Anda di halaman 1dari 28

1

POKOK BAHASAN 3
PRINSIP-PRINSIP ANALISIS
GEOSTATISTIKA
KTG 427 Geostatistika
Dewi Kania Sari, Ir., M.T.
Jurusan Teknik Geodesi/Geoinformatika
FTSP Itenas 2006/2007
2
Subpokok Bahasan
3. Prinsip-prinsip Analisis Geostatistik
3.1 Metode Deterministik
3.2 Metode Geostatistik
3.3 Prinsip-prinsip Dasar Metode Geostatistik
3.4 Pemodelan Semivariogram
3.5 Kriging
3
Pendahuluan (1)
Metode geostatistik menggunakan
titik-titik sampel yang diambil pada
lokasi yang berbeda pada suatu
bentang alam (landscape) dan
membuat (menginterpolasi) sebuah
permukaan yang kontinyu.
Titik-titik sampel adalah hasil ukuran dari beragam
fenomena alam, spt. curah hujan, tumpahan minyak,
dan titik-titik tinggi (elevasi).
Metode geostatistik menurunkan suatu permukaan
dengan menggunakan nilai-nilai dari lokasi yang diukur
untuk memprediksi nilai-nilai pada setiap lokasi dalam
bentang alam tersebut.
4
Pendahuluan (2)
Metode interpolasi spasial dapat dibagi menjadi 2
kelompok:
Metode deterministik
Metode geostatistik
Semua metode didasarkan pada keserupaan dari titik-
titik sampel yang berdekatan untuk membuat
permukaan prediksi.
Metode deterministik menggunakan fungsi-fungsi
matematik untuk menginterpolasi.
Metode geostatistik menggunakan metode matematik
dan statistik, yang dapat digunakan untuk membuat
permukaan prediksi dan menilai ketidakpastian hasil
prediksi tersebut.
5
Pendahuluan (3)
Membuat sebuah permukaan kontinyu untuk
merepresentasikan suatu ukuran tertentu merupakan
kemampuan penting yang diperlukan dalam sebagian
besar aplikasi SIG.
Jenis permukaan yang paling umum digunakan adalah
DEM (digital elevation model) dari suatu terain.
Tantangan utama yang dihadapi para ahli pemodelan
SIG adalah menurunkan permukaan yang paling akurat
berdasarkan data sampel eksisting dan
mengkarakterisasi kesalahan (error) dan variabilitas dari
permukaan hasil prediksi tersebut.
6
3.1 Metode Deterministik
Fundamental geographic principal (Tobler, 1970):

Things that are closer together tend to be
more alike than things that are farther apart
7
a. Menganalisis sifat-sifat
permukaan dari lokasi-lokasi
yang berdekatan
Contoh kasus:
Anda seorang perencana kota yang akan membangun
sebuah taman. Anda memiliki beberapa kandidat
lokasi dan ingin membuat model view untuk setiap
lokasi. Untuk itu Anda perlu sebuah set data
permukaan elevasi yang lebih detail. Misalkan Anda
telah memiliki data elevasi eksisting untuk 1000 lokasi
yang tersebar di seluruh kota. Anda dapat
menggunakan data ini untuk membangun sebuah
permukaan elevasi yang baru.
8
Beberapa pertimbangan...
Anda dapat mengasumsikan bahwa nilai-nilai
sampel yang paling dekat ke lokasi prediksi akan
serupa.
Berapa lokasi sampel yang harus diperhitungkan?
Haruskah semua nilai sampel dianggap sama?

Semakin jauh dari lokasi prediksi maka pengaruh
dari titik-titik tersebut akan berkurang.
Memperhitungkan sebuah titik yang letaknya terlalu
jauh bisa mengganggu karena titik tersebut mungkin
berlokasi di daerah yang sangat berbeda dengan
lokasi prediksi.
9
Solusi...
Mempertimbangkan cukup banyak titik agar memberikan
sampel yang baik, tapi juga cukup sedikit agar praktis.
Jumlahnya akan bervariasi tergantung jumlah dan distribusi titik-
titik sampel dan karakter permukaan.
Jika titik-titik sampel elevasi terdistribusi relatif merata dan
karakteristik permukaan tidak berubah di sepanjang area
lansekap maka Anda dapat memprediksi nilai-nilai permukaan
dari titik-titik yang berdekatan dengan akurasi yang memadai.
Untuk memperhitungkan hubungan jarak, nilai-nilai titik yang
lebih dekat diberi bobot yang lebih besar daripada yang terletak
jauh.
Semakin jauh jarak dari
lokasi prediksi maka
bobot sebuah nilai akan
semakin berkurang
Inilah dasar dari teknik
interpolasi IDW (Inverse
Distance Weighted)
10
b. Interpolasi Polinomial
Global
Misalnya lokasi yang diusulkan terletak di atas sebuah
bukit yang tidak terlalu terjal. Permukaan bukit tersebut
adalah sebuah bidang datar miring (sloping plane),
namun lokasi titik-titik sampel berada di daerah yang
agak cekung atau di atas gundukan tanah (variasi lokal).
Menggunakan tetangga lokal (local neighbors) untuk
memprediksi suatu lokasi bisa under atau overestimate karena
pengaruh cekungan dan gundukan
Anda bisa mendapatkan variasi lokal namun tidak bisa
menangkap keseluruhan bidang datar miring tersebut (dikenal
sebagai trend permukaan)
Kemampuan untuk mengidentifikasi dan memodelkan
struktur lokal dan trend permukaan dapat meningkatkan
akurasi permukaan prediksi yang Anda buat.
11

Anda dapat mencocokkan sebuah bidang datar (plane)
di antara titik-titik sampel untuk memprediksi di atas
suatu trend permukaan.
Sebuah bidang datar (plane) adalah kasus khusus dari
keluarga rumus matematik yang disebut polinomial.
Anda menggunakan bidang datar tersebut untuk
menentukan tinggi titik di lokasi prediksi. Bidang datar
tersebut bisa berada di atas beberapa titik tertentu dan
di bawah titik-titik lainnya.
Sasaran interpolasi adalah meminimumkan kesalahan
(error).
Least
squares
principles
Interpolasi
polinomial global
orde-1
12
Bagaimana jika Anda mencoba mencocokkan
sebuah bidang datar pada suatu lansekap yang
berbentuk lembah?
Sulit memperoleh permukaan prediksi yang baik jika
menggunakan bidang datar
Anda bisa mendapatkan permukaan yang lebih cocok
jika memberikan sebuah tekukan (bend) pada bidang
datar tersebut Dasar untuk interpolasi polinomial
global orde-2
Dua tekukan pada bidang datar akan menjadi
polinomial orde-3, dan seterusnya.

13
Bagaimana jika areanya berbentuk miring,
mendatar, dan kemudian miring lagi?
Mencocokkan sebuah bidang datar melalui area
tersebut akan memberikan nilai prediksi yang buruk
untuk lokasi-lokasi yang tidak diukur
Akan lebih baik jika Anda bisa mencocokkan
beberapa bidang datar lebih kecil yang saling
overlapping, kemudian menggunakan pusat dari
setiap bidang datar tersebut sebagai prediksi untuk
setiap lokasi dalam area studi tersebut, maka
permukaan yang dihasilkan akan lebih fleksibel dan
mungkin lebih akurat

c. Interpolasi Polinomial
Lokal
Dasar konseptual untuk
interpolasi polinomial lokal
14
Fungsi-fungsi basis radial memungkinkan untuk
membuat sebuah permukaan yang menangkap trend
global dan juga variasi lokal. Hal ini membantu dalam
kasus-kasus dimana mencocokkan sebuah bidang datar
pada nilai-nilai sampel tidak akan merepresentasikan
permukaan secara akurat.
Untuk membuat permukaan tersebut, anggap Anda bisa
melekukkan dan meregangkan permukaan prediksi
sehingga melalui semua nilai-nilai ukuran.
Ada banyak cara untuk memprediksi bentuk dari permukaan di
antara titik-titik sampel yang diukur, mis. thin-plate spline, spline
with tension.
d. Fungsi Basis Radial
Kerangka konseptual untuk
interpolator berdasarkan
fungsi-fungsi basis radial
15
3.2 Metode Geostatistik
Teknik-teknik interpolasi yang dijelaskan pada bagian
sebelumnya disebut metode interpolasi deterministik
karena secara langsung didasarkan atas nilai-nilai
ukuran di sekitarnya atau berdasarkan formula
matematis tertentu yang menentukan kehalusan
permukaan prediksi yang dihasilkan.
Kelompok metode interpolasi yang kedua terdiri atas
teknik-teknik geostatistik yang didasarkan atas model-
model statistik yang memperhitungkan autokorelasi
(hubungan statistik di antara titik-titik ukuran).
Di samping mempunyai kemampuan untuk menghasilkan
permukaan prediksi, metode geostatistik juga
memberikan beberapa ukuran ketidakpastian atau
akurasi hasil prediksi.
16
Selanjutnya akan diberikan contoh yang akan
memperlihatkan langkah-langkah dasar geostatistik
menggunakan ordinary kriging.
Kriging serupa dengan IDW yaitu memberi bobot kepada
nilai-nilai ukuran di sekitarnya untuk menentukan prediksi
di setiap lokasi. Namun, bobot tersebut tidak hanya
didasarkan pada jarak antara titik-titik ukuran tetapi juga
keseluruhan susunan spasial (spatial arrangements) di
antara titik-titik ukuran.
Untuk memperhitungkan susunan spasial dalam
pembobotan maka autokorelasi spasial tersebut harus
dikuantifikasi.
17
Untuk menyelesaikan contoh
geostatistik, berikut diberikan
serangkaian tahapan proses.
1) Menghitung semivariogram empirik (calculate the
empirical semivariogram)
2) Mencocokkan sebuah model (fit a model)
3) Membangun matriks (creates the matrices)
4) Membuat prediksi (make a prediction)

18
1) Menghitung semivariogram empirik
Kriging dibangun berdasarkan asumsi
bahwa sesuatu yang saling berdekatan
akan saling serupa dibandingkan dengan
yang saling terpisah jauh (dikuantifikasi
sebagai autokorelasi spasial).
Semivariogram empirik adalah alat untuk
mengkaji hubungan tersebut.
Pasangan-pasangan titik data yang
jaraknya berdekatan akan memiliki
perbedaan ukuran yang lebih kecil
dibandingkan dengan yang terpisah jauh.
Kebenaran asumsi di atas dapat dikaji
dalam semivariogram empirik.
19
2) Mencocokkan sebuah model
Hal ini dilakukan dengan menentukan sebuah garis yang
paling cocok (the best fit) yang melalui titik-titik di dalam
grafik awan semivariogram empirik.
Garis tersebut merupakan model yang mengkuantifikasi
autokorelasi spasial di dalam data sampel.

Weighted least-
squares fit.
20
3) Membangun matriks
Persamaan-persamaan untuk ordinary kriging
terkandung di dalam matriks dan vektor yang tergantung
pada autokorelasi spasial di antara lokasi-lokasi sampel
yang diukur dan lokasi prediksi.
Nilai-nilai autokorelasi berasal dari model semovariogram
yang dijelaskan di muka.
Matriks dan vektor menentukan bobot kriging yang
diberikan kepada setiap nilai ukuran.
21
4) Membuat prediksi
Berdasarkan nilai bobot kriging untuk setiap nilai ukuran,
Anda dapat menghitung prediksi untuk lokasi-lokasi yang
tidak diketahui nilainya (unknown).
22
Contoh Kasus
Misalkan Anda memiliki 5
buah titik elevasi hasil
ukuran seperti disajikan
pada tabel berikut.
Anda akan memakai
teknik ordinary kriging
untuk memprediksi nilai
elevasi di titik P yang
mempunyai koordinat
(1,4), disebut lokasi
prediksi.
No
titik
X Y Z

1 1 5 100
2 3 4 105
3 1 3 105
4 4 5 100
5 5 1 115
P 1 4 ?
23
Persamaan Kriging
Model matematik ordinary kriging adalah:
Z(s) = + c(s)
dimana s=(X,Y) adalah lokasi titik; contoh lokasi
sampel adalah s=(1,5), dan Z(s) adalah nilai di lokasi
tersebut, contoh Z(1,5)=100.
Model di atas didasarkan pada sebuah nilai rata-rata
konstan untuk data tsb (tidak ada trend) dan
kesalahan acak c(s) dengan ketergantungan spasial.
Diasumsikan bahwa proses acak c(s) adalah
stasioner.
24
Persamaan Kriging
(lanjutan)
Nilai prediktor dihitung sebagai penjumlahan nilai data
berbobot:




dimana
Z(s
i
) adalah nilai ukuran di lokasi ke-i, sebagai contoh
Z(1,5)=100;

i
adalah bobot (unknown) nilai ukuran di lokasi ke-i;
s
0
adalah lokasi prediksi, contoh (1,4)
N = 5 untuk lima buah nilai ukuran

=
=
N
1 i
i i 0
) s ( Z ) s ( Z

Sama dengan prediktor untuk interpolasi


IDW; bedanya pada IDW bobot
i
hanya
tergantung pada jarak ke lokasi prediksi,
sedangkan pada OK bobot
i
tergantung
pada semivariogram, jarak ke lokasi prediksi,
dan hubungan spasial di antara nilai-nilai
ukuran di sekitar lokasi prediksi
25
Persamaan Kriging
(lanjutan)
Ketika membuat beberapa prediksi, beberapa prediksi diharapkan
berada di atas nilai sebenarnya dan beberapa di bawahnya.
Namun, secara rata-rata selisih antara nilai-nilai prediksi dengan
nilai-nilai aktual harus nol. Hal ini dinamakan membuat prediksi
tak bias (unbiased).
Supaya diperoleh prediktor tak bias maka jumlah bobot
i
harus
sama dengan satu (=1). Berdasarkan syarat ini maka selisih
antara nilai yang sebenarnya, Z(s
0
), dengan nilai prediktor,
E
i
Z(s
i
), harus sekecil mungkin. Yaitu, minimumkan ekspektasi
statistik dari formula berikut.
2
N
1 i
i i 0
) s ( Z ) s ( Z |
.
|

\
|

=
Dari situ lah diperoleh persamaan-persamaan kriging.
26
Persamaan Kriging (lanjutan)
Solusi dari minimasi fungsi di atas, dengan syarat ketakbiasan
(unbiasedness), memberikan persamaan kriging:









Ingat bahwa tujuannya adalah menyelesaikan persamaan-
persamaan tersebut untuk semua nilai
i
(s) (bobot), sehingga nilai
prediktor dapat dihitung menggunakan pers. E
i
Z(s
i
).
|
|
|
|
|
.
|

\
|

=
|
|
|
|
|
.
|

\
|

-
|
|
|
|
|
.
|

\
|


= - I
1 m 0 1 1
1
1
atau
g
0 N
10
N
1
NN 1 N
N 1 11


27
Persamaan Kriging
(lanjutan)
Matriks I berisi nilai-nilai semivariogram model antara
pasangan titik-titik lokasi sampel;

ij
adalah nilai semivariogram model berdasarkan dua
sampel di lokasi ke-i dan ke-j
Vektor g berisi nilai semivariogram model antara setiap
lokasi ukuran dengan lokasi prediksi dimana
i0

menyatakan nilai-nilai semivariogram model berdasarkan
jarak antara lokasi sampel ke-i dengan lokasi prediksi.
Bilangan unknown m dalam vektor juga diprediksi dan
besaran tsb muncul karena adanya syarat ketakbiasan.

28
Menghitung Semivariogram
Empirik
Untuk menghitung nilai-nilai matriks I, harus kita pelajari struktur
data sampel dengan membuat semivariogram empirik. Dalam
sebuah semivariogram, setengah kuadrat selisih antara pasangan
lokasi (sumbu-Y) diplot relatif terhadap jarak yang memisahkan
mereka (sumbu-X).
Langkah pertama dalam membuat semivariogram empirik adalah
menghitung jarak dan kuadrat selisih di antara setiap pasangan
lokasi.
Jarak antara dua lokasi dihitung menggunakan jarak Euclidean:




Semivariogram empirik adalah 0,5 kali selisih kuadrat
0,5*rata-rata {(nilai di lokasi i nilai di lokasi j)
2
}

( )
2
j i
2
j i ij
) y y ( x x d + =