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.
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.
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:
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
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) :
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:
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)
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
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
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).
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.
merupakan persamaan dari trend (drift), hasil kombinasi linier dengan koefisien
yang tidak nol, dengan
Ricardo (1999) menyatakan bahwa, estimator adalah sebagai estimator tak bias,
jika dan hanya jika :
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:
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:
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