GEOSTATISTIK

(Stokastik)

JURUSAN TEKNIK PERTAMBANGAN

FTM - ITM

geostat_itm@yahoo.com
Pertemuan - 8
Problem estimasi:

100 100

? 105

105

115
adalah suatu keluarga peubah acak Xt atau X(t), di mana t T
dengan T = {1, 2, 3, } untuk t diskret dan T = {0,} untuk t
kontinu.
Contoh
Pada percobaan pelemparan mata uang berkali kali

X1 adalah peubah acak yang berhubungan dengan pelemparan pertama

X2 adalah peubah acak yang berhubungan dengan pelemparan kedua

Xn adalah peubah acak yang berhubungan dengan pelemparan ke-n

X1 sampai Xn ini disebut keluarga peubah acak yang dapat juga disebut
proses stokastik.
RUANG SOLUSI
Diketahui suatu ruang solusi fungsi probabilitas bersama f(x1,x2,...,xn) mempunyai n
himpunan bagian solusi yang dinamakan dengan fungsi probabilitas marginal f(x1),
f(x2), ...., f(xn) dan digambarkan dengan:S[s1, s2, s3, sn]

Ruang Solusi

Ruang solusi di atas didefinisikan dengan:

p(s) = p(s1) p(s2) p(s3) ... p(sn)
danp(sisj) =p(si) p(sj) = 0 untuk i j.
MENGAPA PERLU SIMULASI ?

1) Simulasi adalah satu-satunya cara yang dapat

digunakan untuk mengatasi masalah, jika sistem nyata
sulit diamati secara langsung
Contoh : Prakiraan cadangan reservoir panas bumi
pada struktur kompleks.
2) Solusi Analitik tidak bisa dikembangkan, karena
sistem sangat kompleks.
3) Pengamatan sistem secara langsung tidak
dimungkinkan, karena :
- sangat mahal
- memakan waktu yang terlalu lama
- akan merusak sistem yang sedang berjalan.
KEKURANGAN SIMULASI :

1.Simulasi tidak akurat.

Teknik ini bukan proses optimisasi dan tidak
menghasilkan sebuah jawaban tetapi hanya
menghasilkan sekumpulan output dari sistem pada
berbagai kondisi yang berbeda. Dalam banyak kasus,
ketelitiannya sulit diukur.

2.Model simulasi yang baik bisa jadi sangat mahal,

bahkan sering dibutuhkan waktu bertahun-tahun
untuk mengembangkan model yang sesuai.
KEKURANGAN SIMULASI :

3.Tidak semua situasi dapat dievaluasi dengan simulasi

Hanya situasi yang mengandung ketidak-pastian yang
dapat dievaluasi dengan simulasi. Karena tanpa
komponen acak semua eksperimen simulasi akan
menghasilkan jawaban yang sama.

4.Simulasi menghasilkan cara untuk mengevaluasi solusi,

bukan menghasilkan cara untuk memecahkan
masalah.
Jadi sebelumnya perlu diketahui dulu solusi atau
pendekatan solusi yang akan diuji.
 PENDEKATAN TIGA LANGKAH UNTUK MEMBANGUN MODEL
SIMULASI YANG VALID DAN DAPAT DIPERCAYA

Langkah 1.
Membangun sebuah model dengan usaha melibatkan informasi semaksimal
mungkin.
Berdiskusi dengan para pakar sistem
Melakukan observasi terhadap sistem
Memanfaatkan Teori yang ada
Memanfaatkan hasil dari Model simulasi yang sama dan relevan
Menggunakan pengalaman atau intuisi
Memanfaatkan Teori yang ada
Memanfaatkan hasil dari Model simulasi yang sama dan relevan
Menggunakan pengalaman atau intuis
Langkah 2.
Menguji asumsi-asumsi model secara empiris
Jika distribusi probabilitas secara teoritis
cocok dengan observasi dan digunakan sebagai
input untuk model simulasi, dapat diuji dengan
pembuatan grafik dan uji goodness-of-fit
Jika beberapa himpunan data diobservasi untuk
fenomena random yang sama, maka perbaikan
dari penggabungan data tersebut dapat
ditentukan dengan uji Kruskal-Wallis
Salah satu utiliti yang sangat
berguna adalah analisis sensitivitas

Langkah 3.
Menentukan seberapa
representatif data output Simulasi
VALIDASI,VERIFIKASI, DAN DISAIN SIMULASI

Verifikasi:
Menentukan program komputer simulasi bekerja sebagaimana
mestinya, yaitu sama dengan men-debug program komputer.
Verifikasi memeriksa penerjemahan model simulasi konseptual
(mis., flowchart dan asumsi-asumsi) menjadi program yang
berjalan dengan benar.
Validasi:
Berkenaan dengan menentukan apakah model konseptual
simulasi (bukan program komputer) merupakan representasi
yang akurat dari sistem yang dipelajari.
Jika model simulasi dan hasilnya diterima oleh manajer/client
sebagai valid, dan digunakan sebagai alat bantu dalam
pengambilan keputusan, berarti model tersebut credible.
WAKTU DAN HUBUNGAN DARI
VALIDASI DAN VERIFIKASI :
Establish
Validasi Verifikasi Validasi kepercayaan

Model Program Tersedia

Sistem Implemen
Konseptual Simulasi hasil yang
-tasi hasil
Benar

Analisa & Pemrogra Menjalankan Memberikan

Data man Model Hasil
1,2,3 4 5,6,7,8,9 10
PRINSIP-PRINSIP PEMODELAN SIMULASI YANG VALID

Umumnya tidak diperlukan adanya korespondensi satu-

satu antara setiap elemen sistem dengan elemen model.
Acuan untuk menentukan tingkat detil model simulasi:
- Di awal studi, definisikan dengan hati-hati:
1. isu yang akan diteliti
2. pengukuran kinerja untuk evaluasi
3. konfigurasi sistem alternatif
- Gunakan analisis pakar dan analisis sensitifitas
untuk membantu menentukan tingkat detil
model.
- Mulailah dengan detil tingkat menengah, yang dapat
diubah jika perlu.
PRINSIP-PRINSIP PEMODELAN SIMULASI
YANG VALID
- Jangan mulai dengan terlalu banyak detil,
tetapi model tersebut juga harus punya
tingkat detil yang cukup agar credible.
- Tingkat detil model harus konsisten dengan jenis
data yang tersedia.
- Waktu dan biaya merupakan faktor utama
dalam menentukan detil model.
- Jika jumlah faktor (aspek yang diteliti) pada studi
cukup besar, gunakan model simulasi kasar
atau model analitik untuk mengidentifikasi
faktor-faktor yang penting sebelum
mengembangkan moel simulasi yang detil.
PSEUDO RANDOM NUMBER GENERATOR
METODE KONGRUEN MULTIPLIKATIF
Xn = (aXn-1) modulo m
Dimana :
Bil. Pseudo dimulai dgn nilai awal X0 yang disebut benih.
a & m : bilangan bulat positif tertentu
aXn-1 dibagi dgn m dan sisanya diambil sebagai nilai Xn

0.2734 0.3647 0.9294 0.2711 0.2126 0.1682 0.4630 0.7446 0.2942 0.4032 0.9597
0.6021 0.7939 0.9137 0.8627 0.4163 0.4452 0.2355 0.6469 0.9492 0.5712 0.4952
0.7312 0.4383 0.0513 0.8121 0.6589 0.7712 0.2269 0.2554 0.6491 0.0270 0.9730
0.8570 0.8573 0.6461 0.6760 0.4275 0.6888 0.1149 0.7869 0.4598 0.2005 0.0534
0.5423 0.8108 0.6307 0.7057 0.1852 0.8649 0.9817 0.7810 0.0284 0.5424 0.1218
0.4544 0.2927 0.0654 0.2385 0.4807 0.2995 0.3389 0.3398 0.9453 0.0094 0.8926
0.9625 0.6249 0.0758 0.3701 0.5917 0.0754 0.9482 0.9304 0.5540 0.8544 0.1396
0.5928 0.6752 0.6424 0.5712 0.2287 0.6435 0.3985 0.9792 0.7310 0.9347 0.8767
0.7015 0.2890 0.4640 0.2859 0.4852 0.1807 0.7630 0.3451 0.4894 0.7615 0.6448
0.2810 0.3250 0.8808 0.9156 0.9367 0.1886 0.1031 0.4357 0.4055 0.8663 0.1146
0.3363 0.4759 0.9964 0.0985 0.8390 0.7381 0.2850 0.3586 0.4476 0.6590 0.9051
0.3152 0.9566 0.5477 0.3004 0.6357 0.7778 0.8663 0.4262 0.9047 0.2789 0.1450
0.9920 0.1710 0.5224 0.2315 0.5382 0.1489 0.4952 0.6942 0.0208 0.0429 0.3480
0.3626 0.3755 0.3244 0.7699 0.0024 0.7907 0.6987 0.1638 0.5962 0.7338 0.2394
0.6222 0.7781 0.2106 0.1947 0.5418 0.2527 0.1255 0.3725 0.2345 0.4938 0.0237
 Gritasi secara random (stokastik):

Berdasarkan bilangan random

5
100 100
yang telah digenerate, lakukan
trace secara konsisten.
? 105 Misalanya:
4

H(i,j) = hMin + rand * range

105
3
H(1,1) = 100 + 15 * 0.2734
= 104
2

H(1,2) = 100 + 15 * 0.6021

1
115
= 109

H(1,4) = 100 + 15 * 0.7312

1 2 3 4 5 = 110

Untuk keperluan justifikasi, model/formula tersebut harus disesuaikan dengan berbagai

parameter lapangan (objectif) yang benar-benar dapat merepresentasikan pola
perubahan nilai. Misalnya, pada estimasi cadangan migas dimana pola tekanan dan atau
densitas sangat tergantung/dipengaruhi oleh variasi kandungan lempung atau batu
pasirnya.
 Metoda numerik
Ada kalanya, pola distribusi nilai dimungkinkan mengikuti suatu pola tertentu yang secara
sientifik (keilmuan) dapat diterima. Metoda numerik merupakan salah satu tools handal
yang dapat memberikan alternatif solusi.

Pada kasus tersebut, sebagai contoh, jika pola sebaran nilai, setelah diuji dengan statistik
inferensia, ternyata distribusi nilai memiliki korelasi terhaadap jarak dari suatu titik
tertentu; katakan titik h(1,5).

XY xd yd Jarak hd Sort Jarak hd 140

y = 0.8085x4 - 7.6591x3 + 20.435x2 - 14.201x + 100

15 1 5 0 100 0 100 120
R = 1
3 4 2.236067977 105 2 105 100
1 3 2 105 2.236068 105
4 5 3 100 3 100 80
5 1 5.656854249 115 5.656854 115
60

1 4 1 99 40
1 1 4 87
2 4 1.414213562 102 20
4 4 3.16227766 98
0
4 1 5 88
0 1 2 3 4 5 6
Beberapa metoda estimasi lainnya yang kemungkian dapat diterapkan adalah:

1. Fourier Transform
Menggunakan deret trigonometri. Fungsi diskontinuitasnya dapat mendekati variasi
kadar blok akibat perbedaan parameter penunjuk (threshold). Masing-masing blok
digeneralisaikan untuk menghasilkan suatu fungsi tertentu. Jika fungsi tersebut dapat
disolusikan, maka distribusi nilai grid akan dapat diestimasi dengan ketelitian yang
lebih baik.

2. Fraktal Geometri
Memiliki kemampuan penggandaan diri yang simetris. Kemampuan ini dapat
diterapkan pada cadangan-cadangan yang dessiminated (tersebar) secara acak;
ataupun untuk struktut-struktur yang kompleks.

3. Element Hingga
Metoda numerik dengan kemampuan solusi lokal dan global. Jika korelasi antar
lubang bor dapat dikembangkan, maka jika tiap-tiap korelasi dianggap sebagai satu
element tersendiri Keseluruhan elemen yang menyusun suatu daerah prospek
dapat disolusikan sekaligus dengan elemen hingga
Tugas VIII:
1. Tentukan nilai ketinggian untuk semua titik menggunakan metoda
stokastik dan korelasi (numerik).

Semua tugas dikumpul (kirim) ke geostat_itm@yahoo.com