BAB I

SEMI-VARIOGRAM
1.1 Perhitungan Dasar
Semivariogram adalah alat dasar geostatistik untuk pemvisualan, pemodelan dan
penyelidikan hubungan ruang dari variabel keseluruhan. Sebagai penamaan yang
tidak secara langsung, semivarian adalah suatu alat pembeda. Kelanjutan
pengukurannya yaitu bagaimana variabel z merubah nilai diantara x dan (x+h), pada
jarak pemisah h, yaitu mengikuti persamaan :
*(h) = [z(x) z(x+h)]2 / 2n
Dimana (h) adalah semivarian untuk jarak h. sekarang untuk suatu contoh yang kita
inginkan untuk menghitung semivarian untuk perbedaan jarak pada titik sampel yang
menggunakan variasi didalam deposit bijih (tabel 1). Bila suatu data diambil dalam
grid yang besar dengan jarak tertentu misal 100 meter. Secara pengacakan sampelsampel didistribusi pada toleransi yang cukup dalam setiap perbedaan kelas yang
berisi hasil yang berarti. Pengambilan untuk contoh adalah suatu jarak tambahan pada
2 meter dan toleransi 1 meter, berarti semua sampel-sampel dengan jarak didalam 1
=<h<3 akan dapat dimasukkan kedalam perhitungan. Dasar perhitungan untuk setiap
jarak h meliputi beberapa langkah :
-

Pengambilan dari setiap pasangan di dalam perbedaan jarak.

Mengukur perbedaan didalam nilai diantara pasangan.

Kuadaratkan.

Jumlahkan semua kuadrat.

Bagi dengan jumlah banyaknya kuadrat dikali dua.

Lakukan hal tersebut diantara jarak h yang menghasilkan nilai-nilai penelitian

semivarian. Untuk contoh hasil-hasilnya dapat didaftar didalam tabel 2. Pada
pengurangan yang berangsur-angsur didalam nomor pada pengkuadratan dapat
terlihat, oleh karena itu maka kita harus hati-hati didalam meyakinkan penggambaran

pada jarak terpisah pada kuadrat. Pemplotan pada penelitian untuk deposit bijih dapat
dilihat pada figure 1. Kemiringan didalam kurva 25m, dan yang lainnya ada yang
sampai 35 m. Hasil ini adalah tak sebanyak perbedaan diantara sampel 25 m dengan
perbedaan samapai dengan 15 m.. Bila kita kembali ke lubang pemboran (tabel 1) kita
dapatkan nilai perbedaaan yang terlihat naik dan turun. Pada fakta yang ada diantara
pertengahan 47 meter dan yang lainnya pada 81 meter dan 106 meter. Jarak diantara
yang dapa tdipilih adalah 34 dan 35 meter, maka dapatlah penelitian semivariogram
ini digambarkan sehingga perhatian kita untuk penentuan lokasi yang kaya.
1.2 Variogram Pada Satu Dimensi
Anggapan pada suatu urutan dari n sampel yang memiliki jarak yang sama, d,
panjang L. Kemudian xi (I=1,N). Notasi ini adalah perhitungan matematika sederhana
didalam perhitungan angka, f(xi). Pada nomor sampel I adalah fungsi dari posisi x i
(ie,f(xi) adalah nilai pada nilai (f) diukur pada lokasi xi. Dimana nilai pada variabel,
angka, bergantung pada posisinya veriabel ii disebut dengan variabel keseluruhan.

Sampel dapat berupa berbagai tipe, tetapi dapat diasumsikan bahwa mereka memiliki
penyokong (ie, orentasi yang sama, volume, dan ketajaman geometri). Eg. Garis yang
mewakili pemotoongan lubang DDH pada pengiraanpanjang yang sama d atau garis
pada perpanjangan saluran sampel d diambil sepanjang tiang).

Variogram untuk perbedaan jarak sampel d pada setengah perbedaan kuadratyang

dibedakan diantara perbedaan seluruh pasangan-pasangan pada beberapa sampel d,
dapat ditulis (d) :

1.3 Model Penelitian Semivarian

Proses untuk memasangkan sebuah model teoritis semivariogram kepada sebuah
pengamat semivariogram disebut juga analisis struktural. Pemilihan model untuk
diberikan pada dataset tergantung pada saat sedang berlangsungnya pertimbangan
baik secara praktitis ataupun teoritis. Kelebihan pedoman tersebut untuk para pekerja
latihan dalam memasangkan sebuah model teoritis adalah (1) kehadiran atau
ketidakhadiran daerah tapak dimana varian tidak berubah dimanapun saat jarak
meningkat (=ambang), (2) jarak dimana semivarian mendekati varian atau ambang
(=range), dan (3) berjalan berdasarkan keasliannya.

Jarak (range) adalah pernyataan pada hubungan dalam dataset: panjangnya jarak
menunjukkan tingginya hubungan, kecilnya jarak menunjukkan rendahnya hubungan.
Nilai ambang adalah seimbang dengan contoh varian.
Penelitian semivarian sangatlah sering tidak mendekati angka nol pada keasliannya;
penelitian semivarian tersebut memperlihatkan penangkapan-y yang disebut efek
gumpal. Hal ini bisa melengkapi varian lebih kecil dibandingkan dengan pencontohan
jarak, atau pada rendahnya ketilitian ukuran pada pernyataan tidak langsung bahwa
pencontohan memberikan tempat yang menghasilkan lebih dari satu perbedaan hasil.
Tiga model sangat sering menjadi model berbentuk bola, model yang berkaitan
dengan eksponen dan model yang berkaitan dengan logaritma pada literatur.
Penggunaan model yang berbentuk bola sangat sering oleh ukuran kejauhan dan
dapat dibuat berdasarkan mengikuti persamaan :
(h) = C [3h/2a h3/a3]
Dimana h adalah jarak, a adalah range (jarak) dan C adalan ambang (Gamb.7)
Model yang berkaitan dengan eksponen secara teoritis tidak memiliki ambang dan
juga range (jarak). Ambang adalah garis lurus yang mendekati kurva dan dalam
latihan, range adalah jarak dimana kurva kuranglebih 95% pada ukuran maksimum.
Semivarian dalam nilai ini adalah diambil dari nialai ambang. Persamaan untuk
semivogram secara eksponen adalah :
(h) = C[1 exp (-h.a)]
Kedua model yang berbentuk bola dan model yang berdasarkan dengan eksponen
memperlihatkan perjalanan yang lurus berdasarkan keasliannya, tapi model yang
berdasarkan eksponen naik lebih lambat dan tdak pernah mencapai ambangnya.
Model yang berkaitan dengan logaritma atau model Wyssian juga jauh dari nilai
ambang.
(h) = p ln(h)

Model lainnya yang kadang-kadang digunakan adalah model Gaussian, model garis
lurus (linear), dan model garis lurus (linear) pada umumnya. Model Gaussian
memiliki nilai ambang tapi pada awalnya menampakkan garis yang parabol.
(h) = [1 exp(-h2/a2)]
Model yang paling mudah tanpa nilai ambang adalah model garis lurus (linear)
(h) = ph
Dimana p adalah nilai lekukan pada garis.
Akhirnya, pada umumnya model garis lurus adalah tepat
(h) = ph
Dimana p adalah konstan dan 0 < r < z. Model dengan r < 1 menyerupai sebuah
bentuk bola atau model yang berdasarkan nilai eksponen mendekati aslinya
mengingat model dengan r >1 menunjukkan garis parabol pada awalnya. Sebagai
contoh pada pemakaian model-model, data pada tabel 3 dimana adalah nilai-nilai
penelitian semivariogram dari nilai alat-alat, dapat didiskusikan. Mencocokkan
semivariogram dapat dilihat pada gambar 8. Jarak hingga 75 meter pada kurva adalah
parabol dengan nilai ambang C=11 (m%) dan mempengaruhi range (jarak) pada 50
meter. Pemasangan model yang berbentuk bola menghasilkan :
(h) = 11 (3h/100 h3/2x503) dimana < 50 m
= 11

Penggambaran model kurva pada data penelitian dapat diperlihatkan pada gambar 9.
Menggunakan nilai eksponen dengan rane (jarak) yang sama dan hasil nilai ambang
(Gamb.10).
(h) = 11 [1 exp(-h33)]
Lekukan pada awalnya adalah benar tapi pada akhirnya kurva adalah jauh lebih
rendah. Kita dapat menaikkan nilai ambang untuk menaikkan niali-nilai, tapi lalu kita
juga membutuhkan menaikkan range (jarak). Pada tabel 4 diperlihatkan nilai-nilai
diberikan oleh bermacam-macam

kumpulan parameter. Membandingkan hal ini

dengan petunjuk-petunjuk dari semivariogram secara teoritis (Tabel 3) dapat

dilakukan dengan memilih pemasangan yang terbaik dimana kurva dengan perbedaan
yang sangat kecil diantara penelitian dan nilai-nilai model. Oleh karena itu,
pemasangan model semivariogram adalah hanyalah tugas percobaan dan kesalahan.
1.3.1

Nugget Effect

Efek nugget, y 0, dinyatakan secara tidak langsung pada sampel-sampel pada

sebuah tempat lebih dari sekali dapat menghasilkan pengukuran yang berbeda karena
kecilnya ketelitian atau variasi skala waktu didalam fenomena dibawah penelitian.
Ketika semivariogram menghadapi flat-flat yang lebih komplit atau pengacakan yang
berubah-ubah pada jalur flat, ini dapat dikatakan memperlihatkan efek nugget yang
murni. Untuk model efek nugget, y dalam penjumlahan sederhana pada model yang
asli, menggunakan keseluruhan teori tentang semivariogram pada sebuah nilai pada
nugget.
1.3.2

Nested Models

Penelitian kecil semiveriogram menyerupai model sederhana sebelumnya; kadangkadang sedikitnya efek nugget digunkan pada peggunakan bermacam model. Sebuah
model dapat digambarkan dengan gabungan dari dua atau lebih model-model
sederhana yang disebut nested. Sebuah model nested adalah sebuah efek nugget pada

model sperikal, tetapi pada model-model yang lebih komplek akan dapat juga
menghasilkan.
Mempertimbangkan penarikan kesimpulan pada semivariogram dari nilai-nilai angka
deposit Figure 11. Mengambil sperikal model dengan efek nugget pada 0.4 (log%) 2
kita dapat mencari sebuah model dengan sill pada 2.55 0.4 = 2.15 (log%)2. Jaraknya
dapat mencapai 45 meter.
Mari kita melihat kembali pada kurva penelitian. Sepertinya terlihat akan menjadi sill
yang lebih komlek dengan jangkauan pada 14 meter dan nilai pada y 1.95 0.4 =
1.55 (log%)2 dan sebuah sill yang besar dengan nilai 2.55 1.55 0.4 = 0.6 (log%) 2
dengan jarak jangkauan 50 meter. Jadi kita memiliki sebuah model yang berasal dari
tiga komponen : (1) sebuah nugget (CO=0.4(log%)2), (2) sebuah model sperikal
pertama (dengan jarak=a1=14 meter dan sill=C1=1.55(log%)2), dan (3) sebuah model
sperikal kedua (dengan jarak a2=50 meter dan sill=C2=0.6(log%)2). Penjumlahan dari
tiga komponen yang dihasilkannya.

Hasil kurvanya diperlihatkan pada Figure 12. Model kurva pada dengan data yang
baik dapat dilakukan dengan menurunkan C1 dan menaikan C2 menjadi 1.15 dan
1.0(log%)2, masing-masing. Hasilnya diperlihatkan pada Figure 13.

1.3.3

Direksi dan Toleransi Jarak

Sebelum

memasuki

bagian

tentang

data

yang

digunakan

untuk

konsep

semivariogram. Didalam situasi dimana sampel-sampel tidaklah seperti biasa, kirakira dapat diperkenalkan. Pada kesempatan untuk menemukan pasangan tepat yang
terpisah h dan mendahulukannya kita dapat melihat hal yang sungguh kecil. Oleh
karena itu kita lebih suka bekerja dengan pasangan-pasangan yang lebih atau kurang
dari jarak h dan lebih kurangnya didalam perhatian pada direksi. Ukuran dari
toleransi kita akan dapat mengambil dari banyaknya data. Toleransi direksi adalah
nilai untuk jarak didalam pasangan orientasi yang diterima didalam perhitungan.
Jarak dari toleransi memberikan definisi didalam jarak sampel yang diterima dengan
memiliki dengan jarak definisi dengan jarak minimum dan kedua (Figure 14). Juga
jarak (lag) waktu, dimana pada tambahan jarak diantara pengaturan hasil yang baik
pada sampel yang berasal waktu lag, dapat diperhitungkan. Lebar dari spasi,
penghalusan kurva tetapi dengan hasil jarak melebihi titik dekat ketetapannya, adalah
gangguan kurva.
Menemukan kombinasi yang baik dari jarak dan toleransi direksi dan spasi lag adalah
percobaan dan kesalahan latihan. Jarak toleransi seharusnya harus sama 10% dari
rata-rata spasi sampel. Spasi lag pada setengah maksimum jarak diantara sampel
adalah hal yang umum tidak disahkan. Oleh karena itu maksimum pasangan jarak
adalah dibagi dengan dua dan kemudian dibagi dengan klas yang sama.
1.4. Anisotropy
Penelitian semivariogram didalam bagian sebelumnya dimana dikontruksi di bawah
pengiraan statistik pada h dan vektor diantara titik sampel yang digunakan.
Bagaimanapun, banyak fenomena geologi yang tidak dapat digambarkan pada tempat
variasi isotropi. Itu dapat digambarkan pada kebiasaan anisotropi. Untuk hal contoh,
sebuah map kontur struktur pada lipatan yang sejajar memiliki banyak variasi paralel
kecil pada sumbu lipatan daripada didalam garis tegak lurus pada sumbu lipatan.
Seperti pada contoh anisotrpi mempertimbangkan variogram puncak ditatik

kesimpulan dari bawah permukaan laut dari atas lapisan besar diperlihatkan Figure
15. Sebagian besar yang sering terjadi, jarak pengaruh pada perbedaan diantara
perbedaan direksi.

Mempertimbangkan sebuah porphyry molybdenum pada jarak 70 meter keatas dan

sebuah jarak pada 350 meter kesamping pada suatu deposit. Dengan perubahan
ukuran kesamping untuk perkalian pada 5 meter dan ukuran keatas untuk perkalian
pada 1 meter kita dapat merubah sekala horizontal jarak pada 70 meter. Pada tipe
anisotropi ini dapat dikatakan anisotrpi geometri dimana transformasi linier pada
koordinat vektor h adalah satu model yang menggambarkan variasi didalam setiap
direksi :
(hu,hi) = ( (hu2 + Hi2)
Dimana (h) adalah sebuah anisotrpoi dan I adalah model anisotrpi. Asumsi Kriging
pada pembahasan ini dalam model variogram direksi dengan jarak dari pola elipsoid.
Oleh karena intu minimum dan maksimum jarak dan orientasinya adalah diperlukan.
Didalam banyak buku, data anisotropi dikarakterkan pada variasi maksimum direksi
(sumbu panjang pada elipsoid) dan variasi minimum direksi (sumbu pendek pada
elipsoid). Penemuan orientasi pada elipsoid telah dilakukan dengan memperlihatkan
semivariogeam direksi dan menemukan puncak dan bawahnya dari direksi. Dari satu
direksi dapat menarik kesimpulan untuk orientasi elipsoid.
Sembilan direksi variogram diperlihatkan pada Figure 16 diambil dengan sudut
toleransi dari 45o. Jangkauan variogram pada sebuah sill

dengan 80000 ppm2

sepanjang direksi, jadi kita akan mencoba untuk mendapatkan jarak untuk perbedaan
persesuaian direksi untuk nilai sill. Ploting direksi pada variogram dengan disertai
nilai dari diagram rose menghasilkan bulatan-bulatan (Figure 17) dimana sumbu
definisi dari anisotropi.
Dengan jalan lain dapat ditemukan sumbu anisotropi adalah untuk memperhitungkan
sebuah variogram omnidireksi untuk dataset pada kalkulasi dari nilai variogram untuk
sampel jatuh didalam kotak dan pasangannya dengan titik (X,Y) (Lihat figure 18).
Akibat dari permukaan variogram dilihatkan Figure 14 dimana dapat dikonturkan
(Figure 25) memperlihatkan orientasi pada bundaran.