Pratikum Geostatistik

Program Studi Teknik Geofisika

Jurusan Teknologi Industri dan Informasi

TUGAS PRATIKUM MINGGU KE - 4

ESTIMASI SPASIAL DENGAN SIMPLE DAN ORDINARY KRIGING

Nama : FIRA PRATIWI DARSONO (12117151)

Shift : Selasa, 13.00 - 16.00

Asisten :

1. Asido Saputra Sigalingging (12115023)

2. Dayu Prabowo (12115013)

3. Edlyn Yoadan Nathania (12115035)

4. Nadya Agnesia Sinaga(12115037)

5. M. Andara(12115064)

6. Yoopy Christian(12115009)

INSTITUT TEKNOLOGI SUMATERA

2019
I. Tujuan
Tujuan modul 4 yaitu mengenai Estimasi Spasial dengan Simple dan
Ordinary Kriging adalah kita dapat mengestimasi data spasial dengan
simple dan ordinary kriging menggunakan aplikasi python. Dan juga kita
dapat memahami perbedaan antara simple dan ordinary kriging.

II. Pendahuluan
Metode kriging digunakan oleh G. Matheron untuk menonjolkan
metode khusus dalam moving average terbobot (weighted moving average)
yang meminimalkan variansi dari hasil estimasi. Kriging adalah suatu
teknik perhitungan untuk estimasi dari suatu variabel terregional yang
menggunakan pendekatan bahwa data yang dianalisis dianggap sebagai
suatu realisasi dari suatu variabel acak, dan keseluruhan variabel acak yang
dianalisis tersebutakan membentuk suatu fungsi acak dengan menggunakan
model struktural variogram. Dan secara umum dalam kasus kebumian,
metoda kriging merupakan metoda yang relatif paling banyak digunakan.
Oleh karena itu, modul ini akan didedikasikan untuk membahas proses
perhitungan kriging dan cara memproduksinya menggunakan software
Surfer dengan pemilihan model variogram yang tepat.
Dibahas juga jenis-jenis kriging seperti simple kriging, ordinary kriging
dan universal kriging. Kriging memiliki kelebihan dibandingkan metoda
interpolasi deterministik seperti inverse distance, triangulation dan lainnya
yaitu memperhitungkan hubungan spasial yang direpresentasikan oleh
variogram. Kriging juga memberikan ukuran kualitas hasil interpolasi kita
yaitu melalui variansi kriging. Sehingga Kriging dapat disebut metoda
interpolasi statistik atau probabilistik. Selain itu dalam kriging kita dapat
memperhitungkan pula efek anisotropi, sesuatu yang tidak dapat dilakukan
oleh operator interpolasi lainnya. Oleh karena itu, secara umum hasil
 interpolasi kriging lebih unggul dan lebih realistik dibandingkan dengan
yang lainnya. [Deutsch dan Journel, 1992] menyebut kriging sebagai
operator interpolasi yang berdasarkan BLUE (best linear unbiased
estimate).

II.I Latar Belakang

Kriging merupakan suatu metode analisis data geostatistika yang

digunakan untuk menduga besarnya nilai yang mewakili suatu titik yang
tidak tersampel berdasarkan titik tersampel yang berada di sekitarnya
dengan menggunakan model struktural semivariogram. Kriging juga
merupakan suatu metode yang digunakan untuk menonjolkan metode
khusus yang meminimalkan variansi dari hasil pendugaan .

Jika dilihat secara umum, metode Kriging adalah suatu metode

analisis geostatistik untuk menginterpolasi suatu nilai kandungan sebagai
contoh kandungan mineral, berdasarkan data sapel yang diambil di tempat-
tempat yang tidak beraturan.

Banyak metode yang dapat digunakan dalam metode kriging, namun

berdasarkan diketahui atau tidaknya mean, Kriging dapat dibedakan menjadi
tiga, yaitu Simple Kriging, Ordinary Kriging, dan Universal Kriging [1].

1. Simple Kriging

Simple Kriging merupakan metode kriging dengan asumsi bahwa rata-rata

(mean) dari populasi telah diketahui dan bernilai konstan. Pengolahan dari
metode Simple kriging adalah dengan cara data spasial yang akan diduga
dipartisi menjadi beberapa bagian. Dibawah ini adalah langkah – langkah
pengerjaan simple kriging

a. Persamaan untuk mendapat bobot λ yaitu

  C11 C12 C13 .. C1n   1   C10 
C .. ..  2  C20 
 21 C22 ..
C23 .. .. .. ..    ..    .. 
     
 .. .. .. .. ..   ..   .. 
Cn1 .. .. .. Cnn  n  Cn 0 

b. Hubungan antara kovarian dan variogram

c. Nilai interpolasinya adalah

d. Variansi estimasinya adalah

2. Ordinary Kriging

Ordinary kriging merupakan metode yang diasumsikan rata-rata (mean) dari

populasi tidak diketahui, dan pada data spasial tersebut tidak mengandung
trend. Selain tidak mengandung trend, data yang digunakan juga tidak
mengandung pencilan. Dibawah ini adalah langkah – langkah pengerjaan
simple kriging

a. Persamaan untuk mendapat bobot λ yaitu

 C11 C12 .. C1n 1  1   C10 
C 1 2  C20 
 21 C22 .. ..
 .. .. .. .. ..   ..    .. 
     
Cn1 .. .. Cnn 1 n  Cn 0 
 1 1 .. 1 0     1 

b. Hubungan antara kovarian dan variogram

c. Bobot untuk titik yang akan diestimasi oleh ordinary kriging adalah:

Akhirnya, nilai estimasinya adalah:

d. Variansi estimasinya adalah

3. Universal Kriging
Universal kriging merupakan metode kriging yang dapat diaplikasikan pada
data spasial yang mengandung trend atau data yang tidak stasioner.

III. Langkah Kerja

1. Buka Pycharm untuk mengolah data
2. Import modul yang akan digunakan yaitu numpy
3. Masukan nilai leg yang diketahui dan yang akan digunakan
4. Masukan nilai x yang diketahui ditambah dengan NIM
5. Hitung covarian tiap leg
 6. Lakukan simple kriging lalu akan didapat kan estimasi data pada x0 dan
variansi
7. Kemudian, lakukan ordinary kriging
8. Setelah di running akan muncul hasil x0 dan variansi dari simple kriging
dan ordinary riginng
9. Bandingkan hasil simple kriging dan ordinary kriging
10. Screenshoot hasil dan analisis lalu masukan kedalam laporan

IV. Pengolahan Data

1. Text pycharm / hasil kodingan
import numpy as np
from numpy.linalg import inv

#inisiasi parameter
L01 = 10
L02 = L01
L03 = 20
L04 = L03

L12 = L01 + L02

L13 = L03 - L01
L14 = L01 + L04

L21 = L12
L23 = L14
L24 = L13

L31 = L13
L32 = L14
L34 = L03 + L04

L41 = L14
L42 = L24
L43 = L34

#Value
x1 = 20+51
x2 = 50+51
x3 = 30+51
x4 = 100+51

#kovariansi
c0 = 50
c11 = c0
c12 = c0-(50*(1-np.exp(-3*(L12)/100)))
c13 = c0-(50*(1-np.exp(-3*(L13)/100)))
c14 = c0-(50*(1-np.exp(-3*(L14)/100)))

c21 = c0-(50*(1-np.exp(-3*(L21)/100)))
c22 = c0
c23 = c0-(50*(1-np.exp(-3*(L23)/100)))
c24 = c0-(50*(1-np.exp(-3*(L24)/100)))

c31 = c0-(50*(1-np.exp(-3*(L31)/100)))
c32 = c0-(50*(1-np.exp(-3*(L32)/100)))
c33 = c0
c34 = c0-(50*(1-np.exp(-3*(L34)/100)))

c41 = c0-(50*(1-np.exp(-3*(L41)/100)))
c42 = c0-(50*(1-np.exp(-3*(L42)/100)))
c43 = c0-(50*(1-np.exp(-3*(L43)/100)))
c44 = c0

c01 = c0-(50*(1-np.exp(-3*(L01)/100)))
c02 = c0-(50*(1-np.exp(-3*(L02)/100)))
c03 = c0-(50*(1-np.exp(-3*(L03)/100)))
c04 = c0-(50*(1-np.exp(-3*(L04)/100)))

#simple kriging
G = np.mat([[c11, c12, c13, c14],
[c21, c22, c23, c24],
[c31, c32, c33, c34],
[c41, c42, c43, c44]])

d = np.mat([[c01],
[c02],
[c03],
[c04]])

m = inv(G.transpose()*G)*G.transpose()*d

lamd1 = m[0,0]
lamd2 = m[1,0]
lamd3 = m[2,0]
lamd4 = m[3,0]

m0 = (x1+x2+x3+x4)
lamdaTotal = np.sum(m)
lamd0 = m0*(1-lamdaTotal)

#data estimasi simple kriging

x0 = lamd0+(lamd1*x1 + lamd2*x2 + lamd3*x3 + lamd4*x4 )
var = c0 - (lamd1*c01 + lamd2*c02 + lamd3*c03 +
lamd4*c04)

#ordinary kriging
G2 = np.mat([[c11, c12, c13, c14, 1],
[c21, c22, c23, c24, 1],
[c31, c32, c33, c34, 1],
 [c41, c42, c43, c44, 1],
[1, 1, 1, 1, 0]])

d2 = np.mat([[c01],
[c02],
[c03],
[c04],
[1]])

m2 = inv(G2.transpose()*G2)*G2.transpose()*d2

lamd1b = m2[0,0]
lamd2b = m2[1,0]
lamd3b = m2[2,0]
lamd4b = m2[3,0]

x0b = (lamd1b*x1 + lamd2b*x2 + lamd3b*x3 + lamd4b*x4 )

varb = c0 - (lamd1b*c01 + lamd2b*c02 + lamd3b*c03 +
lamd4b*c04)
print(x0,var)
print(x0b,varb)

2. Hasil simple dan ordinary kriging

V. Kesimpulan
Kesimpulan yang dapat diambil pada praktikum modul ini adalah
1. Simple Kriging merupakan metode kriging dengan asumsi bahwa rata-
rata (mean) dari populasi telah diketahui dan bernilai konstan.
Sedangkan Ordinary kriging merupakan metode yang diasumsikan rata-
rata (mean) dari populasi tidak diketahui, dan pada data spasial tersebut
tidak mengandung trend.
 2. Rumus antara simple kriging dan ordinary kriging memiliki perbedaan
sehingga hasil yang muncul juga akan berbeda
3. Hasil simple kriging yaitu :
X0 = 99.79232401571929
Variansi = 14.565630622579349
Sedangkan hasil ordinary kriging yaitu :
X0 = 86.94072278675216
Variansi = 13.260130581461887
4. Kriging digunakan untuk menduga besarnya nilai yang mewakili suatu
titik yang tidak tersampel dan juga merupakan suatu metode yang
digunakan untuk menonjolkan metode khusus yang meminimalkan
variansi dari hasil pendugaan

Daftar Pustaka
 https://media.neliti.com/media/publications/97422-ID-penerapan-metode-
ordinary-kriging-pada-p.pdf
 http://eprints.uny.ac.id/231/1/bab_I-pustaka.pdf
 http://repository.upi.edu/4122/6/S_MTK_0700249_Chapter3.pdf
 Modul Praktikum Geostatistik FTTM ITB 2010