Nama : ISTIFANI FERUCHA

NPM : 1615051005
UTS STATISTIKA KEBUMIAN
(Rabu, 17 Oktober 2018)

1. Hitung standar deviasi, kovariansi, dan nilai koefisien korelasi x dan y serta hitung pula
garis lurus terbaik dengan cara regresi linier antara dua variabel tersebut !
Observation Number Hydrocarbon Level (x) Purity(y)
1 0,99 90,01
2 1,02 89,05
3 1,15 91,43
4 1,29 93,74
5 1,46 96,73
6 1,36 94,45
7 0,87 87,59
8 1,23 91,77
9 1,55 99,42
10 1,4 93,65
11 1,19 93,54
12 1,15 92,52
13 0,98 90,56
14 1,01 89,54
15 1,11 89,85
16 1,2 90,39
17 1,26 93,25
18 1,32 93,41
19 1,43 94,98
20 0,95 87,33

Jawaban :
a) Menghitung standar deviasi, kovariansi, dan nilai koefisien korelasi x dan y
menggunakan perhitungan formula Microsoft Excel :

0,18451016
Standar Deviasi x 2
2,94429019
Standar Deviasi y 5
Kovariansi 0,508872
0,93671538
Koefisien Korelasi 1

Formula yang digunakan adalah sebagai berikut :

 Standar deviasi  =STDEV.P(data)
 Kovariansi  =COVARIANCE(array1;array2)
 Koefisien korelasi  =((hasil kovariansi)/(standar deviasi x*standar deviasi y))
 Perhitungan dapat dilihat pada file Microsoft Excel.
b) Garis lurus terbaik dengan cara regresi linier antara dua variabel :
Untuk menentukan hal tersebut, digunakan perhitungan pula dengan Microsoft Excel
dengan memilih regression pada Ms.Excel, seperti di bawah ini :

Sehingga diperoleh :
Regression Statistics  
Multiple R 0,992720269
R Square 0,985493532
Adjusted R Square 0,929937976
Standard Error 11,42418744
Observations 19

  df SS MS F Significance F
Regression 1 159593,5149 159593,5149 1222,825818 2,80714E-17
Residual 18 2349,217057 130,5120587    
Total 19 161942,732      
 Standar
d Lower Upper Lower Upper
  Coeff Error t Stat P-value 95% 95% 95,0% 95,0%
Intercept 0 #N/A #N/A #N/A #N/A #N/A #N/A #N/A
0,99 75,0835 2,1471 34,9689 5,3111E-18 70,572 79,59 70,57 79,5945

Residual Output
Observatio Standard
Predicted 90,01 Residuals
n Residuals
1 76,58518406 12,46481594 1,120988346
2 86,34604085 5,083959151 0,457211642
3 96,85773278 -3,117732779 -0,280384574
4 109,6219301 -12,89193012 -1,159399665
5 102,1135787 -7,663578743 -0,689202512
6 65,32265699 22,26734301 2,002551192
7 92,35272195 -0,582721952 -0,052405468
8 116,3794464 -16,95944636 -1,525200358
9 105,1169193 -11,46691929 -1,031245303
10 89,3493814 4,1906186 0,376871559
11 86,34604085 6,173959151 0,555237742
12 73,58184351 16,97815649 1,526883001
13 75,83434892 13,70565108 1,232579383
14 83,3427003 6,507299702 0,585215792
15 90,10021654 0,289783462 0,026060865
16 94,60522737 -1,355227365 -0,121878581
17 99,11023819 -5,700238192 -0,512634973
18 107,3694247 -12,38942471 -1,114208247
19 71,32933809 16,00066191 1,43897476

0,99 Residual Plot

25
20 f(x) = − 59.82 x + 73.85
R² = 0.99
15
10
Residuals

5
0
0.8 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6
-5
-10
-15
-20
0,99
 0,99 Line Fit Plot
140

120
f(x) = 75.08 x − 0
100 R² = 1
f(x) = 15.26 x + 73.85 Linear ()
80 R² = 0.88
90,01

Predicted
60 90,01

40
Linear
(Predicted
20 90,01)

0
0.8 0.9 1 1.1 1.2 1.3 1.4 1.5 1.6
0,99

2. Salah satu alat untuk filtering atau time-trend analysis adalah moving average.
a) Plot grafik antara X dan ∆ g tersebut (X pada sumbu x dan ∆ g sebagai sumbu y)
b) Hitunglah korelasi antara keduanya
c) Hitung moving average (2 data) dari data tersebut.
d) Gambarkan data dari data asli dan hasil moving averagenya. Analisa grafik tersebur!

1 1 1 1 2 2 2 2 3 3
X 0 2 4 6 8 10 2 4 6 8 0 22 4 6 8 0 32 4
Δ 1 1 2 3 3 4 4 3 3 2 1 1
g 5 7 9 2 5 20 5 0 5 0 2 45 5 0 0 8 16 2

Jawaban :
a)

Grafik antara X dan ∆g

50
45
40
35
30
25
20
15
10
5
0
0 5 10 15 20 25 30 35 40
 b) Korelasi antara keduanya :
Standar Deviasi x 10,37625
Standar Deviasi ∆g 12,24241
Kovariansi 46,66667
Koefisien Korelasi 0,367366

c) Menghitung moving average :

Untuk menghitungnya, digunakan perhitungan pula dengan Microsoft Excel dengan
memilih moving average pada Ms.Excel, seperti di bawah ini :

Average (x) #N/A 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33

  #N/A #N/A 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Averag 13, 22, 32, 32,
e #N/A 8 10,5 5 17,5 5 27,5 5 37,5 41 43,5 40 5 25 19 17 14
(Δg) #N/ 1,27 1, 1,27 3,
  #N/A A 5 1,5 2,06 2,5 2,5 2,5 2,5 9 5 3,69 3,9 3,95 6 1 1,58
d)
Moving Average (Δg)
50
40
30 Actual
Value

20 Forecast
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Data Point

Moving Average (x)

40
30
Actual
Value

20
Forecast
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Data Point

Berdasarkan grafik moving average nilai x diperoleh grafik sinusoidal atau non-
linier. Nilai data yang awalnya cenderung meningkat ketika sudah mencapai nilai
maksimum maka nilai tersebut akan mengalami penurunan. Sedangkan grafik
moving average nilai Δg menunjukkan grafik yang linier, dimana nilainya akan
cenderung meningkat. Semakin besar nilai data point maka akan meningkat pula
valuenya.

3. a) Lakukan moving average window 3x3 dan 5x5!

b) Gambarkan dalam bentuk peta dari data, hasil moving average 3x3 dan 5x5!
c) Analisa peta tersebut!
12 15 17 12 13 14 15 12 13 13 12 18
12 14 13 15 16 17 18 12 12 12 13 13
14 16 17 13 12 18 17 13 13 18 14 20
17 18 14 13 12 14 15 14 14 16 15 17
18 13 12 14 15 16 17 15 15 18 16 17
17 12 13 15 16 17 18 14 16 13 17 12
15 17 13 12 14 15 17 14 17 18 18 12
12 13 14 15 17 18 19 15 12 21 19 15
 18 13 12 14 15 16 17 15 15 18 16 17
17 12 13 15 16 17 18 14 16 13 17 12
15 17 13 12 14 15 17 14 17 18 18 12
12 13 14 15 17 18 19 15 12 21 19 15

Jawaban :
a) Telah dilakukan pengolahan data moving average window 3x3 dan 5x5 dengan
menggunakan Surfer dan hasilnya ditunjukan pada poin b.

b)
MOVING AVERAGE 3X3
12

21
11
20,5
10
20
19,5
9 19
18,5
8 18
17,5
7 17
16,5
6 16
15,5
5 15
14,5
4
14
13,5
3
13
12,5
2
12
1
11,5
1 2 3 4 5 6 7 8 9 10 11 12

MOVING AVERAGE 5X5

12

21
11 20,5
20
10
19,5
19
9
18,5
8
18
17,5
7 17
16,5
6 16
15,5
5 15
14,5
4
14
13,5
3
13
2
12,5
12
1 11,5
1 2 3 4 5 6 7 8 9 10 11 12
 c) Berdasarkan penampang moving average dengan windows 3x3 dan 5x5 diatas, dapat
diketahui bahwa nilai maksimum sebesar 21 dan nilai minimum sebesar 11,5. Nilai
dominan pada peta tersebut memiliki nilai yang rendah hingga sedang yaitu dari nilai
11,5 – 17. Hanya terdapat 2 klosure yang memiliki nilai tinggi yang berkisar dari nilai
19,5 – 21. Bila nilai tersebut diasumsikan sebagai nilai pengukuran gravity batuan di
bawah permukaan, maka dapat disimpulkan bahwa pada daerah pengukuran tersebut
dominan terhadap batuan yang memiliki nilai anomali rendah yang ditandai dengan
zona berwarna biru dan hanya terdapat 2 titik yang memiliki anomali tinggi yang
ditandai dengan zona berwarna merah.

5. Dalam membuat estimasi spasial kita melakukan gridding. Ada banyak metode griding
dengan sifat dan karakternya yang spesifik.
a) Metode gridding apa saja yang anda kenal,
b) Hal-hal apa saja yang harus dipertimbangkan dalam memilih metode gridding!
Jawaban :
a) Gridding merupakan proses penggunaan titik data asli (data pengamatan) yang ada
pada file data XYZ untuk membentuk titik-titik data tambahan pada sebuah grid yang
tersebar secara teratur. Gridding juga dapat disebut sebagai proses pada data XYZ
yang tersebar secara tidak teratur dan terdapat data yang kosong untuk menghasilkan
file grid yang berisi data Z yang teratur. Metode- metode gridding yang terdapat
dalam aplikasi Surfer bermacam-macam dan mempunyai kelemahan dan kelebihannya
masing-masing. Metode- metode tersebut, antara lain (Golden Software):
 Inverse Distance to a Power
Metode ini cenderung memiliki pola “bull’s eyes” pada kontur-kontur yang
konsentris melingkar pada titik data. Metode ini merupakan metode penimbangan
rata-rata yang sederhana untuk menghitung nilai jarak grid.
 Kriging
Kriging adalah metode gridding geostatistik yang telah terbukti berguna dan
populer di berbagai bidang. Metode ini menghasilkan visual peta yang menarik
dari data yang tidak teratur. Dimana kriging dapat menghasilkan jaringan yang
akurat pada data. Kriging merupakan metode default pada Surfer. Salah satu
kelebihan metode kriging lainnya adalah dapat menggunakan variogram yang
disesuaikan oleh pengguna, sehingga nilai error atau RMS dapat semakin kecil.
 Minimum Curvature
Metode ini melakukan generalisasi permukaan secara halus.  Metode ini juga
secara luas digunakan dalam ilmu bumi karena hasil interpolasi dengan metode
Minimum curvature dengan perbedaan yang sangat tipis, piringan linier elastis
melewati setiap nilai data dengan jumlah minimum yang dapat berubah. Salah satu
 kelemahan metode ini adalah kecenderungan mengekstrapolasikan nilai-nilai di
daerah yang tidak ada datanya.
 Modified Shepard’s Method
Hasil metode ini serupa dengan inverse distance, tetapi apabila parameter
smoothing diaktifkan maka kecenderungan kontur membentuk pola “bull’s eye”
tidak akan terjadi. Dengan menggunakan metode ini kita dapat meramalkan
kemungkinan nilai-nilai di luar rentang Z dari data yang kita miliki.
 Natural Neighbor
Metode ini menghasilkan kontur yang baik dari data set yang berisi data padat di
beberapa daerah dan data jarang di daerah lainnya. Hal ini tidak menghasilkan data
di daerah tanpa data dan tidak ekstrapolasi nilai-nilai Z di luar grid jangkauan data.
 Nearest Neighbor
Metode ini efektif untuk data-data XYZ yang tersebar merata dalam setiap daerah
pemetaan, tetapi akan terjadi masalah apabila data XYZ tidak tersebar merata akan
mengakibatkan hasil kontur menjadi bias. Metode Nearest neighbor menggunakan
titik terdekat untuk memberikan nilai pada node grid. Hal ini berguna untuk
konversi secara teratur XYZ data file ke dalam file grid. Metode ini tidak
meramalkan kemungkinan grid Z di luar jangkauan data.
 Polynomial Regression
Metode ini bermanfaat untuk analisis permukaan secaraumum. Metode ini
menampilkan kecenderungan kemiringan pada pola topografi secara umum dengan
cakupan wilayah yang luas. Metode regresi memproses data dalam skala besar
dengan kecenderungan pola yang ditampilkan. Hal ini digunakan untuk analisis
yang cenderung berada di permukaan. Metode ini dapat memaparkan nilai-nilai
grid di luar data jangkauan Z.
 Radial Basis Function
Metode radial basis function merupakan metode terbaik untuk sebagian besar jenis
data. Tetapi cenderung membentuk pola “bull’s eye” terutama jika parameter
smoothing diaktifkan. Gambar yang dihasilkan dengan metode ini mirip dengan
kriging tetapi menghasilkan hasil yang sedikit berbeda.
 Trianggulation with Linear Interpolation
Metode ini bermanfaat menghasilkan analisis patahan. Metode ini membutuhkan
data yang banyak, karena apabila terjadi kekurangan data maka akan terjadi
pembentukan pola segitiga pada permukaan kontur. Walau demikian metode ini
dapat menangani situasi sulit seperti pembuatan fitur seperti teras dan lubang.
Metode ini tidak mengekstrapolasi nilai-nilai Z di luar jangkauan data.
 Moving Average
Metode ini hanya berlaku pada set data yang sangat besar dan banyak (misal >1000
titik data) sehingga dapat menggabungkan data breakline. Metode Moving Average
ini memberikan nilai ke node jaringan dengan rata-rata data di dalam elips
pencarian node grid.
 Data Metrics
 Metode gridding satu ini digunakan untuk membuat informasi grid tentang data.
Metode gridding data metrik secara umum cenderung tidak menginterpolasi rata-
rata dari nilai-nilai Z.
 Local Polynomial
Metode ini paling berlaku untuk set data yang lokal yang halus  (misalnya relatif
halus permukaan dalam lingkungan pencarian). Metode gridding Local Polynomial
memberikan nilai ke node jaringan dengan menggunakan kuadrat terkecil berbobot
sesuai dengan data di dalam elips pencarian node grid. 

b) Hal-hal yang harus dipertimbangkan dalam memilih metode gridding yaitu batas-batas
pemetaan yang diambil dari nilai X terkecil, X terbesar, Y terkecil, dan Y terbesar.
Nilai X dan Y diambil dari data mentah di worksheet. Batas-batas pemetaan tersebut
membentuk sebuah segi empat dengan koordinat terluar nilai-nilai terbesar dari X dan
Y. kepadatan grid merupakan lebar kolom dan garis pada file grid. Kolom dan baris ini
berupa garis grid minor yang terbentuk oleh proses interpolasi file XYZ di sepanjang
sumbu X dan Y. Penentuan titik dalam metode gridding  dilakukan dengan
menggunakan sumbu x dan sumbu y sebagai acuan dalam menghitung tinggi titik yang
berada pada sumbu x dan y. Proses pembuatan dan penentuan koordinat titik
grid (gridding) ini disertai dengan penentuan posisi bidang datar dua dimensi (x,y) dan
pemanfaatan kaidah fungsi matematika dalam interpolasi untuk menentukan
ketinggiannya (z).