-- TUGAS 2 GEOSTATISTIKA –

TUGAS GEOSTATISTIKA

1. Pendahuluan
Geostatistika adalah metodologi untuk menganalisis data yang berkorelasi secara spasial. Data
spasial adalah data yang memiliki informasi lokasi atau data yang bereferensi geografis. Data
spasial memiliki tiga karakteristik utama yaitu lokasi (suatu objek spasial berada pada suatu
lokasi yang diketahui posisinya pada suatu sistem koordinat), bentuk (suatu objek spasial
direpresentasikan dalam tipe geometri), dan atribut (suatu objek spasial memiliki karakteristik
yang menjelaskan objek spasial tersebut). Salah satu permasalahan dalam proses pengolahan
data secara digital adalah adanya perbedaan resolusi citra antar data sehingga memberikan hasil
yang kurang akurat. Untuk itu diperlukan teknik yang mampu memberikan informasi resolusi
citra yang sama. Salah satu cara yang digunakan adalah dengan cara interpolasi. Interpolasi
merupakan sebuah metode atau fungsi matematika yang mengestimasi nilai pada lokasi yang
tidak memiliki nilai. Interpolasi spasial memperkirakan data atribut yang kontinyu di lokasi
kajian.

Asumsi lainnya adalah atribut tersebut bergantung secara spasial yang menandakan bahwa
nilai yang saling berdekatan lebih memiliki kemiripan dibandingkan nilai yang berjauhan.
Hasil akhir yang ingin dicapai dari interpolasi spasial adalah untuk menciptakan permukaan
yang mampu merepresentasikan keadaan empiriknya, sehingga harus memperkirakan tingkat
akurasi metode yang dipilih (Azpurua dan Ramos, 2010). Interpolasi digunakan untuk
menentukan estimasi sumberdaya sesuai dengan kondisi geologi, genesa, dan mineralisasi pada
daerah penelitian.

Hasil penaksiran dan perhitungan sumberdaya akan mempunyai tingkat kepercayaan yang
berbeda-beda. Tingkat kepercayaan suatu hasil perhitungan dan penaksiran cadangan sangat
tergantung pada : (1) Kebenaran dan kelengkapan pengetahuan dalam memahami dan
mempelajari data badan bijih. Hasil penaksiran seseorang yang telah paham tentang kaidah
penaksiran dan genesa mineral bijih akan lebih meyakinkan dibandingkan hasil penaksiran
seseorang yang hanya bertindak sebagai operator. (2) Kerapatan data (grid density) dapat
dipercaya sebagai data dasar. Data dengan pengambilan sampel dengan jarak dekat lebih
meyakinkan daripada data dengan jarak yang jauh. (3) Dalam menentukan asumsi dan

[AUTHOR NAME] 1
 -- TUGAS 2 GEOSTATISTIKA –

pendekatan variabel interpresi dilakukan secara bertanggung jawab baik dari aspek ilmiah
maupun aspek teknis.

Perhitungan variografi menghasilkan grafik variogram eksperimental. Masalah yang muncul

adalah penentuan model variogram. Banyak cara penentuan model tersebut. Cressie (1995)
mengenalkan metode weighted least squares untuk mencocokan model variogram. Skema
otomatis memberikan bobot terbesar untuk lag awal dan berkurang untuk jumlah pasangan data
yang kecil. Lee and Lahiri (2002) menyatakan metode least squares merupakan metode yang
popular untuk data spasial. Namun demikian metode spatial subsampling untuk pencocokan
model variogram model lebih akurat dan lebih sederhana.

Estimasi variogram merupakan masalah dalam inferensi statistik spasial yang berkorelasi
dengan variabel acak. Kebanyakan estimator empiris variogram tidak dapat digunakan karena
tidak memenuhi syarat conditional negative-definite. Biasanya, penyelesaian masalah ini
dibagi menjadi tiga tahap: estimasi variogram secara empiris, simulasi model, dan pemilihan
model yang akurat (Menezes, Soid´an, Bande, 2005).

Penelitian-penelitian tersebut umumnya masih terbatas pada kajian teoritikal dan belum banyak
diaplikasikan pada data spasial pertambangan seperti penaksiran kadar mineral. Banyak model
variogram yang dikembangkan dalam penaksiran kadar tersebut, antara lain
spherical,eksponensial, gaussian, linier, dan lain-lain. Permasalahan yang terjadi adalah
kekurang telitian dalam pemilihan model sehingga berakibat ketidakakuratan pada taksiran
kadar mineral. Aspek akurasi menjadi penting dalam penaksiran kadar mineral. Metode cross
validation dapat dipakai untuk menilai akurasi pemilihan model variogram tersebut.

2. Tujuan
 Untuk menentukan model variogram yang tepat dalam menginterpolasikan data
 Untuk mengetahui bentuk isotropi dan anisotropi yang tepat.
 Untuk mengetahui metode penaksiran yang akurat

3. Metode Penelitian
3.1. Statistik
Statistik adalah data ringkasan yang berbentuk (kuantitatif). Dalam arti luas, Statistik adalah
ilmu yang mempejari cara pengumpulan, penyajian, analisa data, dan pengambilan kesimpulan
secara umum berdasarkan hasil dari penelitian yang menyeluruh.

[AUTHOR NAME] 2
 -- TUGAS 2 GEOSTATISTIKA –

3.1.1. Manfaat Statistik

Adapun manfaat dan peran dari statistika, diantaranya:
Dalam kehidupan sehari-hari, statistik berperan sebagai penyedia bahan atau keterangan dari
berbagai hal untuk diolah dan ditafsirkan. Dalam penelitian ilmiah, Statistik berperan sebagai
penyedia alat untuk mengemukakan maupun menemukan kembali keterangan yang seolah
tersembunyi dalam angka. Dalam ilmu pengetahuan, statistik berperan sebagai peralatan
analisis dan interprasi diri data kuantitatif ilmu pengetahuan sehingga dapat disimpulkan data
tersebut.

3.1.2. Fungsi Statistika

Adapun fungsi Statistika antara lain:
1. Fungsi deskriptif
Fungsi deskriptif statistika adalah fungsi statistik untuk memahami, mendiskripsikan,
menerangkan data, peristiwa, yang dikumpulkan dalam suatu penelitian, penyelidikan, dan
tidak sampai pada generalisasi atau pengambilan kesimpulan mengenai populasi yang
diselidiki.
2. Fungsi inferensial
Fungsi inferensial statistika adalah fungsi statistika untuk meramalkan dan mengontrol
mengenai keseluruhan atau populasi berdasarkan data atau gejala dan peristiwa yang ada dalam
suatu penelitian, karena itu bagian ini dimulai dengan adanya ekstimasi, hipotesis.

3.1.3. Tujuan Statistika

Adapun tujuan statistika, yakni:
 Untuk mendeskriptif dan menerangkan data mengenai populasi yang diselidiki
 Untuk mengurangi jumlah populasi yang luas pada ukuran yang lebih mudah untuk
dipahami
 Untuk menetapkan pada kondisi bagaimana suatu hipotesis dapat digunakan atau
membantu melakukan sesuatu.
 Untuk menyediakan suatu ekstimasi atau model tentang nilai yang tidak diketahui
berdasarkan data yang diselidiki.
 Untuk menyediakan suatu ekstimasi tentang akibat dari suatu hipotesis yang diterima yang
akan digunakan sebagai dasar dalam membuat keputusan yang akan dijalankan.

[AUTHOR NAME] 3
 -- TUGAS 2 GEOSTATISTIKA –

3.1.4. Jenis-Jenis Statistika

A. Berdasarkan Orientasi Pembahasan
Berdasarkan orientasi pembahasannya, statistika dibagi menjadi 2 yaitu stataistika matematika
dan statistika terapan.

Statistika matematika sama halnya dengan statistika teori yakni lebih mengutamakan pada
pemahaman akan model, penurunan konsep dan rumus-rumus statistika secara matematis-
teoritis, seperti pemahaman dan penggunaan uji-t, uji normalitas, analisis regresi, uji
homogenitas, galat, dan lain-lain. Sedangkan, Statistika terapan lebih mengutamakan pada
pemahaman konsep dan teknik statistika serta penguunaannya atau penerapannya dalam
disiplin ilmu tertentu.

B. Berdasarkan Fase atau Tujuan Analisisnya

Berdasarkan tujuan analisis, statistika dibedakan menjadi 2 yaitu Statistika deskriptif dan
statistika inferensial. Statistika deskriptif berkaitan dengan pengumpulan, pengolahan, analisis,
penyajian data tanpa pengambilan kesimpulan yang bersifat umum atau generalisasi. Data pada
statistika deskriptif disajikan dalam bentuk tabel, diagram, grafik, lingkaran, polygon,
perhitungan mean, median, modus,persentil, desil, perhitungan penyebaran data melalui
perhitungan rata-rata dan standar deviasi, perhitungan prosentase. Dapat juga melakukan
analisis korelasi, analisis regresi atau membandingkan rata-rata namun tidak dilakukan uji
signifikansi. Sedangkan, Statistika inferensial memungkinkan dilakukannya pengambilan
kesimpulan secara general.

C. Berdasarkan Asumsi Distribusi Populasi Data Yang Dianalisis

Berdasarkan asumsi mengenai distribusi populasi data yang dianalisis, Statistika dibedakan
menjadi dua yaitu Statistika parametrik dan Statistika non-parametrik. Statistika parametrik
adalah statistika yang didasarkan model distribusi normal, sedangkan Statistika non-parametrik
adalah statistika dengan teknik yang tidak didasarkan pada model distribusi normal atau
distribusi bebas.

D. Berdasarkan Jumlah Variabel Terikat

Berdasarkan jumlah variabel terikatnya, Statistika dibedakan menjadi Statistika Univariat dan
Statistika Multivariat. Statistika Univariat hanya memiliki satu variabel terikat, sedangkan
Statistika Multivariat memiliki lebih dari satu variabel terikat.

[AUTHOR NAME] 4
 -- TUGAS 2 GEOSTATISTIKA –

3.2. Variogram
Variogram merupakan alat dalam geostatistik yang berguna untuk menunjukkan korelasi
spatial antara data yang diukur. Jika kita memetakan hasil pengukuran nilai densitas suatu
batuan, maka dapat terlihat bahwa nilai yang rendah akan berada dekat dengan nilai rendah
lainnya begitu pula dengan nilai yang besar cenderung berada di dekat nilai yang besar lainnya.
Perbedaan data tersebut dapat dituangkan dalam suatu grafik varriogram sebagai fungsi jarak.
Nilai varriogram dapat dihitung dengan menggunakan persamaan berikut

Dimana :
Z ( Xi) adalah nilai data di titik Xi Z ( Xi + h ) adalah nilai data di titik Xi + h N(h) adalah
banyaknya pasangan titik yang memiliki jarak h ]

Variogram memiliki tingkah laku yang penting untuk diamati ( Suprajitno, 2005) sebagai
berikut:
1. Nilai variogram disekitar titik awal mencerminkan kontinuitas lokal dan variabilitas dari
data random yang dimiliki.
2. Nilai variogram untuk jarak (h) yang besar memiliki sifat yang konstan, Bila mencapai nilai
konstan dinamakan sill.
3. Jarak (h) pada nilai variogram mencapai nilai sill disebut range.
Variogram dihitung dengan suatu rumus yang sederhana yaitu perbedaan rata-rata antara dua
titik conto dengan jarak tertentu. Oleh karena perbedaan tersebut kemungkinan < 0 atau > 0,
agar perbedaan rata-rata tersebut selalu > 0 maka perlu diaplikasikan perhitungan statistik yang
berdasarkan pada perbedaan kuadrat.

Berdasarkan variogram eksperimental dipilih model variogram yang valid. Pada tulisan ini
dipilih model variogram linier, sferikal, eksponensial, dan Gaussian.

3.2.1. Model variogram linear

𝑎2 ℎ
𝛾(ℎ) = [ ] ...................................................................................................................... (1)
2

3.2.2. Model spherical

0 |ℎ| = 0
3 |ℎ| 1 |ℎ| 3
𝑐0 + 𝑐𝑠 {(2) ( 𝑎 ) − (2) ( 𝑎 ) }
𝛾(ℎ; 0) = 𝑠 𝑠 ............................................................... (2)
0 < |ℎ| < 𝑎𝑠
{ 𝑐0 + 𝑐𝑠 |ℎ| > 𝑎𝑠

[AUTHOR NAME] 5
 -- TUGAS 2 GEOSTATISTIKA –

Nilai c0 (nugget effect), cs—di mana c0+cs adalah sill, dan as (range) merupakan nilai
parameter model spherical, dan nilai h adalah jarak antar pengamatan.Atau lebih sederhana
3 |ℎ| 1 |ℎ|3
𝐶(2 −2 |ℎ| < 𝑎
𝛾(ℎ) { 𝑎 𝑎3 ............................................................................. (3)
𝐶 |ℎ| ≤ 0
Merupakan model yang paling umum dipakai. Model ini menggunakan ekspresi polinomial
yang sederhana dan bentuknya sesuai dengan berbagai jenis fenomena yang diamati: Satu
pertumbuhan yang hampir linier sampai pada satu jarak tertentu, kemudian tercapai stabilitas.
Garis singgung (tangen) pada titik asal (origin) berpotongan dengan sill pada satu titik dengan
absis 2 akar 3

3.2.3. Model gaussian

0 ℎ=0
𝛾(ℎ; 𝜃) = {𝐶 [1 − 𝑒𝑥𝑝 (− ℎ2 )]
8 ℎ ≠ 0 .................................................... (4)
𝑎 2 8

Nilai cg (sill) dan ag merupakan parameter model gaussian, dan h adalah jarak antar
pengamatan.

3.2.4. Model eksponensial (Exponential model)

|ℎ|
𝛾(ℎ) = 𝐶 (1 − 𝑒 (− 𝑎 ) ) ..................................................................................................... (5)

Range (a) praktis untuk model ini adalah 3a, karena nilai ini adalah jarak ketika nilai batas
mencapai 95%. Garis singgung di titik asal memotong nilai sill pada satu titik dengan absis a.
Dibandingkan dengan model spherical, model eksponensial pada awalnya meningkat lebih
cepat tetapi hanya mengarah pada sill dan tidak betul-betul mencapai nilai tersebut.

Parameter model variogram adalah nugget, range dan sill. Pencocokan model ini bertujuan: (a)
memperoleh persamaan model matematika untuk kriging dan (b) dasar untuk menentukan
parameter penaksiran, terutama jarak maksimum pencarian contoh.

3.3. Metode
Metode interpolasi yang digunakan dalam perhitungan estimasi sumberdaya pada penelitian
ini adalah metode Nearest Neighbour Point (NNP), Inverse Distance Weighted (IDW) dan
Metode Kriging.

a. Metode NNP (Nearest Neighbour Point)

Metode nearest neighbour point memperhitungkan nilai di suatu blok didasari oleh nilai titik
yang paling dekat dengan blok tersebut (Hartman, 1992). Dalam kerangka model blok, dikenal

[AUTHOR NAME] 6
 -- TUGAS 2 GEOSTATISTIKA –

jenis penaksiran poligon dengan jarak titik terdekat (rule of nearest point) yaitu nilai hasil
penaksiran hanya dipengaruhi oleh nilai conto yang terdekat, atau dengan kata lain titik (blok)
terdekat memberikan nilai pembobotan satu untuk titik yang ditaksir, sedangkan titik (blok)
yang lebih jauh memberikan nilai pembobotan nol (tidak mempunyai pengaruh). Metode ini
dikenal juga sebagai interpolasi Sibson atau Area-Stealing. Sifat dasar metode interpolasi ini
adalah lokal, dimana hanya menggunakan sampel yang berada di sekitar titik yang ingin
diinterpolasi, dan hasil yang diperoleh akan mirip dengan ketinggian titik sampel yang
digunakan sebgai nilai masukan proses interpolasi.

b. Metode Inverse Distance Weighted (IDW)

Metode Inverse Distance Weighted (IDW) adalah metode deterministik yang sederhana dengan
mempertimbangkan titik disekitarnya. IDW mengasumsikan bahwa setiap titik ukuran
mempunyai pengaruh yang bersifat lokal yang berkurang terhadap jarak. Titik-titik yang lebih
dekat ke lokasi estimasi akan diberi bobot yang lebih besar dibandingkan yang terletak lebih
jauh, oleh sebab itu dinamakan inverse distance weighted (pembobotan inversi jarak). Bobot
(weight) akan berubah secara linear sesuai dengan jaraknya dengan data sampel. Bobot ini tidak
akan dipengaruhi oleh letak dari data sampel. Pada metode interpolasi ini dapat menyesuaikan
pengaruh relatif dari titik-titik sampel. Nilai power pada interpolasi IDW ini menentukan
pengaruh terhadap titik-titik masukan (input), dimana pengaruh akan lebih besar pada titik-titik
yang lebih dekat sehingga menghasilkan permukaan yang lebih detail. Pengaruh akan lebih
kecil dengan bertambahnya jarak dimana permukaan yang dihasilkan kurang detail dan terlihat
lebih halus. Jika nilai power diperbesar berarti nilai keluaran (output) sel menjadi lebih
terlokalisasi dan memiliki nilai rata-rata yang rendah. Penurunan nilai power akan memberikan
keluaran dengan rata-rata yang lebih besar karena akan memberikan pengaruh untuk area yang
lebih luas. Jika nilai power diperkecil, maka dihasilkan permukaan yang lebih halus. Bobot
yang digunakan untuk rata-rata adalah turunan fungsi jarak antara titik sampel dan titik yang
diinterpolasi ( Philip dan Watson, 1982 dalam Merwade et al, 2006). Fungsi umum
pembobotan adalah inverse dari kuadrat jarak dan persamaan ini digunakan pada metode
Inverse Distance Weighted yang dirumuskan dalam formula berikut ini (Azpurua dan Ramos,
2010) :

Ẑ = ∑𝑁
𝑖−1 ωi . Zi ................................................................................................................ (6)

Dimana

[AUTHOR NAME] 7
 -- TUGAS 2 GEOSTATISTIKA –

Zi ( i = 1, 2, 3, ... , N) merupakan nilai ketinggian data yang ingin diinterolasi sejumlah N titik
ωi ( weight) merupakan bobot. Sedangkan weight sendiri rumusnya sebagai berikut :
1
𝑑𝑗𝑛
𝑊𝑗 = 𝑗 1 ...................................................................................................................... (7)
∑𝑖=1 𝑛
𝑑𝑖

d merupakan jarak titik yang ditaksir dengan titik data (Z).

Fungsi peubah weight bervariasi untuk keseluruhan data sebaran titik sampai pada nilai yang
mendekati nol dimana jarak bertambah terhadap sebaran titik.

Kelebihan dari metode interpolasi IDW adalah karakteristik interpolasi dapat dikontrol dengan
membatasi titik-titik masukan yang digunakan dalam proses interpolasi. Titik-titik yang
terletak jauh dari titik sampel dan yang diperkirakan memiliki korelasi spasial yang kecil atau
bahkan tidak memilki korelasi spasial dapat dihapus dari perhitungan. Titik-titik yang
digunakan dapat ditentukan secara langsung atau ditentukan berdasarkan jarak yang ingin
diinterpolasi. Kelemahan dari interpolasi IDW adalah tidak dapat mengestimasi nilai diatas
nilai maksimum dan dibawah nilai minimum dari titik-titik sampel (Pramono, 2008). Efek yang
terjadi jika interpolasi IDW diaplikasikan pada elevasi permukaan adalah terjadinya perataan
(flattening) puncak dan lembah, kecuali jika titik-titik tertinggi dan terendah merupakan bagian
dari titik sampel. Hasil permukaan tidak akan tepat melewati titik-titik sampel karena nilai
estimasi merupakan nilai rata-rata. Kelemahan kedua adalah metode ini hanya memperhatikan
jarak saja dan belum meperhatikan efek pengelompokkan data sehingga data dengan jarak yang
sama namun mempunyai pola sebaran yang berbeda masih akan memberikan hasil yang sama.
Atau dengan kata lain metode ini belum memberikan korelasi ruang antara titik data dengan
titik data yang lain (Haris, 2005). Kelemahan lain metode IDW adalah adanya efek bull-eye.

Terdapat dua metode penentuan luas daerah yang dipengaruhi oleh titik sampel (Watson dan
Philip, 1985) yaitu :
a. Variable Search Radius
Titik-titik yang digunakan dalam interpolasi ini ditentukan oleh user, sehingga nilai search
radius bervariasi untuk setiap interpolasi. Hal ini bergantung pada seberapa jauh titik tersebut
mencari sel-sel yang berada disekitarnya, sehingga beberapa bagian akan menjadi lebih besar
dan beberapa bagian lain akan menjadi lebih kecil, tergantung pada kerapatan titik-titik
disekitar sel yang diinterpolasi.

[AUTHOR NAME] 8
 -- TUGAS 2 GEOSTATISTIKA –

b. Fixed Search Radius

Fixed search radius membutuhkan jarak lingkungan dan jumlah titik yang minimum. Besarnya
radius yang digunakan dalam metode ini adalah konstan untuk semua titik sel yang
diinterpolasi.
c. Metode Kriging
Metode Kriging adalah estimasi stochastic yang mirip dengan Inverse Distance Weighted
(IDW) dimana menggunakan kombinasi linear dari weight untuk memperkirakan nilai diantara
sampel data (Ctech Development Corporation, 2004).

Metode ini diketemukan oleh D.L. Krige untuk memperkirakan nilai dari bahan tambang.
Asumsi dari metode ini adalah jarak dan orientasi antara sampel data menunjukkan korelasi
spasial yang penting dalam hasil interpolasi ESRI, 1996). Metode Kriging sangat banyak
menggunakan sistem komputer dalam perhitungan. Kecepatan perhitungan tergantung dari
banyaknya sampel data yang digunakan dan cakupan dari wilayah yang diperhitungkan.

Kriging yang bisa dilakukan adalah dengan cara spherical, circular, exponential, gaussian dan
linear (ESRI, 1999).

Sifat-sifat Kriging :
 Struktur dan korelasi variabel melalui fungsi γ(h)
 Hubungan geometri relatif antar data yang mencakup hal penaksiran dan penaksiran
volume melalui (Si,Sj) (hubungan antar data) dan sebagai (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 contoh-contoh di dalam blok dan di sekitar blok memberikan
estimasi dan mempunyai suatu faktor bobot masing-masing nol
 Dalam hal ini jangkauan radius contoh yang pertama atau kedua pertama tidak
memengaruhi (tersaring).
 Efek screen ini akan terjadi, jika tidak ada nugget effect atau kecil sekali ε = C0/C
 Efek nugget ini menurunkan efek screen
 Untuk efek nugget yang besar, semuai contoh mempunyai bobot yang sama.
 Contoh-contoh yang terletak jauh dari blok dapat diikutsertakan dalam estimasi ini melalui
harga rata-ratanya.

[AUTHOR NAME] 9
 -- TUGAS 2 GEOSTATISTIKA –

4. Langkah Kerja
Dalam makala ini dilakukan percobaan menghitung kringing dengan mengunakan aplikasi
Software GS+ Versi 10
1. Open file klik data bor 2d (Demo) diperoleh tampilan sebagai berikut:

2. Lalu untuk melihat coordinates Pb, klik Data > Quantiles posting > Z

Maka diperoleh hasil seperti berikut

[AUTHOR NAME] 10
 -- TUGAS 2 GEOSTATISTIKA –

3. Menampilkan hasil statistic Klik symbol ⅀ pada toolbars untuk dapat melihat hasil statistik.
Cale 0-1 log trasform, Square-root Transform merubah ke standard Back Trasformation.

4. Analisis Variogram Untuk mendapatkan analisis variogram, klik variogram > primary
variate Z

[AUTHOR NAME] 11
 -- TUGAS 2 GEOSTATISTIKA –

Kemudian
a. pilih model variogram (gaussian) , dengan cara klik modelpilih gaussian pada model type

[AUTHOR NAME] 12
 -- TUGAS 2 GEOSTATISTIKA –

c. Klick calculate pada autocorrelation analysis maka akan diperoleh tampilan:

d. Pilih menu interpolate Krig, kemudian atur pada masing-masing kriteria:

[AUTHOR NAME] 13
 -- TUGAS 2 GEOSTATISTIKA –

A. POINT KRIGING (ISOTROPIC):

a. Validation: Cross Validate
b. Number of Neighbor :
Minimum : 2
Maximum : 16
c. Variogram : Isotropic
d. Discretizetion : Point Kriging

Setelah semua parameter terisi, kemudian klik calculate:

[AUTHOR NAME] 14
 -- TUGAS 2 GEOSTATISTIKA –

Berikut tampilannya,

Setelah itu klik validate, dan akan muncul grafik persebarannya:

[AUTHOR NAME] 15
 -- TUGAS 2 GEOSTATISTIKA –

B. POINT KRIGING (ANISOTROPIC):

a. Validation: Cross Validate
b. Number of Neighbor :
 Minimum : 2
 Maximum : 16
c. Variogram : Anisotropic
d. Discretizetion : Point Kriging

Setelah semua parameter terisi, kemudian klik calculate:

[AUTHOR NAME] 16
 -- TUGAS 2 GEOSTATISTIKA –

Berikut tampilannya,

Setelah itu klik validate, dan akan muncul grafik persebarannya:

[AUTHOR NAME] 17
 -- TUGAS 2 GEOSTATISTIKA –

C. BLOCK KRIGING 3x3 (ISOTROPIC):

a. Validation: Cross Validate
b. Number of Neighbor :
 Minimum : 2
 Maximum : 16
c. Variogram : Isotropic
d. Discretizetion : Blockt Kriging (x:3, y:3)

Setelah semua parameter terisi, kemudian klik calculate:

[AUTHOR NAME] 18
 -- TUGAS 2 GEOSTATISTIKA –

Berikut tampilannya,

Setelah itu klik validate, dan akan muncul grafik persebarannya:

[AUTHOR NAME] 19
 -- TUGAS 2 GEOSTATISTIKA –

D. BLOCK KRIGING 3x3 (ANISOTROPIC):

a. Validation: Cross Validate
b. Number of Neighbor :
 Minimum : 2
 Maximum : 16
c. Variogram : Anisotropic
d. Discretizetion : Blockt Kriging (x:3, y:3)

Setelah semua parameter terisi, kemudian klik calculate:

[AUTHOR NAME] 20
 -- TUGAS 2 GEOSTATISTIKA –

Berikut tampilannya,

Setelah itu klik validate, dan akan muncul grafik persebarannya:

[AUTHOR NAME] 21
 -- TUGAS 2 GEOSTATISTIKA –

E. BLOCK KRIGING 11x11 (ISOTROPIC):

a. Validation: Cross Validate
b. Number of Neighbor :
 Minimum : 2
 Maximum : 16
c. Variogram : Isotropic
d. Discretizetion : Blockt Kriging (x:11, y:11)

Setelah semua parameter terisi, kemudian klik calculate:

[AUTHOR NAME] 22
 -- TUGAS 2 GEOSTATISTIKA –

Berikut tampilannya,

Setelah itu klik validate, dan akan muncul grafik persebarannya:

[AUTHOR NAME] 23
 -- TUGAS 2 GEOSTATISTIKA –

F. BLOCK KRIGING 11x11 (ANISOTROPIC):

a. Validation: Cross Validate
b. Number of Neighbor :
 Minimum : 2
 Maximum : 16
c. Variogram : Anisotropic
d. Discretizetion : Blockt Kriging (x:11, y:11)

Setelah semua parameter terisi, kemudian klik calculate:

[AUTHOR NAME] 24
 -- TUGAS 2 GEOSTATISTIKA –

Berikut tampilannya,

Setelah itu klik validate, dan akan muncul grafik persebarannya:

[AUTHOR NAME] 25
 -- TUGAS 2 GEOSTATISTIKA –

5. A. Hasil percobaan mengunakan mengunakan aplikasi Software GS+ Versi 10 dengan

menggunakan variasi metode isotrop dan model variogram Exsponensial untuk metode
menggunakan Point Kriging, Block Krigging (x:3, y:3), Block Krigging (x:11, y:11)

Tabel Hasil Percobaan dengan GS+ Versi 10 (Isotropik)

Model Reg SE
No Metode SE R2 Yint Kesimpulan
variogram koef pred
R2 dan Reg
Coeff Tidak
Point
1 Eksponensial 0,967 0,108 0,390 0,021 0,161 mendekati 1,
Kriging
Kurang
Bagus
2
R dan Reg
Blok Coeff Tidak
2 Eksponensial Kriging 0,967 0,108 0,390 0,021 0,161 mendekati 1,
3x3 Kurang
Bagus
R2 dan Reg
Blok Coeff Tidak
3 Eksponensial Kriging 0,967 0,108 0,390 0,021 0,161 mendekati 1,
11x11 Kurang
Bagus

[AUTHOR NAME] 26
 -- TUGAS 2 GEOSTATISTIKA –

5. B. Hasil percobaan mengunakan mengunakan aplikasi Software GS+ Versi 10 dengan

menggunakan variasi metode Anisotrop dan model variogram Exsponensial untuk metode
menggunakan Point Kriging, Block Krigging (x:3, y:3), Block Krigging (x:11, y:11)

Tabel Hasil Percobaan dengan GS+ Versi 10 (Anisotropik)

Model Reg SE
No Metode SE R2 Yint Kesimpulan
variogram koef pred
R2 dan Reg
Coeff Tidak
Point
1 Eksponensial 0,940 0,103 0,398 0,030 0,160 mendekati 1,
Kriging
Kurang
Bagus
R2 dan Reg
Blok Coeff Tidak
2 Eksponensial Kriging 0,940 0,103 0,398 0,030 0,160 mendekati 1,
3x3 Kurang
Bagus
2
R dan Reg
Blok Coeff Tidak
3 Eksponensial Kriging 0,940 0,103 0,398 0,030 0,160 mendekati 1,
11x11 Kurang
Bagus

[AUTHOR NAME] 27