LAPORAN PRAKTIKUM

GEOSTATISTIKA TG 3202

MODUL KE – 4
ESTIMASI SPASIAL DENDAN SIMPLE DAN ORDINARY KRIGING
Oleh:
Benny Chandra Gea 118120088
Asisten :
Oktaria Futri Ilham 12116089
Muhammad Fadhilah Harahap 12116084
Gita Rusmala 12116090
Helen Zetri 12116014
Adelia Gita Parera 12116123
Fira Pratiwi Darsono 12117151
Dita Aprilia Hutabalian 12116033
Safna Ramadhani 12116096
Mikha Parasian GT 12116042

PROGRAM STUDI TEKNIK GEOFISIKA

JURUSAN TEKNOLOGI PRODUKSI DAN INDUSTRI
INSTITUT TEKNOLOGI SUMATERA
2019/2020
I. Tujuan
Mahasiswa dapat memahami prosedur perhitungan gridding dengan Kriging.
II. Teori Dasar
Metode kriging digunakan oleh G. Matheron pada tahun 1960-an untuk
menonjolkan metode khusus dalam moving average terbobot (weighted moving
average) yang meminimalkan variansi dari hasil estimasi . Kriging ialah suatu
teknik perhitungan untuk estimasi dari suatu variabel terregional yang
menggunakan pendekatan bahwa data yang dianalisis dianggap sebagai suatu
realissasi dari suatu variabel acak, dan keseluruhan variabel acak yang dianalisis
tersebut akan membentuk suatu fungsi acak menggunakan model struktural
variogram. (Puspita, 2013)
Secara umum, kriging merupakan suatu metode yang digunakan untuk
menganalisis data geostatistik, yaitu untuk menginterpolasi suatu nilai kandungan
mineral berdasarkan data sampel. Data sampel pada ilmu kebumian biasanya
diambil di lokasi-lokasi atau titik-titik yang tidak beraturan. Dengan kata lain,
metode ini digunakan untuk mengestimasi besarnya nilai karakteristik Ẑ pada titik
tidak tersampel berdasarkan informasi dari karakteristik titik-titik tersampel Z yang
ada di sekitarnya.
Estimasi kriging Ẑ(s) dari Z(s) dapat dituliskan sebagai berikut :

Dengan :
s, si : lokasi untuk estimasi dan salah satu lokasi data yang berdekatan (i)
m(s) : nilai ekspetasi dari Z(s)
m(si) : nilai ekspetasi dari Z(si)
λi : faktor bobot
n : banyaknya data sampel yang digunakan untuk estimasi

Ordinary kriging ialah salah satu metode yang terdapat pada metode kriging
yang sering digunakan pada geostatistika. Pada metode ini memiliki asumsi khas
untuk penerapan yang mudah digunakan dari ordinary kriging ialah instrinsic
stationarity dari bidang pengamatan yang cukup untuk mengestrimasi variogram.
Ordinary kriging uga mimiliki asumsi matematika dalam penerapannya, asumsi
tersebut ialah sebagai berikut :
1. Rara-rata E[Z(x)] = μ tidak diketahui tetapi konstan,
2. Variogram γ(x,y) = E[(Z(x) – Z(y))2] untuk Z(x) diketahui.

Asumsi Model :

Asumi Prediksi :
III. Pengolahan Data
3. 1 Script
1. Simple dan Ordinary Kriging

#118120088_Benny Chandra Gea_RTGC

import numpy as np
from numpy.linalg import inv

#00_Inisiasi data, menyimpan koordinat dalam array

#kolom 1 = X. Kolom 2 = Y, Kolom 3 = Z
data_obs = np.array([[0,0,10],
[80,0,20]])

data_test = np.array([[30,0]])

m = 10 #nilai rata-rata
N = 2 #jumlah titik sampel

#01 Persamaan Variogram Teoritis

var = lambda L : 100*(1-np.exp(-3*L/100))
distance = lambda x1, y1, x2, y2 : np.sqrt((x2-x1)**2 + (y2-y1)**2)

#02 Membentuk Covariansi data_obs

C_left = np.zeros((N,N))
C_right = np.zeros((N,1))

C_0 = 100 #sama dengan nilai sill

for i in range(N):
x1,y1 = data_obs[i,:-1]
for j in range(N):
if i == j :
C_left[i,j] = C_0
else:
x2, y2 = data_obs[j, :-1]
L_left = distance(x1,y1,x2,y2)
gamma = var(L_left)
C_left[i,j] = C_0 - gamma

L_right = distance(x1,y1,data_test[0,0],data_test[0,1])
C_right[i,0] = C_0 - var(L_right)

#03 Hitung Z_0 dengan simple kriging

lmda = inv(C_left@C_left.T)@C_left.T@C_right
lmda_0 = m*(1-np.sum(lmda))
z_0 = lmda_0 +np.sum(lmda*data_obs[:,2].reshape(N,1))
variansi = C_0 - np.sum(lmda*C_right)
print('z_0 Simple Kriging :', z_0)
print('Variansi Simple Kriging :',variansi)

#4 Hitung Z_0 dengan ordinary kriging

C_left = np.hstack((C_left, np.ones((N,1))))
C_left = np.vstack((C_left, np.ones((1,N+1))))
C_left[-1,-1] = 0

C_right = np.vstack((C_right, 1))

lmda = inv(C_left@C_left.T)@C_left.T@C_right
lmda_0 = m*(1-np.sum(lmda[:-1,0]))

z_0 = lmda_0 + np.sum(lmda[:-1,0]*data_obs[:,2])

miu = lmda[-1,0]
variansi = C_0 - np.sum(lmda[:-1,0]*C_right[:-1,0])-miu
print('z_0 Ordinary Kriging :', z_0)
print('Variansi Ordinary Kriging :', variansi)

2. Ordinary Kriging

#118120088_Benny Chandra Gea_RTGC

import numpy as np
import matplotlib.pyplot as plt
import pykrige.kriging_tools as kt
from pykrige.ok import OrdinaryKriging
from pykrige.uk import UniversalKriging

#import data
data = np.loadtxt('data_magnetik2.txt', skiprows =1)
X = data[:,0]
Y = data[:,1]
T = data[:,2]

#01 definisi grid UTM X dan UTM Y

dx,dy = 99,99
gridx = np.arange(X.min(), X.max(),dx)
gridy = np.arange(Y.min(), Y.max(),dy)

#02 melakukan interpolasi dengan ordinary kriging

OK = OrdinaryKriging(X, Y, T,variogram_model='linear',verbose=True,
enable_plotting=True)
z,ss= OK.execute('grid',gridx,gridy)

#03 simpan titik interpolasi kedalam ASCII data

kt.write_asc_grid(gridx,gridy,z, filename="OKinterpolasi.asc")

#03 ploting hasil

plt.figure(1)
plt.imshow(z,cmap='jet',aspect='auto',origin='lower',extent=[X.min()
, X.max(), Y.min(), Y.max()])
plt.xlabel('UTM X')
plt.ylabel('UTM Y')
plt.colorbar(label='Tobs [mt]')
plt.show()

3. Universal Kriging

#118120088_Benny Chandra Gea_RTGC

import numpy as np
import matplotlib.pyplot as plt
import pykrige.kriging_tools as kt
from pykrige.uk import UniversalKriging

#import data
data = np.loadtxt('data_magnetik2.txt', skiprows =1)
X = data[:,0]
Y = data[:,1]
T = data[:,2]

#01 definisi grid UTM X dan UTM Y

dx,dy = 99,99
gridx = np.arange(X.min(), X.max(),dx)
gridy = np.arange(Y.min(), Y.max(),dy)

#02 melakukan interpolasi dengan universal kriging

UK = UniversalKriging(X, Y, T, variogram_model='linear',
drift_terms=['reigonal_linear'], )
z,ss = UK.execute('grid',gridx,gridy)

#03 simpan titik interpolasi kedalam ASCII data

kt.write_asc_grid(gridx,gridy,z, filename="UKinterpolasi.asc")

#03 ploting hasil

plt.figure(1)
plt.imshow(z,cmap='jet',aspect='auto',origin='lower',extent=[X.min()
, X.max(), Y.min(), Y.max()])
plt.xlabel('UTM X')
plt.ylabel('UTM Y')
plt.colorbar(label='Tobs [mt]')
plt.show()
3. 2 Langkah Kerja
Langkah pengerjaan untuk script Simple Kriging dan Ordinary Kriging
ialah :
1) Pertama import modul numpy dan inv dari numpy.linalg
2) Menginisiasi data dengan data_obs
3) Melakukan persamaan variogram yaitu var dan distance
4) Membentuk kovarians dari data_obs
5) Mencari nilai sill
6) Menghitung z_0 dengan simple kriging
7) Memunculkan hasil simple kriging
8) Menghitung dengan ordinary kriging
9) Memunculkan hasil ordinary kriging

Langkah pengerjaan untuk script Ordinary Kriging ialah :

1) Pertama import modul numpy, matplotlib dan pykrige

2) Kemudian mengimport data dari data_magnetik.txt
3) Mendefinisikan grid UTM X dan Y
4) Melakukan proses ordinary kriging
5) Menyimpan file data dalam bentuk ASCII
6) Ploting hasil

Langkah pengerjaan untuk script Universal Kriging ialah :

1) Pertama import modul numpy, matplotlib dan pykrige

2) Kemudian mengimport data dari data_magnetik.txt
3) Mendefinisikan grid UTM X dan Y
4) Melakukan proses ordinary kriging
5) Menyimpan file data dalam bentuk ASCII
6) Ploting hasil
IV. Hasil dan Analisis
1. Hasil ketidakpastian antara simple dan ordinary kriging

(a)

(b)
2. Hasil variogram linear

3. Hasil interpolasi ordinary dan universal kriging data magnetik 2

 Analisis
Nilai konfigurasi yang dihasilkan pada data a dan b memiliki cukup
banyak perbedaan pada nilai z_0 tetapi nilai dari variansi nya sama untuk simple
maupun nilai ordinary krigingnya. Data linear yang didapatkan menggunakan
Ordinary dan Universal Kriging menunjukkan data tersebut tersebar dari nilai
paling rendah hingga paling tinggi sesuai garis linear. Untuk data magnetik2
dihasilkan gambar cukup berbeda dengan data magnetik awal. Dalam gambar
interpolasi Ordinary dan Universal yang dihasilkan hanya dua warna saja dan
dipojok bawah kiri berwarna biru sebagai nugget. Regresi dapat dilakukan pada
proses kriging karena dalam melakukan kriging juga melakukan interpolasi.
V. Kesimpulan
Dari kesimpulan yang didapatkan bahwa dalam metode kriging terdapat
ordinary dan universal kriging. Dari kedua metode tersebut didapatkan hasil yang
tidak terlalu jauh beda dan hasilnya juga demikian dalam grafik. Data-data yang
diinterpolasikan akan menunjukan bagaimana persebaran data kriging. Regresi
dapat dilakukan pada metode kriging.
VI. Daftar Pustaka
[1] Alfiana, Anantia Nur. 2010. Metode Ordinary Kriging Pada
Geostatistika. Universitas Negeri Yogyakarta.
[2] Puspita, Wira. 2013. BAB III Pembahasan : 3.1 Kriging dan Ordinary
Kriging. Universitas Pendidikan Indonesia.
 LAMPIRAN

1. Simple dan Ordinary Kriging

2. Ordinary Kriging
3. Universal Kriging