Co-kriging
Keuntungan co-kriging berasal dari penggunaan variabel sekunder yang diambil sampelnya di banyak lokasi, tetapi tidak harus
bersamaan dengan variabel primer, seperti yang disebutkan sebelumnya. Salah satu masalah potensial dengan salah satu metode
kokriging adalah data sekunder dapat terlalu melimpah relatif terhadap variabel primer.
Bentuk co-kriging untuk kovarians dari data sekunder ditulis sebagai
Bentuk estimator kokriging yang dikolokasi ini memerlukan variabel sekunder tj di semua lokasi data primer zi, dan pada semua
node grid yang diperkirakan.
Batasan
• Teknik Co-kriging mengasumsikan bahwa variable-variable yang ada memiliki hubungan yang linear satu sama lain.
Crossplot dari dua variable yang diukur di lokasi yang sama diharapkan memiliki hubungan yang linear. Maka dari
itu, penting untuk melihat hubungan antara variable utama dan variable pendukung sebelum menggunakan Co-
kriging, dimana hubungan antara keduanya harus linear.
• Hubungan antara variable utama dan variable pendukung harus “kuat”, dalam hal ini nilai koefisien korelasi di
antar kedua variable harus bernilai tinggi, dan semakin banyak titik sampel yang digunakan, semakin tinggi nilai
koefisien korelasinya.
• Penggunaan Co-kriging membutuhkan usaha pemodelan spasial yang baik. Semakin banyak kovariable yang
ditambahkan, semakin besar usaha pemodelan yang dibutuhkan. Secara umum, dibutuhkan K(K+1)/2 fungsi
variogram untuk banyak variable (K).
• Penyelesaian system Co-kriging membutuhkan usaha komputasi yang lebih dibandingkan ordinary kriging. Hal ini
diakibatkan dari ukuran matrix yang lebih besar, yang harus diinversikan untuk mendapatkan bobot yang sesuai
untuk variable dasar dan variable pendukung. Semakin banyak jumlah variable, semakin besar ukuran matrix
untuk diinversi.
CONTOH : ESTIMASI PERGESERAN STATIK DATA MT 2D MENGGUNAKAN CO-KRIGING
• Imput data berupa latitude, longitude dan restivitas semu modus TE dan TM dan fasa
impedansi modus TE dan TM
• Perhitungan variogram eksperimental pada data resistivitas semu dan fasa impedansi
untuk masing2 modus
• Pemilihan semivariogram teoritis (model spherical)
• Untuk mendapatkan kurva semivariogram fasa impedansi dan resistivitas semu
dilakukan variogram dan variogram fitunutk masing te dan tm
• Dari kurva yang dihasilkan kita dapat melihat sebaran data (nugget effect, sill, dan
range)
• Dilakukan cross semivariogram antara fasa impedansi dan resistivitas semu
• Proses co-kriging
• Meghasilkan Xos (nilai resistivitas semu hasil kriging)
• Static shift diperoleh dari selisih resistivitas semu dengan resistivitas semu hasil co-
kriging
Kelebihan cokriging
• memungkinkan peggunaan data sekunder ke dalam proses estimasi
• dapat mengkalibrasi dan mengontrol pengaruh data sekunder
dengan menggunakan model cross covarince (cokriging)
• menghasilkan estimasi yang lebih akurat daripada kriging ordinary kriging.
Kekurangan cokriging
• sistem cokriging kadang-kadang mungkin tidak cocok karena
variograms dan model crossvariogram yang tidak konsisten.
• membutuhkan lebih banyak waktu dan proses dalam estimasi.
Sumber : (http://repository.unej.ac.id/bitstream/handle/123456789/84660/Yulia%20Kusumawardani%20131810201074%20%23.pdf?sequence=1&isAllowed=y)