Forum Statistika dan Komputasi, April 2007, p: 30-40 Vol 12 No.

1
ISSN : 0853-8115

PERBAIKAN METODE KRIGING BIASA (ORDINARY KRIGING) MELALUI

PEMECAHAN MATRIKS C MENJADI BEBERAPA ANAK MATRIKS NON
OVERLAP UNTUK MEWAKILI DRIFT PADA PEUBAH SPASIAL

Muhammad Nur Aidi

Departemen Statistika FMIPA IPB

Indra Saufitra

Abstak
Persoalan dalam pendugaan spasial dengan menggunakan konsep drift sering kali
menemui kendala bila kondisi permukaan yang diduga bersifat anisotropik. Pada
kondisi anisotropik kuranglah tepat apabila hanya menggunakan satu model korelogram
(variogram). Dalam tulisan ini dicoba area yang diteliti dibagi menjadi beberapa partisi
(4 partisi) sehingga disusun empat model variogram untuk keseluruhan area. Dari
empat partisi tersebut dicari nilai-nilai total pembobot yang layak agar fungsi penduga
menjadi tak bias. Selanjutnya dilakukan perbandingan pendugaan nilai pada titik-titik
yang tidak dilakukan pengukuran antara tanpa partisi dengan partisi. Hasil pendugaan
menunjukkan bahwa nilai dugaan sama dengan nilai sebenarnya baik yang tak dipartisi
maupun yang dipartisi. Akan tetapi, nilai pendugaan yang dihasilkan dari area yang
dipartisi lebih baik dibandingkan tanpa partisi.

Kata kunci : Drift, Anisotropik, Fungsi Kovarian, Variogram, Jackknife, Simulasi

PENDAHULUAN mendekati nol, akan didapatkan sebuah titik contoh

Analisis spasial pada bidang sumberdaya alam dan
lingkungan sering kali mengikuti dua asumsi, yakni : a.
peubah spasial yang disajikan oleh sumberdaya alam
dan lingkungan mempunyai sifat spasial kontinuti
yakni pada setiap titik di ruang wilayah selalu ditemui
data tersebut artinya secara ruang dalam populasi
tersebut selalu ditemui nilai-nilainya. Sebagai contoh,
yakni akan ditemui pada setiap titik di bentang alam
adanya air tanah. Contoh lain yakni pada setiap titik di
udara akan ditemui konsentrasi tertentu unsur udara
atau embun air. Sifat ini agak berbeda dengan peubah
spasial pada aspek demografi, dimana sifat spasial
kontinuiti tidak ditemui. Tidak mungkin pada setiap
titik di muka bumi ditemui manusia. b)Asumsi kedua
adalah adanya kecenderungan tertentu dari peubah
spasial pada arah dan jarak tertentu, yang sering disebut
adanya drift.
Asumsi ini dikembangkan karena secara umum
peubah spasial mempunyai tiga ciri utama (Richardo A.
Olea. 1975) yakni :
a. Lokalisasi : sebuah peubah spasial didefinisikan
secara numerik sebagai sebuah nilai yang
berasosiasi dengan contoh dari ukuran, bentuk dan
orientasi yang spesifik. Ciri geometric dari contoh
ini disebut dukungan geometris (geometric
support). Sebuah bidang geometris (geometric
field) merupakan volume yang lebih besar yang
didapatkan dari contoh. Dukungan dan bidang
geometris tidak langsung membangun volume
melainkan membangun area, garis, dan interval
waktu. Ketika ukuran dukungan geometris
(punctual sample) dan dukungan geometris bersifat
immaterial.
b. Anisotropi : perubahan nilai terjadi secara gradual
dalam satu arah tertentu dan irregular pada arah
yang lain.
c. Kontinuitas : variasi spasial dari peubah regional
terjadi dari sangat kecil sampai sangat besar
tergantung dari fenomena. Biasanya digunakan
kontinuitas rata-rata.
Untuk menangkap sifat peubah spasial yakni drift
dilakukan dengan menduga fungsi variogram atau
fungsi korelogram yang merupakan fungsi dari jarak
dan arah (Isaaks, E.H. & R. M. Srivastava. 1989;
Cressie, N. A. C. 1991; Hans Wackernagel. 1995),
sedangkan untuk mendapatkan mendapatkan nilai
dugaan yang minimum variance dilakukan melalui
pendekatan Pengganda Lagrange (Isaaks, E.H. & R. M.
Srivastava. 1989; Cressie, N. A. C. 1991; Hans
Wackernagel. 1995; K.G. v.d. Boogaart. (Mathematics
and Computer Sciences in Geology, Freiberg
University of Mining and Technology, BvCotta-Str 2,
D-09596 Freiberg, Germany). Sedangkan pendugaan
bersifat tidak bias dicapai bila jumlah total pembobot
Wi adalah satu.
Dalam teori peubah spasial atau peubah regional
yang memperhatikan distribusi peubah secara spasial,
konsep drift merupakan salah satu topic terpenting dari
sebuah fungsi. Drift merepresentasikan kecenderungan
(trend) sebuah fungsi secara geometri. Drift harus
menyatakan ciri utama saja dan lebih menyatakan
sebuah kenampakan sistematik daripada menyatakan

30
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial

detil yang menyebar (spradis). Untuk mengukur drift yang akan diduga nilai peubah spasialnya pada
digunakan suatu model kovarian berbentuk suatu fungsi suatu ruang sangatnya banyak.
eksponensial. Kovarian dilambangkan dengan C (h) . b. Untuk mempertahankan ruang populasi dengan
Kovarian merupakan rata-rata selisih antara pasangan hanya satu fungi korelogram atau variogram sering
nilai data dengan rata-rata yang dikuadratkan tidak bisa dicapai karena pada kenyataannya dalam
satu ruang populasi drift tidak hanya satu
1
C (h) =  (vi v j  mh m h ) 2 ................ 1a
N (h) (i , j )| hij
kecenderungan saja namun ada lebih dari satu pola
kecenderungan. Bila kenyataannya lapang
dengan : menunjukkan lebih dari satu pola kecenderungan
nilai peubah spasial, tapi tetap dipertahankan satu
1 1
m h  
N (h) i|hij  h
vi dan m h  v j
N (h) j|hij  h
fungsi drift akan mengakibatkan terjadi kesalahan
pendugaan yang sangat besar. Hal ini telah
dengan : N (h)  n{(i, j ); x  x  h} dibuktikan dari hasil simulasi Hardiansyah dan
i j Nur Aidi (2001) dalam studi skripsi.
(Issacs & Srivastava, 1989)
Pada kondisi yang mempunyai satu arah, maka
Nilai kovarian dari lokasi yang dilakukan
model variogramnya cukup menggunakan satu model
pengamatan (persamaan 1a) kemudian di plotkan
saja sehingga pengolahan matriks dalam persamaan
dengan jarak maka akan dapat dibangun model
cukup menggunakan satu pengolahan matriks. Dalam
kovarian pada persamaan berikut
kenyataannya bahwa pola besar tersusun atas pola-pola
C0  C1 , untuk h  0 kecil. Pola yang kecil mempunyai fungsi variogram
~ 
 yang mungkin berbeda dengan bentukan besar. Model
C ( h)    3h  .................. 1b
C1 exp , untuk h  0

Kriging Biasa biasanya hanya memperhatikan

  a  bentukan besar saja tanpa mempertimbangkan adanya
bentukan-bentukan kecil. Oleh karena itu model
Selanjutnya untuk menduga nilai pada titik yang tidak
dilakukan pengukuran (X0) dilakukan melalui Kriging Biasa yang ada akan diperluas supaya bisa
persamaan digunakan untuk pola yang anisotropik.
^
V (X0) = ∑ Wi V(Xi) ......................................... 2
Untuk itu perlu dilakukan pendugaan pembobot Wi
TUJUAN DAN MANFAAT
pada persamaan 2 di atas. Pembobotan ini akan
Dengan memperhatikan dua keadaan yakni kondisi
didapatkan dengan menggunakan fungsi sebagai
isotropic dan anisotropic di atas maka selayaknya
berikut :
dikembangkan suatu perbaikan terhadap proses
CW = D
pendugaan di dalam model Kriging yakni dengan
~ ~ ~
C11  C1n 1  w1   C10  memotong Matriks C menjadi anak matriks-anak
     matriks yang tidak overlap dimana setiap anak matriks
            ................. 3
~ ~  ~ menggambarkan satu pola kenderungan nilai peubah
C  C nn 1  wn  C n 0  spasial (satu drift). Dengan demikian tujuan penelitian
 n1    
 1  1 0     1  ini adalah :
1. Melakukan kajian teoretis dan survai literature
(penurunan secara matematik) pendugaan titik-titik
C W D spasial dengan metode kriging dimana matriks C
telah dipotong-potong menjadi anak matriks-anak
matriks dimana setiap anak matriks
Nilai Cij didapatkan dengan memasukkan nilai-nilai
menggambarkan satu pola kecenderunngan nilai
jarak antar pengamatan (lokasi yang telah dilakukan
peubah spasial (drift).
pengukuran) ke dalam model persamaan 1b. Dengan
2. Melakukan uji simulasi pendugaan titik-titik
menggunakan persamaan 3 akan didapatkan nilai Wi
peubah spasial dengan kriging biasa (Ordinary
yakni
Kriging) dimana Matriks C tidak dilakukan
W =C-1 D ............................................................... 4 pemotongan menjadi beberapa anak matriks-anak
matriks dengan kondisi satu, dua, dan tiga pola
Ada beberapa persoalan akan timbul pada saat
kecenderungan peubah spasial.
menggunakan model Kriging, antara lain :
3. Melakukan uji simulasi pendugaan titik-titik
a. Pada kenyataannya bahwa nilai-nilai peubah
peubah spasial dengan kriging biasa (Ordinary
spasial pada suatu ruang (katakan dua dimensi)
Kriging) dimana Matriks C telah dilakukan
akan mempunyai titik spasial yang tak terhingga.
pemotongan menjadi beberapa anak matriks-anak
Akibatnya untuk mempertahankan drift pada ruang
matriks dengan kondisi satu, dua, dan tiga pola
spasial digunakan satu model korelogram atau
kecenderungan peubah spasial.
variogram akibatnya untuk menduga nilai peubah
4. Melakukan pengujian tingkat akurasi pada simulasi
spasial pada satu titik saja menggunakan matriks
nomor 2 dan 3 di atas.
korelogram yang sangat besar. Padahal titik-titik

31
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasia l

Hasil yang didapatkan adalah (1) Model dari himpunan Ố(1), Ố(2), ….. Ố(n); maka penduga
matematika Kriging Biasa dengan modifikasi matriks C simpangan baku Jackknife adalah
terpartisi sesuai dengan kondisi driftnya serta formulasi
Sjack = {(n-1)/n ∑ (Ố(i) - Ố(.))2}1/2 .................... 5
galat dari model tersebut, (2) Bukti yang meyakinkan
akan kebaikan model Kriging biasa dengan matriks C dengan Ố(.) = 1/n ∑ Ố(i)
terpartisi bila menemui bahwa pada populasi spasial
terdapat lebih dari satu pola kecenderungan nilai
peubah spasial dengan menggunakan teknik simulasi
secara komputasi, 3) Suatu prosedure untuk mengukur HASIL DAN PEMBAHASAN
tingkat akurasi pendugaan spasial tanpa dilakukan
check lapang. Kajian Teoritis
Manfaat yang diharapkan dari penelitian ini adalah Ordinary Kriging dengan Dua Buah Matriks Partisi
akan didapatkan suatu teknik pendugaan yang lebih Jika area ruang contoh terdiri atas dua trend yang
akurat dan lebih sederhana sehubungan pendugaan secara ideal terletak pada luasan yang berdampingan,
spasial pada kondisi yang anisotropic. Selain itu katakan pada area M1 dan pada area M2. Dengan
dengan diketahuinya prosedur pengukuran akurasi demikian dapat dikatakan bahwa area ruang contoh
tanpa dilakukan pengecekan lapang dengan metode terpartisi dua. Kondisi trend di M1 diwujudkan melalui
jackknife. model kovarian pertama dan kondisi trend di M2
diwujudkan melalui model kovarian kedua.
Selanjutnya dilakukan pendugaan peubah regional V
METODE PENELITIAN pada x0 yang melibatkan dua partisi area tersebut.
Model pendugaan pada Vˆ ( x0 ) dapat dituliskan
Survei Literature
sebagai berikut
Dalam survei literature ini dilakukan kajian secara
matematika baik dari literature yang di download dari k1 k2

internet maupun studi pustaka di perpustakaan- vˆ( x0 )   a v( x )   b v( x

i 1
i i
s 1
s s ) ........................ 6
perpustakaan. Selain itu dilakukan pula kajian
dengan
matematika secara mandiri dimana matriks C dicoba
dipartisi menjadi dua, tiga, dan empat. Dengan
terpartisinya matriks C secara otomatis vektor D juga
 Vˆ ( x0 ) adalah nilai dugaan V di x0
akan terpartisi.  ai , i  1,2,..., k1 adalah bobot yang ditetapkan
untuk titik contoh Vxi  pada zona kesatu.
Proses kajian matematika ditelusuri sampai
mendapatkan (a). Bobot Kriging agar minimum
variance dan tak bias, dan (b). Variance pada bobot  bs , s  1,2,..., k 2 adalah bobot yang ditetapkan
kriging dengan minimum variance dan tak bias. untuk titik contoh Vxs  pada zona kedua.
Simulasi
Galat (bias)-nya diperoleh :
Pada suatu area dengan ukuran n x n titik spasial
dengan peubah spasial tertentu. Pada ukuran area n x n R( x0 )  vˆ( x0 )  v( x0 )
dibuat empat tipe drift yakni masing-masing ukuran ½ k1 k2
n x 1/2n titik spasial. Ada empat tipe tindakan pada  ( ai v( xi )   bs v( x s ))  v( x0 )............7
simulasi ini yakni : 1) Pada kondisi pertama dibangun i 1 s 1
satu fungsi korelogram untuk menampung empat drift
tersebut lalu dilakukan pendugaan pada nilai peubah Metode ordinary kriging menghasilkan dugaan dengan
spasial pada titik nol, 2) Pada kondisi kedua dibangun ragam galat minimum. Ragam galatnya dapat
empat fungsi korelogram untuk menampung empat dituliskan sebagai berikut :
drift tersebut lalu dilakukan pendugaan pada nilai Var R( x 0 )  Var vˆ( x 0 )  v( x 0 ) =
peubah spasial pada titik nol. Pada setiap tipe simulasi k1 k2
di atas diukur nilai residualnya dan diperbandingkan Var (( ai v( xi )   bs v( x s ))  v( x0 ))
nilai residual masing-masing tipe simulasi di atas. i 1 s 1
k1 k1 '
k2 k2 '
~ ~
 ˆ 2   ai a j Cij   bs b j C sj
Simulasi untuk Menghitung Akurasi
i 1 j 1 s 1 j 1
Diberikan suatu contoh sembarang V = (V1, k1
~ k2
~
V2……Vn) dimana mengikuti pola empat drift. Dari  2 ai Ci 0  2 bs Cs 0 ....................... 8
i 1 s 1
contoh tersebut dilakukan resample (penarikan ulang
contoh) sebanyak n kali dimana setiap resample terdiri Kemudian dengan Pengganda Lagrange didapatkan
dari n-1 pengamatan (terhapus 1 pengamatan secara sebagai berikut
berturut-turut). Misalkan V(i) adalah himpunan data
resample ke i k1 k1 '
̂ 2 R ~ k2 k2 ' ~
V(i) = (V1, V2,…., V(i-1), V(i+1), …..V(n) untuk I=1,  ˆ 2   ai a j Cij   bs b j C sj
2, …, n disebut sebagai contoh jackknife. Andaikan i 1 j 1 s 1 j 1
pula Ố(i) = t (Xi) adalah statistik yang dimaksud, maka ~ k1k2
~
 2 ai Ci 0  2 bs Cs 0
i 1 s 1
32
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial

~ ~ ~
 C11  C1k1 ' 1  a1   C10 
 k1
   k2     
+2 1  a i  1 / 2  +2 2   bs  1 / 2   
C~

~
    
1 ak1 

  ~ ..............16
Ck 0 
 i 1   s 1   k1 1
 Ck1k1 '
   1 

 1  1 0 
 1  
1 / 2 

...................... 9
dengan C1 W1 D1
1 , 2 adalah Pengganda Lagrange Matriks kovarian partisi kedua yang dihasilkan adalah
~ ~ ~
Untuk meminimumkan ragam galat dilakukan  C11  C1k 2 ' 1  b1   C10 
    
        
dengan menghitung turunan parsial pertama terhadap
~ ~   ~  ..........17
persamaan 9 di atas dan menetapkan masing-masing C  Ck 2 k 2 ' 1 bk1  Ck 0 
 k2 1    2 
turunan parsial pertama sama dengan nol. Hasilnya 
 1  1 0  2  
1 / 2 

adalah sebagai berikut :
ˆ 2R
 0 , maka C2 W2 D2
a i Selanjutnya sistem persamaan ordinary kriging dengan
dua partisi adalah sebagai berikut :
k1
~ ~   
a j Cij  1  Ci 0 , j  1,2,..., k1 ' ..... 10  C11 .. C1k1 0 .. 0 1 0   a1   C10 
i 1     
 : :: : : :: : : :  :   : 
ˆ 2 R    
 0 , maka
 Ck11 .. Ck1k1 0 .. 0 1 0   a k 1   C k1 0 
bs     
0 .. 0 C11 .. C1k2 0 1   b1   C10 
k2
~ ~    =  ..........18
b C j sj  2  C s 0 , j  1,2,..., k 2 ' . 11  : :: : : :: : :
 
:  :   : 

s 1 0 .. 0 Ck21 .. Ck2k2 0 1   bk 2   C k 2 0 
    
dan
1 .. 1 0 .. 0 0 0   1   1 / 2 
ˆ 2 R 0 0    2   1 / 2 
k1
1 
1
 0 , maka a
i 1
i 
2
............................. 12
.. 0 1 .. 1 0

Ordinary Kriging
ˆ 2 R k2
1 dengan Empat Buah Matriks Partisi
2
 0, b
s 1
s 
2
....................................... 13
Jika area ruang contoh terdiri atas empat trend
yang secara ideal terletak pada luasan yang
Masing-masing pembobot sebesar ½ akan
berdampingan, katakan pada area M1, area M2, area
mengakibatkan bahwa pendugaan yang dihasilkan tidak
M3, dan area M4. Dengan demikian dapat dikatakan
bias. Bukti bahwa pendugaan yang dihasilkan tidak
bahwa area ruang contoh terpartisi empat. Kondisi
bias adalah berikut :
trend di M1 diwujudkan melalui model kovarian
k1 k2
pertama, kondisi trend di M2 diwujudkan melalui
E{ vˆ( x0 ) } = E {  ai v( xi )   bs}v( xs )
i 1 s 1
model kovarian kedua dan seterusnya hingga partisi ke
k1 k2
empat. Selanjutnya dilakukan pendugaan peubah
= a
i 1
i E (vi )   bs E (v s ) ...... 14
s 1
regional V pada x0 yang melibatkan dua partisi area
tersebut.
V bersifat stasioner sehingga E (vi) = E (vs) = E (v). Model pendugaan pada Vˆ ( x0 ) dapat dituliskan
Maka k1 k2

 
sebagai berikut
E{ vˆ( x0 ) } = ai E (v)  bs E (v) k1 k2 k3
i 1

= ½ E (v) + ½ E (v)
s 1
vˆ( x0 )    ai v( xi )   c v( x )
bs v( xs )  k k
k 4i 1 s 1 k 1
= E (v) .................................................. 15   d v( x ) ............................................... 19
l l
k1 k2
1 1
Jadi terbukti dengan  ai  
l 1
dan bs  dengan :
i 1 2 s 1 2  vˆ( x0 ) adalah nilai dugaan v( x0 )
pendugaan yang dihasilkan merupakan penduga tak  ai , i  1,2,...,k1 adalah bobot yang ditetapkan
bias.
untuk titik contoh Vxi  pada zona kesatu.
Matriks kovarian partisi pertama yang dihasilkan  bs , s  1,2,...,k 2 adalah bobot yang ditetapkan
adalah untuk titik contoh Vxs  pada zona kedua.

33
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial

 ck , k  1,2,...,k3 adalah bobot yang ditetapkan dengan :

untuk titik contoh Vxk  pada zona ketiga.  ~ 2 adalah kovariansi dari peubah acak V(x0)
dengan dirinya sendiri dan kita asumsikan bahwa
 d l , l  1,2,...,k 4 adalah bobot yang ditetapkan
semua peubah acak mempunyai ragam yang sama.
untuk titik contoh Vxl  pada zona keempat.  1,  2, 3,  4 adalah parameter lagrange.

Galat (bias)-nya diperoleh : Selanjutnya kita meminimisasikan ragam galat

R( x0 )  vˆ( x0 )  v( x0 ) pada persamaan (22) di atas, diperoleh persamaan-
persamaan turunan parsial pertama dari bobot dan
 k1 k2 k3 k4

   ai v( xi )   bs v( xs )   ck v( xk )   dl v( xl )  v( x0 ) parameter lagrange-nya :
 i 1 
k1

a C
s 1 k 1 l 1 ~ ~
..................................................................................... 20 j ij  1  Ci 0 , j  1,2,...,k1 ..............................23
Ragam galat-nya adalah : i 1

Var R( x0 )  Var vˆ( x0 )  v( x0 )

k2

b C
~ ~
j sj  2  Cs 0 , j  1,2,...,k 2 ....................................24
k1 k1 ' k2 k2 ' k4 k3 '
~ ~ ~
  2   ai a jCij   bsb jCsj   ck c jCkj
s 1
k3

c C
~ ~
k4
i 1 j 1
k4 ' k1
s 1 j 1
k2
k 1 j 1
k3 j kj  3  Ck 0 , j  1,2,...,k3 .................................25
~ ~ ~ ~
  dl d j Clj  2 aiCi 0  2 bsCs 0  2 ck Ck 0 k 1
k4

d C
l 1 j 1 i 1 s 1 k 1 ~ ~
j lj  4  Cl 0 , j  1,2,...,k 4 .................................26
k4
~
 2 d l Cl 0 ....................................................... 21
l 1
k1 k2 k3 k4

   d
1 1 1 1
l 1 ai  , bs  , ck  l  ......27
i 1
4 s 1
4 k 1
4 l 1
4
Dengan mengasumsikan bahwa pendugaan tak bias
(unbiased) sepotong-sepotong, maka ragam galat
menjadi : Kemudian dibuktikan bahwa dengan pembobot pada
persamaan 27, penduga akan bersifat tak bias. Bukti
k1 k1 '
~ k 2 k 2 ' ~ k 4 k3 ' ~ tersebut adalah sebagai berikut : k 2
 R     ai a jCij   bsb jCsj   ck c jCkj
k1
~
 
2 2
E{ vˆ( x0 ) } = E { ai v( xi )  bs v( x s )
k 4 k 4 ' i 1 j 1 s 1 j 1 k 1 j 1 k3 k i41 s 1
~ ~ ~
  dl d j Clj  2 aiCi 0  2 bsCs 0   c v( x )   d v( x ) }=
t t m m
k1 t 1 k 2m 1 k3 k4
l 1 j 1
k2
~ k3
~ k4
~  k1 1
 a E (v )   b E ( v )   c E ( v )   d
i i s s t t m E (v m )
 2 bsCs 0  2 ck Ck 0  2 dl Cl 0  21  ai  
i 1 s 1 t 1 m 1

s 1 k 1 l 1  i 1 4  V bersifat stasioner sehingga E (vi) = E (vs) = E (vt)=E

 k2 1  k3 1  k4 1 (vm)= E (v)
  4  4 
 22  bs    23  ck    24  d l   ......... 22
 4  E{ vˆ( x0 ) }= ¼ E(v) + ¼ E (v) +¼ E (v) + ¼ E (v)
 s 1   k 1   l 1 
= E (v) ......................................................28

~ ~   ~ 
 C11  C1k1 ' 0  0 0  0 0  0 1 0 0 0 a1   C10 
                      
~ ~   ~ 
C k11  C k1k1 ' 0  0 0  0 0  0 1 0 0 0 ak1   C k1 0 
 ~ ~    ~ 
 0  0 C11  C1k 2 ' 0  0 0  0 0 1 0 0 b1   C 20 
    
                      
~
 0  0
~
C k21
~
 C k2k2 ' 0  0 0  0 0 1 0 0  b k2  Ck 0
    ~ 2 
0  1   C 30 
~ ~
 0  0 0  0 C11  C1k 3 ' 0  0 0 0 1
c
     
                     ...................... 29
 ~ ~
 ck 3  C ~

 0  0 0  0 C k31  C k3k3 ' 0  0 0 0 1 0    k 30 
 ~ ~  1   C 
d ~
1 
  
 0  0 0  0 0  0 C11  C1k 4 0 0 0 40 
                     
 ~ ~  d k 4   ~ 
 0  0 0  0 0  0 C k41  C k4k4 ' 0 0 0 1   C k 4 0 
 1 
 1   1 
    0 
2   14 
 1 0 0 0 0 0 0 0 0 0
 0  0 1  1 0  0 0  0 0 0 0 0    
 3   1 
4

 0  0 0  0 1  1 0  0 0 0 0 0    4 
 0 4   1 
 0 0  0 0  0 1  1 0 0 0 0  4 

C W D
34
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial

Persamaan-persamaan tersebut diatas disebut sistem

pemecahan Ordinary Kriging yang dapat dinotasikan  v11 v12  v1 n 
dalam bentuk matriks di atas.
v v 22  v 2 n 
 21
     
Kajian Simulasi  
v m1 v k1 2  v mn 
Asumsi-asumsi yang digunakan
Satu Zona
Dalam simulasi yang penulis lakukan digunakan
Gambar 1 Tampilan Data Dalam Satu Zona
beberapa asumsi untuk memudahkan dalam perhitungan
dan meminimumkan galat (bias) yang dapat dengan jarak antar data vij  vi ( j 1)  h1 dan
mempengaruhi kesimpulan. Asumsi-asumsi yang
digunakan adalah : vij  v(i 1) j  h1 untuk i = 1, 2, ... , m dan j = 1, 2, ... ,
1. Model variogram yang digunakan adalah model
Transisi dan Eksponensial yaitu model yang n.sedangkan pada empat zona ditampilkan seperti di
mencapai sill dan tidak tergantung pada arah. bawah ini :
2. Data contoh yang digunakan sesuai dengan model
di atas dan memiliki range a dan sill C1 yang  v11 v12  v1k1'   v11 v12  v1k ' 
bersesuaian. v v22  v2 k '  v v22  v2 k2' 
2

 21 1  21
           
Data yang Digunakan dalam Simulasi    
vk11 vk1 2  vk k '  vk 2 1 vk 2 2  vk k ' 
1 1  2 2 
Berdasarkan Model Variogram
Misalkan data yang digunakan dalam simulasi Zona 1 Zona 2
adalah data ketinggian dari suatu pegunungan di setiap
lokasi-lokasi tertentu. Berdasarkan kedua asumsi
tersebut, maka data ketinggian tersebut diperoleh  v11 v12  v1 k3'   v11 v12  v1 k4' 
berdasarkan suatu model variogram, model variogram v v 22  v 2 k '  v v 22  v 2 k ' 
 21 3  21 4
yang digunakan adalah model Eksponensial yaitu :            
   
  3h   ..................... 30 v k3 1 v k3 2  vk k ' 
3 3  v k4 1 vk4 2  vk k ' 
4 4 
 (h)  C 0  C1 1  exp   
  a  Zona 3 Zona 4
dengan :
 h : jarak Gambar 2. Tampilan Data Dalam Empat Zona
 a : range
 C0 : nugget effect dengan :
 C1 : sill Zona1:jarak vij  vi ( j 1)  h1 & vij  v(i 1) j  h1 untuk
i = 1, 2, ... , k 1 dan j = 1, 2, ... , k 1’.
Sedangkan persamaan umum variogram untuk h-
scatterplots adalah : Zona2:jarak vij  vi ( j 1)  h1 & vij  v(i 1) j  h1 untuk

  i = 1, 2, ... , k 2 dan j = 1, 2, ... , k 2’.

1
 ( h)  vi  v j 2 ................................. 31
2 N ( h) ( i , j )  h  h
ij
Zona3:jarak vij  vi ( j 1)  h1 & vij  v(i 1) j  h1 untuk
i = 1, 2, ... , k 3 dan j = 1, 2, ... , k 3’.
Jika kita ambil nilai variogram untuk satu pasang
Zona4:jarak vij  vi ( j 1)  h1 & vij  v(i 1) j  h1 untuk
data, misalkan antara v1 dan v2, dengan nilai v1 diketahui
dan jarak kedua data tersebut adalah h1, lalu i = 1, 2, ... , k 4 dan j = 1, 2, ... , k 4’.
disubstitusikan ke persamaan (31) sehingga diperoleh :
 (h1 ) 
1
v1  v 2 2 Dengan menentukan nilai awal bagi v11  v0
2 N (h1 ) sebagai pemicu (trigger), maka nilai-nilai v yang
 v1  v 2   2 N (h1 ) (h1 ) lainnya dapat diperoleh dari persamaan (31) secara
2

rekursif untuk nilai-nilai h yang bersesuaian. Pada data

 v2  v1  2 N (h1 ) (h1 ) ............................ 32
Hal ini dapat dilakukan untuk mencari nilai-nilai v
yang lainnya secara rekursif selama jarak antara v dan
data pertamanya diketahui.
Dalam tulisan ini, simulasi yang dilakukan
menggunakan p buah data dimana data-data tersebut
diletakkan dalam satu zona dan empat zona yang
dituliskan dalam bentuk grid/matriks berukuran m x n
dengan lebar grid adalah h1 dan perhitungan dilakukan
dalam arah utara-selatan. Data yang diletakkan pada
satu zona ditampilkan seperti di bawah ini :
yang dibangkitkan dalam satu zona, penulis
menggunakan 100 (grid 10 x 10) data yang memiliki
fungsi variogram eksponensial dengan konstanta-
konstanta v 0  60, C 0  0, C1  10, dan a  10 .
Sedangkan pada data yang dibangkitkan dalam empat
zona, penulis menggunakan 25 (grid 5 x 5) data untuk
masing-masing zona, sehingga tidak merubah
banyaknya data yang akan dibangkitkan. Pada zona
pertama memiliki fungsi variogram eksponensial
dengan konstanta-konstanta v 0  60, C 0  0,
C1  11, dan a  11 , zona kedua memiliki konstanta-

35
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial

konsanta v 0  60, C 0  0, C1  12, dan a  12 , zona dugaannya ( x0 , y 0 ) melalui sistem Ordinary

ketiga memiliki konstanta-konstanta v 0  60, C 0  0, Kriging.
C1  13, dan a  13 , serta yang terakhir pada zona 2. Hitung jarak dari setiap data terhadap v11 dan
keempat memiliki konstanta-konstanta v 0  60, jarak antar data dalam M untuk mendapatkan
C 0  0, C1  14, dan a  14 . matriks jarak antar lokasi data.

v11 … v1n … vm1 … vmn

Analisis dan Perbandingan
Misalkan telah ditentukan suatu model v11 0
eksponensial dengan parameter-parameter seperti pada 
persamaan (29) yang berkorespondensi pada fungsi v1n 0
kovarian berikut :
C0  C1 , untuk h  0 
~ 
 .................. 33 vm1 0
C ( h)    3h 
 1
C exp  , untuk h  0 
  a 
   vmn h(p-1)0 0

Data contoh (data samples) yang dibangkitkan baik

3. Matriks kovarian untuk jarak antar lokasi di atas
dalam satu zona maupun pada empat zona memiliki
adalah :
karakteristik tersendiri. Pada satu zona nilai dan lokasi
 C ~ ~ ~
sekelompok data bersifat kontinu sehingga data yang di 11 C12  C1( p 1) 1
bangkitkan disatukan secara utuh ke dalam bentuk  ~ ~ ~ 
C = C 21 C 22  C 2( p 1) 1
matriks, dimana data contoh yang dibangkitkan ini      
dibangun oleh satu fungsi kovarian. Sedangkan pada ~ ~ ~ 
empat zona nilai dan lokasi sekelompok data bersifat C( p 1)1 C( p 1) 2  C( p 1)( p 1) 1
tidak kontinu sehingga lokasi data tersebut kita bagi  1  0
.  1 1
sekat-sekat yang tidak kontinu tersebut menjadi empat
4. Vektor D bagi sistem kriging di atas adalah :
zona, yang masing-masing zona memiliki satu fungsi ~
kovarian yang berbeda sehingga data contoh yang  C 10

 ~ 
dibangkitkan pada empat zona ini dibangun oleh empat  C 20 
D= 
fungsi kovarian yang berbeda.  
~ 
Misalkan secara rekursif diperoleh p buah data C ( p 1) 0 
contoh (data samples) yang akan digunakan dalam   
 
simulasi, dimana p adalah sebanyak m n :
5. Dengan demikian vektor pembobot dapat
 v11 v12  v1n  diperoleh dengan :
v v  v2n 
W = C-1 . D
M   21 22 dengan :
       w1 
   w 
vm1 vm 2  vmn   2 
W=   
maka langkah berikutnya adalah mencari nilai dugaan  
 w( p 1) 
dari contoh-contoh data di atas dengan menggunakan  1 
metode Ordinary Kriging sehingga diperoleh matriks
data dugaan seperti dalam matriks berikut : 6. Akhirnya diperoleh :
p 1
 vˆ11 vˆ12  vˆ1n 
ˆ
v vˆ22

 vˆ2 n 
vˆ11  w v i i

M̂   21 i 1
      7. Setelah dugaan dari v11 diperoleh, masukkan
  kembali data tersebut ke dalam M, dan dengan
vˆm1 vˆm 2  vˆmn 
cara yang sama keluarkan data v12 dan seterusnya
Dalam menentukan nilai v̂ij untuk setiap secara rekursif untuk mendapatkan nilai dugaan
i  1,2,..., m dan j  1,2..., n digunakan sebuah dari data-data contoh yang telah dibangkitkan.
teknik yang disebut teknik penghapusan satu-satu
(metode jackknife). Gambar 3.1 menampilkan plot tiga dimensi data
pada satu zone, sedangkan Gambar 3.2 menampilkan
Algoritma Jackknife : plot tiga dimensi data dugaan pada satu zona. Gambar
4 menampilkan plot tiga dimensi data yang diperoleh
1. Keluarkan v11 dari M dan dengan menggunakan pada empat zona, sedangkan plot tiga dimensi nilai
sebanyak n - 1 data dan menjadikan lokasi dari v11 dugaan yang diperoleh pada empat zona ditampilkan
sebagai lokasi data yang akan ditentukan nilai pada Gambar 5.

36
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial

Gambar 3.1 Plot 3D Nilai Data Gambar 3.2 Plot 3D Nilai Dugaan
Gambar 3. Plot 3D Data Dan Nilai Dugaan Pada Satu Zone

Plot 3D Data Pada Zona Pertama Plot 3D Data Pada Zona Kedua

Plot 3D Data Pada Zona Ketiga Plot 3D Data Pada Zona Keempat

Gambar 4 Plot 3D Data Pada Empat Zona

Plot 3D Dugaan Pada Zona Pertama Plot 3D Dugaan Pada Zona Kedua

Plot 3D Dugaan Pada Zona Ketiga Plot 3D Dugaan Pada Zona Keempat
Gambar 5 Plot 3D Nilai Dugaan Pada Empat Zona

37
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial
Tingkat akurasi dari nilai dugaan terhadap nilai muncul data pencilan yang disebabkan oleh keterbatasan
data yang digunakan dalam simulasi yang dilakukan penyimpanan bilangan desimal atau pembulatan. Data
penulis bergantung pada nilai galat (bias) yang pencilan ini akan mempengaruhi hasil pengambilan
diperoleh dari selisih dari nilai data dengan keputusan.
dugaannya. Nilai-nilai galat (bias) pada lokasi Dengan menghilangkan data pencilan tersebut, maka
tertentu disajikan pada daftar data dan pendugaan pada data contoh yang dibangkitkan dalam satu zona data
yang diperoleh dalam simulasi. Dari hasil yang yang digunakan hanya 98 data, sedangkan dalam empat
diperoleh dapat ditarik kesimpulan bahwa nilai-nilai zona, masing-masing zona menggunakan 23 data.
dugaan yang dihasilkan dari proses simulasi pada Kemudian data-data tadi disubstitusikan ke dalam
empat zona mendekati nilai-nilai data yang persamaan normal sehingga diperoleh Sistem Persamaan
sebenarnya dibandingkan pada satu zona, atau data Linear (SPL) dua persamaan dengan dua peubah. Pada
contoh yang dibangun oleh lebih dari satu fungsi data yang ditampilkan dalam satu zona, persamaan
kovarian (dalam hal ini ada empat fungsi kovarian normalnya adalah :
yang berbeda), nilai dugaannya mendekati dengan  98 2   98  98

nilai data yang sebenarnya dibandingkan dengan data  vk  a   vk  b   vk vˆk

 k 1   k 1  k 1
contoh yang dibangun oleh satu fungsi kovarian saja.
 98
 98
Hal ini mengakibatkan bahwa nilai galat (bias) yang   vk  a  98b   vˆk
diperoleh pada data yang dibangkitkan dalam empat  k 1  k 1

zona lebih kecil daripada nilai galat (bias) yang

diperoleh pada data yang dibangkitkan dalam satu Dengan menyelesaikan SPL di atas diperoleh nilai a
zona yang artinya nilai-nilai dugaan data pada empat = 0.9104, b = 6.0807 sehingga didapatkan persamaan
zona lebih akurat (dapat diterima) daripada nilai-nilai garis regresinya yaitu :
dugaan data pada satu zona. ˆ  0.9104v  6.0807
v

Pengambilan Keputusan Terhadap Hasil Simulasi Sedangkan pada data yang ditampilkan dalam empat
Jika kita urutkan p data dalam V menjadi zona, persamaan normalnya adalah :
 23 2   23  23

  vk  a    vk  b   vk vˆk
v1 , v2 ,...,v p dengan menggunakan teknik Jackknife
 k 1   k 1  k 1
diperoleh nilai dugaan vˆ1 , vˆ2 ,...,vˆ p dan nilai galat
 23  23

dimana ei  vˆi  vi   vk  a  23b   vˆk

(bias) e1 , e2 ,...,e p dengan  k 1  k 1

i=1,2,…, p. Kemudian dengan menempatkan v i pada Dengan menyelesaikan SPL di atas, maka pada zona
suatu plot dua dimensi terhadap nilai dugaannya v̂ i , pertama dipeoleh nilai a = 0.8510 dan b = 9.856 sehingga
kita dapat menggunakan inferensia mengenai persamaan garis regresinya ialah :
koefisien garis regresi linear yang terdapat pada ˆ  0.8510v  9.856 ,
v
pembahasan sebelumnya. Landasan berpikir bagi
penggunaan metode tersebut adalah bahwa jika nilai- Pada zona kedua diperoleh nilai a = 0.8633 dan b =
nilai dugaan untuk setiap v memiliki nilai yang 9.0652, sehingga persamaan garis regresinya ialah :
ˆ  0.8633v  9.0652
v
cukup mendekati dari nilai sebenarnya, maka plot
antara v dengan dugaannya v̂ akan berkumpul di Pada zona ketiga diperoleh nilai a = 0.8629 dan b =
sekitar garis linear vˆ  v . 9.0969 sehingga persaman garis regresi ialah :
Jika kita membuat suatu model garis regresi bagi ˆ  0.8629v  9.0969
v
v dan dugaannya v̂  av  b , maka dapat dilakukan
uji hipotesis terhadap a dan b. Misalkan hipotesis- Dan yang terakhir pada zona keempat diperoleh nilai a =
hipotesis yang akan diuji kebenarannya adalah : 0.7447 dan b = 16.8152, sehingga persaaan garis
H0 : a = 1 dan b = 0 regresinya ialah :
H1 : a ≠ 1 atau b ≠ 0 .
dalam taraf nyata  tertentu. vˆ  0.7447v  16.8152
Jika tidak ada cukup alasan untuk menolak H0
Dugaan Plot Data dengan Dugaannya
maka hasil dugaan melalui metode Ordinary Kriging 70
dalam simulasi yang dilakukan diterima, dan dugaan
tersebut ditolak jika H1 diterima. 68
Dalam simulasi yang telah dilakukan penulis,
baik data contoh yang dibangkitkan dalam satu zona 66

maupun empat zona mempunyai lebar grid satu

64
satuan, sehingga untuk posisi yang jauh dari titik
awal pada data yang dibangkitkan dalam satu zona 62
(dalam hal ini koordinat (10,9) dan (9,10)) begitu
juga pada data contoh yang dibangkitkan dalam Data
empat zona (koordinat (5,4) dan (4,5) pada masing- 61 62 63 64 65 66 67 68 69

masing zona) dimana data hampir mencapai sill, Gambar 6 Plot Data Dengan Dugaan Pada Satu
Zona

38
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial

Plot dua dimensi antara v̂ dengan v pada data -2.831 < t < 2.831
yang dibangkitkan dalam satu zona ditampilkan pada Kemudian data v dan v̂ hasil simulasi yang
Gambar 6, sedangkan plot dua dimensi antara v̂ bersesuaian dengan data yang dibangkitkan
dengan v pada data yang dibangkitkan dalam empat disubstitusikan ke persamaan. Pada data yang
zona atau empat bagian ditampilkan pada Gambar 7. dibangkitkan dalam satu zona diperoleh nilai
S v2  2.6015 , S 2vˆ  2.6275 dan S e2  0.4762 . Sedangkan
Dugaan Plot Data dengan Dugaannya
Dugaan Plot Data dengan Dugaannya untuk data yang dibagkitkan dalam empat zona diperoleh
70
70
nilai S v2  4.0713 , S vˆ2  3.2015 dan S e2  0.2652 pada
68 68
zona kesatu. Pada zona kedua diperoleh nilai
66 66 S v2  4.0041 , S vˆ2  3.2048 dan S e2  0.2311 . Pada zona

64 64
ketiga diperoleh nilai S v2  3.9018 , S vˆ2  3.1047 dan
S e2  0.3015 . Serta yang terakhir pada zona keempat
62 62
diperoleh nilai S v2  4.0028 , S vˆ2  2.5989 dan
Data Data
61 62 63 64 65 66 67 68 61 62 63 64 65 66 67 68 S e2  1.5565 .
Zona Zone
1 2
Setelah diperoleh nilai S v , S v̂ , dan S e maka kita
dapat mengetahui nilai t-hitung pada setiap data yang
Dugaan Plot Data dengan Dugaannya Dugaan Plot Data dengan Dugaannya
dibangkitkan baik pada satu zona maupun empat zona.
70 70 Pada data yang dibangkitkan dalam satu zona diperoleh
nilai t a  2.0625 dan t b  2.0857 , sedangkan pada
68 68
data yang dibangkitkan dalam empat zona untuk masing-
66 66 masing zona diperoleh nilai t a  2.7381 dan
t b  2.7711 pada zona kesatu, t a  2.6690 dan
64 64
t b  2.7018pada zona kedua, t a  1.2702 dan
62 62
t b  2.3267pada zona ketiga, sedangkan pada zona
Data Data keempat mempunyai nilai t a  2.4033 dan t b  1.9271 .
61 62 63 64 65 66 67 68 61 62 63 64 65 66 67 68 69
Zone Zone 4 Karena nilai t a dan t b yang dihasilkan dari tiap-tiap zona
3 berada dalam selang kepercayaan untuk taraf nyata 0.005,
Gambar 7. Plot 2D Data maka kita tidak memiliki cukup alasan untuk menolak
Dengan Dugaan Pada H0, yaitu a =0 dan b =1. Dengan demikian persamaan
Empat Zona linear hasil simulasi dari tiap-tiap data yang dibangkitkan
Karena plot antara v̂ dengan v sudah
baik dalam satu zona maupun empat zona dapat
ditampilkan dari setiap simulasi yang dilakukan,
disimpulkan cukup mendekati bentuk :
maka kita dapat menggambar grafik dari persamaan
garis regresi dengan cara menarik garis lurus di ˆ  v
v
sekitar titik-titik plot tersebut. Dari bentuk akhir tersebut diperoleh kesimpulan
Langkah selanjutnya adalah menentukan apakah bahwa nilai-nilai dugaan yang dihasilkan melalui proses
hasil simulasi yang kita gunakan dapat diterima atau simulasi dengan menggunakan metode Ordinary Kriging
tidak, dengan kata lain apakah dugaan yang yang telah penulis lakukan, baik data yang dibangkitkan
dihasilkan memiliki nilai-nilai yang cukup dekat dalam satu zona maupun empat zona mendekati nilai-
dengan data yang sebenarnya, dilakukan dengan nilai data yang sebenarnya. Akan tetapi nilai dugaan yang
mengamati model linear yang terdapat pada gambar- dihasilkan pada data yang dibangkitkan dalam empat
gambar tersebut. Lalu dilakukan uji hipotesis zona lebih akurat dibandingkan dengan nilai dugaan yang
terhadap nilai-nilai koefisien model linear yaitu a dan dihasilkan pada data yang dibangkitkan dalam satu zona.
b yang dihasilkan dengan menggunakan n–2=98–2 Hal ini dapat disebabkan, karena nilai galat (bias) pada
=96 derajat bebas pada data yang dibangkitkan data yang dibangkitkan dalam empat zona lebih kecil
dalam satu zona, sedangkan untuk data yang daripada nilai galat (bias) pada data yang dibangkitkan
dibangkitkan dalam empat zona, masing-masing zona dalam satu zona.
menggunakan n– 2=23–2=21 derajat bebas.
Dengan menggunakan taraf nyata 0.05 maka nilai t-
tabel t  / 2 dari sebaran-t dengan 96 derajat bebas KESIMPULAN DAN SARAN
adalah 2.576, sehingga selang kepercayaannya adalah Kesimpulan
:  Semakin banyak partisi dilakukan pada area ruang
-2.576 < t < 2.576 contoh spasial maka akan banyak partisi pada
sedangkan untuk 21 derajat bebas, nilai t-tabel t  / 2 matriks kovarian. Hal ini memberikan kemungkinan
dari sebaran-t adalah 2.831 sehingga selang makin banyak kendala dalam sistem ordinary
kepercayaannya adalah : kriging.

39
Perbaikan Metode Kriging Biasa (Ordinary Kriging) Melalui Pemecahan Matriks C
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial
 Terbukti bahwa system ordinary kriging dengan
matriks kovarian yang terpartisi empat akan
menghasilkan penduga yang minimum varian
dan tak bias. Untuk mencapai penduga yang tak
bias pada empat partisi diperlukan total
pembobot masing-masing partisi sama dengan
seperempat.
 Jackknife merupakan metode yang
dikombinasikan dengan Sistem Persamaan
Linear dan Penarikan Keputusan melalui Uji
Hipotesis Statistika dapat digunakan sebagai
teknik dalam mengukur tingkat akurasi dari
dugaan yang dihasilkan oleh Metode Ordinary
Kriging.
 Hasil simulasi menyimpulkan bahwa untuk data-
data yang memiliki nilai variogram yang
bersesuaian dengan model yang diambil dan
memenuhi asumsi-asumsi yang telah ditentukan
sebelumnya, ternyata data yang dibangkitkan
dalam empat zona (yang memiliki empat fungsi
kovarian yang berbeda) nilai-nilai dugaannya
cukup dekat dengan nilai data yang sebenarnya
dibandingkan dengan data yang dibangkitkan
dalam satu zona (yang memiliki satu fungsi
kovarian). Hal ini mengakibatkan nilai galat
(bias) yang diperoleh pada data yang
dibangkitkan dalam empat zona lebih kecil
daripada nilai galat (bias) yang diperoleh pada
data yang dibangkitkan dalam satu zona.
Saran
 Perlu dilakukan penelitian lanjutan dengan
mengembangkan teknik matriks kovarian yang
sekuensial untuk mengatasi masalah kondisi
anisotropik.
DAFTAR PUSTAKA
Ari Wicaksono dan Nur Aidi. 2000. Perbandingan
antara Ordinary Kriging dan Cokriging untuk
Pendugaan Data Spasial. (Comparison Data
Spatial Estimation by Using Ordinary Kriging
and Cokriging). Skripsi.
Cressie, N. A. C. 1991. Statistics for Spatial Data.
Wiley, New York.
Davin J. Unwin. 1997. An Introduction to trend
surface analysis. Catmog.
Graeme Aplin. 1997. Order-neighbour analysis.
Catmog.
Hans Wackernagel. 1995. Multivariate Geostatistics.
An Introduction with Applications. Springer.
Helms, L. L. 1997. Introduction to Probability
Theory with Contemporary Applications. W.
H. Freeman and Company, New York
40
Forum Statistika dan Komputasi
Isaaks, E.H. & R. M. Srivastava. 1989. Applied
Geostatistics. Oxford Unive. Press. New York.
Hardiansyah, J. dan Nur Aidi. 2001. Strategi Perhitungan
Akurasi Metode Ordinary Kriging dengan
Menggunakan Teknik Jackknife. Skripsi.
J. A. Vargas-Guzman, and T.-C. Jim Yeh. 1999.
Sequential kriging and cokriging: Two powerful
geostatistical approaches. In. Stochastic
Environmental Research and Risk Assessment 13
(1999) 416-435.
K.G. v.d. Boogaart. (Mathematics and Computer
Sciences in Geology, Freiberg University of
Mining and Technology, BvCotta-Str 2, D-09596
Freiberg, Germany). ________. How to estimate
the precision of the variogram. TU Bergakademie
Freiberg, Germany.
K.G. v.d. Boogaart. (Mathematics and Computer
Sciences in Geology, Freiberg University of
Mining and Technology, BvCotta-Str 2, D-09596
Freiberg, Germany). ________.Odd and ends of
variogram modeling. TU Bergakademie Freiberg,
Germany.
K.G. v.d. Boogaart. (Mathematics and Computer
Sciences in Geology, Freiberg University of
Mining and Technology, BvCotta-Str 2, D-09596
Freiberg, Germany). ________. Analysis of
variance for direction and axes. TU
Bergakademie Freiberg, Germany.
Leon, S. J. 2001. Aljabar Linear dan Aplikasinya Ed 5.
Erlangga, Jakarta.
Mathew, JH. 1992. Numerical Methods for Mathematics,
Science and Engineering. Second Ed. New
Jersey: Princeton.
Nunung Nursaid dan Nur Aidi. 2002. Pendugaan dengan
Dua Kondisi Ketakbiasan pada Teknik CoKriging.
Skripsi.
Neil Wrigley, 1997. Introduction to the Use logit models
in geography. Catmog.
Olea, R.A. 1975. Optimum Mapping Techniques using
Regionalized Variable Theory. Empressa National
Del Petroleo, Santiago, Chile
Pressini, A. L. Sullivan, F.E., & Uhl, J.J. 1988. The
Mathematics of Nonlinear Programming.
Springer-Verlag New York Inc, New York.
Richardo A. Olea. 1975. Optimum Mapping Techniques
Using Regionalized Variable Theory. Chile.
Walpole, RE. 1992. Pengantar Statistika. Ed ke 3.
Terjemahan Bambang Sumatri. Gramedia, Jakarta.
