PEMETAAN SEBARAN NILAI MEDAN GRAVITASI MENGGUNAKAN METODE KRIGING DAN

NON-KRIGING

Aisya Nur Hafiyya Kristanto

Departemen Teknik Geofisika, Fakultas Teknik Sipil, Lingkungan, dan Kebumian,
Institut Teknologi Sepuluh Nopember
email : aisyanurhafiyya@gmail.com

Abstraksi
Suatu model persebaran nilai medan gravitasi dapat dibuat melalui interpolasi sejumlah titik yang
telah dilakukan pengukuran. Telah dilakukan pemetaan sebaran nilai medan gravitasi didapatkan dari data
berupa titik koordinat (x, y), elevasi, dan nilai bacaan gravitasi terkoreksi hasil akuisisi gaya berat di
Sumenep, Madura menggunakan software Surfer 15 dengan metode statistika dan geostatistika Kriging,
Inverse Distance to a Power (IDP), dan Minimum Curvature. Hasil model peta ketiga metode dibandingkan
untuk mengetahui metode yang paling baik dalam melakukan estimasi sebaran nilai medan gravitasi pada
titik yang belum diketahui. Secara umum metode Kriging lebih efektif digunakan untuk menghasilkan
gambar kontur kedalaman, namun hasil estimasi sebaran nilai medan gravitasi lebih realistis diberikan oleh
metode IDP.

Kata Kunci : geostatistik, interpolasi, inverse distance to a power, kriging, medan gravitasi, minimum
curvature.

1. Pendahuluan tanpa mengisolasinya sehingga tidak terbentuk efek

Varisasi nilai medan gravitasi pada batuan
di bawah permukaan disebabkan oleh perbedaan
rapat massa batuan. Penyelidikan perbedaan medan
gravitasi dari suatu titik observasi terhadap titik
observasi lainnya dapat dimanfaatkan untuk
mengetahui persebaran batuan atau indikasi
jebakan minyak (oil trap).
Pemetaan ini dilakukan dengan meng-
gunakan data primer hasil akuisisi gaya berat di
daerah Sumenep. Interpolasi spasial data dilakukan
dengan bantuan program Surfer. Dalam meng-
interpolasi spasial data yang ada akan dilakukan
dengan metode geostatistik yaitu Kriging, Inverse
Distance to a Power (IDP) dan Minimum
Curvature. Penggunaan ketiga metode tersebut
bertujuan untuk membandingkan hasil pemetaan
antara menggunakan metode kriging dan non-
kriging.
Geostatistik didefinisikan sebagai metode
yang membahas hubungan spasial atas beberapa
variabel guna mengestimasi nilai variabel yang
berada pada lokasi yang belum terobservasi.
Kriging adalah interpolator geostatistik yang paling
sering digunakan pada berbagai bidang ilmu karena
dapat menghubungkan titik-titik bernilai ekstrim
“mata sapi” serta tingkat akurasinya yang lebih
tinggi dari metode regeresi. Kriging sesuai
digunakan ketika hubungan jarak atau arah dari
data yang akan diproses sudah diketahui, dan
metode ini banyak digunakan pada aplikasi ilmu
tanah dan geologi. Metode Inverse Distance to a
Power (IDP) adalah interpolator rata-rata terbobot,
yang dapat berupa nilai eksak atau penghalus
(smoothing). Dengan IDP, data dibobotkan selama
interpolasi, sehingga pengaruh satu titik yang relatif
terhadap yang lain menurun dengan jarak dari node
grid.
Hasil prediksi dievaluasi berdasarkan
validasi silang dan perhitungan nilai R2 untuk
mengetahui “goodness-of-fit” (tingkat kesesuaian)
dari metode yang digunakan. Disimpulkan bahwa
Kriging memberikan nilai prediksi spasial yang
lebih baik. Namun, metode inverse distance to a
power (IDP) memberikan hasil estimasi yang
cukup realistis, dengan nilai kesesuaian R2 lebih
besar (mendekati 1) dari kedua metode lainnya.
Sementara minimum curvature memberikan hasil
kontur yang hampir sama dengan kriging namun
garisnya tidak tegas dan jarak antar kedalaman
relatif lebih jauh. 

 Maluku Utara (Gambar 1). antar titik data berupa variansi error pada lokasi
(s) dan lokasi yang terpisah oleh jarak (s+h).
Menurut Amstrong, 1998 bahwa semivariogram
eksprimental dinyatakan dalam rumus sebagai
berikut:
2. Tinjauan Pustaka 1 N

Metode Gaya Berat γ (h ) = ∑

[ Z ( s i ) − Z ( s i + h)] 2 .….(1)
" 2 N ( h) i =1
Metode gaya berat adalah salah satu
dimana dengan:
metode geofisika yang didasarkan pada pengukuran γh = Semivariogram eksperimental
γ(h)
N(h) = semivariogram
= Banyaknya pasangan eksperimental
titik pH
data yangDengan Metode G
medan gravitasi. Dalam metode ini yang dipelajari Purwadi / Pemetaan Sebaran Tailing
adalah variasi medan gravitasi akibat variasi rapat N(h) = banyak
mempunyai Purwadipasangan
jarak h titik
/ Pemetaan data
Sebaran pHTnTailing
1.1 Air Dengan
Lekok MapuMet
Z (si) = Nilaiyang data mempunyai
di titik s jarak h Tn 1.1 Air Lekok
massa batuan di bawah permukaan sehingga dalam Z (si+h)= Nilai data di titik (si+h)
pelaksanaannya yang diselidiki adalah perbedaan Z(si) = nilai data di titik s
Z(si+h)Parameter 1.= Variogram
nilai data di titik (si+h)
medan gravitasi dariGambarsuatu titik observasi
1. Lokasi terhadap
penelitian 1. semivariogram
Variogram terdiri dari tiga
parameterData yangData
dari
menjadi perhitungan
dari penentu
perhitungan dari statistik
tingkat
statistik
biasanya
titik observasi lainnya. Prinsip pada metode ini keberhasilan dirangkum oleh rata-rata,
dari analisis spasial. median,Parameter mode, bias dan
Tinjauan Pustaka Kriging tersebut variasi
yaitu
dirangkum
yang
nugget
oleh(Co),
dilengkapi
effect
rata-rata,
gambar
sill (C),
median,
daftar
dan
mode,
distribusi
mempunyai kemampuan dalam membedakan rapat variasi yang dilengkapi gambar daftar distr
Analisis Statistik range (a)serta
Kriging yang grafik
merupakan histogram.
ditunjukkan
salah satu pada Tetapi
Gambar
perhitungan berbeda2. halnya
massa suatu material terhadap lingkungan Korelasi dalam
spasial serta grafik
dikatakan histogram.
baik prediksi
jika nilai Tetapi
nugget berbeda ha
geostatistik ketika menghasilkan
kita meringkas hasil
atau perhitungan
sekitarnya. Analisis statistik unvarian digunakan untuk effect kecil, ketika
sill dan range
geostatistik kita
karenabesar meringkas
sampel dan hasil
sebaliknya
merupakan perhitu
hasil proses
menggambarkan distribusi peubah-peubah kesalahan minimum
jika nilai nugget (variansi
geostatistik
effect kriging)
besarkarena dari
sampel
sedangkan tiap-tiap
merupakan
nilai sill hasil pr
tunggal yang ditampilkan dalam bentuk dan range kecil, acak dan disertai hubungan korelasi spatial yang
titik data (sampel). acak
dihitung hal
Metode danini
dengan disertai hubungan
mengidentifikasi
ini “variogram”
menaksirkan( suatu korelasi
bahwa spatial
Poshtmasari et al.
Bidang Ilmu Geostatistika
histogram (Sulistyana, 1998). korelasi spasial antar dengan
data yang diamati tidak
Di alamAnalisis spasial
terdapat (ruang)variabel
berbagai merupakan titik yang
yanganalisis mewakili dari
tidak 2012; Isaaks dan Srivastava, 1989).( Poshtmasari
dihitung
tersampel berdasarkan “variogram”
titik-titik
data secara keseluruhan
2012; Isaaks dan Srivastava, 1989). sehingga
yang dilakukan terhadap data yang disajikan data perlu
tersampel yangdari
dilakukan berada di sekitarnya
pengambilan data dengan
tambahan
dapat diamati secara spasial. Variabel ini dapat Nilai semi-variogram dapat dihitung dengan
dalam posisi geografis (titik, garis dan luasan) yang lebih telitiNilai dengan dari semi-variogram
jumlah data yang dapat
banyak dihitung den
mempertimbangkan persamaan dari berikut:
hasil korelasi spasial.
berupa variabel dariobjek,
dari suatu biologi (distribusi
berkaitan spesies
dengan dan bentuk dan jarak antarpersamaan
lokasi, data teratur berikut:
dan dekat.
kekayaandan hubungan
alam), diantaranya
hidrogeologi dalam
(jumlah airruang
dan bumi. Metode ini membolehkan 1 error yang berkorelasi,2
𝑚(ℎ)
Data spasial dapat berupa data diskrit atau
𝛾̂ = 2𝑚(ℎ) ∑1𝑖=1 {𝑧(𝑥 𝑚(ℎ)𝑖 ) − 𝑧(𝑥𝑖 + ℎ)} ..............(3)
sehingga semakin 𝛾 dekat
̂ = 2𝑚(ℎ) nilai∑𝑖=1 masukan, − 𝑧(𝑥𝑖 + ℎ)}2 ...........
{𝑧(𝑥𝑖 ) semakin
kondisi porositas) dan ilmu tanah (kadar polusi,
kontinu dan dapat juga memiliki lokasi spasial dan dimana z(xi) dan z(xi+h) nilai dari z di posisi xi dan
kuat korelasi keluaran. Kriging mengadaptasi
pH) maupun kadar dan
beraturan jumlah maupun
(regular) dari suatu takendapanberaturan xi+h dimana
dan 2m(h) z(xiadalah
) dan z(x i+h) nilai dari
banyaknya z di posisi
pasangan padax
parameternya jarak x +h
(pembobotan) dan 2m(h) adalah
untuk memprediksi banyaknya pasangan
(Deutsch,(irregular). Data spasialmerupakan
2002). Geostatistik dikatakan ilmumempunyai h.i
lokasi yang regular jika antara lokasi yang perubahan nilai masukan. jarak h.
khusus yang
salingmempelajari
berdekatandistribusi dalam ruang
satu dengan yang lain
mempunyai posisibeberapayang beraturan Kriging2. biasaKriging Biasa bahwa rata-rata
berasumsi
dengan menggabungkan disiplindengan
ilmu jarak Kriging2. Kriging Biasa
biasa berasumsi bahwa rata-rata tidak
sama besar, sedangkan dikatakan
meliputi teknik pertambangan, geologi, matematika irregular tidak
jika diketahui. Dengan
Kriging mempertimbangkan
biasa berasumsi bahwa rata-rata
antara lokasi yang saling berdekatan satu diketahui. Dengan mempertimbangkan variable
dan statistika. Metode Geostatistik mem- variabel acak, maka acak, nilai Znilai
diketahui.
maka dapat
Dengan
Z diukur
dapat dari poin
mempertimbangkan
diukur dari poin sampel var
dengan yang lain mempunyai posisi yang tidak acak, maka nilai Z dapat diukur dari poin sa
beraturan dengan spasial
jarak yang berbeda (Cressie,sampel xi,i=1,…,N, dan kitadan
xi ,i =1,…,N, menghitung
kita menghitungnilai poin nilai poin pada
pertimbangkan hubungan antar sampel
pada posisi xo dengan posisixix,ipersamaan
=1,…,N, dan kita menghitung nilai poin
o dengan persamaan
terukur. 1993). posisi xo dengan persamaan
Parameter untuk melakukan analisis spasial ̂ (𝑥0 ) = ∑𝑛𝑖=1 𝜆𝑖 𝑧(xi ) .......................................(4)
yaitu variogram atau semivariogram. Analisis 𝑍
Gambar" 2.𝑍̂Model ∑𝑛𝑖=1 𝜆𝑖 𝑧(xi ) ....................................
(𝑥0 ) =semivariogram teoritis
Variogram spasial yang dilakukan menggunakan aplikasi
dimana n adalah banyaknya data yang berdekatan
dimana n adalah banyaknya data yang berdekatan
Stanford
Data Geostatistical
dari perhitungan Modeling
statistik biasanyaSoftware Terdapat dimana dua jenis n adalahsemivariogram
banyaknya yaitu
data yang
(SGeMS) yang diawali dengan penentuan dengan nilai dan
semivariogram dengan
𝝀i adalahnilai dan
isotropikfaktor adalah
𝝀idan faktor
jarak,semivariogram
Dan jarak,
untuk Dan berdek
untuk
dirangkum oleh rata-rata, median, mode, dan dengan
menyakinkan nilai
bahwa dan 𝝀i adalah
perhitungan faktor
tidak jarak,
bias Dan u
maka
parameter penyusun dari variogram anisotropik. Perbedaannya adalah isotropik
variasi yang dilengkapibaik
eksperimental gambar
secaradaftar distribusi
horizontal menyakinkan
dan vertikal hanya bergantung bahwa menyakinkan
perhitungan bahwa
tidak perhitungan
bias maka tidak bias m
pada jarak sedangkan
∑𝑛𝑖=1 𝜆𝑖𝑛 = 1 .......................................................(5)
kemudian
serta grafik histogram.digabungkan
Tetapi berbeda menjadi
halnya ketikavariogram anisotropik tidak ∑𝑖=1 hanya
𝜆𝑖 = 1bergantung pada jarak
....................................................
eksperimental gabungan yang selanjutnya namun juga " pada arah persebaran (Amelia,
kita meringkas
dengan hasil perhitungan
variogram model geostatistik
dilakukankarena
pencocokan 2016). TipeSementara
Kriging yang modeldigunakan
semivariogram dalam yang
sampel merupakan
data (fitting hasil variogram)
proses acak dan disertai dan
(Guskarnali sering model
pembuatan digunakanpeta yaitu untuk point menginterpolasi
kriging. Kriging data
hubunganSulistyana, 2015). yang dihitung dengan
korelasi spasial pada perangkat lunak Surfer dapat difungsikan
“variogram” (Isaaks dan Srivastava, 1989). sebagai interpolator yang eksak atau sebagai
Semivariogram
© Mining Engineering,eksperimental
Univ. of Bangka (γ)Belitung
me- 14
penghalus, bergantung pada parameter yang
rupakan perangkat dasar dari geostatistik yang digunakan. Sebagai interpolator, metode Kriging
digunakan untuk menggambarkan (visualisasi),
memadukan korelasi spasial antar data, hal mana
memodelkan dan menjelaskan korelasi spasial antar tidak di lakukan oleh prosedur statistik klasik.
titik data berupa variansi error pada lokasi (s) dan Dalam pemetaan, kriging menghasilkan estimasi
lokasi yang terpisah oleh jarak (s+h). Menurut nilai z berdasarkan bobot rata-rata dari lokasi yang
Amstrong, 1998 bahwa semivariogram nilainya sudah diketahui pada suatu area tertentu
eksperimental dinyatakan dalam rumus sebagai (Setianto & Triandini, 2013).
berikut:

Gambar 2. Histogram Hasil Analisa Statistik PH

Gambar 2. Histogram Hasil Analisa Statistik
dan (b) Ked
dan (b)
Inverse Distance to a Power (IDP)
Metode inverse distance to a power (IDP)
adalah interpolator yang menggunakan pembobotan
jarak dari titik (Keckler, 1994). Asumsi yang
berlaku pada metode ini adalah bahwa nilai suatu
titik yang diinterpolasi sangat dipengaruhi oleh
titik-titik yang lebih dekat dengan titik tersebut
daripada titik-titik yang letaknya jauh. Suatu titik
data dibobot selama proses interpolasi sedemikian
rupa sehingga pengaruh satu titik ke titik lainnya
berkurang sesuai dengan jaraknya. Semakin kuat
peran pembobotan, semakin dekat jarak titik yang
digunakan untuk aproksimasi nilai titik grid. Bila
kekuatannya diperkecil, bobot akan tersebar lebih
merata pada titik-titik tetangga. Pada pemodelan ini
besar kekuatan yang digunakan adalah 3. Salah satu
ciri dari IDP adalah munculnya efek “mata sapi” di
sekitar posisi pengamatan. Parameter penghalus
dapat digunakan untuk mereduksi efek tersebut.
Rumus algoritma matematis dari metode ini adalah
" validasi silang menggunakan nilai rata-rata
" kesalahan (root mean square error) (Omran, 2012).
dengan
hij = pemenggalan jarak antara titik simpul
grid "j" dengan titik bersebelahan terdekat
“i"
Ẑj = adalah nilai interpolasi titik simpul
“j"
Zi = titik bersebelahan terdekat
dij = jarang antara antara titik simpul grid "j"
dengan titik bersebelahan terdekat
“i"
β = besar pemenggalan (parameter
Power)
𝛿 = parameter smoothing
Minimum Curvature
Permukaan yang diinterpolasi dengan
metode ini, dapat dianalogikan dengan bidang
elastis yang dihamparkan ke seluruh titik data
sedemikian sehingga hanya sedikit lekukan yang
terjadi. Minimum Curvature membuat permukaan
sehalus mungkin untuk data yang diinterpolasi
sehingga bukan merupakan interpolator yang eksak
(Keckler, 1994). Rumusan matematis dalam
metode minimum curvature dapat dilihat dari
penggunaan iterasi maksimum dari metode numerik
oleh Smith dan Wessel (1990) yaitu sebagai berikut
"
Penggunaan algoritma interpolasinya sebagai
berikut
"
dengan
∇2 = bilangan operasi Laplacian
Ti = tensi dalam
Cross Validation
Untuk menentukan metode yang terbaik
maka dilakukan validasi ulang (cross validation).
Metode ini menggunakan seluruh data untuk
mendapatkan suatu model (data kadar estimasi).
Secara bergantian satu per satu data dihilangkan,
dan kemudian data diestimasi dengan meng-
gunakan data dari hasil model (data kadar estimasi)
tersebut. Parameter tingkat kepercayaan hasil
kesalahan (mean absolute error) dan akar rata-rata
Rata-rata kesalahan dan akar rata-rata kesalahan
digunakan untuk menyatakan selisih antara nilai
terukur dan nilai terprediksi. Untuk metode yang
paling akurat maka nilai rata-rata kesalahan
mendekati 0 dan model yang terbaik akan
memberikan nilai akar rata-rata kesalahan terkecil,
serta nilai koefisien determinasi (r 2 ) yang
merupakan akar kuadrat dari koefisien korelasi
yang mendekati nilai 1 (Awali dkk, 2013).
3. Metodologi
Data yang digunakan merupakan data
primer hasil akuisisi gaya berat pada kegiatan
Kuliah Lapangan Teknik Geofisika pada tahun
2018 di Sumenep, Madura. Data ini berisi lokasi
titik pengukuran (titik koordinat dan elevasi) dan
nilai bacaan medan gravitasi yang telah dikoreksi.
Data tersebut kemudian diolah dengan cara statistik
dan geostatistik untuk memperoleh hasil akhir
berupa interpolasi data pada sampel yang tidak
terobservasi, yang merupakan input untuk pem-
buatan peta kontur dari data.
Adapun langkah-langkah pengerjaannya
yaitu:
1. Menyiapkan data yang akan digunakan berupa
koordinat x, y, elevasi, dan nilai bacaan medan
gravitasi terkoreksi dalam bentuk file .dat
2. Menentukan metode geostatistik yang akan
digunakan (Kriging, IDP, Minimum Curvature)
3. Menghitung cross validation masing-masing
metode
4. Mengestimasi data yang tidak terobservasi
menggunakan metode yang telah ditentukan
5. Membuat peta kontur dari data easting (x),
northing (y), dan elevasi
6. Menambahkan layer nilai medan gravitasi yang
sudah ada pada peta kontur

4. Hasil dan Pembahasan

Sejumlah 26 data elevasi dan nilai medan
"
gravitasi per titik pengukuran telah diinterpolasi
Gambar 1. Peta kontur hasil interpolasi metode kriging
dengan ukuran grid 100 baris × 62 kolom
yang ditumpang susun dengan warna sebaran nilai
menggunakan tiga metode yaitu kriging (point medan gravitasi
kriging), IDP, dan minimun curvature. Model yang
dibuat pada Surfer berupa peta kontur dengan
warna sebaran nilai medan gravitasi. Peta hasil
interpolasi untuk masing-masing metode tersebut
ditampilkan pada Gambar 1, 2, dan 3. Berdasarkan
ketiga gambar tersebut dapat dilihat bahwa kriging
memberikan hasil kontur yang lebih baik dari
kedua metode lainnya. Pada Gambar 2, efek “mata
sapi” yang merupakan ciri khas metode IDP terlihat
pada sepanjang titik easting 692000. Hasil
interpolasi dari metode ini tidak memperlihatkan
garis kontur kedalaman yang tegas seperti kedua
metode lainnya. Sementara pada Gambar 3, bentuk
kontur yang diberikan oleh minimum curvature
memiliki pola yang hampir sama dengan kontur
kriging, namun jarak antar kedalamannya relatif
lebih jauh dibandingkan dengan kontur metode
lainnya.
Hasil estimasi sebaran nilai gravitasi yang
mendekati akurat atau paling realistis diberikan
"
oleh metode IDP karena sebaran nilainya mengikuti
Gambar 2. Peta kontur hasil interpolasi metode IDP yang
ditumpang susun dengan warna sebaran nilai medan
gravitasi
 Cross Validation Report dari Surfer yang disajikan
pada tabel berikut.
Tabel 1. Data perhitungan Cross Validation
menggunakan nilai R2

Source Kriging IDP MC

SSres 10,07838910 7,88197204 1,26941326

SStot 11,01320701 9,51049973 1,27128354

R2 0,08488153 0,17123471 0,00147118

0,18 0,171

0,135
0,085
0,09

"
Gambar 3. Peta kontur hasil interpolasi metode minimum
curvature yang ditumpang susun dengan warna sebaran
nilai medan gravitasi
bentuk konturnya, sementara yang paling jauh dari
akurat diberikan oleh metode minimum curvature
yang mana sebaran nilainya relatif horizontal, tidak
mengikuti bentuk konturnya. Adapun untuk metode
kriging, estimasi sebaran nilai medan gravitasinya
cukup mendekati realistis, namun terdapat lebih
banyak daerah yang tidak terestimasi (diindikasikan
dengan warna hitam) dibandingkan dengan metode
IDP dan minimum curvature. yang ditunjukkan
pada Gambar 1 sepanjang titik easting 694000
hingga 698000 pada elevasi 7. Indikasi warna
sebaran nilai medan gravitasi yaitu
• hijau muda-hijau tua: 1730.930794 -
1735.533992 mgal
• kuning-jingga: 1735.533992 - 1738.677184
mgal
• cokelat muda-cokelat tua: 1738.677184 -
1741.646952 mgal
• biru muda: 1741.646952 - 1745.328184 mgal
• biru tua: 1745.328184 - 1749 mgal
Variasi nilai kesalahan didapatkan dari
perhitungan R2 : 1 - (SSres / SStot) dimana SSres
adalah Sum of Square residual dan SStot adalah Sum
of Square total yang keduanya didapatkan dari
0,045
0,001
0
" Kriging IDP MC
Gambar 4. Grafik nilai R2 ketiga metode
Berdasarkan hasil perhitungan didapatkan
nilai yang menunjukkan tingkat “goodness-of-
R2
fit” atau tingkat kesesuaian dari ketiga metode
yang digunakan. Jika nilai R2 semakin mendekati
1 maka metodenya semakin sesuai, dan
sebaliknya. Berdasarkan Gambar 4 dan Tabel 1,
nilai R2 paling kecil diperoleh dari metode
minimum curvature dan paling besar diperoleh
dari metode IDP. Hal ini dapat disimpulkan bahwa
estimasi persebaran nilai medan gravitasi yang
lebih sesuai diberikan oleh metode IDP, sesuai
dengan analisis peta kontur.
5. Kesimpulan
Berdasarkan hasil pemodelan yang
diperoleh dapat disimpulkan sebagai berikut:
1. Hasil estimasi sebaran nilai medan gravitasi
pada titik yang tidak dilakukan pengukuran
diberikan oleh metode inverse distance to a
power (IDP) dengan nilai kesesuaian terbesar
dari ketiga metode yaitu 0,171234712851147
2. Berdasarkan sudut pandang kartografis, model
kontur yang paling baik dalam memberikan
pola kontur kedalaman dan menampilkan garis
yang paling tegas diberikan oleh metode
kriging.
 DAFTAR PUSTAKA
Amstrong, Margaret., 1998, Basic Linear
Geostatistics, Springer-Verlag Berlin
Heidelberg, Germany.
Awali, A. Abid., Yasin, H., dan Rahmawati R.,
2013, Estimasi Kandungan Hasil Tambang
Menggunakan Ordinary Indicator Kriging,
Jurnal Gaussian, Vol.2, No. 1/2013.
Deutsch, C.V., 2002. Geostatistical reservoir
modeling 1st ed. Oxford University Press.
New York.
Isaaks, E.H., dan Srivastava, R.M., 1989. Applied
Geostatistic. Oxford University Press:
New York.
Keckler, D. 1994. Surfer for Windows, User
Guide. Golden Software, inc. Colorado.

Omran, E.E., 2012. Improving the Prediction

Auccuracy of Soil Mapping through
Geostatistics. International Journal of
Geosciences.3, 574-590.
Setianto, A., & Triandini, T. (2013). Comparison
of Kriging and Inverse Distance Weighted
(IDW) Interpolation Methods in
Lineament Extraction and Analysis.
Journal of Southeast Asian Applied
Geology, 5(1), 21–29.
Smith, W. H. F., and P. Wessel. 1990. Gridding
with Continuous Curvature Splines in
Tension. Geophysics, 55(3):293-305