GEOSTATISTIK

Kelompok 1
 AKRAM RIFAI
 FAISAL ANUGRAH
 AAN ASHARI
 AGUSRIANI
PERKIRAAN UMUM
Perkiraan umum terbagi menjadi dua metode dengan
menggunakan kombinasi linear dengan
mempertimbangkan dari semua nilai sampel yang
tersedia, yaitu:

• Metode polygon
• Metode declustering sel
Metode Poligon

Gambar 1.1 menunjukkan bahwa area yang

diarsir dipengaruhi oleh polygon tertutup.
Titik pusatnya yaitu pada sampel 328 ppm.

Gambar 1.1
 • Gambar 1.2 menunjukkan bentuk
dipengaruhi polygon yang
penggunaannya dengan metode
bisectors tegak lurus (perpendicular
bisectors).
• Dari gambar (a) sampai (f)
menunjukkan tahap-tahap
pembentukkan dalam daerah yang
dekat dari sampel tengah daripada
sampel yang lainnya.
Gambar 1.2
 Gambar 1.3

• Gambar 1.3 menunjukkan bahwa polygon membatasi area global atau umum
• Bagian (a) dan (b) menunjukkan polygon tidak dapat menutupi antara metode bisector
perpendicular dengan titik data. Yang artinya bisector perpendicular tegak lurus dengan
sampel 85 ppm dan ketiga sampel tidak membentuk daerah yang tertutup. Sehingga
membutuhkan batas alamiah seperti batas kontrak atau berhubungan dengan geologi untuk
batas wilayah keseluruhan atau batas polygon tertutup untuk semua sampel
• Bagian (c) menunjukkan jika batas alamiah tidak dapat digunakan maka sampel dibatasi oleh
jarak ke tepi polygon sehingga menimbulkan efek polygon tertutup berbentuk busur
 Metode Declustering sel
Metode Declustering sel yaitu metode
yang membagi daerah menjadi empat
persegi, yang memiliki bobot yang
sama.

Gambar 1.4
Perbandingan Metode Declustering

Gambar 1.5 Gambar 1.6

• Gambar 1.5 merupakan metode polygon yang mempenagruhi 470 data sampel
• Gambar 1.6 merupakan peta kontur yang menunjukkan antara rata – rata decluster umum dan
ukuran decluster sel. Dari peta tersebut dapat terlihat ukuran selnya 20 m dari timur ke barat
dan mendekati 23 m dari utara ke selatan.
PERHITUNGAN TITIK
PENDAHULUAN

Pada BAB sebelumnya, kita mempelajari beberapa cara

perhitungan suatu nilai utama tentang sebuah area yang
termasuk dimana terdapat banyak sample. Pemikiran ini
dibutuhkan pada tingkat awal dalam sebagian besar studi ini
jarang menghasilkan hasil akhir. Kita juga sering perlu
untuk menghitung area yang lebih kecil; kita bahkan
mungkin perlu untuk menghitung nilai yang tidak diketahui
pada lokasi spesifik.
Detail bagaimana metode lain terimplementasi akan kita
bandingkan pelaksanaan mereka pada beberapa lokasi. Nilai
V pada lokasi sample dekat 65E,137N ditunjukan dalam
gambar 11.1 dan terdaftar pada tabel 11.1. Keragaman
nilai sample terdekat ini memberikan tantangan untuk
perhitungan atau perkiraan
 Metode Polygon

Metode polygon yang telah kita pelajari pada bab terakhir dapat dengan mudah
diterapkan pada perhitungan titik. Kita secara sederhana memilih sebagai sebuah
perhitungan nilai sample yang paling dekat pada titik yang coba kita hitung.
Gambar 11.1 memperlihatkan jarak dari 65E,137N pada lokasi sample lain yang
ditunjukkan pada gambar 11.1

Nilai dapat berubah secara luas bergantung pada pendek

jarak. Ketidakberlanjutan beberapa metode perhitungan
KRIGING BIASA
Kriging Biasa
Dalam bab sebelumnya kami membandingkan beberapa
metode estimasi titik dan melihat bahwa metode yang
berbeda “merupakan yang terbaik" menurut kriteria
estimasi. Dalam bab ini kita akan melihat kriging biasa,
metode yang sering dikaitkan dengan akronim B.L.U.E.
untuk yang terbaik estimator linear yang tak biasa.
Model Fungsi Acak dan yang Tak Biasa
Di setiap titik di mana kita tidak memiliki sampel, kami akan
memperkirakan nilai yang tidak diketahui menggunakan
kombinasi linear tertimbang dari sampel yang tersedia
dengan rumus sebagai beikut :
Model Fungsi Acak dan Varians Kesalahan
Sebagai metodologi estimasi, kriging biasa
membedakan dirinya dengan usahanya untuk
menghasilkan seperangkat perkiraan yang varians
kesalahannya minimum. Varians kesalahan, dari
sekumpulan perkiraan dapat ditulis sebagai
Mode Parameter Lag Range
Teknik parameter Lagrange merupakan prosedur untuk
mengubah masalah minimisasi dibatasi menjadi satu yang
tidak dibatasi Jika kita mencoba untuk mengatasi minimisasi
yang diungkapkan dalam Persamaan 12.8, masalah tak
terbatas, kami mengalami kesulitan. Untuk menghindari
masalah canggung ini, kami memperkenalkan hal lain yang
tidak diketahui persamaannya Variabel baru ini disebut
μ,Lagrange parameter, dapat dimasukkan ke dalam Persamaan
12.8 dengan cara berikut:
Meminimalkan kesalahan dari varians
Kami sekarang telah meminimalkan varians kesalahan dengan menghitung
n+1 turunan pertama sebagian dari Equation 12.9 dan pengaturan masing-
masing untuk O. Diferensiasi dari hubungan dengan w1 diberikan secara
rinci; parsial pertama derivatif sehubungan dengan bobot lainnya dapat
dihitung dalam cara serupa. Istilah pertama di sisi kanan Persamaan 12.9
tidak tergantung pada Wl, dan karena itu tidak mempengaruhi turunan
dengan mengacu ke ω1. Memperluas penjumlahan ganda dalam kedua
variabel dan menurunkan semua istilah yang tidak termasuk Wl memberi
kita dapat ditentukan danegan persamaan sebagai berikut :
perubahan Kriging Menggunakan γ atau p
Ketika kami menurunkan ekspresi untuk varian kesalahan, kami berasumsi itu
variabel acak dalam model fungsi acak kami semua memiliki yang sama mean dan
varians. Dua asumsi ini juga memungkinkan kita untuk berkembang hubungan
berikut antara model variogram dan model
covarlance:

Ada juga hubungan antara model correlogram dan model covariance

dapat menggunakan :
Contoh Kriging Biasa

Contoh konfigurasi data untuk mengilustrasikan penduga kriging.

Konfigurasi ini diberikan sebelumnya pada Gambar 11.1 di mana ia
digunakan untuk mengilustrasikan teknik estimasi lain yang dibahas dalam
Bab 11. Nilai sampel diberikan segera di sebelah kanan tanda tambah.
Kriging Biasa dan Model Kesinambungan Spasial

Model spesifik dari fungsi kovarian

Tampilan Intuitif pada Kriging Biasa

Dua variogram dan fungsi kovariansnya masing-masing yang hanya

berbeda menurut skalanya.

aspek penting dari masalah estimasi, jarak, dan pengelompokan

Informasi pada jarak ke berbagai sampel dan pengelompokan antara
sampel semua dicatat dalam jarak statistik, sehingga menyesuaikan
prosedur estimasi untuk pola tertentu kontinuitas spasial.
Model Parameter Variogram

Hasil kriging biasa menggunakan dua fungsi kovariansi yang

berbeda hanya berbeda dalam skala mereka. (a)
menunjukkan bobot kriging untuk variogram dengan
ambang 20 sementara (b) menunjukkan bobot untuk
ambang 10.
ORDINARY KRIGING
ORDINARY KRIGING

Kriging adalah metode geostatistik yang digunakan untuk

mengestimasinilai dari sebuah titik atau blok sebagai kombinasi
linier dari nilai conto yang terdapat disekitar titik yang akan
diestimasi.
Kriging Menurut Para Ahli

Istilah kriging diambil dari nama seorang ahli, yaitu D.G. Krige, yang
pertama kali menggunakan korelasi spasial dan estimator yang
tidak bias. Istilahkriging diperkenalkan oleh G. Matheron untuk
menonjolkan metode khusus dalammoving average terbobot
(weighted moving average) yang meminimalkan variansdari hasil
estimasi.
Teori Kriging sering dihubungkan dengan akronim BLUE, yang
merupakan akronim dari Best Linear Unbiased Estimator.
Ordinary Kriging disebut Linear karena estimasinya merupakan
kombinasi linear berbobot dari data yang tersedia.
 Unbiased Ordinary Kriging mencoba mempunyai mean residual
error (mR) sama dengan nol.
 Best karena tujuannya adalah meminimasi σ 2 R variansi error
BLOK KRIGING

• Bab ini menyimpulkan dengan studi kasus yang membandingkan

estimasi blok yang dihitung dengan kriging
dan dengan jarak terbalik kuadrat ke nilai-nilai yang benar.
Sistem Blok Kriging
• Sistem blok kriging adalah sirnilar dengan sistem kriging point yang
diberikan
di bab sebelumnya :
Estimasi Blok Versus rata-rata Titik Perkiraan

Contoh blok kriging sama dengan slide sebelumnya. Dimana Lima

sampe. l lokasi ditandai dengan tanda plus; nilai sampel diberikan
segera di sebelah kanan setiap tanda dengan blok kriging yang
sesuai berat badan diapit dalam tanda kurung.
Memvariasikan Grid dari Lokasi Titik di dalam Blok

Ketika menggunakan pendekatan blok kriging, harus memutuskan

bagaimana mendiskritkan area local atau memblokir yang
diperkirakan. Grid diskritisasi poin harus selalu teratur.
Contoh variasi grid dari lokasi titik di dalam blok
• blok yang diarsir diestimasi secara langsung menggunakan blok kriging,
dengan blok yang didekati oleh empat titik yang ditampilkan sebagai
titik. Dekat lokasi sampel ditandai dengan tanda tambah. Nilai yang
diposting langsung ke kanan tanda plus adalah nilai sampel dan nilai
yang dilampirkan dalam tanda kurung adalah berat kriging yang sesuai.
Angka (b) untuk (e) menunjukkan hasil untuk titik kriging masing-masing
dari empat poin di dalam kotak yang teduh. Rata-rata dari titik
perkiraan dalam (b) ke (e) identik dengan perkiraan blok VA = 337
dalam (a).
• Perkiraan dan bobot titik (b) - (e) ditabulasikan dan dirata-ratakan,
mendemonstrasikan persamaannya untuk memperkirakan blok:

mungkin lebih besar dalam satu arah daripada yang lain jika kontinuitas spasial
bersifat anisotropik
TERIMA KASIH