TUGAS GEOSTATISTIK

“REGIONALIZES VARIABLE (PERUBAH TEREGIONAL)”

DISUSUN OLEH:

Suci Marifatul Ilmiah 1031911009

Putra Nugraha 1031911021

Rahmida Eka Putri 1031911023

Darriel Andhika 1031911027

Ifanza Zazide Araya 1031911031

Muhammad Haidir Ali 1031911032

JURUSAN TEKNIK PERTAMBANGAN

FAKULTAS TEKNIK
UNIVERSITAS BANGKA BELITUNG
2021
1.1 KONSEP VARIABEL TEREGIONAL

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:

Gambar 1. Gambar data geostatistik

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 :

1. Aspek keacakan (random aspect), ditandai dengan ketidakberaturan lokal

dan tidak bisa diduganya perubahan antara titik satu dengan titik lainnya.
2. Aspek terstruktur (structured aspect), ditandai dengan adanya karakteristik
yang terstruktur atau adanya kecenderungan dalam skala yang besar dari
obyek yang teregional.
 Teori variabel teregional mempunyai 2 (dua) tujuan yakni : 1. Secara teori, untuk
mengetahui sifat struktur yang sesuai dari obyek. 2.Secara terapan, untuk mengestimasi
variabel teregional dari data sampel yang berbeda atau berada pada lokasi yang terpisah.
Kedua tujuan tersebut berhubungan terhadap obyek pengamatan pada lokasi yang sama
dan galat estimasi bergantung pada struktur karakteristik. Galat estimasiakan bertambah
besar jika variabel teregional lebih tidak beraturan dan lebih bersifat tidak kontinu pada
variansi spasialnya (Matheron, 1971).
Menurut Omre (1984), variabel teregional dalam geostatistik dinyatakan seperti
dalam persamaan di mana variabel x biasanya merupakan suatu vektor dalam dua atau
tiga dimensi. Variabel teregional merupakan suatu fungsi acak, berupa n obyek

pengamatan Xi , i= 1,2,3….., n. Kumpulan objek pengamatan dinyatakan sebagai s :

{ z(xi ) : xi  D, xi , i =1,2,...,n} dan yang merupakan kumpulan variabel acak s : { Z

(xi ) : xi  D, xi , i =1,2,...,n}.

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.

Penggunaan complete heterotopy akan sulit dalam memutuskan model cross

variogram atau cross covariance karena cross variogram experimental tidak bisa dihitung
dari data complete heterotopy. Sedangkan yang dianjurkan untuk digunakan adalah
partial heterotopy jika hal itu memungkinkan. Jenis variabel teregional multivariat yang
paling sering digunakan dalam memutuskan model cross variogram atau cross covariance
adalah isotropy (Wackernagel, 1995).
( https://repository.its.ac.id/41916/1/1313201714-Master%20Thesis.pdf.)

2.1 ASUMSI STASIONER

Stasioneritas merupakan suatu syarat data geostatistik dapat dianalisis menggunakan

kriging maupun cokriging. Data dikatakan bersifat stasioner jika tidak memiliki
kecenderungan terhadap trendtertentu, atau data berada disekitar nilai rata-rata yang
konstantidak bergantung pada waktu dan variansnya. Ada 3 macam stasioneritas dalam
geostatistik, yaitu stasioner kuat (strict stasionarity), stasioner orde dua (covariance
stasionarity), dan stasioner intrinsik (intrinsic stasionarity) (Delfiner, 1999 dalam
Alfiana, 2010). Berdasarkan Definisi yang ada yaitu hanya ada satu realisasi dari variabel
acak Z(x) karena tidak ada pengulangan, sehingga dibutuhkan asumsi pada statistika
inferensial. Asumsi yang dibutuhkan adalah adanya homogenitas spasial. Dari asumsi
homogenitas, dan z(x)  z(x+h) dapat dianggap dua realisasi yang berbeda dari variabel
acak yang sama (LeMay, 1995).

2.2.1 Stasioner Intrinsik ( Stasioner lemah )

Menurut LeMay (1995), stasioneritas yang paling lemah adalah stasioner

intrinsik. Suatu variabel acak kondisi berikut : Z (x) disebut stasioner intrinsik
jika mengikuti :

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 :

 E Z (x)  (x)  ,x atau E  Z (xi )  Z (x j )  0,xi , x

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.

 E  Z (x)    Z (x  h)      Cov  h 

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:

1. Range (Nilai Jarak)

Nilai Jarak (Range) Range atau nilai jarak adalah selisih nilai-nilai extreme yang terdapat
dalam kumpulan data atau dengan kata lain selisih nilai tertinggi dengan nilai terendah dalam
kumpulan data.
Range = Xn – X1
Xn = Nilai maksimum (terbesar)
Xi = Nilai minimum (terkecil)

2. Simpangan rata-rata (Mean Deviation)

Secara aritmatis mean deviation dapat didefinisikan sebagai mean dari deviasi nilai-nilai
individual yang diambil harga mutlaknya. Jika serangkaian nilai-nilai observasi X1 X2 .. Xn,
memiliki rata-rata X, maka deviasi nilai-nilai diatas dari Χ-nya, berturut-turut dapat dinyatakan
sebagai : X1 – X, X2 – X . ., Xn – X
Jadi simpangan rata-rata atau deviasi rata-rata dari seluruh nilai-nilai observasi Xi dapat
dirumuskan sebagai :
dx = simpangan seluruh nilai /jumlah seluruh data

dx = simpangan rata-rata data yang tidak dikelompokan

n = jumlah seluruh data
i = nomor data
Xi = nilai data nomor i
X = mean seluruh nilai data
3. Simpangan baku (Standard Deviation)
Yang dimaksud dengan “simpangan baku atau standard deviasi” adalah suatu nilai yang
menunjukan besarnya simpangan rata-rata seluruh nilai yang ada dalam kelompok data dengan
nilai pusatnyadengan cara menghilangkan kemungkinan nilai nol dengan jalan dikuadratkan. Jika
∑ ( Xi - X ) dikuadratkan (dimana paling sedikit ada 2 nilai yang tidak sama), kemudian dirata-
ratakan, maka pengrata-rataan hasil penjumlahan tersebut tidak akan sama dengan nol. Dengan
kata lain ∑ (Xi – X) 2 ≠ 0 n . Rumus yang demikian ini disebut “deviasi kuadrat rata-rata”, dan
Karl Pearron menyebutnya pengukuran varians dan dirumuskan sebagai :

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).

n = jumlah observasi (data) dalam populasi

μ = rata-rata populasi
4. Koefisien Variasi (Coefficient of Variation)
Standard deviasi atau simpangan baku yang dinyatakan dalam ukuran yang sama
dengan data aslinya, hanya dapat digunakan untuk melihat penyimpangan nilai yang
terdapat pada suatu kumpulan data. Bukan merupakan ukuran penyimpangan (variasi)
yang dapat digunakan untuk membandingkan beberapa kumpulan data. Hal ini akan
menyulitkan, apabila seseorang ingin membandingkan dua kelompok data atau dua
keadaan yang mempunyai dasar yang berbeda. Untuk mengatasi kelemahan tersebut
dalam membandingkan dua kelompok data, maka digunakan “variasi relatif atau
koefisien variasi” yang bebas dari satuan data asli. Yang dimaksud dengan “koefisien
variasi” adalah ukuran variasi yang dapat digunakan untuk membandingkan beberapa

kumpulan data yang berbeda, yaitu standard deviasi terhadap X-nya. Koefisien variasi
ini dapat ditemukan dengan rumus :

Kv = koefisien variasi

S = standard deviasi (simpangan baku)

X = mean (rata-rata hitung)

Pengukuran Kemencengan Untuk mengetahui simetris atau tidaknya suatu kurva

distribusi frekuensi pada nilai-nilai pusatnya, maka dapat digunakan perbedaan nilai-nilai
pusat untuk mendekatinya. Apabila suatu distribusi memiliki bentuk simetris maka : X =
Md = Mod , Jika distribusi tersebut tidak simetris maka : X ≠ Md ≠ Mod .Untuk
mengetahui konsentrasi distribusi kearah kanan atau kiri, kita dapat menggunakan
koefisien kemencengan Pearson (Coefisient Skewness Pearson). Koefisien kemencengan
Pearson ini merupakan nilai tanpa satuan dan merupakan nilai selisih rata-rata dengan

modus dibagi dengan standar deviasi.

Sk = koefisien kecondongan Pearson
X = rata-rata hitung (mean)
Mod = modus S = standard deviasi

( https://sc.syekhnurjati.ac.id/esscamp/files_dosen/modul/Pertemuan_6BC0310846.pdf.)

4.1 VARIASI ESTIMASI

 DAFTAR PUSTAKA

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.

Wackernagel, H., (1995), Multivariate Geostatistics : An Introduction with Applications,

Springer, New York.