Muhammad Ichsan - RTGC - LAGeostat5 [PDF]

Citation preview

LAPORAN PRAKTIKUM GEOSTATISTIKA TG 3202



MODUL KE – 5 Perbandingan Metoda Estimasi Spasial



Oleh: Muhammad Ichsan



12117143



Asisten : Oktaria Futri Ilham



12116089



Muhammad Fadhilah Harahap



12116084



Gita Rusmala



12116090



Helen Zetri



12116014



Adelia Gita Parera



12116123



Fira Pratiwi Darsono



12117151



Dita Aprilia Hutabalian



12116033



Safna Ramadhani



12116096



Mikha Parasian GT



12116042



PROGRAM STUDI TEKNIK GEOFISIKA JURUSAN TEKNIK MANUFAKTUR DAN KEBUMIAN INSTITUT TEKNOLOGI SUMATERA 2019/2020



I.



Tujuan Tujuan praktikum pada Modul 5. Perbandingan Metoda Estimasi Spasial yaitu untuk mengetahui dan membuat estimasi spasial dengan menggunakan berbagai metoda gridding misalnya polygon (nearest neigh-bor), triangulation, inverse distance dan kriging.



II.



Teori Dasar Statistika merupakan cara-cara tertentu yang digunakan dalam mengumpulkan, menyusun, atau mengatur, menyajikan, menganalisa dan memberi interpretasi terhadap sekumpulan data, sehingga kumpulan bahan keterangan dapat memberi pengertian dan makna tertentu. Seperti pengambilan kesimpulan, membuat estimasi dan juga prediksi yang akan datang. Pada modul kali ini, pembahasannya untuk melakukan Perbandingan Metoda Estimasi Spasial. Metode kriging adalah teknik untuk mengoptimalisasi estimasi suatu titik dengan menggunakan semivariogram dan sekumpulan data yang aktual. G. Matheron menamakan proses prediksi ini sebagai kriging (Ricardo A. Olea, 1999: 91). Kriging juga dapat diartikan sebagai metode untuk menangani variabel teregionalisasi (regionalized variable). Variabel teregionalisasi adalah variabel yang dapat mempunyai nilai yang berbeda (bervariasi / berfluktuasi) dengan berubahnya lokasi / tempat. Variabel teregionalisasi berbeda dengan variabel random, karena mempunyai karakter deterministik pada kontinuitas spasialnya. Sebagai contoh: topografi permukaan tanah, porositas, permeabilitas. Porositas adalah jumlah atau persentase pori atau rongga dalam total volume batuan, sedangkan permeabilitas merupakan kemampuan batuan atau tanah untuk melewatkan atau meloloskan kandungan mineral. Bila ditinjau dari cara estimasi dan proses perhitungannya, kriging dapat dibedakan atas beberapa macam, yakni : Point kriging, Block kriging, Co-kriging, Universal kriging. Point kriging atau simple kriging atau sering disebut juga dengan Ordinary kriging yaitu metode perhitungan nilai harapan (estimasi) suatu titik sampel. Block kriging merupakan teknik yang memperkirakan sifat-sifat statis dari suatu block. Co-kriging adalah suatu teknik khusus dalam interpolasi dengan memakai dua variabel yang berbeda akan tetapi secara spasial saling berhubungan. Sedangkan Universal Kriging adalah kriging dari data yang mempunyai kecenderungan trend tertentu. Universal kriging tepat jika diaplikasikan untuk menganalisis data yang mempunyai kecenderungan tertentu, misalnya tebal lapisan bertambah dengan berubah-ubahnya



arah atau nilai permeabilitas yang berkurang dengan menjauhnya lokasi dari channel sand. Channel sand merupakan lokasi yang telah ditandai atau dijadikan target penambangan. Universal kriging sering disebut juga dengan “kriging with a trend”. Universal kriging sebenarnya hampir mirip dengan Ordinary kriging. Perbedaan dari keduanya hanyalah pada jenis data yang diteliti. III.



Pengolahan Data 3.1. Script •



Script Plot Histogram Cross Validation import numpy as np import matplotlib.pyplot as plt x = np.arange(6) plt.bar(x, height= [0.006813474,    0.159348078, 0.021645919, 0.0283 9744, 0.03757385, 0.063182843]) plt.xticks(x+.3, ['kriging','idp','nearest','natural','triangulation ','min_curv']) plt.title('R^2') plt.show()



3.2. Langkah Kerja Adapun langkah pengerjaan sebagai berikut: 1.



Buka Software Sufer



2.



Klik Grid — Data.



3.



Pada dialog Open, pilih file data “SampleData.dat” kemudian klik button Open.



4.



Pada dialog Grid Data, pilih Inverse Distance to a Power pada group Gridding Method.



5.



Klik button Advanced Options untuk menampilkan dialog dan melengkapi parameter parameter operator gridding tersebut. Silahkan gunakan local guide atau help dari Surfer untuk memahami lebih detil dari parameter-parameter tersebut.



6.



Klik OK untuk mengeksekusinya.



IV.



Hasil dan Analisis •



Output Soal 1



Gambar 1. Plot Histogram Cross Validation •



Output Soal 2



Gambar 2. Perbandingan Hasil Grid Invers Distance dengan Power 0.00001 dan 10



•



Output Soal 3



•



Output Soal 4 D_URA: Uranium



-



D_THO:Thorium



Analisis Pada Soal 1 dilakukan analisa cross-validasi. Cross Validasi digunakan untuk mendefinisikan dataset "menguji" model dalam tahap pelatihan yaitu validasi data dalam rangka untuk membatasi masalah seperti terjadinya overfitting, memberikan wawasan tentang bagaimana model akan menggeneralisasi independen dataset dan lainlain. Nilai dari cross validasi yang menentukan bahwa estimasi spasial baik untuk data tersebut dilihat dari nilai R2 dari cross validasi masing-masing metode estimasi spasial tersebut dengan mengacu semakin mendekati 1 semakin baik estimasi spasialnya. Sehingga estimasi spasial yang paling baik adalah Inverse Distance.



Pada soal nomor 2 dilakukan perbandingan anatara gridding inverse distance menggunakan parameter power yang ekstrim yaitu 0.00001 dan 10. Inverse distance with power adalah salah satu metode interpolasi untuk menaksir suatu nilai pada lokasi yang tidak tersampel berdasarkan data disekitarnya. Metode ini sering digunakan dalam kegiatan eksplorasi karena dalam proses perhitungannya lebih sederhana dan mudah dipahami. Metode ini biasanya digunakan dalamindustri pertambangan karena mudah untuk digunakan. Pemilihan nilai pada power sangat mempengaruhi hasil interpolasi. Nilai power yang tinggi akan memberikan hasil seperti menggunakan interpolasi nearest neighbor dimana nilai yang didapatkan merupakan nilai dari data point terdekat. Nilai untuk power yang terbaik sebetulnya dapat dilakukan dengan mencoba menggunakan cross validasi. Dengan begitu nilai ekstrim baik 10 atau 0.00001 hasilnya belum tentu baik apabila kita implementasikan pada data yang kita miliki. Dimana power tersebut seperti menunjukan kontras pada kontur, misalkan power tersebut bernilai 10 maka nilai space yang dihasilkan akan semakin besar. Bila semakin kecil powernya berarti pangkat nya kecil dan hasilnya juga bakal kecil jadi rapat: konturnya karena space nya kecil. dapat kita kita lihat pada countour map dengan power 10 detail dari petanya kurang terlihat sedangkan pada power 0.00001 detail dari kontur lebih teliti dan jelas. Pada Soal 3 kita membahas mengenai estimasi spasial yaitu krigging menggunakan berbagai jenis krigging, pada contoh soal yang ada pada praktikum kita membuat krigging dengan data yang sama menggunakan variogram linier. Dan hasilkan data yang menurut saya sudah cukup baik. Untuk membandingkan dengan metode variogram lainnya tanpa menggunakan variogam linier, hasilnya adalah kita dapat hasil yang menurut saya buruk untuk metode selain variogram linier. Semuanya tidak mampu memberikan gambaran yang jelas pada konturnya. Hal ini disebabkan karena ketiadaan kelinieran, karena memang kita tidak melibatkan variogram linier. Ini berarti ada pengaruh kelinieran terhadap model variogram dimana setiap model harus memiliki linier sebagai dasarnya. Pada Soal 4 Pada soal yang terakhir kita diminta untuk melakukan gridding untuk data radiometrics.csv untuk data Thorium dan Uranium. Model menggunakan variogram linier dan untuk inverse distance digunakan power sebesar 1 dan dengan metode lain tidak ada yang diubah pengaturannya pada surfer. Dilihat dari nilai yang dihasilkan oleh cross validasinya, dapat dilihat bahwa untuk data Thorium berdasarkan nilai cross



validasi yang terbaik adalah minimum curvature sedangkan untuk data uranium yang terbaik adalah krigging dengan linier.



V.



Kesimpulan Pada praktikum kali ini dapat diambil kesimpulan, yaitu: 1.



Pemilihan nilai pada power pada metode inverse distance sangat mempengaruhi hasil interpolasi.



2.



Inverse Distance adalah salah satu metode interpolasi untuk menaksir suatu nilai pada lokasi yang tidak tersampel berdasarkan data disekitarnya.



3.



Metode kriging Hole Effect baik untuk data yang memiliki jangkauan antar data yang jauh.



4.



Cross Validation digunakan untuk melakukan prediksi model dan memperkirakan seberapa akurat sebuah model prediktif ketika dijalankan dalam praktiknya.



5.



Semakin nilai R2 Pada Cross Validation Mendekati 1 maka semakin baik estimasi spasial tersebut DAFTAR PUSTAKA



Dajan, Anto. (1995). Pengantar Metode Statistik Jilid I. Jakarta: LP3S. Bailey, Kenneth D. (1994). Methods of Social Research. 4th ed. New York: The Free Press Modul Praktikum Geostatistika Geofisika: Institut Teknologi Sumatera



LAMPIRAN



Geophysics Headers



Sample.dat



Radiometrics