LAPORAN TUGAS BESAR

STUDI PERBANDINGAN METODE GEOSTATISTIKA DAN METODE

KONVENSIONAL DALAM ESTIMASI KANDUNGAN AIR TANAH

Disusun oleh
Adjeng Yalastri Atha Nafilah 0341164000038

Dosen Pengampu
Anik Hilyah, S.Si,, M.T. 197908132008122002

DEPARTEMEN TEKNIK GEOFISIKA

FAKULTAS TEKNIK SIPIL LINGKUNGAN DAN KEBUMIAN
INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
2019
 ABSTRAK
Geostatistika awalnya dikembangkan dalam industri pertambangan untuk menaksir
cadangan-cadangan mineral yang ada dibumi dengan cara korelasi spasial antar data. Pada studi
ini menggunakan beberapa jenis metode gridding pada Surfer 11 untuk membandingkan
persebaran nilai porositas untuk estimasi kandungan air tanah. Data yang digunakan berjumlah
94 data berupa koordinat dan nilai porositas. Metode gridding yang digunakan yaitu Krigging,
Inverse Distance to Power, Minimum Curvature, Natural Neighbor, Nearest Neighbor,
Triangulation with Linear Interpolation, dan Moving Average. Hasil analisa berhasil
menunjukkan bahwa metode geostatistika lebih baik untuk estimasi kandungan air tanah.
Metode Kriggin dengan model variogram eksponensial yang paling sesuai untuk data yang
digunakan pada studi ini dengan nilai Root Mean Square Error 13.3034384%.
Kata kunci : Geostatistika, Metode konvensional, Krigging

2
 DAFTAR ISI
ABSTRAK ................................................................................................................................ 2
DAFTAR ISI............................................................................................................................. 3
METODOLOGI ....................................................................................................................... 4
A. Diagram Alir ................................................................................................................... 4
B. Proses Pengolahan Data .................................................................................................. 4
HASIL DAN PEMBAHASAN ................................................................................................ 6
A. Analisa Data .................................................................................................................... 6
B. Pembahasan................................................................................................................... 11
KESIMPULAN ...................................................................................................................... 14
DAFTAR PUSTAKA ............................................................................................................. 15

3
 METODOLOGI
A. Diagram Alir
Metode yang digunakan dalam studi ini adalah metode geostatistika dan metode
konvensional untuk studi perbandingan metode gridding. Metode geostatistika yang digunakan
yaitu metode Krigging sedangkan metode Konvensional yaitu Inverse Distance to a Power,
Natural Neighbor, Nearest Neighbor, dan Minimum Curvature. Pada studi ini menggunakan
data porositas dalam menentukan kandungan air tanah. Kemudian data tersebut diolah
menggunakan Surfer 11 dan Ms. Excel melalui beberapa tahapan seperti yang ditampilkan pada
Gambar 1.

Gambar 1. Diagram Alir

B. Proses Pengolahan Data
Data yang diperoleh merupakan data dari skripsi yang berjudul “Analisis Data
Geostatistika Dengan Universal Kriging”. Data tersebut merupakan data yang terdiri dari
koordinat lokasi x (x-coordinat), koordinat lokasi y (y-coordinat), kedalaman (z-coordinat),
dan porosity (sebagai ukuran kandungan air tanah). Data tersebut kemudian dipotong (x, y,
porositas) menggunakan software Ms.excel agar diperoleh data yang diinginkan. Proses
interpolasi dilakukan dengan software Surfer 11 menggunakan data yang telah dipotong sesuai
lokasi. Setelah di interpolasi maka data dapat dianalisis. Setiap metode interpolasi mempunyai
analisis statistik yang berbeda-beda dalam menduga titik-titik di sekitar data sampel. Berikut
analisis statistik dari masing-masing metode interpolasi.

4
 Langkah pertama yaitu menganalisa data dengan melihat histogram data terdistribusi
normal. Kemudian melakukan fitting variogram eksperimental untuk metode Krigging dengan
beberapa jenis model variogram. Variasi yang digunakan adalah model variogram Spherical,
Linear, dan Eksponensial. Setiap model variogram digunakan number of lags sebesar 25 dan
lag distance sebesar 2.7. Kemudian dilakukan fitting variogram dengan menyesuaikan
parameter variogram seperti sill dan range agar trend mengikuti model variogram tetapi untuk
anisotropy angle dan anisotropy ratio digunakan sebesar 0 dan 1. Setelah itu plot data yang
sudah difitting variogram yang kemudian akan dilakukan pemilihan variogram mana yang
lebih menunjukkan keadaan sebenarnya berdasarkan hasil plotting kontur. Lalu dilakukan
cross validation untuk mendapatkan parameter-parameter seperti nilai Coefficient of Multiple
Determination R2 dan Root Mean Square Error (RMSE). RMSE didapatkan dari perhitungan
menggunakan persamaan sebagai berikut :

∑(𝑅𝑒𝑠𝑖𝑑𝑢)2
𝑅𝑀𝑆𝐸 = √
𝑛

dimana,
Residu = Root Mean Square Residual Porositas
n = jumlah data
Uji studi perbandingan berdasarkan parameter-parameter nilai R2, nilai RMSE terkecil, range
nilai estimasi (selisih antara maksimal dan minimum), parameter data terdistribusi normal
(Mean dan Standard Deviation).
Berbeda dengan metode lainnya, variogram hanya digunakan saat Krigging saja karena
variogram merupakan parameter Krigging. Sedangkan metode gridding yang lain
menggunakan parameter yang berbeda. Pada metode Inverse Distance to a Power (IDP)
digunakan 4 variasi parameter power yaitu sebesar 1, 1.5, 2, 2.5, dan 3. Variasi ini akan
mempengaruhi hasil plotting kontur. Pada masing-masing variasi power juga dilakukan cross
validation untuk mengetahui nilai R2 dan RMSE. Kemudian dilakukan plotting untuk
mengetahui peta konturnya.
Pada metode-metode lain seperti Minimum Curvatur, Natural Neighbor, Nearest
Neighbor, Triangularation with Linear Interpolation, dan Moving Average variasi yang
digunakan yaitu sudutnya (angle) yaitu sebesar 0. Pemilihan sudut ini disesuaikan dengan
inputan variasi dengan metode lainnya seperti Krigging dan IDP. Kemudian dilakukan cross
validation dan dilanjutkan plotting kontur.

5
 HASIL DAN PEMBAHASAN
A. Analisa Data
Tabel 1. Parameter Model Variogram 1 0.150246 0.177296
1.5 0.14108 0.10227
Model Sill Range 2 0.13498 0.04964
Exponensial 2.58 0.95 2.5 0.13193 0.0201
Spherical 2.3 0.65 3 0.13105 0.00673

Tabel 2. Perbandingan parameter statistik Tabel 7. Parameter Statistik Metode IDP

pada Variogram Eksperimentan hasil Cross
validation metode Krigging Std.
Power Min Max Mean
Deviasi
Model RMSE R2 1 10.104 14.247 11.947 0.4776
Exponensial 0.133034 0.030652 1.5 8.6635 15.567 11.926 0.7624
Linear 0.137234 0.004615 2 8.143 15.775 11.910 1.0112
Spherical 0.13435 0.030408 2.5 8.0302 15.797 11.9042 1.1996
3 8.0068 15.7997 11.9037 1.33518

Tabel 3. Parameter Statistik model variogram

Tabel 8. Perbandingan parameter statistik
eksponensial Metode Krigging
hasil Cross validation metode Natural
Parameter Statistik Neighbor
Minimum 9.817623
Maksimum 14.20678 Metode RMSE R2
Mean 11.94054 Natural Neighbor 0.12242 0.01594
Std. Deviasi 0.971656
Tabel 9. Parameter Statistik Metode Natural
Tabel 4. Parameter Statistik model variogram Neighbor
linear Metode Krigging Parameter Statistik
Parameter Statistik Minimum 8.24487
Minimum 8.15096 Maksimum 15.4006
Maksimum 15.7701 Mean 12.1118
Mean 12.0525 Std. Deviasi 1.34537
Std. Deviasi 1.51248
Tabel 10. Perbandingan parameter statistik
Tabel 5. Parameter Statistik model variogram hasil Cross validation metode Nearest
spherical Metode Krigging Neighbor

Parameter Statistik Metode RMSE R2

Minimum 9.79562 Nearest Neighbor 0.17532 0.01422
Maksimum 14.1621
Mean 11.9545 Tabel 11. Parameter Statistik Metode Natural
Std. Deviasi 0.91088 Neighbor
Parameter Statistik
Tabel 6. Perbandingan parameter statistik
Minimum 8
hasil Cross validation metode IDP
Maksimum 15.8
Power RMSE R2 Mean 11.9553

6
 Std. Deviasi 1.91288 Tabel 15. Parameter Statistik Metode
Triangulation with Linear Interpolation
Tabel 12. Perbandingan parameter statistik
Parameter Statistik
hasil Cross validation metode Minimum Minimum 8.11503
Curvature Maksimum 15.5733
Mean 12.1302
Metode RMSE R2
Std. Deviasi 1.40557
Minimum Curvature 0.13459 0.0058

Tabel 13. Parameter Statistik Metode Tabel 16. Perbandingan parameter statistik
Minimum Curvature hasil Cross validation metode Moving
Average
Parameter Statistik
Minimum -1.4389 Metode RMSE R2
Maksimum 20.2518 Moving Average 0.16505 0.25104
Mean 11.9532
Std. Deviasi 2.56991 Tabel 17. Parameter Statistik Metode Moving
Average
Tabel 14. Perbandingan parameter statistik Parameter Statistik
hasil Cross validation metode Triangulation Minimum 10.9533
with Linear Interpolation Maksimum 12.8378
Mean 12.0168
Metode RMSE R2 Std. Deviasi 0.31832
Triangulation with
Linear 0.12807 0.00567
Interpolation

7
Gambar 2. Model variogram eksponensial Gambar 4. Model variogram spherical

Gambar 3. Model variogram linear

Gambar 5. Pemodelan persebaran nilai
porositas dengan variogram eksponensial
metode Krigging

8
 Gambar 6. Pemodelan persebaran nilai Gambar 8. Pemodelan persebaran nilai
porositas dengan variogram linear metode porositas dengan power = 1 metode IDP
Krigging

Gambar 9. Pemodelan persebaran nilai

Gambar 7. Pemodelan persebaran nilai porositas dengan power = 1.5 metode IDP
porositas dengan variogram spherical
metode Krigging

9
Gambar 10. Pemodelan persebaran nilai Gambar 12. Pemodelan persebaran nilai
porositas dengan power = 2 metode IDP porositas dengan power = 3 metode IDP

Gambar 11. Pemodelan persebaran nilai Gambar 13. Pemodelan persebaran nilai
porositas dengan power = 2.5 metode IDP porositas dengan metode Natural Neighbor

10
 Gambar 14. Pemodelan persebaran nilai
porositas dengan metode Nearest Neighbor
Gambar 16. Pemodelan persebaran nilai
porositas dengan metode Triangular with
Linear Interpolation

Gambar 15. Pemodelan persebaran nilai

porositas dengan metode Minimum Gambar 17. Pemodelan persebaran nilai
Curvature porositas dengan metode Moving Average
B. Pembahasan
Kriging adalah salah satu tehnik atau metode analisis data yang sering digunakan dalam
pertambangan. Secara umum, kriging merupakan analisis data geostatistika untuk
11
menginterpolasikan suatu nilai kandungan mineral berdasarkan nilai-nilai yang diketahui.
Metode estimasi ini mempertimbangkan faktor-faktor yang mempengaruhi akurasi estimasi,
yaitu: banyaknya sampel, posisi sampel, jarak antar sampel dengan titik yang akan diestimasi,
kontinuitas spasial dari variabel-variabel yang terlibat dll. Dengan kata lain metode ini
digunakan untuk mengestimasi besarnya nilai karakteristik dari estimator (𝑧 ) pada titik tidak
tersampel berdasarkan informasi dari titik-titik tersampel yang berada disekitarnya.
Pada studi kali ini digunakan empat variasi model variogram yaitu model eksponensial,
linear, dan spherical. Setiap model variogram digunakan rasio anisotropi sebesar 1 dan sudut
anisotropi sebesar 1ᵒ, sedangkan pada model linear digunakan slope sebesar 0.95. Kemudian
dilakukan analisa cross validation tiap metode gridding. Pada Tabel 2 dapat dilihat bahwa nilai
RMSE terkecil dan nilai R2 terbesar yaitu pada model variogram eksponensial. Semakin kecil
nilai RMSE maka semakin akurat data tersebut, sedangkan semakin besar nilai R2 maka
semakin baik model yang didapatkan dan sesuai dengan data.
Maka, model variogram yang sesuai dengan data yaitu model eksponensial. Hal ini
sesuai dengan apa yang dibahas di skripsi bahwa data yang diperoleh dari hasil analisa
variogram juga berupa eksponensial. Maka didapatkan paramter statistik model variogram
eksponensial untuk metode krigging seperti pada Tabel 3. Sedangkan nilai standar deviasi yaitu
untuk mengidentifikasi variabilitas dari setiap nilai data dari rata-rata. Ini berguna untuk
meringkas data kontinu. Semakin kecil nilai standar deviasi maka data sampel semakin
homogen (hampir sama) dimana, nilai standar deviasi pada model variogram eksponensial
yaitu 0.9717.
Pada interpolasi dengan menggunakan metode IDP variasi yang digunakan yaitu
power. Power dapat digunakan untuk menentukan pentingnya nilai sampel data pada
perhitungan interpolasi. Interpolasi lokal bisa dirubah menjadi interpolasi global dengan
merubah power. Power yang lebih tinggi akan menjadikan kurangnya pengaruh dari sampel
data sekitarnya dan hasil interpolasi menjadi lebih detail. Kerugian dari metode IDP adalah
nilai hasil interpolasi terbatas pada nilai yang ada pada data sampel. Pada hasil perhitungan
parameter statistik, range estimasi (selisih nilai minimum maksimum) paling kecil yaitu ketika
power yang digunakan yaitu 1. Pada variasi ini mempunyai nilai RMSE paling besar
dibandingkan dengan yang lain. Berdasarkan nilai RMSE, metode IDP mempunyai nilai
RMSE yang lebih besar daripada metode krigging. Hal ini menunjukkan bahwa metode
krigging melakukan interpolasi lebih baik dibandingkan metode IDP. Selain berdasarkan nilai
RMSE, dapat dilihat dari model persebaran nilai porositas yang menunjukkan bahwa metode
krigging lebih detail dan lebih representatif.
Metode Nearest Neighbor merupakan metode yang paling tidak disarakankan untuk
data ini. Hal ini dapat dilihat pada nilai RMSE paling tinggi dibandingkan dengan metode
lainnya meskipun nilai R2 memiliki nilai yang kecil. Selain itu hasil model persebaran nilai
porositas juga sangat terlihat bahwa model tersebut tidak representatif (Gambar 14).
Berbeda dengan metode lainnya, metode gridding Nearest Neighbor, Triangulation
with Linear Interpolation, dan Moving Average memiliki nilai RMSE lebih kecil daripada
metode krigging. Maka bukan berarti metode tersebut lebih baik karena dari hasil pemodelan
persebaran nilai porositas, ketiga model tersebut sangat tidak menunjukkan data yang
sebenarnya dan tidak representatif. Jadi, parameter statistika tidak selalu menjadi tolok ukur
terbaik untuk menganalisa perbandingan metode gridding. Hal ini dapat disebabkan oleh data

12
yang tidak stasioner. Maka dapat disimpulkan bahwa metode gridding krigging paling sesuai
dengan data porositas untuk estimasi kandungan air tanah dengan error 13.3034384%.

13
 KESIMPULAN
1. Berdasarkan hasil pemodelan, metode krigging mempunyai hasil pemodelan yang paling
baik daipada ke enam metode konvensional yang diujikan.
2. Metode krigging lebih baik digunakan jika data terdisribusi normal dan stasioner.
3. Metode krigging dapat digunakan untuk estimasi kandungan air tanah dengan error sebesar
13.3034384%.

14
 DAFTAR PUSTAKA
Endra, Angen L. 2010. Analisis Data Geostatistika dengan Universal Krigging [skripsi].
Yogyakarta (ID) : Universitas Negeri Yogyakarta
Erizal R., Rito G., S. Wahyuningsih. 2014. Perbandingan Metode Ordinary Kriging dan Inverse
Distance Weighted untuk Estimasi Elevasi Pada Data Topografi Studi Kasus: Topografi
Wilayah FMIPA Universitas Mulawarman. Jurnal EKSPONENSIAL. 5(02) : 163 – 170.
H. Yudha F., S. Suryani., Yuliant S. 2015. Pemodelan Harga Tanah Kota Batam dengan
Menggunakan Metode Universal Kriging. e-Proceeding of Engineering. 2(02) : 6743 –
6750.
Olea, Ricardo A. 1999. Geostatistics for engineers and earth scientists. Kluwer Academic
Publishers. United States of America.
Suprajitno Munadi. 2005. Pengantar Geostatistik. Jakarta: Universitas Indonesia.

15