Anda di halaman 1dari 43

Statistik spasial- Univariate

h-Scatterplot
Contoh bagaimana data berpasangan pada h-scatterplot

U-S T-B BL-TG TL-BD


Spasi 1m Spasi 1m Spasi 1m Spasi 1m

h=(0,1) h=(1,0) h=(-1,-1) h=(1,1)

Setiap susunan pasangan hScatterplot dan


koefisien korelasi dapat berbeda Anisotropik
Bagaimana anisotropik muncul?

Proses terarah, Contoh:


Proses mineralisasi kedua dapat muncul
dekat sebuah intrusi dike.
Untuk mendeteksi anisotropik arah dan
jarak variogram
Jenisjenis Anisotropik
Geometri Anisotropi Dalam satu lokasi, ada
perbedaan variogram pada range berbeda, sill
yang sama.

g g
A B

h h

Kebergantungan spasial pada satu arah lebih


panjang dari arah yang lainnya.
Jenisjenis Anisotropik (2)
Zona/Daerah anisotropikDalam satu lokasi,
ada perbedaan variogram pada sill berbeda,
range yang sama.

g g
B
A
h h

Varian secara khusus berbeda di dua zona/lokasi


Jenisjenis Anisotropik (3)
Campuran anisotropikGabungan antara
Geometri dan Zona Anisotropik. Nilai sill dan
range terus bervariasi di seluruh arah.
Contoh
Peta Lokasi Araharah variogram
Contoh
Araharah variogram Permukaan variogram

Jika tidak ditemukan perbedaan


dalam arah spasial Isotropik
Contoh
Anisotropik
Contoh (2)
Anisotropik

Data Peta Variogram


Contoh (3)
Anisotropik
Arah variogram

Peta Variogram
Modelmodel Variogram
Exponensial: Nilai adalah acak tapi tidak
bergantung pada tetangga terdekat (data
disampingnya)

Contoh:
Perubahan lapisan terjadi
lebih atau sedikit acak.
Ketidakhadiran gaya
pada endapan selama
akumulasi.
Modelmodel variogram (2)
Gaussian: seperti eksponensial, tapi dengan
range kebergantungan sangat kuat, sangat
halus disetiap titik (bentuk parabolik).

Mungkin diharapkan dari


sebuah kejadian yang
secara fisik harus selalu
bersambung/menerus.
Contoh:
Lapisan tanahwater table
ModelModel Variogram (3)
Sperikal/Bola: Perpotongan nilai yang sama;
ukuran sama atau range dengan zona transisi
(proses overlap)

Umumnya digunakan model


variogram ini pada sains
kebumian.
ModelModel Variogram (4)
Contoh respon model variogram
Estimasi
Pembahasan tentang:
Berbagai jenis algoritma estimasi
Bobot kombinasi linear
Kriging
Estimasi / Teknik Interpolasi

Inverse Distance
Weighting (IDW)
Interpolasi
Polinomial
Kriging
Radius pencarian

Titik dengan nilai yang diketahui


Titik yang menjadi nilai estimasi
Ilustrasi Interpolasi/Teknik Estimasi
Metode Inverse Distance Weighted (IDW)
merupakan metode deterministik yang
sederhana dengan mempertimbangkan titik
disekitarnya (NCGIA, 1997).

* NCGIA (National Center for Geographic Information and Analysis)

Asumsi:
Nilai interpolasi akan lebih mirip pada
data sampel yang dekat daripada yang
lebih jauh.
Ilustrasi model IDW
Inverse Distance Weighting (IDW)

Titik terjauh akan memberikan nilai terkecil


Keterbatasan model IDW
Menurut Watson dan Philip, 1985 ada keterbatasan
IDW, yaitu:

Nilai hasil interpolasi terbatas pada nilai


yang ada pada data sampel.
Pengaruh dari data sampel terhadap hasil interpolasi
disebut sebagi Isotropic
Metode ini menggunakan rata-rata dari data sampel
sehingga nilainya tidak bisa lebih kecil dari minimum
atau lebih besar dari data sampel
Interpolasi Polinomial
Interpolasi polinomial merupakan bentuk umum dari
interpolasi liniear.
Perbedaannya terletak kepada fungsi interpolan yang
digunakan. Pada interpolasi linier, fungsi yang digunakan
adalah fungsi linier, sedangkan pada interpolasi
polinomial, fungsi yang digunakan adalah sebuah
polinomial dengan derajat yang lebih tinggi.

Interpolasi Linear

Interpolasi Polinomial
Interpolasi Polinomial

Orde I

Orde II
Interpolasi Polinomial

Beberapa orde dalam polinomial


Keterbatasan Model Polinomial
Menurut Watson dan Philip, 1985 ada keterbatasan
IDW, yaitu:

Proses komputasinya yang kompleks


(computationally expensive).
Hasil akhir interpolasi polinomial tidak terlalu
akurat khususnya pada titik-titik ujung
(phenomena runge).
Estimasi Kriging
Berdasarkan model statistik
Hubungan statistik diantara titik
pengukuran
Tidak hanya memberikan pengukuran
permukaan, tetapi memberikan juga hasil
prediksi yang akurat
Asumsi :
jarak dan orientasi antara sampel data menunjukkan
korelasi spasial yang penting
dalam hasil interpolasi (ESRI, 1996)
* ESRI = (Environmental Systems Research Institute)
Estimasi Kriging (2)

Sama dengan IDW, tetapi bobot tidak


didasarkan hanya pada jarak
Bobot juga secara keseluruhan
bergantung susunan spasial diantara
titik pengukuran
Koreksi spasial mesti
diperhitungkan: jumlah sampel,
posisi, jarak antar titik sampel.
LangkahLangkah Estimasi Kriging

1. Menghitung semivariogram eksperimennya


Mencari hubungan spasialnya

2. Mencocokkan ke model semivariogram


Garis pencocokkan menempati titik data

3. Membuat matriks
Untuk menghitung bobot kriging

4. Membuat sebuah prediksi


menggunakan bobot kriging
Nilai yang akan
Estimasi Kriging (3)
diprediksi
Contoh

Koordinat

5 titik dengan nilai yang diketahui


1 titik dengan nilai yang akan di estimasi
Estimasi Kriging (4)
Model Ordinary Kriging

Z
Estimasi Kriging (5)
Prediktor
prediktor
model N
Z Z i Z i
i 1

Sama Inverse
Distance Weight
(IDW)
Estimasi Kriging (6)
Bobot IDW vs Kriging
N
Z i Z i
i 1
Weight

IDW: Bobot hanya berdasarkan jarak

Bobot Kriging berdasarkan:


Semivariogram
Jarak ke lokasi prediksi
Hubungan Spasial antara nilai terukur disekitar
lokasi prediksi
Estimasi Kriging (7)
Kondisi unbias
Ketika melakukan prediksi, beberapa akan
di atas nilai acuan dan beberapa di bawah

Pada ratarata, perbedaan nilai aktual dan


prediksi akan menjadi nol atau mungkin
lebih kecil


2
N

Z Z Z i Zi
2 Minimize the
statistical
i 1 error

Ini dinamakan membuat prediksi unbias


Estimasi Kriging (8)
Solusi
Solusi matrix untuk meminimalkan, tetapi
dibatasi oleh nilai yang tidak bias:

Hasilnya digunakan persamaan solusi


untuk semua bobot, jadi prediktor dapat
N
dibentuk menggunakan:
Z
i 1
i i
Legend
ca_outline
! ca_ozone_pts

Trend removed
Prediction Map
[ca_ozone_pts].[OZONE]
Filled Contours
0.046500 - 0.065771
0.065771 - 0.078867
0.078867 - 0.087768
0.087768 - 0.093817
0.093817 - 0.097928
0.097928 - 0.103976
0.103976 - 0.112877
0.112877 - 0.125973
0.125973 - 0.145244
0.145244 - 0.173600

IDW Ordinary Kriging (OK)


IDW OK

Root mean square Root mean square


prediction error = vs prediction error =
0.01135
0.01377

Kriging lebih baik and lebih valid


Inpormasi tambahan berkaitan
Interpolasi Kriging
NW to SE
global trend

NE to SW
global trend
Universal Kriging
Setelah menghilangkan trend global ,masih terdapat trend lokal ,
Sisa trend ini dimodelkan oleh semivariogram

Variogram
surface

NE to SW NW to SE
local trend local trend
Range = 74 km Range = 114 km
Keterbatasan model Kriging

Kelemahan dari metode ini adalah tidak dapat


menampilkan puncak, lembah atau nilai yang berubah
drastis dalam jarak yang dekat (Pramono, 2008).
Kuis
Spatial statistics - Bivariate
Example
Variable x Variable y

x can be used to predict y at unsampled


location if there is correlation between x and
y