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.
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,
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).
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.
(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
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.
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.
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.