1
ISSN : 0853-8115
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.
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 mh 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
~ ~ ~
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 Vxi pada zona kesatu.
Matriks kovarian partisi pertama yang dihasilkan bs , s 1,2,...,k 2 adalah bobot yang ditetapkan
adalah untuk titik contoh Vxs 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
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
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 i41 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 21 ai
i 1 s 1 t 1 m 1
~ ~ ~
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
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
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
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
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
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
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
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 Forum Statistika dan Komputasi
Menjadi Beberapa Anak Matriks Non Overlap untuk Mewakili Drift pada Peubah Spasial
Terbukti bahwa system ordinary kriging dengan Isaaks, E.H. & R. M. Srivastava. 1989. Applied
matriks kovarian yang terpartisi empat akan Geostatistics. Oxford Unive. Press. New York.
menghasilkan penduga yang minimum varian
Hardiansyah, J. dan Nur Aidi. 2001. Strategi Perhitungan
dan tak bias. Untuk mencapai penduga yang tak
Akurasi Metode Ordinary Kriging dengan
bias pada empat partisi diperlukan total
Menggunakan Teknik Jackknife. Skripsi.
pembobot masing-masing partisi sama dengan
seperempat. J. A. Vargas-Guzman, and T.-C. Jim Yeh. 1999.
Jackknife merupakan metode yang Sequential kriging and cokriging: Two powerful
dikombinasikan dengan Sistem Persamaan geostatistical approaches. In. Stochastic
Linear dan Penarikan Keputusan melalui Uji Environmental Research and Risk Assessment 13
Hipotesis Statistika dapat digunakan sebagai (1999) 416-435.
teknik dalam mengukur tingkat akurasi dari K.G. v.d. Boogaart. (Mathematics and Computer
dugaan yang dihasilkan oleh Metode Ordinary Sciences in Geology, Freiberg University of
Kriging. Mining and Technology, BvCotta-Str 2, D-09596
Hasil simulasi menyimpulkan bahwa untuk data- Freiberg, Germany). ________. How to estimate
data yang memiliki nilai variogram yang the precision of the variogram. TU Bergakademie
bersesuaian dengan model yang diambil dan Freiberg, Germany.
memenuhi asumsi-asumsi yang telah ditentukan
sebelumnya, ternyata data yang dibangkitkan K.G. v.d. Boogaart. (Mathematics and Computer
dalam empat zona (yang memiliki empat fungsi Sciences in Geology, Freiberg University of
kovarian yang berbeda) nilai-nilai dugaannya Mining and Technology, BvCotta-Str 2, D-09596
cukup dekat dengan nilai data yang sebenarnya Freiberg, Germany). ________.Odd and ends of
dibandingkan dengan data yang dibangkitkan variogram modeling. TU Bergakademie Freiberg,
dalam satu zona (yang memiliki satu fungsi Germany.
kovarian). Hal ini mengakibatkan nilai galat K.G. v.d. Boogaart. (Mathematics and Computer
(bias) yang diperoleh pada data yang Sciences in Geology, Freiberg University of
dibangkitkan dalam empat zona lebih kecil
Mining and Technology, BvCotta-Str 2, D-09596
daripada nilai galat (bias) yang diperoleh pada
Freiberg, Germany). ________. Analysis of
data yang dibangkitkan dalam satu zona. variance for direction and axes. TU
Bergakademie Freiberg, Germany.
Saran
Perlu dilakukan penelitian lanjutan dengan Leon, S. J. 2001. Aljabar Linear dan Aplikasinya Ed 5.
mengembangkan teknik matriks kovarian yang Erlangga, Jakarta.
sekuensial untuk mengatasi masalah kondisi Mathew, JH. 1992. Numerical Methods for Mathematics,
anisotropik. Science and Engineering. Second Ed. New
Jersey: Princeton.
DAFTAR PUSTAKA Nunung Nursaid dan Nur Aidi. 2002. Pendugaan dengan
Dua Kondisi Ketakbiasan pada Teknik CoKriging.
Ari Wicaksono dan Nur Aidi. 2000. Perbandingan Skripsi.
antara Ordinary Kriging dan Cokriging untuk Neil Wrigley, 1997. Introduction to the Use logit models
Pendugaan Data Spasial. (Comparison Data in geography. Catmog.
Spatial Estimation by Using Ordinary Kriging
and Cokriging). Skripsi. Olea, R.A. 1975. Optimum Mapping Techniques using
Regionalized Variable Theory. Empressa National
Cressie, N. A. C. 1991. Statistics for Spatial Data. Del Petroleo, Santiago, Chile
Wiley, New York.
Pressini, A. L. Sullivan, F.E., & Uhl, J.J. 1988. The
Davin J. Unwin. 1997. An Introduction to trend Mathematics of Nonlinear Programming.
surface analysis. Catmog. Springer-Verlag New York Inc, New York.
Graeme Aplin. 1997. Order-neighbour analysis. Richardo A. Olea. 1975. Optimum Mapping Techniques
Catmog. Using Regionalized Variable Theory. Chile.
Hans Wackernagel. 1995. Multivariate Geostatistics. Walpole, RE. 1992. Pengantar Statistika. Ed ke 3.
An Introduction with Applications. Springer. Terjemahan Bambang Sumatri. Gramedia, Jakarta.
Helms, L. L. 1997. Introduction to Probability
Theory with Contemporary Applications. W.
H. Freeman and Company, New York
40