GEOSTATISTIK (MTE-6206)

Semester Gasal 2020/2021

Tugas ke-1

Nama : Smith Rizky Pratama

NIM : 073001600059

Program Studi Teknik Pertambangan

Fakultas Teknologi Kebumian dan Energi
Universitas Trisakti
2020
Pertanyaan:
Apa yg dimaksud dengan “Regionalized Variables” dan Apa hubungannya dengan
VARIOGRAM?

Jawab:

Teori Variabel Regional adalah merupakan metode geostatistik yang digunakan untuk
melakukan interpolasi di dalam ruang. Konsep dari teori ini adalah bahwa interpolasi dari titik-
titik didalam ruang yang tidak akan didasarkan pada objek yang menerus secara merata.
Interpolasi tersebut harus berdasarkan pada model stokastik yang menyertakan berbagai
kecenderungan didalam kumpulan titik-titik asal tersebut. Teori ini menyatakan bahwa didalam
berbagai kumpulan data, akan ditemukan hubungan-hubungan sebagai berikut:
a. Bagian struktur, yang juga disebut sebagai kecenderungan
b. Variasi yang berkorelasi
c. Variasi yang tidak berkorelasi atau noise

Setelah menentukan ketiga hubungan tersebut, teori variable regional ini akan mengaplikasikan
hukum pertama dalam ilmu geografi yaitu untuk memperkirakan harga yang tidak diketahui dari
titik-titik, dimana setiap titik berhubungan satu dengan yang lain tetapi titik-titik yang berdekatan
akan lebih berhubungan daripada titik yang berjauhan. Pada akhirnya aplikasi utama dari teori ini
adalah metode kriging untuk interpolasi.

Geostatistik merupakan aplikasi dari dari teori variable regional yang digunakan untuk
memperkirakan endapan mineral secara tidak langsung. Secara lebih umum, ketika suatu
fenomena menyebar didalam ruang dan memiliki suatu struktur ruang tertentu, maka kita
menyebutnya sebagai daerah atau wilayah (regionalized). Jika f(x) merupakan nilai pada titik x
dari suatu karakteristik f dari fenomena tersebut, maka kita harus menyatakan bahwa f(x) adalah
variable regional. Ini merupakan pengertian awal tetapi deskriptif dan secara khusus sebelum
menginterpretasikan kemungkinan (probabilistik). Dalam kacamata matematika, ini merupakan
fungsi yang sederhana dari f(x) di titik x, tetapi secara umum merupakan fungsi yang sangat
tidak beraturan (irregular) contohnya adalah kadar dari sebuah endapan mineral.

Hal ini juga menunjukkan dua aspek yang bertentangan:

- Sebuah aspek random (dicirikan oleh ketidakteraturan dan variasi yang tidak dapat
diprediksi dari suatu titik ke titik yang lain) atau komponen random dimana sebuah
observasi dari sebuah variabel di sebuah titik Wi, didalam area yang lebih luas W,
merupakan realisasi dari sebuah variable random Z(Wi) pada titik Wi
- Sebuah aspek terstruktur atau tidak random (hal ini harus mencerminkan karakteristik
luas dan stuktur dari fenomena di daerah atau wilayah tertentu) atau komponen tidak
random dimana variabel-variabel random untuk dua lokasi Wi dan Wi+h (yang
dipisahkan oleh jarak h) tidak dianggap independen secara ruang.

Ada dua tujuan dari teori regional variable yaitu:

1. Dalam konteks teori, untuk memperlihatkan properti struktur dalam bentuk yang
memadai.
 2. Dalam konteks praktek, untuk menyelesaikan masalah perkiraan dari sebuah variable
regional dari data sampel yang terbagi-bagi (fragmented sampling).

Dua tujuan ini berhubungan untuk sampel-sample terhubung yang sama, error dari perkiraan
tergantung pada karakteristik struktur, contohnya akan menjadi lebih besar ketika variable
regional lebih tidak beraturan dan lebih tidak berhubungan dalam variasi ruangnya.
Konsep variable regional ini banyak diaplikasikan dalam ilmu geologi dimana nilai dari sebuah
variable yang terukur pada dua lokasi yang berdekatan akan lebih mirip daripada nilai variable
pada lokasi yang berjauhan. Pada tahapan tertentu didalam proses geostatistik membutuhkan
variable regional mengikuti kondisi khusus, kondisi ini biasanya disebut sebagai “Hipotesa
Intrinsik” atau “weak stationary”. Sebuah variable mengikuti hipotesa intrinsic jika :
1. Jika perbedaan yang diharapkan (didalam nilai variable) antara titik-titik tertentu di
dalam data diatur sama dengan nol,

2. Varian pengaturan dari perbedaan didalam pasangan-pasangan nilai variable hanya

merupakan fungsi dari jarak pemisahan h,

Walaupun pengukuran korelasi ruang dikenal sebagai semi-variogram membutuhkan pemenuhan

hipotesa intrinsik, beberapa pengukuran korelasi ruang yang lain seperti korelogram
membutuhkan nilai variable hadir dan konstan untuk semua lokasi W dan kovarian hadir yang
merupakan fungsi dari jarak pemisahan h. Kehadiran tren didalam kumpulan data diindikasikan
ketika perbedaan yang diharapkan tidak sama dengan nol. Tren ini dimodelkan secara terpisah
sebelum disertakan dalam proses perkiraan.
Dasar dari teori variable regional dan analisa korelasi ruang adalah untuk menghitung
keberlanjutan properti sampel dalam jarak dan arah tertentu. Jadi dengan dasar ini kita bisa
menyimpulkan bahwa dua well yang berdekatan akan memiliki properti reservoir yang
cenderung sama dari pada dua well yang berjauhan. Tetapi sampai seberapa jauh jarak antara dua
well akan memiliki property sampel yang sama harus melalui pengukuran statistic. Kita
memerlukan pengukuran statistic yang baru karena statistic univariate atau bivariate klasik tidak
dapat menangkap informasi korelasi ruang. Analisa korelasi ruang adalah tahapan yang penting
dalam sebuah penelitian geostatistik reservoir.
Beberapa kumpulan data dapat memiliki statistic univariate yang sama dengan kumpulan data
yang lain, sebagian lagi bisa sangat berbeda.
Kita bisa melihat bahwa grafik 1a menunjukkan kemenerusan porosity dalam ruang, tetapi grafik
1b memiliki distribusi porositas yang acak. Tetapi walaupun begitu mean, variance dan
histogram kedua kumpulan data porositas ini mirip.
Persamaan kedua grafik adalah mean yang sama (8.4%), standar deviasi yang sama ( 2.7%) dan
frekuensi distribusi yang sama (histogram). Sedangkan perbedaannya adalah grafik 1a memiliki
kemenerusan ruang (spatial continuity) sedang grafik 1b tidak atau acak.
Sekuen 1a yang memiliki sebuah struktur atau komponen korelasi ruang disebut sebgai
Regionalized variable, sedangkan sekuan 1b yang tidak menunjukkan kemenerusan ruang
diklasifikasikan sebagai Random variable.

Spatial structure (struktur ruang) aakn mencerminkan hubungan nilai terukur disuatu titik dengan
nilai di titik lain, jadi secara umum kegunaan spatial structure adalah :
1. Menjelaskan intensitas dari pola dan skala dimana pola tersebut terdapat atau tersingkap.
2. Menginterpolasi untuk memperkirakan nilai pada titik-titik tidak terukur di sepanjang
domain (contohnya adalah kriging).
3. Menilai ketidakbergantungan variable sebelum mengaplikasikan parameter pengukuran
dari significance.

Jadi variable (Z) yang diukur di lokasi I, dapat diuraikan menjadi tiga komponen melalui fungsi
persamaan berikut :

f(i) = merupakan tren atau struktur berskala besar (yang umumnya bisa dihilangkan)
s(i) = merupakan ketergantungan ruang local yang acak (yang akan dicari)
ε = error dari varian (dianggap terdistribusi secara normal)
Beberapa hal penting didalam variable regional adalah :

A. Autocorrelation
Korelasi merupakan suatu pernyataan dari penyebaran dimana dua kumpulan data cocok satu
dengan lain. Correlation coefficient ditentukan melalui penyebaran dimana dua garis regresi
menyimpang dari sumbu horizontal dan vertical. Didalam konsep struktur ruang (spatial
structure) autocorrelation merupakan derajat korelasi ke nilai itu sendiri, sehingga spatial
correlation adalah hubungan yang merupakan fungsi jarak. Ketika kumpulan data (misalnya
kumpulan nilai porositas) diplot didalam grafik terhadap nilai porositas itu sendiri akan
membentuk suatu tren dengan slope atau kemiringan sebesar 45 derajat, hal ini menunjukkan
korelasi yang semourna. Tetapi jika data kita terjemahkan
dengan menggunakan interval sampling dan di plot terhadap
data dengan interval sampling juga maka akan menunjukkan
pengaruh dari spatial correlation atau kurangnya korelasi ruang.
Kita bisa melihat dari dua
data set berikut yang
masing-masing di plot
didalam h-scatterplot (h
merupakan lag atau
distance) :

Sekuen B
 Kita bisa melihat bahwa sekuen A mulai menunjukkan
kurangnya spatial correlation setelah lag 4, sementara lag 1-3
di scatter plot masih menunjukkan spatial correlation.
Sedangkan sekuen B dari lag 1 sudah menunjukkan kurangnya
spatial correlation yang dicerminkan titik-titik nilai menyebar
di dalam scatter plot.
Sekuen A
Sekuen
Atribut yang kompleks didalam reservoir A merupakan
merupakan fungsi yangRegionalized
acak, dimana variable
merupakan yang
kombinasi dari Regionalized variablemenunjukkan
dan Randomkemenerusan spatialacak
variable. Fungsi sampai lag 3. Sedangkan
ini memiliki dua
komponen yaitu : Sekuen B merupakan Random variable tanpa kemenerusan
1. Structure component spatialdari regionalized variable yang mengandung derajat
: terdri
spatial auto correlation.
2. Local random component : terdiri dari random variable (atau disebut sebgai nugget
effect) yang menunjukkan sedikit atau tidak adanya korelasi.
Model dari fungsi acak ini menganggap bahwa :
1. Pengukuran tersendiri pada lokasi z(xi) adalah satu hasil yang memungkinkan dari
sebuah variable acak pada lokasi di titik Z(xi).
2. Kumpulan sampel yang didapat, z(xi), i=1,…n, dienal sebagai fungsi acak.

Dengan mempelajari ketergantungan ruang antara dua pengukuran suatu atribut yang sama pada
z(xi) dan z(xi+h), dimana h merupakan jarak pengukuran, kita sebenarnya mempelajari korelasi
ruang antara dua fungsi acak yang berhubungan z(xi) dan z(xi+h).

B. Spatial auto correlation analysis

Spatial auto correlation adalah analisa spatial hanya pada satu variable (mis:porositas) yang
menjelaskan hubungan antara variable regional yang diambil di tempat-tempat yang berbeda.
Sampel yang auto-correlated tidak lepas atau bebas terhadap jarak. Ada dua pengukuran
kemenerusan spatial uumnya yaitu variogram dan correlogram, yang mengizinkan kita
menghitung kemenerusan, anisotropy dan property azimuthal dari kumpulan data kita.

Variogram
Variable regional menggunakan konsep semivarian untuk memperlihatkan hubungan antara titik-
titik yang berbeda di sebuah permukaan. Semivarian adalah sebagai berikut :

Semivarian dievaluasi dengan menghitung γ(h) untuk setiap pasangang data dan dipasangkan
terhadap interval lag,h. jika kita memplotkan hasil semivariance terhadap jarak lag, maka akan
 dihasilkan variogram. (atau sering dikenal dengan semivariogram). Variogram mengukur
ketidakmiripan atau peningkatan varian antara data-data sebagai fungsi jarak.
Variogram menghasilkan cara pembelajaran dari pengaruh factor geologi lain yang mungkin
mempengaruhi apakah korelasi spatial berubah hanya terhadap jarak (atau disebut kasus
isotropic) atau berubah terhadap jarak dan arah (atau disebut kasus anisotropic). Variogram ini
disebut juga sebagai experimental variogram, yang didasarkan pada data yang ada dan dihitung
sebagai tahapan awal dalam proses kriging.

Correlogram
Merupakan pengukuran yang tergantung pada ruang, yang mengukur kemiripan atau korelasi
terhadap jarak pemisahan.

Kita akan mendapatkan bahwa kovarian akan semakin kecil seiring dengan bertambahnya jarak.
Sedangkan variogram akan menunjukkan peningkatan varian seiring bertambahnya jarak.

Omnidirectional variogram Correlogram

Pengukuran anisotropy dapat dilakukan dengan berdasarkan arah yang berbeda dari penyebaran
data. Ada dua geometri anisotropy yang umum dihasilkan didalam variogram yaitu :
1. Anisotropy geometri : diindikasikan oleh variogram bidirectional yang memiliki sill
yang sama tetapi berbeda range.
2. Anisotropy zona : dicirikan oleh variogram yang memiliki sill berbeda tetapi range
yang sama.
C. Spatial cross correlation analysis
Merupakan analisa yang bertujuan mempelajari hubungan spatial antara dua atau lebih variable.
Model cross correlation berguna dlam melakukan co-krigging atau conditional cosimulation
(seperti mencocokkan data sumur dengan data seismic). Cross correlogram atau cross variogram
menjelaskan hubunga spatial dimana pasangan data yang mewakili variable-variabel yang
berbeda. Sebagai contoh adalah misalnya kita akan memperkirakan porositas berdasarkan
pengukuran impedansi akustik, maka penting untuk menghitung model auto-correlation untuk
keua atribut dan menghitung model cross-corelation seperti gambar berikut :

Berikut rumus yang umum digunakan dalam analisa cross correlation :

(gambar 1a)

(gambar 1b)

(gambar 1c)
= atribut utama yang diukur di lokasi xi
 = atribut utama yang diukur di lokasi xi+jarak pemisahan(lag), h
= atribut kedua yang diukur di lokasi xi
= atribut kedua yang diukur di lokasi xi+jarak pemisahan(lag), h
= jumlah data

D. Stationary didalam regionalized variable

Hal ini terjadi bila nilai yang diharapkan dari perbedaan antara dua variable acak adalah nol.
Stationary menjelaskan bahwa korelasi spatial dapat dimodelkan dengan fungsi positif tertentu
dan menyatakan bahwa nilai yang diharapkan yang dianggap merupakan nilai rata-rata tidak
tergantung pada jarak yangmemisahkan data-data tersebut.

Orde pertama

Berikut adalah tiga parameter orde kedua yang penting dalam geostatistik :

Pada kondisi orde kedua inilah semivariogram dan covarian merupakan pengukuran alternative
dari autocorrelation spatial.
Untuk data yang non-stationary, masih banyak perdebatan, karena sebagian menganggap ini
hanya masalah skala pengukuran. Pengaruh dari pengukuran non-stationary tergantung pada
bagian dari skala sampel dalam hubungan dengan skala tren. Sayangnya, geoscientist jarang
memiliki kewenangan dalam menentukan distribusi sampel. Jika regionalized variable adalah
non-stationary, dapat berkenaan sebagai susunan dua bagian yaitu residual dan tren.

Dimana : Y(x) = memiliki variogram dasar (residual)

m(x) = dapat diperkirakan oleh polynomial (tren)
Hubungannya dengan VARIOGRAM
Variogram adalah suatu langkah dalam menghitung cakupan/hubungan antara satu poin dengan
poin lain.Sehingga didapatlah penyebaran atau lokasi yang dipetakan dalam bentuk grid-
grid.Analisis variogram merupakan tahapan dalam perhitungan pada sejumlah lokasi & melihat
hubungan antar observasi pada berbagai lokasi yang diukur.

            Proses yang dilakukan dalam analisis variogram adalah meregister seluruh data,
mengeksplorasi data, membuat model, melakukan dan membandingkan pemodelan. Analisis
mendalam dan terintegrasi dengan geostatistik sangat diperlukan untuk dapat membuat model
detail guna analisa fasies dan peta porositas yang bertujuan determinasi dan input pada model
simulasi reservoir.

            Salah satunya adalah melalui metode Variogram. Variogram adalah serangkaian aktivitas
mulai dari penelusuran data, pembuatan model hingga laporan analisa.Berikut uraian dalam
tahapan analisa :

 Penelusuran Data
Penelusuran data dilakukan secara manual atau dengan komputer. Jika data tersusun dalam grid/
spacing yang teratur dapat dilakukan perhitungan secara langsung dengan arah horisontal,
vertikal ataupun diagonal.

 Pembuatan dan Analisis Variogram Eksperimen

            Variogram adalah suatu fungsi vektor yang dapat digunakan untuk mengkuantifikasikan
tingkat kemiripan atau variabilitas antara dua conto yang terpisah oleh jarak tertentu dengan
grafik x - y yang dihasilkan dari plot jarak dan varians dari data yang berpasangan.

            Variogram dilakukan untuk melakukan penaksiran kadar bijih dengan tujuan kuantifikasi
korelasi ruang antar conto menggunakan suatu perangkat statistik. Sifat - sifat yang merupakan
ciri khas dari variabel terregional antara lain:
1. Suatu variabel terregional terlokalisir (menempati lokasi tertentu), dimana variasi
terjadinya deposit, ukuran, dan orientasi tertentu.
2. Variabel terregional dapat mencerminkan variasi kontinuitas yang relatif tinggi ataupun
rendah.
3. Variabel terregional mencerminkan anisotropi, artinya tingkat distribusi varians dari
variabel berbeda pada masing-masing arah.
            Di sisi lain, data variogram yang memiliki jarak antar conto tidak teratur diperlukan suatu
toleransi untuk kedua variabel tersebut. David (1977) menjelaskan istilah angle classes (θ±α/2)
dan distance classes (h±∆h) sebagai toleransi untuk menghitung pasangan data dengan jarak
antar data yang tidak teratur. Semua titik conto atau data yang berada pada search area yang
didefinisikan dengan angle classes dan distance classes akan dianggap sebagai titik-titik conto
yang berjarak h dari titik x0 (titik origin) pada arah yang dimaksud.

1. Eksplorasi Data
            Pemahaman yang menyeluruh pada data yang ada sangat diperlukan untuk dapat
menganalisis geostatistik. Eksplorasi dari pendistribusian data, melihat batasan – batasan secara
global dan lokal, melihat pola –pola global, memeriksa korelasi spasial, dan memahami kovariasi
dari berbagai data.

2. Pembuatan Model
            Pada mulanya, geostatistik merupakan sinonim dari "kriging”, namun dalam
perkembangannya juga meliputi metode deterministik. Metode deterministik tidak memiliki
penilaian untuk kesalahan prediksi, tidak ada asumsi untuk data. Sedangkan metode kriging
memiliki penilaian untuk kesalahan prediksi dan mengasumsikan data dari proses stokastik. Peta
yang dihasilkan dapat berupa peta prediksi (peta interpolasi), peta standar eror, peta Quantile,
peta probability.

3. Melakukan Diagnostik
            Dalam pemodelan geologi, khususnya pemodelan reservoir, model yang baik akan
memiliki satu kualitas yang sederhana yaitu: harus menyediakan prediksi yang baik dari perilaku
reservoir untuk merespon keadaan (Tyson and Math, 2009). Prediksi yang baik harus memiliki
prediksi mean eror yang mendekati nol, RMS (root-mean-square) yang lebih kecil lebih baik.
Apabila estimasi rata – rata standar eror dibandingkan dengan prediksi eror RMS sama maka
prediksi bagus, apabila <1 maka overestimate dan apabila >1 maka underestimate.

4. Membandingkan Model
            Beberapa model yang dihasilkan dari beberapa perlakuan harus dibandingkan untuk
melihat mana yang lebih baik. Penggunaan cross validation statistic sangat membantu dalam
pembandingan ini. 
 Korelasi Informasi Data Geologi Terhadap Variogram
            Pada tahapan pemodelan karakterisasi reservoir diperlukan suatu analisa hubungan
spasial (spatial relationship) antara pasangan atau beberapa pasangan data geologi untuk
mengetahui geometri dan kontinuitas properti reservoir.Salah satu  analisa tersebut adalah analisa
variogram.Parameter utama variogram terdiri dari empat bagian yaitu ; Major dan Minor
trend   (melihat penyebaran lapisan pada arah horizontal dan vertikal), sill and Range, serta
Nugget.Analisis variogram yang baik adalah analisis yang memasukan atau menggabungkan data
geologi pada setiap penentuan parameter variogram.

Daftar Pustaka
1. Matheron, G. (1971), The Theory of Regionalized Variables and Its Applications, Les
Cahiers du Centre de Morphologie Mathematique de Fontainebleau.
2. Dowdall, M., O’Dea, J. (1999), Geostatistical analysis of monitoring data, Journal of
Environmental monitoring, vol II.
3. Basic Geostatistics compiled by Jimba Olu
4. Tanpa Nama. Tanpa tahun. Regionalized variable theory
http://en.wikipedia.org/wiki/Regionalized_variable_theory diakses pada tanggal 14
September 2020 pukul 20.50 WIB.
5. Thamsi, A. Tanpa tahun. Geostatistik dan Pemodelan Sumberdaya Variabel Terregional
dan Variogram. https://www.academia.edu/36483440/Geostatistik dan Permodelan
sumberdaya Variabel Terregional dan variogram diakses pada tanggal 14 September
2020 pukul 21.00 WIB.