non-statistik bisa berupa tampilan. Uji tampilan DEM ini
menggunakan metode profil melintang. Profil merupakan kenampakan objek baik
secara topografi maupun non topografi. Profil terbagi atas dua macam, yaitu profil
memanjang dan profil melintang. Profil melintang merupakan kenampakan objek
secara melintang secara tegak lurus terhadap sumbu objek tersebut. Contoh profil
melintang adalah kenampakan melintang dari jalan, profil melintang sungai,
continental shelf, pegunungan, perbukitan, dan lain-lain.
Profil memanjang merupakankenampakan objek memanjang mengikuti
sumbu objek tersebut, misal profil as jalan, breakline, garis antar thalweg sungai. Profil
melintang yang dibuat meliputi area utara ke selatan. Profil tersebut meliputi
kenampakan hutan, sungai, dan aliran permukaan lainnya. Profil melintang tersebut
men-cerminkan kenampakan DEM wilayah tersebut.
Selain itu juga dilakukan uji ketelitian secara geo-statistik dengan menggunakan
hitung perataan kuadrat terkecil metode parameter dan diperoleh akurasi vertikal <5
 m untuk DEM turunan SRTM90. Berikut hasil geostatistik metode univariate dan
nearest neighbor. Dari hasil tersebut, nilai standar deviasi yang diperoleh pada nearest
neighbor statistik lebih kecil dari tolerasi 3σ sehingga secara uji global hasil pemodelan
3D dengan interpolasi CoKriging ini sudah bisa digunakan untuk kepentingan survei
dan pemetaan.
c. Universal Kriging
Universal kriging adalah bentuk umum dari simple kriging sebagai salah satu
cara perluasan dari metode ordinary kriging. Universal kriging merupakan kriging dari
data yang mempunyai kecenderungan trend tertentu. Metode ini tepat jika digunakan
pada nilai-nilai di titik sampel yang memang mempunyai kecenderungan tertentu.
Misalnya tebal lapisan bertambah dengan berubahnya arah atau nilai permeabilitas
yang berkurang dengan menjauhnya lokasi dari chanel sand.
Dengan menganggap bahwa merupakan bagian variabel random dari
ruang lingkup 𝑑 ⊃ 𝐷 sebagai daerah spasialnya, estimator universal kriging
untuk fungsi random adalah

Dengan asumsi bahwa dan ada, model dapat dinyatakan

sebagai berikut:

merupakan persamaan dari trend (drift), hasil kombinasi linier dengan koefisien
yang tidak nol, dengan

adalah nilai ekspektasi dari .

Untuk trend (drift) dari model polinomial disajikan dalam bentuk sebagai
berikut:

dimana dan merupakan error yang memenuhi sifat intrinsic

stationarity dengan .
dimana :
𝛼𝑙 = koefisien trend
= koordinat lokasi
= banyaknya orde dalam persamaan trend.

Ricardo (1999) menyatakan bahwa, estimator adalah sebagai estimator tak bias,
jika dan hanya jika :

persamaan di atas sering disebut universality condition untuk 𝑙 =1,2,…,𝑛. Jika

persamaan (3.5) tersebut dikalikan dengan 𝛼𝑙 maka akan diberikan 𝑛+1 persamaan,
yaitu:

pada persamaan sebelah kiri, menurut Lemma 6.1 (Ricardo, 1999) jumlahan ganda
akan bernilai sama dengan nilai ekspektasi dari . Sedangkan pada persamaan
sebelah kanan akan bernilai sama dengan , dan .
Jadi persamaan (3.6) akan menjadi:

dari persamaan di atas nantinya akan didapatkan

Maka dapat dikatakan bahwa estimator dari Universal kriging adalah estimator tak
bias (unbiased). Selanjutnya dalam universal kriging, fungsi trend yang
pertama bernilai konstan, dengan sehingga berdasarkan
universality condition diperoleh

dalam Universal kriging, penyamaan dengan nilai 1 diperlukan dalam kondisi untuk
mendapatkan estimator tak bias.
3.2.3. Second Order Stationary dari Universal Kriging
 Dalam Universal Kriging, data mempunyai kecenderungan tertentu yaitu
terdapat pola perubahan rata-rata seiring dengan berbedanya lokasi, sehingga sifat
second-order stationarity (stasioner orde dua) tidak berlaku. Dikatakan stasioner orde
dua jika memenuhi syarat-syarat, diantaranya rata-rata konstan untuk setiap lokasi.
Untuk itu dapat dibuktikan sifat non-stationarity dari Universal Kriging yaitu:

terlihat bahwa tergantung pada lokasi . Sehingga dapat disimpulkan bahwa

model pada Universal Kriging mempunyai kecenderungan trend tertentu.
3.2.4. Semivariogram Universal Kriging
Semivariogram adalah perangkat dasar dari geostatistik untuk visualisasi, pemodelan
dan eksploitasi autokorelasi spasial dari variabel teregionalisasi. Variogram adalah
ukuran dari variansi, sedangkan semivariogram adalah setengah dari nilai variogram.
Taksiran semivariogram universal kriging pada jarak dituliskan dalam persamaan
sebagai berikut :

dengan adalah banyaknya pasangan data untuk jarak dan adalah

persamaan trend.
3.4. Diagram pengestimasian kandungan air tanah menggunakan metode
Universal kriging
 Gambar 3.1. Diagram langkah estimasi Universal kriging

3.5. Aplikasi
Tujuan yang ingin dicapai dari tulisan ini adalah ingin mengetahui seberapa
besar kandungan air tanah setelah di estimasi dengan menggunakan metode Universal
Kriging. Perlu diketahui bahwa air tanah memiliki karakteristik dengan bertambahnya
porositas air mengikuti pertambahan kedalamanya yang berarti bahwa kandungan air
tanah akan semakin besar apabila letaknya semakin dalam. Karakteristik seperti ini
merupakan kecenderungan trend dari air tanah dan juga dianggap cocok untuk
dilakukan uji estimasi kandungan air tanah dengan metode Universal Kriging.

http://eprints.uny.ac.id/1703/1/Analisis_Data_Geostatistika_Dengan_Universal_Krigin
g.pdf