GEOSTATISTIK

KRIGING (KELOMPOK 3)

DOSEN PENGAMPU : GUSKARNALI, S.T.,M.T.

DISUSUN OLEH :

LAURA SINTA K (1031611034)

LILIS SAFITRI (1031611036)
LINTANG EKA C (1031611037)
M. KASMIR (1031611042)
NUR ANNISA (1031611046)
RIYADI RESTU P (1031611050)
SAMUEL CHRISTIAN S (1031611051)
SETIAWAN RAMADHAN (1031611052)
SUSI SIHOTANG (1031611056)

TEKNIK PERTAMBANGAN
FAKULTAS TEKNIK
UNIVERSITAS BANGKA BELITUNG
2018
 1. Terkait dengan :
a. Point Kriging
b. Block Kriging

A. Point Kriging
Point kriging atau simple kriging atau sering disebut juga dengan Ordinary kriging
yaitu metode perhitungan nilai harapan (estimasi) suatu titik sampel dimana
varians kesalahan diminimalkan. Varians kesalahan ini disebut varians kriging. Hal
ini didasarkan pada konfigurasi data dan variogram, maka adalah homoescedastic
(Yamamoto, 2005). Itu tidak tergantung pada data yang digunakan untuk membuat
perkiraan. Baru-baru ini, Yamamoto memperoleh varian kesalahan untuk kriging
biasa yang tergantung pada nilai data. Dia disebut varian ini sebagai varians
Interpolasi Biasa. Yamamoto telah menunjukkan bahwa varians interpolasi biasa
adalah ukuran akurasi akurasi kriging yang lebih baik. Program kriging biasa yang
digunakan untuk penelitian ini dimodifikasi untuk menghitung varians kesalahan
baru, bernama varians Interpolasi kriging Biasa (NKVAR) dan output bersama
dengan varians kriging tradisional. Batas kesalahan 95% berdasarkan varians baru
juga dilaporkan. Hal ini diyakini bahwa metode baru yang digunakan dalam
penelitian ini untuk menentukan varians interpolasi adalah perkiraan yang lebih
baik dari varians kesalahan daripada varians kriging. Secara khusus, untuk data
miring, diyakini bahwa varians baru adalah perkiraan varians kesalahan yang jauh
lebih baik.

(https://webcam.srs.fs.fed.us/impacts/ozone/spatial/kriging.shtml)
(http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-
analyst/understanding-ordinary-kriging.htm)

B. Block kriging
Metode kriging di mana nilai rata-rata yang diharapkan di suatu area di sekitar titik
yang tidak tercontohkan dihasilkan daripada perkiraan nilai pasti dari titik tanpa
sampel. Blok kriging umumnya digunakan untuk memberikan estimasi varians yang
lebih baik dan hasil interpolasi yang halus.
Membuat perkiraan kriging di suatu area. Sebagai contoh, untuk memperkirakan nilai
rata-rata pada sel grid, sel grid diskretisasi ke dalam subcells, perkiraan kriging dibuat
untuk setiap subcell, dan kemudian ini dirata-ratakan bersama-sama untuk
menghasilkan nilai tunggal. Nilai akhir ini ditempatkan pada simpul grid asli.
(https://support.esri.com/en/other-resources/gis-dictionary/term /block%20kriging)
2. Penerapan, teori aplikasi software Geostatistik (G+)

Geostatistik merupakan bagian dari ilmu statistika yang mengkaji mengenai

sebaran data dalam bentuk variabel teregional. Variabel terregonal yang
dimaksudkan di sini adalah sampel data yang diamati barkaitan dengan fungsi
jarak antara titik sampel. Hal ini yang kemudian membedakan dengan statistik
klasik yang hanya menilai sebuah titik sampel berdasarkan peluang nilai bagi
masing-masing titik sampel. Saat ini ilmu geostatistik sangat luas cakupan
penerapannya baik dibidang ilmu kebumian kesehatan ataupun sosial dan
ekonomi. Sehigga banyak peneliti mengembangkan memadukan beberapa metode
analisis geostatistik untuk menyelesaikan beberapa permasalahan yang ada. Salah
satu program yang cukup terkenal dalam hal analisa data geostatistik adalah
SgeMS (Standford Geostatical Modeling Software).

SGeMS Merupakan salah satu program open source yang di kembangkan oleh
Nicolas Remy, Alexandere Boucher dan Jianbing Wu. Program ini dapat diperoleh
secara gratis di situs http://sgems.sourceforge.net/. Adapun ulasan mengenai program
SGeMS dapat diperoleh dari domain tersebut dan tutorial pada program secara rincih
termuat dalam buku yang berjudul “Applied Geostatistics Whith SGeMS” serta file
latihan yang ada di dalam paket CD buku tersebut.
 Operasional Program SGeMS

Tahap awal dalam operasional program SGeMS adalah

penyiapan data yang akan diolah. Data yang dapat di olah di
dalam program SGeMS adalah bentuk TXT file. Format data
dapat dibuat dengan menggunakan program MS-Excel
dengan export atau “Save As” file dalam bentuk TXT (dalam
Excell versi 2013 “Text (Tab Delimited)”. Adapun format
penulisan/atau penyajian data sebagaimana tertuang pada
gambar 1.1 berikut.

Setelah dilakukan proses penyiapan data, kemudian

dapat dilanjutkan dengan Load data di dalam program
SGeMS. Sebelum masuk kedalam pengerjaan data, terlebih
dahulu akan dijelaskan bagian dari tampilan program SGeMS.
Adapun tampilan dalam program SGeMS terdiri dari 3 (tiga)
bagian yaitu

1. Panel Algoritma (Algorithm Panel)

Bagian panel ini terdiri dari beberapa “tool” geostatistik yang dapat digunakan
untuk memproses data dalam SGeMS. Beberapa “tool” yang
dapat dijalankan yaitu kriging dan sekuen simulasi gaussian.

2. Panel Visualisasi (Visualization Panle)

Bagian panel ini akan menampilkan gambar hasil prossesing data dalam bentuk
3D yang dapat dilihat dalam berbagai sudut. Dalam panel ini pula terdapat
perintah snap shoot yang sangat bermanfaat ketika akan mengambil hasil
olahan data. Adapun gambar tersebut akan di simpan dalam bentuk PNG file.

3. Panel Perintah (Command Panel)

Bagian panel ini merupakan deretan kolom ketikan perintah program yang
telah diberikan terhadap sampel data yang dianalisis. Dalam kolom ini juga
 analisator dapat mengetikan secara langsung perintah-perintah program
berbasis GUI terhadap sampel yang akan di analisa secara geostatistik.

Adapun gambaran mengenai tampilan program SGeMS dan bagian-bagian

panelnya sebagaimana tertuang pada gambar 1.2.

Gambar 1.2 tampilan awal program SGeMS

Pengolahan data dengan menggunakan analisis geostatistik menghasilkan peta fasies

seismic dan peta fasies deposisi seperti terlihat pada lampiran.

Peta Penyebaran Porositas

Untuk pembuatan peta penyebaran porositas digunakan data porositas dari data
sumur dan kecepatan seismic. Pengolahan dari data yang ada menghasilkan peta
seperti pada lampiran. Pola kontur pada peta porositas jelas memperlihatkan bahwa
interpretasi porositas pada reservoir sangat dipengaruhi oleh fasies deposisinya (Dunn
et al, 1996).
Kesimpulan
Analisis geostatic sangat diperlukan dalam pemodelan geologi. Dengan penggunaan
statistic dapat diprediksi nilai dari daerah yang tidak memiliki data real sehingga dapat
dibuat hasil prediksi yang mendekati nilai penyebaran sebenarnya. Dari data beberapa
sayatan seismic dapat dibuat peta fasies seismic dan analisa fasies deposisi. Sedangkan
untuk pembuatan peta penyebaran porositas digunakan dari beberapa data sumur dan
analisa kecepatan seismic.
Referensi
Dunn, et al, 1996, Application of Geoscience Technology in a Geologic Study of the
Natuna Gas Field, Natuna Sea, Offshore Indonesia, Proceeding IPA
117-application_geosc_technology
Hargrave, et al, 2003, What are Interpreters for? The Impact of Faster and More
Objective Interpretation Systems, Proceeding IPA
g-106-what are interpreter
Mair, et al, 2003, Prospects to Reservoir Models: Streamline the Workflow, Proceeding
IPA
g-097-prospect-to-res.models
Tyson and Math, 2009, Regulatory Aspects of Geological Modelling, Proceeding IPA
IPA09-G-054-REGULATORY ASPECTS OF GEOLOGICAL MODELLING

3. Penerapan, teori aplikasi software Geostatistik SgeMS (Stanford Geostatistical

Modelling Software)
The Stanford Geostatistical Modeling Software (SGeMS) adalah software open-
source untuk memecahkan masalah yang melibatkan variabel spasial terkait. SgeMS ini
menyediakan praktisi geostatistik dengan antarmuka yang mudah digunakan,
visualisasi 3-D interaktif, dan berbagai pilihan algoritma. Situs web ini berfungsi
sebagai pendamping buku Geostatistik Terapan dengan SGeMS yang menyediakan
panduan langkah demi langkah untuk menggunakan algoritme SGeMS.
 Pengguna dapat melakukan tugas-tugas kompleks menggunakan bahasa skrip
Python tertanam, dan algoritma baru dapat dikembangkan menggunakan mekanisme
plug-in SGeMS. SGeMS adalah perangkat lunak pertama yang menyediakan algoritma
untuk statistik multi-point. Paket SGeMS menyediakan toolkit serbaguna untuk para
lulusan dan peneliti Ilmu Bumi, serta praktisi teknik lingkungan, pertambangan dan
perminyakan.

# Memvisualkan Satu Set Point

# Pemodelan Variogram
4. Fungsi Bandwith pada Software SgeMS

Bandwidth berfungsi sebagai acuan data transfer rate, dimana jumlah data yang
dapat dibawa dari satu titik ke titik lainnya dalam kurun waktu tertentu. Lebih
mudahnya, bandwidth di ibaratkan sebagai besar pipa yang digunakan dalam suatu
jaringan.
Jadi, semakin besar pipa yang disediakan, semakin besar pula jumlah data yang dapat
ditampung. Satuan bandwidth dinyatakan dalam bit per second (bps), bukan megabit
per second (mbps), atau gigabit per second (gbps).

Perlu anda ketahui bahwa bandwidth bukan satu-satunya faktor yang

mempengaruhi kinerja suatu jaringan. Terdapat banyak faktor, seperti packet loss,
latency, jiter dan lain-lain.

Aplikasi satu dengan yang lain membutuhkan bandwidth yang berbeda-beda.

Misalkan, percakapan pesan instan membutuhkan 1.000 bps, percakapan
menggunakan VoIP membutuhkan 56 kbps, video dengan definisi standar (480p)
membutuhkan 1 mbps, video HD(720p) membutuhkan sekitar 4 mbps, sedangkan
video HDX membutuhkan lebih dari 7 mbps.

Besarnya bandwidth akan berdampak penting pada kecepatan transmisi suatu

data. Kecepatan transmisi ini sangat dibutuhkan aplikasi komputer yang membutuhkan
kecepatan transmisi tinggi seperti videoconferencing.

Jadi bandwidth pada software SgeMS ini untuk membatasi data-data yang
digunakan pada pengolahan data algoritma nantinya.
5. Terkait dengan :
a. Simple Kriging
b. Ordinary kriging
c. Co-kriging
d. Universal kriging

a. Simple Kriging

Secara matematis simple kriging adalah yang paling sederhana tapi paling
umum digunakan. Simple kriging mengasumsikan harapan bidang acak dari data-
data yang tidak diketahui dan bergantung pada fungsi kovarian. Namun, dalam
sebagian besar aplikasi, baik harapan maupun kovarian tidak diketahui sebelumnya.

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.

https://en.wikipedia.org/wiki/Kriging

file:///C:/Users/user/Downloads/asdfg/978-1-4615-5001-3_2.pdf

simple kriging diasumsikan sebagai berikut:

Z(s) = µ + ε(s)
Maka

Sistem persamaan kriging

Bobot pada mean untuk simple kriging

file:///C:/Users/user/Downloads/asdfg/Materi-5.-Kriging-01.11.12.pdf

b. Ordinary kriging

Ordinary kriging

Istilah kriging diambil dari nama seorang ahli, yaitu D.G. Krige, yang pertama kali
menggunakan korelasi spasial dan estimator yang tidak bias. Istilah kriging
diperkenalkan oleh G. Matheronuntuk menonjolkan metode khusus dalam moving
average terbobot (weighted moving average) yang meminimalkan varians dari hasil
estimasi

Secara umum Kriging merupakan suatu metode yang digunakan untuk menganalisis data
geostatistik , yaitu untuk menginterpolasi suatu nilai kandungan relief berdasarkan data
sampel. Metode ini digunakan untuk mengestimasi besarnya nilai karakteristik Z pada titik
tidak tersampel berdasarkan informasi dari karakteristik titik – titik tersampel Z yang ada
disekitarnya berdasarkan informasi dari karakteristik nilai Z tersampel yang berada
disekitarnya dengan mempertimbangkan korelasi spasial yang ada pada data tersebut.

Salah satu module dalam SAGA GIS yaitu Ordinary Kriging (Global) sangat bermanfaat
untuk melakukan analisis geostatistik Kriging.

Referensi

c. Co-kriging

Pengukur Cokriging

Metode tradisional regresi hanya menggunakan data yang tersedia di

lokasi target dan gagal untuk menggunakan yang ada korelasi spasial dari titik
 sekunder-data kontrol dan atribut utama untuk dapat diperkirakan. [6] Cokriging
metode yang digunakan untuk mengambil keuntungan dari kovarians antara dua
atau lebih regionalized variabel yang terkait, dan masih cocok ketika atribut
utama menarik (baik data) jarang, tetapi terkait informasi sekunder (seismik)
berlimpah. Metode integrasi GEOSTATISTIK data menghasilkan model reservoir
yang lebih handal karena mereka memanfaatkan kekuatan dari kedua tipe data.

Perilaku spasial saling regionalized variabel (RV) dikenal sebagai rekan

regionalisasi. Cokriging memerlukan kondisi yang sama untuk puas seperti kriging
tidak, tapi menuntut lebih banyak waktu variography, pemodelan, dan
komputasi. Menariknya, meskipun, efek dukungan ditangani dalam cokriging
melalui salib-kovarians fungsi, sehingga banyak jenis yang berbeda dan skala
data yang terintegrasi easily.8,2,4,5,6,10 [2] [4] [5] [6] [8] [10]

Metode cokriging yang umum multivarian ekstensi kriging sistem persamaan,

dan menggunakan dua atau lebih atribut tambahan. Metode cokriging umum
sangat sederhana, biasa, collocated, dan indikator.

Cokriging sederhana menggunakan model spasial multivarian dan terkait 2D atau

3D sekunder atribut untuk memandu interpolasi atribut utama dikenal hanya di
lokasi yang baik. Mean ditentukan secara eksplisit dan diasumsikan konstan
global.

Cokriging biasa ini mirip dengan cokriging sederhana dalam bahwa mean
dianggap konstan, tapi ini berbeda dalam hal itu daripada yang ditentukan secara
global, mean diperkirakan lokal dalam setiap kumpulan titik kontrol lingkungan.

Collocated cokriging dapat sederhana atau biasa. Itu menggunakan semua data
primer, seperti sebelumnya, tetapi juga mencakup satu atau lebih nilai
menengah-data yang memiliki lokasi yang berbeda dari data yang baik.

Cokriging indikator dapat sederhana atau biasa, dan memperkirakan

probabilitas atau proporsi atribut yang diskrit setiap node grid (misalnya, litologi
atau produktivitas), dan memerlukan pengkodean biner atribut primer dan
sekunder. Bentuk cokriging indikator adalah indikator collocated cokriging.

(http://petrowiki.org/Kriging_and_cokriging)
 d. 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. Dalam
Universal kriging, penyamaan dengan nilai 1 diperlukan dalam kondisi untuk
mendapatkan estimator tak bias.