TUGAS GEOSTATISTIK

OLEH :
KELOMPOK I

Nama :
1. Awal Raafiandi (212160001)

2. Margaritha A. Francis (212160002)

3. Yolinsa Mahulette (212160003)

4. Andri Suryanata (212160004)

 MENGGUNAKAN SOFTWARE GS+10 UNTUK
INTERPOLASI DATA

Geostatistik adalah : penerapan metode probabilistik

untuk variabel yang teregionalisasi (data spasial).
Data spasial adalah data yang dikumpulkan dari
lokasi-lokasi yang berkorelasi satu sama lain. Lokasi
yang saling berdekatan memiliki sifat-sifat yang
mirip dibandingkan dengan lokasi yang saling
berjauhan.Ini dikenal dengan kekontinuan spasial
(spatial continuity).
 Penempatan data spasial merupakan langkah
awal yang penting. Hal ini dikarenakan
penempatan nilai tertinggi dan terendah akan
menciptakan beberapa kecenderungan (trend)
dalam data. Semua trend yang ada dalam data
dapat digambarkan dengan peta kontur.

Interpolasi adalah metode untuk mendapatkan data

berdasarkan beberapa data yang telah diketahui.
Pada software GS+ ini interpolasi data dilakukan dengan
menggunakan metode kriging dan IDW
1. METODE IDW
Metode IDW merupakan metode
deterministik yang sederhana dengan
mempertimbangkan titik di sekitarnya.
Asumsi dari metode ini adalah nilai
interpolasi akan lebih mirip pada data sampel
yang dekat daripada yang lebih jauh. Bobot
(weight) akan berubah secara linear sesuai
dengan jaraknya dengan data sampel. Bobot
ini tidak akan dipengaruhi oleh
Pada metode IDW, pemilihan nilai pada
power sangat mempengaruhi hasil
interpolasi. Nilai power yang tinggi akan
memberikan hasil seperti menggunakan
interpolasi nearest neighbor dimana nilai
yang didapatkan merupakan nilai dari data
point terdekat.
Kerugian dari metode IDW adalah nilai hasil interpolasi
terbatas pada nilai yang ada pada data sampel. Pengaruh
dari data sampel terhadap interpolasi disebut sebagai
isotropic. Dengan kata lain, karena metode ini
menggunakan rata-rata dari data sampel sehingga
nilainya tidak bisa lebih kecil dari minimum atau lebih
besar dari data sampel.
Untuk mendapatkan hasil yang baik, sampel data yang
digunakan harus rapat yang berhubungan denganvariasi
lokal. Jika sampelnya agak jarang dan tidak merata,
hasilnya kemungkinan besar tidak sesuai dengan yang
diinginkan.
2. METODE KRIGING
Metode kriging mirip dengan IDW,
dimana menggunakan kombinasi linear
dari weight untuk memperkirakan nilai
diantara sampel data. Asumsi dari metode
ini adalah jarak dan orientasi antar sampel
data menunjukkan korelasi spasial yang
penting dalam hasil interpolasi. Berbeda
dengan metode IDW, Kriging memberikan
ukuran eror dan confidence.
Metode ini menggunakan semivariogram yang
mempresentasikan perbedaan spasial dan
nilai di antara semua pasangan sampel data.
Semivariogram juga menunjukkan bobot yang
digunakan dalam interpolasi. Semivariogram
dihitung berdasarkan sampel semivariogram
dengan jarak (h), beda nilai (z) dan jumlah
sampel data (n).
 INTERPOLASI DATA DENGAN
MENGGUNAKAN DATA DEMO1

Buka software GS+10 kemudian pilih menu File,

open dan pilih data demo1.
TAMPILAN DATA DEMO1
FILE OPEN PILIH DATA DEMO KLIK ICON SUMMARY
STATISTICS-Z
UNTUK MENGETAHUI DISTRIBUSI FREKUENSI
CARANYA : SETELAH DATA DEMO DI OPEN, KLIK ICON DISTRIBUSI FREQUENCY
FREKUENSI KUMULATIF
PENYEBARAN DATA (QUANTILES POSTING)
VARIOGRAM
MODEL VARIOGRAM
GAUSSIAN VS LINEAR
GAUSSIAN VS SPHERICAL
GAUSSIAN VS EXPONENTIAL
INTERPOLASI DATA (DENGAN
KRIGING)
INTERPOLASI DATA (DENGAN IDW)
PERBANDINGAN MODEL VARIOGRAM

NO MODEL RES SS R2 C/C + Co

1. LINEAR 9611 0.846 0.969

2. EKSPONENTIAL 8508 0.883 1.000

3. GAUSSIAN 4132 0.934 0.961

4. SPHERICAL 6086 0.916 1.000

5. PARAMETER ~0 ~1 ~0
PERBANDINGAN IDW DENGAN KRIGING

N MODEL REG SE R2 Y INT SE

O COEF PRED

1. IDW 1 1.016 0.026 0.881 -0.14 3.772

2. POINT KRG 0.990 0.022 0.907 0.09 3.322

3. BLOCK KRG 0.990 0.022 0.907 0.09 3.323

4. PARAMETER ~1 ~0 ~1 ~0 ~0
 NO MODE REG SE R2 Y INT SE
COEF PRED
1. ID 1 1.006 0.023 0.902 0.07 3.414
2. ID 2 0.991 0.023 0.901 0.04 3.442
3. ID 3 0.982 0.023 0.896 0.10 3.517
4. ID 4 0.978 0.023 0.893 0.14 3.566
5. ID 5 0.975 0.024 0.892 0.16 3.592
6. ID 10 0.972 0.024 0.890 0.19 3.618
7. ID 20 0.971 0.024 0.890 0.20 3.620
8. ID 30 0.971 0.024 0.890 0.20 3.619
9. ID 40 0.971 0.024 0.890 0.20 3.619
10. ID 50 0.971 0.024 0.890 0.20 3.619
11. ID 60 0.971 0.024 0.890 0.20 3.619
12. ID 70 0.971 0.024 0.890 0.20 3.619
13. ID 80 0.971 0.024 0.890 0.20 3.619
MODEL 1D DARI DATA DEMO
KESIMPULAN DARI DATA DEMO1

Berdasarkan model variogram yang ada di tabel,

maka model yang paling cocok adalah model
Gaussian karena mendekati parameter yang
telah ditentukan

Berdasarkan interpolasi data dengan metode

kriging dan IDW maka metode yang cocok
digunakan yaitu metode kriging
INTERPOLASI DATA DENGAN
MENGGUNAKAN DATA DEMO2
CARANYA MIRIP DENGAN CARA
PADA DATA DEMO1
TAMPILAN DATA DEMO2
STATISTIK DATA DEMO2
PENYEBARAN DATANYA SEBAGAI
BERIKUT
VARIOGRAM
MODEL SPHERICAL
MODEL LINEAR
MODEL EKSPONENSIAL
MODEL GAUSSIAN
INTERPOLASI DATA DENGAN POINT
KRIGING
INTERPOLASI DATA DENGAN
BLOCK KRIGING
INTERPOLASI DATA DENGAN IDW
MODEL 2D DARI DATA
MODEL 3D DARI DATA
PERBANDINGAN MODEL VARIOGRAM UNTUK DATA
DEMO2D

NO MODEL RES SS R2 C/C + Co

1. LINEAR 2.736E-04 0.858 0.643

2. EKSPONENTIAL 1990E-04 0.897 0.784

3. GAUSSIAN 1.951E-04 0.899 0.610

4. SPHERICAL 1.854E-04 0.904 0.707

5. PARAMETER ~0 ~1 ~0
PERBANDINGAN IDW DENGAN KRIGING

N MODEL REG SE R2 Y INT SE

O COEF PRED

1. IDW 1 1.080 0.110 0.433 -0.02 0.155

2. POINT KRG 0.782 0.098 0.336 0.08 0.168

3. BLOCK KRG 0.782 0.098 0.336 0.08 0.168

4. PARAMETER ~1 ~0 ~1 ~0 ~0
KESIMPULAN DARI DATA DEMO2D

Model variogram yang cocok digunakan adalah

model spherical karena mendekati parameter
yang telah ditentukan

Metode interpolasi data yang cocok digunakan

adalah metode IDW karena mendekati
parameter yang telah ditentukan.