LAPORAN SEMENTARA

PRKTIKUM GEOSTATISTIKA TG 3009

MODUL KE – 03
GEOSTATIKA-VARIOGRAM

Oleh:
Muhamad Arif Samsudin 120120158

Asisten :

DANI PUSPITA SARI 119120030

GRASELA YUNISIA SIREGAR 119120052
DENNYA ANGELINE A.P 119120097
AHMAD MAULANA SIDIK 119120133
ANUGRAH MARIO TAMBA 119120161
GHEVIRA ANGELINA MITRA 120120018
FAJAR ADIVADILAH 120120124
SALSABILA MUKHSIS 120120160

PROGRAM STUDI TEKNIK GEOFISIKA

JURUSAN TEKNOLOGI PRODUKSI DAN INDUSTRI
INSTITUT TEKNOLOGI SUMATERA
2023
SCRIPT
pip install scikit-gstat
import numpy as np
import pandas as pd #untuk menyediakan struktur dan menganalisis
import skgstat as skg #memasukkan data statistiknya
from skgstat import models
import matplotlib.pyplot as plt #untuk visualisasi data
from scipy.optimize import curve_fit #memunculkan kurva fitnya
#skip row utk skip baris yang tidak diperlukan dari file .dat
df = pd.read_csv('/content/34-29 (1).DAT',
skiprows=7, header=None, delim_whitespace=True,
names = ["depth", "perm", "poro", "logperm"], in
dex_col=False)
print(df.head())
print(df.describe().transpose())
data = df["logperm"] #diganti sesuai data aja
lags = []
for i in range(0, len(data)):
v = 0
for j in range(i, len(data)):
z = (data[j-i] - data[j])*2
v += z
v = v/(2*(len(data)-i))
lags.append(v)
lags = np.array(lags)
lags = lags[np.array(range(len(lags)))]
model = models.cubic #exponential, spherical, gaussian dan cubic
p0 = [np.mean(range(0, len(lags))), np.mean(lags), 0]
cof, cov = curve_fit(model, list(range(0, len(lags))), lags, p0=p
0)
print("sci = range: %.2f sill: %.f nugget: %.2f" % (cof[0], cof
[1], cof[2]))
ycalc = [model(xi, *cof) for xi in range(0, len(lags))]
plt.scatter(range(len(lags)), lags)
plt.plot(range(len(ycalc)), ycalc, color='r')
plt.show()
V = skg.Variogram(list(range(len(data))), data, n_lags=56)
print(V.bins)
print("skg = range : %.2f sill: %.f nugget: %.2f" % (V.cof[0],
V.cof[1], V.data()[0][0]))
print(V.data())
V.plot()
plt.show()
LANGKAH KERJA
Google Colab
1. Install scikit-gstat
import numpy as np
import pandas as pd #untuk menyediakan struktur dan menganalisis
data tabel
import skgstat as skg #memasukkan data statistiknya
from skgstat import models
import matplotlib.pyplot as plt #untuk visualisasi data
from scipy.optimize import curve_fit #memunculkan kurva fitnya
#skip row utk skip baris yang tidak diperlukan dari file .dat

df = pd.read_csv('/content/34-29 (1).DAT',
skiprows=7, header=None, delim_whitespace=True,
names = ["depth", "perm", "poro", "logperm"], in
dex_col=False)
print(df.head())
print(df.describe().transpose())

2. Import modul yang digunakan

import numpy as np
import pandas as pd #untuk menyediakan struktur dan menganalisis
data tabel
import skgstat as skg #memasukkan data statistiknya
from skgstat import models
import matplotlib.pyplot as plt #untuk visualisasi data
from scipy.optimize import curve_fit #memunculkan kurva fitnya
#skip row utk skip baris yang tidak diperlukan dari file .dat

df = pd.read_csv('/content/34-29 (1).DAT',
skiprows=7, header=None, delim_whitespace=True,
names = ["depth", "perm", "poro", "logperm"], in
dex_col=False)
print(df.head())
print(df.describe().transpose())

3. Memanggil data yang diinginkan

data = df["logperm"] #diganti sesuai data aja
lags = []
for i in range(0, len(data)):
 v = 0
for j in range(i, len(data)):
z = (data[j-i] - data[j])*2
v += z
v = v/(2*(len(data)-i))
lags.append(v)

lags = np.array(lags)
lags = lags[np.array(range(len(lags)))]

model = models.cubic #exponential, spherical, gaussian dan cubic

p0 = [np.mean(range(0, len(lags))), np.mean(lags), 0]
cof, cov = curve_fit(model, list(range(0, len(lags))), lags, p0=p
0)
print("sci = range: %.2f sill: %.f nugget: %.2f" % (cof[0], cof
[1], cof[2]))
4. Plot
ycalc = [model(xi, *cof) for xi in range(0, len(lags))]

plt.scatter(range(len(lags)), lags)
plt.plot(range(len(ycalc)), ycalc, color='r')
plt.show()
V = skg.Variogram(list(range(len(data))), data, n_lags=56)
print(V.bins)
print("skg = range : %.2f sill: %.f nugget: %.2f" % (V.cof[0],
V.cof[1], V.data()[0][0]))
print(V.data())
V.plot()
plt.show()
HRS
1. Mendownload dan menginstal software HRS (Hampson-Russel)
2. Mendownload data yang ingin diolah
3. Buat New data base lalu input data 34-29 dengan format txt
4. Klik new project, lalu masukkan penamaan project
5. Klik processes dan tekan ISMAP dan Old Versions. Lalu pada Old
Versions, pilih Geostatistical Analysis (ISMAP).
6. Kemudian keluar gambar tabel, lalu klik Select Data dan pilih New
Well Log Data, lalu klik Ascii File
7. Lalu klik Variograms, lalu pilih Well to Well, kemudian muncul
persebaran data dan kemudian kita menamai setiap well dengan klik
View lalu pilih Show Well Names
8. Selanjutnya set parameter (untuk di input nilai nugget beserta model
variogram yang diinginkan kemudian hasil sill dan range nya)
9. Mengubah metode (spherical, gaussian, exponential, dan power),
dan variasikan nilai sill, range, dan nugget nya
10. Apabila ingin mengubah grafik variogram ke covariance klik
analisis data kemudian klik calculation method dan ubah menjadi
covariance
11. Apply Data
12. Selesai
HASIL DAN PEMBAHASAN
1. Model Exponential
1.1 Poro
1.2 Perm
1.3 logperm
2. Model Spherical
2.1 Poro
2.2 Perm
2.3 logperm
3. Model Gaussian
3.1 Poro
3.2 Perm
3.3 logperm
4. Model Cubic
4.1 Poro
4.2 Perm
4.3 Logperm
5. Data Awal

6. Histogram
7. Variogram spherical

8. Variogram gaussian
 9. Variogram Exponential

PEMBAHASAN
Kurva model Exponential, Spherical, Gaussian, dan Cubic semuanya
merupakan model semivariogram yang digunakan dalam analisis geostatistik. Semua
model ini memiliki keunikan dan karakteristik masing-masing yang dapat dianalisis
dalam konteks khusus. Namun, dalam konteks pemilihan model yang paling cocok
untuk data geostatistik tertentu, pilihan terbaik dapat ditentukan dengan
membandingkan hasil kesalahan prediksi model untuk data validasi. Dalam
prakteknya, pemilihan model yang paling cocok untuk data geostatistik dapat
dilakukan dengan menghitung nilai R-squared atau nilai Root Mean Squared Error
(RMSE) antara nilai prediksi dan nilai sebenarnya pada data validasi. Model yang
memiliki nilai R-squared yang lebih tinggi atau nilai RMSE yang lebih rendah
dianggap sebagai model yang lebih baik. Namun, tidak selalu ada satu model yang
paling cocok untuk semua data geostatistik. Beberapa data mungkin cocok dengan
model spherical, sementara data lainnya mungkin cocok dengan model gaussian atau
cubic. Oleh karena itu, pemilihan model yang tepat harus dilakukan berdasarkan
karakteristik unik dari data geostatistik yang dianalisis.
Untuk melihat hasil kurva terbaik dari model Exponential, Spherical, Gaussian,
dan Cubic pada variogram, Anda dapat melakukan beberapa hal berikut:

• Plotting variogram: Plot variogram dari data spasial Anda dengan

menggunakan perangkat lunak seperti R atau Python. Plot akan menunjukkan
 bagaimana variansi antara titik-titik data berubah seiring dengan jarak antara
mereka.
• Fitting model variogram: Setelah memplot variogram, Anda dapat memilih
model variogram yang terbaik yang paling sesuai dengan data Anda. Anda
dapat menggunakan perangkat lunak seperti R untuk menyesuaikan model
variogram dengan data Anda. R menyediakan paket seperti gstat atau geoR
untuk melakukan ini. Anda dapat mencoba berbagai model variogram seperti
Exponential, Spherical, Gaussian, dan Cubic dan membandingkan mereka
untuk menentukan model yang paling cocok dengan data Anda.
• Menganalisis parameter model: Setelah memilih model variogram terbaik,
Anda dapat menganalisis parameter model seperti range, sill, dan nugget effect.
Parameter ini digunakan untuk memperkirakan nilai prediksi pada lokasi yang
tidak diamati pada peta. Dengan menganalisis parameter model, Anda dapat
memperkirakan nilai prediksi yang paling akurat pada lokasi yang tidak diamati
pada peta.
• Validasi model: Terakhir, Anda dapat melakukan validasi model untuk
memeriksa apakah model yang Anda pilih sesuai dengan data Anda. Anda
dapat menggunakan perangkat lunak seperti R untuk melakukan validasi silang
untuk memeriksa apakah model Anda dapat menghasilkan prediksi yang akurat
pada lokasi yang tidak diamati pada peta.
Pemilihan model variogram yang paling sesuai tergantung pada karakteristik
data spasial yang sedang dianalisis. Secara umum, model variogram spherical,
gaussian, dan exponential adalah model yang paling umum digunakan dalam analisis
geostatistik. Dalam membandingkan ketiga model tersebut, dapat dilakukan dengan
memperhatikan nilai parameter variogram yang dihasilkan setelah proses fitting model,
serta membandingkan hasil prediksi yang dihasilkan oleh ketiga model tersebut pada
data validasi. model variogram gaussian biasanya lebih cocok digunakan pada data
yang memiliki struktur spasial yang lebih halus dan tidak terlalu variatif. Sedangkan
model variogram exponential lebih cocok digunakan pada data yang memiliki
variabilitas spasial yang sedang. Sedangkan model variogram spherical lebih cocok
digunakan pada data yang memiliki variabilitas spasial yang tinggi dan penyebarannya
hampir merata di seluruh wilayah analisis. Namun, pada kenyataannya, tidak selalu ada
satu model variogram yang paling cocok untuk semua data geostatistik. Beberapa data
mungkin cocok dengan model spherical, sementara data lainnya mungkin cocok
dengan model gaussian atau exponential. Oleh karena itu, pemilihan model yang tepat
harus dilakukan dengan memperhatikan karakteristik unik dari data geostatistik yang
sedang dianalisis.
Nilai nugget pada variogram mewakili variasi spasial acak atau tidak terstruktur
pada data. Nilai nugget yang tinggi menunjukkan bahwa variasi spasial acak pada data
sangat signifikan, sedangkan nilai nugget yang rendah menunjukkan bahwa variasi
spasial acak pada data tidak signifikan. Dalam kode di atas, nilai nugget ditentukan
oleh parameter awal p0 ketika melakukan fitting model variogram. Semakin tinggi nilai
nugget yang diberikan, semakin banyak variasi spasial acak yang dimodelkan pada
data. Namun, terlalu tinggi nilai nugget juga dapat menghasilkan model variogram
yang buruk dan tidak dapat menjelaskan variasi spasial yang sebenarnya terjadi pada
data. Dalam prakteknya, pemilihan nilai nugget yang tepat harus didasarkan pada
karakteristik data spasial yang sedang dianalisis. Sebaiknya, coba variasi nilai nugget
untuk melihat bagaimana hasil fitting model variogramnya.
LAMPIRAN
Link Google Colab :

https://colab.research.google.com/drive/12xj-
5RD07S7v3LfhnUkl9FHnsOFRMjZ0?usp=sharing

Foto praktikum