GEO-STATISTIK

TIM TEACHING:
DR. IR. WATERMAN SB, MT
DRA. INDUN TITISARIWATI, MT
IR. KRESNO, MM, M.SC
 JENIS-JENIS VARIABEL/FUNGSI
1. REGIONALIZED VARIABLES (VARIABEL TERREGIONALISASI)
Variabel terregionalisasi yang dicerminkan dari kata GEO.
Jika sebuah variabel terdistribusi dalam ruang, maka
dikatakan terregionalisasi sebagaimana ditunjukkan dalam
kadar logam dalam sebuah mineralisasi. Perilaku
terregionalisasi tersebut memenuhi aspek fenomena atau
kaidah kebumian yang spesifik ditemukan dalam kajian
GEO
2. RANDOM FUNCTION (FUNGSI ACAK)
Fungsi random atau fungsi acak yang dicerminkan dari kata
STATISTIK

GEO - STATISTIK
REGIONALIZED VARIABLES RANDOM FUNCTION
 1. VARIABEL TERREGIONAL
Dalam GEOSTATISTIK, maka variabel terregional dicerminkan
dengan kata GEO.
Jika sebuah variabel terdistribusi dalam ruang, maka dikatakan
terregionalisasi sebagaimana ditunjukkan seperti kadar logam
dalam sebuah mineralisasi.
Perilaku terregionalisasi tersebut memenuhi aspek fenomena
atau kaidah kebumian yang spesifik ditemukan dalam kajian
GEO.
Contoh fenomena kebumian yang menceminkan regionalisasi:

1. Harga logam dapat dipandang sebagai distribusi variabel

harga dalam waktu (ruang satu dimensi)
2. Nilai tukar rupiah terhadap dolar juga dapat dipandang
sebagai distribusi variabel dalam waktu (ruang satu dimensi)
3. Fenomena geologi seperti ketebalan dapat dipandang
sebagai distribusi ruang dua dimensi
4. Fenomena mineralisasi mempunyai karakteristik terdistribusi
dalam ruang tiga dimensi atas kadar, densitas, porositas,
granularitas, recovery, dan lain-lain
 Contoh fenomena kebumian yang menceminkan
regionalisasi di luar mining

1. Kepadatan penduduk
2. Curah hujan
3. Kepadatan hutan
4. Polusi udara dan zat kimia dalam air
5. Topografi
6. Dan hampir semua memungkinkan mencerminkan
regionalisasi
Variabel terregional (ReV) merupakan variabel yang terdistribusi
dalam ruang tiga dimensi, sehingga secara matematik, maka
merupakan fungsi f(x) atau sebuah titik x yang mempunyai
koordinat (xu, xv, xw).
f(x) = (xu, xv, xw)
Walaupun demikian, ReV umumnya menunjukkan gambaran
sangat iregular/eratik sehinga sulit untuk dianalisa. Oleh sebab
itu pada ReV tersebut harus dilakukan penghalusan atau
smoothing sehingga mudah dianalisis.
Contoh distribusi kadar lubang bor pada nikel:
Fenomena umum adalah kadar nikel meningkat secara perlahan
pada permukaan tanah, dususul penurunan kadar nikel yang
tajam sampai ke kontak bedrock (lihat gambar)
RF ReV

ReV = Regionalized
Variables
RF= Random Function

ReV di-smoothing
akan menjadi RF
RF memperlihatkan struktur
tertentu
ReV memperlihat aspek
random/eratik sulit dianalisis
Berdasarkan Gambar tersebut, maka sebuah ReV mempunyai
karakteristik yang kontradiktif, yaitu
1.Menunjukkan aspek lokal, acak, eratik yang merujuk dari sifat
variabel acak.
2.Menunjukkan aspek umum/general/average (rata-rata) yang
memperlihatkan atau merepresentasikan fungsi tertentu.

Solusi fenomena kebumian (khususnya estimasi cadangan) harus

mencakup dua aspek tersebut, yaitu aspek randomness dan
aspek structure.
Hal tersebut dapat diselesaikan melalui interpretasi probabilistik
pada random functions (RF).
 2. VARIABEL RANDOM / VARIABEL ACAK
Fungsi random atau fungsi acak yang dicerminkan dari kata
STATISTIK.
Variabel random (RV) adalah variabel yang mempunyai nilai
numerik menurut distribusi probabiltas tertentu.
Contoh RV :
1.Sebuah dadu mempunyai 6 sisi maka akan mempunyai nilai
probabilitas yang sama. Maka angka 5 pada lemparan dadu
merupaka realisasi RV pada peristiwa lemparan dadu.
2.Kadar z(x1)=1,5% Cu pada sebuat titik x1 pada endapan
tembaga merupakan realisasi RV Z(x1) pada titik x1. Jadi
pasangan titik-kadar z(x) dapat dipandang sebagai realisasi RV
dimana x terletak dalam deposit Z(x).
Random Functon (RF) menyatakan perilaku aspek random dan
aspek terstruktur, yaitu
1. Secara lokal pada titik x1, maka Z(x1) adalah variabel random
2. Z(x) juga sebuah RF pada pasangan titik x1 dan x1+h
Secara individu independen tetapi terpengaruh secara
spasial
z(x) sebagai initial variabel terrregional untuk setiap
pasangan data.
3. IMPLEMETASI VARIABEL TERREGIONAL
DAN VARIABEL RANDOM
ADALAH MODEL SEMIVARIOGRAM
 4. TUJUAN ESTIMASI
1. Menaksir kuantitas
Dapat dihitung dengan mengunakan rumusan-rumusan
sesuai geometri endapan.
Satuan ton, m3, dll.
2. Menaksir kualitas
Dapat dihitung dengan menggunakan Point Kriging, Block
Kriging, dan lain-lain.
Satuan gr/ton, ppm, %, dll.
3. Menaksir kesalahan
Dapat dihitung dengan persamaan Kriging, dan lain-lain
[k*-k], %, dll.
k adalah true grade, k* adalah estimate grade
 5. SYARAT ESTIMASI
1. Non bias
Bobot yang diterima masing-masing titik estimator bila dijumlahkan
sama dengan satu = 1
Non bias li = 1
li adalah bobot yang diterima titik estimator ke-i
Bila satu titik estimator: l1= 1
Bila dua titik estimator : l1+ l2= 1
Bila tiga titik estimator : l1+ l2 + l1= 1
2. Mempunyai ekspresi matematik yang benar
Kadar estimasi, k* = liki
li bobot yang diterima titik estimator ke-i
ki kadar titik estimator ke-i
Bila satu titik estimator: k* = l1k1
Bila dua titik estimator : k* = l1k1 + l2k2
Bila tiga titik estimator : k* = l1k1 + l2k2 + l3k3
3. Memenuhi fenomena atau kaidah kebumian
titik/conto yang lebih penting/strategis harus mendapat bobot yang lebih
besar dibandingkan titik/conto yang kurang strategis.
KESIMPULAN: Permasalahan pokok dalam estimasi adalah
menentukan bobot yang diterima masing-masing titik estimator.
6. PARAMETER DASAR STATISTIK
 7. WHY GEOSTATISTICS
SERI PEMBORAN PERTAMA PADA CEBAKAN A
1 h 2 3 4 5 6 7 8 9
Parameter statistik klasik
1.rata-rata = ?
2.Varian = ?
3.Simpangan baku = ?
4.Koefisien korelasi = ?

SERI PEMBORAN KE DUA PADA CEBAKAN B

1 h 9 3 7 4 5 6 8 2
Parameter statistik klasik
1.rata-rata = ?
2.Varian = ?
3.Simpangan baku = ?
4.Koefisien korelasi = ?
STATISTIK KLASIK TIDAK MAMPU MEMBEDAKAN
2 JENIS ENDAPAN TERSEBUT KARENA NILAI
PARAMETER DASAR STATISTIKNYA SAMA
BESAR

PERLU DIKEMBANGKAN STATISTIK NON

KLASIK ATAU STATISTIK SPASIAL
(GEOSTATISTIK)

10/4/2017
SERI PEMBORAN PERTAMA: BAGAIMANA DENGAN RATA-RATA
PERBEDAAN NILAI DUA CONTO YANG TERPISAH SEJAUH h?

h=1 satuan
[1-2] + [2-3] + [3-4] +[4-5]+[5-6] +[6-7] +[7-8] +[8-9]
==
8
h=2 satuan
[1-3] + [2-4] + [3-5] +[4-6]+[5-7] +[6-8] +[7-9]
==
7
h=3 satuan
[1-4] + [2-5] + [3-6] +[4-7]+[5-8] +[6-9]
==
6
Dan seterusnya
SERI PEMBORAN KEDUA: BAGAIMANA DENGAN RATA-RATA
PERBEDAAN KUADRAT NILAI DUA CONTO YANG TERPISAH
SEJAUH h?
h=1 satuan atau lag 1h
[1-9]+[9-3]+[3-7]+[7-4]+[4-5]+[5-6]+[6-8]+[8-2]
8 ==

h=2 satuan atau lag 2h

[1-3]+[9-7]+[3-4]+[7-5]+[4-6]+[5-8]+[6-2]
7 ==

h=3 satuan atau lag 3h

[1-7] + [9-4] + [3-5] +[7-6]+[4-8] +[5-2]
6 ==

Dan seterusnya
SERI PEMBORAN PERTAMA: BAGAIMANA DENGAN RATA-RATA PERBEDAAN
NILAI DUA CONTO KUADRAT YANG TERPISAH SEJAUH h?

SERI PEMBORAN KEDUA: BAGAIMANA DENGAN RATA-RATA PERBEDAAN

NILAI DUA CONTO KUADRAT YANG TERPISAH SEJAUH h?

10/4/2017
SERI PEMBORAN A SERI PEMBORAN B
9 9

8 8

7 7

6 6

5 5

4 4

3 3

2 2

1 1
1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9
10/4/2017
KESIMPULAN
1.Melakukan analisis data semata-mata berdasarkan pada statistik
klasik ternyata gagal menjelaskan fenomena kebumian yang terdapat
dalam cebakan. Kenapa? Karena dua seri pemboran ternyata
mempunyai parameter statistik yang sama.
2.Analisis data berdasarkan statistik spasial ternyata mampu
membedakan karakteristik antara dua seri pemboran. Terlihat seri
pemboran pertama memperlihatkan endapan yang lebih homogen
dibandingkan endapan ke dua yang ditunjukkan dengan semakin
kecilnya rata-rata nilai perbedaan dua conto yang terpisah sejauh h.
3.Dikaitkan dengan semivariogram yang akan terbentuk maka seri
pemboran pertama akan mempunyai daerah pengaruh yang lebih
besar (endapan lebih homoogen) dibandingkan endapan ke dua
(endapan lebih heterogen).
4.Dikaitkan dengan spasi pemboran (pengambilan conto) maka seri
pemboran pertama akan lebih panjang/jauh dibandingkan seri
pembbooran ke dua.
5.Dikaitkan dengan kesalahan estimasi, maka kesalahan estimasi pada
endapan A akan lebih kecil dibandingkan pada endapan B.
 TERIMA KASIH
SAMPAI BERJUMPA
PADA SESI KULIAH YAD.