DISUSUN OLEH:
Data dari setiap sampel titik didefinisikan oleh lokasi dan bobot nilai pengukuran
objek yang diamati. Setiap nilai data berhubungan dengan lokasinya. Prinsip dasar
geostatistika adalah bahwa area yang saling berdekatan cenderung memiliki bobot nilai
yang tidak jauh berbeda jika dibandingkan dengan area yang tidak berdekatan
(berjauhan). Data geostatistik (geostatistical) mengarah pada data sampel yang berupa
titik, baik beraturan (regular) atau tak beraturan (irregular) dari suatu distribusi spasial
kontinu (Cressie, 1993: 10). Agar lebih jelasnya diilustrasikan dalam gambar sebagai
berikut:
Menurut Matheron (1971), secara umum ketika suatu objek menyebar didaerah
pengamatan dan mempunyai struktur spasial tertentu, maka hal ini disebut teregional
(regionalized). Jika f(x) menyatakan suatu nilai pada titik x dari karakteristik objek ini,
maka f(x) adalah suatu variabel teregional (regionalized variables). Secara matematika,
variabel teregional secara sedehana merupakan fungsi f (x) dari titik x tetapi secara
umum merupakan fungsi yang sangat tidak beraturan (contoh : tingkatan cadangan
mineral). Hal ini menunjukkan 2 (dua) aspek yang saling bertolak belakang atau
kontradiksi :
Jenis dari variabel teregional yaitu Jenis Variabel Teregional Multivariat. pada
penggunaannya variabel teregional multivariat memungkinkan diukur dari lokasi yang
berbeda. Menurut Wackernagel (1995), jenis variabel teregional multivariate berdasarkan
dari lokasi pengambilan sampel dapat dibagi menjadi 3 (tiga), yaitu :
Complete heterotopy : semua variabel teregional diukur dari himpunan
titik sampel dan lokasi pengambilan sampel yang berbeda.
Partial heterotopy : beberapa variabel teregional diukur dari lokasi
pengambilan sampel yang sama.
Isotropy : semua variabel teregional diukur dari lokasi pengambilan
sampel yang sama.
1. E Z (x) , x
2. Z x h Z (x)
Artinya adalah dikatakan stasioner intrinsic jika varibel acak tersebut mempunyai
nilai tengah ( ) dan varians setiap kenaikan Z( x+h ) – Z(x) tidak bergantung pada
x, sehingga dapat dinyatakan dalam persamaan sebagai berikut :
Var Z x h Z (x) 2 h , x
2.2.2 Stasioner Orde Dua (Second Order Stasionarity)
Dalam beberapa literatur stasioner orde dua (second order stasionarity) dikenal sebagai
covariance stasionarity. Jenis stasioneritas ini lebih lemah daripada strict stationarity. Menurut
LeMay (1995), suatu fungsi acak disebut stasioner orde dua jika memenuhi asumsi berikut ini :
Dimana adalah rata-rata yang sebenarnya dari suatu distribusi. Hal ini menunjukkan bahwa
ekspektasi bernilai konstan untuk semua lokasi x Sehingga diperoleh asumsi yang kedua.
2
E Z (x)Z (x h) Cov (h), x
Kovarians pada persamaan untuk Z (x), Z (x h) hanya tergantung pada jarak h dan tidak
bergantung pada lokasi x .
( https://repository.its.ac.id/41916/1/1313201714-Master%20Thesis.pdf.)
3.1. VARIANSI UKURAN VARIASI ( DISPERSI )
Variansi dispersi merupakan penyebaran atau perserakan data individual terhadap nilai
rata-rata ( range) . pada data yang bersifat homogen (tidak bervariasi) memiliki penyebaran yang
kecil dibandingkan dengan data yang bersifat heterogen (sangat bervariasi ) yang memiliki
penyebaran yang besar . Metode pengukuran dispersi ini merupakan metode untuk
menggamberkan bagaimana suatu kelompok data menyebar terhadap pusat data. Yang dimaksud
ukuran variasi (measures of variation) adalah ukuran yang menyatakan seberapa banyak nilai-
nilai data berbeda atau menyimpang dari nilai pusatnya. Maka ukuran variasi tersebut sering
disebut sebagai ukuran penyimpangan (measures of dispersion). Beberapa jenis ukuran dispersi:
Standarisasi unit-unit pengukuran diatas dilakukan melalui proses pengakaran sebagai berikut :
Simpangan baku atau standard deviasi sampel diberi notasi s, sedangkan standar deviasi populasi
dinyatakan dengan σ (sigma).
kumpulan data yang berbeda, yaitu standard deviasi terhadap X-nya. Koefisien variasi
ini dapat ditemukan dengan rumus :
Kv = koefisien variasi
( https://sc.syekhnurjati.ac.id/esscamp/files_dosen/modul/Pertemuan_6BC0310846.pdf.)
Alfiana, A.N., (2010), Metode Ordinary Kriging pada Geostatistika, Skripsi, Fakultas MIPA,
Universitas Negeri Yogyakarta, D.I. Yogyakarta.
Cressie, N. A. C. (1993). Statistics For Spatial Data. New York: John Wiley and Sons, Inc.
LeMay, N.E., (1995), Variogram Modeling and Estimation, Thesis Master of Science Applied
Mathematics, University of Colorado, Denver.
Matheron, G., (1971), The Theory of Regionalized Variabels and Its Applications, École
Nationale Supérieure des Mines de Paris, Paris.
Omre, H., (1984), Introduction To Geostatistical Theory and Examples of Practical Applications,
Norwegian Computing Center, Norway.