SUATU APLIKASI METODE ORDINARY KRIGING

UNTUK INTERPOLASI SPASIAL

Rahmat Wahid Ramadhan1, Amran2, Nirwan Ilyas3

1
Mahasiswa Program Studi Statistika FMIPA Universitas Hasanuddin
2,3
Dosen Program Studi Statistika FMIPA Universitas Hasanuddin
Email:rahmatramadhan736@[Link]

ABSTRAK
Geostatistik merupakan perpaduan ilmu pertambangan, geologi, matematika dan
statistika yang awalnya dikembangkan dalam industri mineral untuk mendapatkan
taksiran cadangan yang ada di bumi. Proses penaksiran ini dikenal dengan istilah
interpolasi. Salah satu metode interpolasi geostatistik adalah metode ordinary
kriging. Metode ini mendapatkan nilai interpolasi berdasarkan kombinasi linier
nilai kadar sampel dan bobot korelasi spasial. Bobot Korelasi spasial diperoleh
berdasarkan fungsi korelasi spasial data pengamatan. Fungsi korelasi spasial
dipilih berdasarkan perbandingan fungsi semivariogram eksperimental dan
beberapa model semivariogram teoritis untuk mendapatkan model terbaik. Dalam
penelitian ini, dilakukan interpolasi pada data kadar Nikel di Pomalaa Kabupaten
Kolaka Provinsi Sulawesi Tenggara yang berdistribusi normal dan data curah
hujan di provinsi Sulawesi Selatan pada bulan November, Desember, Januari dan
Februari pada tahun 2000 – 2014 yang tidak berdistribusi normal. Berdasarkan
hasil analisis, didapatkan model semivariogram terbaik untuk data kadar nikel
adalah model Gaussian dengan sill sebesar 203,9 , Range sebesar 171,64 dan
Effect Nugget sebesar 1,5 yang menghasilkan pendugaan Kadar nikel tertinggi
berada pada titik (337588,79 : 9527180,04) yaitu 123,79 dan terendah berada
pada titik (337447,37 : 9527111,5) yaitu 82,02. Model semivariogram terbaik
untuk data curah hujan adalah model Spherical dengan sill sebesar 0,421 , Range
sebesar 22200 dan Effect Nugget sebesar 0,081 yang menghasilkan daerah
dengan rata-rata jumlah curah hujan tertinggi berada pada titik (872499,25 ;
9751069,78) yaitu Luwu Utara dengan 2987,97 sedangan daerah dengan rata-rata

1
jumlah curah hujan terendah berada pada titik (826218,92 ; 9398763,23) yaitu di
Kabupaten Bantaeng dengan 265,21.
Kata kunci : Geostatsitik, interpolasi, Ordinary kriging, Semivariogram,
Data Kadar Nikel, Data Curah Hujan.

1. PENDAHULUAN
Geostatistik muncul pada awal 1980-an sebagai perpaduan ilmu
pertambangan, geologi, matematika, statistika. Geostatistika pada awalnya
dikembangkan dalam industri mineral untuk menaksir cadangan-cadangan
mineral yang ada di bumi (Rozalia, 2015). Proses menaksir atau prediksi ini
dikenal dengan istilah kriging. Menurut Isaaks dan Srivastava (1989) dalam
(Laksana, 2010) geostatistika mampu memodelkan baik kecendrungan spasial
(spasial trends) maupun korelasi spasial (spasial correlation).
Istilah kriging diambil dari nama seorang ahli pertambangan yaitu Ditjen
Daniel Gerhardus Krige yang kemudian diperkenalkan oleh Georges Matheron.
Kriging merupakan suatu metode geostatistika yang memanfaatkan nilai spasial
pada lokasi tersampel dan variogram untuk memprediksi nilai pada lokasi yang
belum atau tidak tersampel dimana nilai prediksi tersebut tergantung pada
kedekatan terhadap lokasi tersampel.
Untuk melakukan estimasi pada data spasial, digunakan suatu perangkat
untuk menggambarkan, memodelkan dan menghitung korelasi spasial antar
variabel random Z(s) dan Z(s+h) , yang disebut dengan semivariogram
(Cressie,1993). Pada beberapa penelitian, dibuktikan bahwa dalam dunia
geostatistika, metode kriging layak digunakan untuk memperoleh estimasi yang
lebih baik dibandingkan metode estimasi lainnya.
Metode kriging sendiri memiliki beberapa pendekatan, namun berdasarkan
diketahui atau tidaknya mean, yaitu Simple Kriging, Ordinary Kriging, dan
Universal Kriging (Cressie, 1993). Ordinary kriging merupakan metode yang
mengasumsikan rata-rata (mean) dari populasi tidak diketahui, dan pada data
spasial tersebut tidak mengandung trend serta pencilan.

2
 Permasalahan yang sering muncul dan dilupakan oleh peneliti dalam
menggunakan metode ordinary kriging adalah karakteristik data seperti distribusi
data tidak normal, mengandung trend, dan terdapat pencilan. Jika data berkarakter
seperti itu maka data ditransformasi terlebih dahulu sebelum dibawa ke dalam
model tertentu. Transformasi diperlukan untuk mendapatkan hasil prediksi yang
baik karena membuat data menjadi simetris (Sen, 2009).
Penelitian ini akan mengkaji tentang aplikasi metode Ordinary Kriging
untuk interpolasi spasial pada data berdistribusi normal yaitu data nikel yang
berlokasi Pomalaa Kabupaten Kolaka Provinsi Sulawesi Tenggara dan data curah
hujan di Provinsi Sulawesi Selatan yang tidak berdistribusi normal pada bulan
November, Desember, Januari dan Februari tahun 2000-2014.

2. TINJAUAN PUSTAKA
2.1 Data Spasial
Data spasial diperoleh dari hasil pengukuran yang berisi informasi tentang
lokasi dan pengukuran (Cressie,1993).Data spasial mempunyai dua bagian
penting yang membuatnya berbeda dari data yang lain, yaitu informasi lokasi
(spasial) dan informasi deskriptif (atribut), sebagai berikut :
1. Informasi lokasi (spasial)
Berkaitan dengan suatu koordinat baik koordinat geografi (lintang dan
bujur) dan koordinat XYZ
2. Informasi deskriptif (atribut)
Suatu lokasi yang memiliki beberapa keterangan yang berkaitan dengannya,
contohnya : jenis vegetasi (bermacam jenis tumbuhan dalam suatu wilayah),
populasi, luasan, kode pos, dan sebagainya. (Puntodewo, 2003)
2.2 Variogram dan Semivariogram
Analisis variogram merupakan tahapan dalam perhitungan pada sejumlah
lokasi dan melihat hubungan antar observasi pada berbagai lokasi yang diukur
(Cressie, 1993) Variogram dirumuskan sebagai berikut :
2𝛾𝛾(ℎ) = 𝐸𝐸[𝑍𝑍(𝑠𝑠) − 𝑍𝑍(𝑠𝑠 + ℎ)]2 (2.1)

3
 Semivariogram digunakan untuk mengukur korelasi spasial berupa
variansi error pada lokasi s dan lokasi s + h. Selain itu semivariogram juga dapat
digunakan untuk menggambarkan, memodelkan antar variabel random. Dalam
(Cressie,1993) Semivariogram memiliki nilai setengah dari nilai Variogram dan
dapat didefinisikan sebagai berikut:
1
𝛾𝛾(ℎ) = 2 𝐸𝐸[𝑍𝑍(𝑠𝑠) − 𝑍𝑍(𝑠𝑠 + ℎ)]2 (2.2)

Dimana:
s = lokasi titik sampel
𝑍𝑍(𝑠𝑠) = nilai observasi pada lokasi s

h = jarak antara dua titik sampel

2.3 Variogram dan Semivariogram Eksperimental

Variogram eksperimental adalah variogram yang diperoleh dari data yang
diamati atau data hasil pengukuran. Variogram eksperimental dirumuskan sebagai
berikut (Cressie, 1993) dalam (Rozalia, 2015):
1
2𝛾𝛾(ℎ) = 𝑁𝑁(ℎ) ∑[𝑍𝑍(𝑠𝑠𝑖𝑖 ) − 𝑍𝑍(𝑠𝑠𝑖𝑖 + ℎ)]2 (2.3)

Semivariogram eksperimental dirumuskan sebagai berikut (Cressie, 1993):

1
𝛾𝛾(ℎ) = ∑[𝑍𝑍(𝑠𝑠𝑖𝑖 ) − 𝑍𝑍(𝑠𝑠𝑖𝑖 + ℎ)]2 (2.4)
2𝑁𝑁(ℎ)

Dimana:
𝑠𝑠𝑖𝑖 = lokasi titik sampel ke-i
𝑍𝑍(𝑠𝑠𝑖𝑖 ) = nilai observasi pada lokasi 𝑠𝑠𝑖𝑖

h = jarak antara dua titik sampel

𝑠𝑠𝑖𝑖 , 𝑠𝑠𝑖𝑖 + ℎ = pasangan titik sampel yang berjarak

𝑁𝑁(ℎ) = banyak pasangan data yang memiliki jarak

2.4 Variogram dan Semivariogram Teoritis

Beberapa parameter yang digunakan untuk mencari nilai dalam semivariogram
teoritis adalah nugget effect, sill, dan range (Webster dan Oliver, 2007):
1. Nugget Effect (C0)

4
 Nugget effect merupakan pendekatan nilai semivariogram pada jarak
sekitar nol
2. Sill (C0 + C)
Sill adalah nilai struktur korelasi spasial tertinggi saat dimana nilai
semivariogram pada jarak tertentu cenderung mencapai nilai yang stabil.
3. Range (a)
Range merupakan jarak pada saat semivariogram mencapai nilai sill. Nilai
sill diperoleh dengan cara mengambil batas tengah dari nilai
semivariogram yang paling mendekati nilai varian dari data.

Terdapat beberapa jenis semivariogram teoritis yang sering digunakan,

yaitu (Cressie, 1993):
1. Model Spherical
Semivariogram untuk model Spherical dirumuskan sebagai berikut :
3ℎ ℎ 3
𝐶𝐶0 + 𝐶𝐶 ��2𝑎𝑎 � −0,5 �𝑎𝑎 � � 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 ℎ ≤ 𝑎𝑎
𝛾𝛾(ℎ) = � (2.5)
𝐶𝐶0 + 𝐶𝐶 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 ℎ > 𝑎𝑎
dengan,
h = jarak lokasi sampel
𝐶𝐶0 + 𝐶𝐶 = sill, yaitu nilai semivariogram untuk jarak pada saat besarnya
stabil
𝑎𝑎 = range, yaitu jarak pada saat nilai semivariogram mencapai sill.
2. Model Eksponensial
Pada model eksponensial terjadi peningkatan dalam semivariogram yang
sangat curam dan mencapai nilai sill, dirumuskan sebagai berikut:
3ℎ
𝛾𝛾(ℎ) = 𝐶𝐶0 + 𝐶𝐶 �1 − exp �− 𝑎𝑎
�� (2.6)

3. Model Gaussian
Model Gaussian merupakan bentuk kuadrat dari eksponensial sehingga
menghasilkan bentuk parabolik pada jarak yang dekat dan dirumuskan
sebagai berikut:
−3ℎ 2
𝛾𝛾(ℎ) = 𝐶𝐶0 + 𝐶𝐶 �1 − exp � (2.7)
𝑎𝑎 2

5
2.8 Ordinary Kriging
Kriging biasanya digunakan untuk menganalisis data geostatistika, seperti
menduga kandungan mineral berdasarkan data sampel. Data sampel biasanya
diambil dari lokasi-lokasi atau titik-titik yang tidak beraturan. Berdasarkan
diketahui atau tidaknya mean, Kriging dapat dibedakan menjadi tiga, yaitu Simple
Kriging, Ordinary Kriging, dan Universal Kriging (Cressie, 1993).
Ordinary kriging merupakan metode yang diasumsikan rata-rata (mean) dari
populasi tidak diketahui, dan pada data spasial tersebut tidak mengandung trend.
Selain tidak mengandung trend, data yang digunakan juga tidak mengandung
pencilan.

METODOLOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan pada penelitian ini adalah data sekunder tentang
kadar nikel yang diperoleh dari PT. Aneka Tambang (Antam) yang berlokasi di
Pomalaa Kabupaten Kolaka Provinsi Sulawesi Tenggara. Data ini berjumlah 42
titik galian. Selain itu juga data curah hujan Provinsi Sulawesi Selatan pada bulan
November, Desember, Januari dan Februari tahun 2000-2014 sebanyak 21 pos
pemantauan yang bersumber dari Dinas Pekerjaan Umum Provinsi Sulawesi
Selatan.

3.2 Identifikasi Variabel

Variabel yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Pada Nikel
X : merupakan garis bujur dari lokasi pemantauan (sampel)
Y : merupakan garis lintang dari lokasi pemantauan (sampel)
Z : merupakan nilai kadar nikel
2. Curah Hujan
X : merupakan garis bujur dari lokasi pemantauan (sampel)
Y : merupakan garis lintang dari lokasi pemantauan (sampel)
K : merupakan nilai curah hujan

6
3.3 Metode Analisis
Adapun langkah-langkah yang dilakukan berdasarkan tujuan penelitian
adalah sebagai berikut:
1. Melakukan Uji asumsi kenormalan data, apakah data normal atau tidak
karena Ordinary Kriging dapat diaplikasikan jika data normal.
2. Jika data tidak normal, maka data tersebut harus ditransformasi, agar
menjadi normal agar dapat diikutsertakan pada saat pengolahan atau
analisis data.
3. Menghitung nilai semivariogram eksperimental. Nilai semivariogram
eksperimental diperoleh dari titik tersampel.
4. Menghitung nilai semivariogram teoritis menggunakan nilai Nugget
Effect, sill dan range yang didapat dari perhitungan semivariogram
ekperimental.
5. Melakukan analisis struktural, yaitu membandingkan nilai
semivariogram eksperimental dengan model semivariogram teoritis dan
memilih model terbaik dengan cara memilih nilai Mean Square Error
(MSE) terkecil.
6. Melakukan perhitungan bobot Kriging berdasarkan model struktur
korelasi pada langkah 5
7. Melakukan interpolasi spasial
8. Membuat Cross Validasi hasil yang telah diinterpolasi. Jika nilai cross
validasi belum baik maka kembali melakukan pengecekan terhadap
data pada langkah ke 1

4. HASIL DAN PEMBAHASAN

4.1 Kadar Nikel
4.1.1 Karakteristik Kadar Nikel
Data yang digunakan dalam penelitian ini adalah data kadar nikel yang
tercatat dari [Link] di Pomalaa Kabupaten Kolaka Provinsi Sulawesi
Tenggara. Sampel yang digunakan sebanyak 42 titik yang tersebar di lokasi
pengamatan. Dari data yang diperoleh kandungan kadar nikel minimum terdapat

7
pada titik sampel 30 sebesar 82,02 dan maksimum terdapat pada titik sampel 22
sebesar 123,79. Rata-rata kandungan nikel di 42 titik tersebut adalah 100,76
dengan varian 105,25 yang artinya kandungan kadar nikel antara satu titik dengan
titik lainnya cukup bervariasi. Dari uji asumsi kenormalan dengan menggunakan
uji Kolmogorov-Smirnov terlihat jika sebaran data yang diuji berada di sekitar
garis kenormalan dan p-value 0,05 berarti 𝐻𝐻0 diterima atau berdistribusi
normal.
4.1.4 Model Semivariogram Teoritis
Langkah selanjutnya adalah menentukan model semivariogram teoritis
yang hasilnya dibandingkan dengan nilai semivariogram eksperimental yang telah
diperoleh untuk menentukan model semivariogram teoritis. Ada beberapa
parameter yang harus diketahui nilainya terlebih dahulu yaitu Nugget Effect (C0),
Sill (C0 + C) dan Range (a).
Tabel 4.2 Tabel Nilai Sill, Range dan Nugget Effect
C0 C0 + C A
Spherical 0, 1 169,1 210,9
Eksponensial 0,1 201,1 422,4
Gaussian 1,5 203,9 171,64

Dari Tabel 4.2 terlihat perbandingan nilai Sill, Range dan Nugget Effect yang
telah diperoleh dan digunakan untuk menghitung semivariogram teoritis yaitu
model Spherical, Eksponensial dan Gaussian. perbandingan ketiga model dengan
semivariogram eksperimental dapat dilihat:

Gambar 4.2 Perbandingan Model

8
4.1.5 Interpolasi Spasial
Hasil pemilihan model semivariogram terbaik yaitu Gaussian, selanjutnya
digunakan untuk menduga konsentrasi kandungan Nikel di titik tidak tersampel.
Tabel 4.4 Hasil Interpolasi
No X Y Kadar
1 337580 9527205 107,51
2 337595 9527206 110,19
3 337564 9527191 109,74
4 337580 9527189 111,52
5 337549 9527206 114,87
6 337488 9527206 117,07
7 337533 9527206 114,07
8 337471 9527206 114,01
9 337503 9527206 115,50
10 337566 9527205 112,04
11 337518 9527206 116,05
12 337458 9527206 113,19
13 337519 9527159 115,26
14 337565 9527160 112,87
15 337580 9527159 112,91
16 337472 9527158 119,56
17 337596 9527159 108,82
18 337489 9527159 113,07
19 337473 9527144 117,58
20 337516 9527144 111,68
21 337597 9527144 115,56
22 337549 9527143 106,59
23 337536 9527190 117,38
24 337505 9527145 111,98
25 337534 9527175 110,85
26 337487 9527174 117,19
27 337579 9527145 110,17
28 337550 9527175 111,18
29 337487 9527115 115,47
30 337472 9527129 116,71
31 337457 9527192 108,33
32 337566 9527191 107,34
33 337473 9527174 115,67
34 337534 9527145 112,47
35 337565 9527174 106,72

9
 36 337488 9527144 115,64
37 337549 9527159 113,94
38 337503 9527114 118,64
39 337488 9527189 116,37
40 337520 9527190 116,19
41 337518 9527114 114,55
42 337596 9527175 109,95
43 337503 9527175 110,57
44 337458 9527160 116,39
45 337581 9527190 111,52
46 337457 9527144 117,85
47 337504 9527190 115,97
48 337503 9527158 115,5
49 337579 9527175 105,85
50 337458 9527175 114,39
51 337581 9527129 115,08
52 337489 9527130 115,77
53 337564 9527146 113,78
54 337473 9527114 113,22
55 337534 9527160 114,64
56 337517 9527176 112,03
57 337550 9527189 116,32
58 337473 9527190 112,94
59 337565 9527114 111,67
60 337596 9527115 113,78

4.1.6 Cross Validasi

Salah satu cara untuk mengetahui atau menguji keakuratan hasil
interpolasi yaitu dengan menggunakan metode Cross Validasi.

Gambar 4.3 Cross Validasi Nikel

10
Dari Gambar 4.3 terlihat bahwa hasil cross validasi tidak berbeda jauh dengan
data sebenarnya sehingga dapat ditarik kesimpulan jika model yang digunakan
yaitu gaussian adalah model terbaik untuk menggambarkan struktur korelasi
spasial.
4.2 Curah Hujan
4.2.1 Karakteristik Curah Hujan
Pada penelitian ini juga menggunakan data curah hujan Provinsi Sulawesi
Selatan pada bulan November, Desember, Januari dan Februari tahun 2000-2014
sebanyak 21 pos pemantauan yang bersumber dari Dinas Pekerjaan Umum
Provinsi Sulawesi Selatan. Dari data yang diperoleh curah hujan terendah di
Provinsi Sulawesi Selatan terdapat di Kabupaten Bantaeng (Muntea) sebesar
265,21 dan tertinggi terdapat di Kabupaten Maros (Jenetase) sebesar 2574,43.
Data tidak berada di sekitar garis kenormalan dan P-Value < 0,05 artinya data
tidak berdistribusi normal sehingga perlu dilakukan transformasi. Langkah
selanjutnya adalah melakukan transformasi data dengan menggunakan metode
Box-Cox.

4.2.4 Model Semivariogram Teoritis

Langkah selanjutnya adalah menentukan model semivariogram teoritis
yang hasilnya dibandingkan dengan nilai semivariogram eksperimental yang telah
diperoleh. Untuk menentukan model semivariogram teoritis, ada beberapa
parameter yang harus diketahui nilainya terlebih dahulu yaitu Sill (C0 + C),
Range (a) dan Nugget effect (C0). Dengan menggunakan software GS+ dapat
diketahui:
Tabel 4.6 Tabel Nilai Sill, Range dan Nugget effect
C0 C0 + C A
Spherical 0,081 0,421 22200
Eksponensial 0,125 0,43222 65100
Gaussian 0,122 0,4212 19225

11
Dari Tabel 4.6 terlihat perbandingan nilai Sill , Range dan Nugget effect yang
telah diperoleh dan digunakan untuk menghitung semivariogram teoritis yaitu
model Spherical, Eksponensial dan Gaussian. Contoh perhitungan nilai
semivariogram teoritis.

4.2.5 Interpolasi Spasial

Hasil interpolasi pada 19 titik lainnya disajikan dalam tabel 4.18 berikut :
Tabel 4.8 Hasil Interpolasi curah hujan
Koordinat
No Curah Hujan
X Y
1 872499,25 9751069,78 2987,97
2 795531,01 9674101,54 1622,78
3 832447,91 9557081,96 573,52
4 797968,92 9479765,45 2251,76
5 912202,32 9752114,59 2484,01
6 833492,72 9477327,54 1021,77
7 834885,81 9439017 883,99
8 872847,52 9713108,07 1075,41
9 873544,07 9406628,21 553,14
10 796924,1 9518075,43 1337,47
11 834885,81 9752114,98 4643,46
12 832447,91 9403842 385,37
13 833841 9518075,43 559,64
14 833841 9674449,81 1178,35
15 832796,18 9712759,8 1993,63
16 834537,54 9634746,74 637,68
17 834537,54 9596436,76 658,58
18 794834,37 9558823,32 1070,04
19 794757,18 9596435,28 948,25

Untuk lebih jelasnya dapat dilihat pada Gambar 4.6 berikut :

12
 Gambar 4.6 Sebaran Curah Hujan di Provinsi Sulawesi Selatan

[Link] DAN SARAN

1. Model semivariogram teoritis yang paling mendekati model dari data
kadar nikel adalah model Gaussian sedangkan pada curah hujan adalah
model Spherical
2. Kadar nikel tertinggi berada pada pada titik (337588,79 ;9527180,04)
yaitu sebesar 123,79 dan terendah berada pada titik (337447,37 ;
9527111,5) yaitu 82,02.
3. Daerah dengan rata-rata curah hujan tertinggi di Sulawesi Selatan pada
bulan November, Desember, Januari dan Februari pada tahun 2000-2014
berada pada titik (794757,18; 9596435,28) yaitu Kabupaten Pinrang
dengan 10452,99 sedangan daerah dengan curah hujan terendah berada
pada titik (826218,92 ; 9398763,23) yaitu di Kabupaten Bantaeng dengan
rata-rata 265,21.

Daftar Pustaka

Aldrian, ddk. 2011. Adaptasi dan Mitigasi Perubahan Iklim di Indonesia. Jakarta :
Pusat Perubahan Iklim dan Kualitas Udara Kedeputian Bidang Klimatologi
BMKG

13
Alfiana, Ananta Nur. 2010. Metode Ordinary Kriging Pada Geostatisti .
Yogyakarta : UNY

Cressie, N. A. (1990). The origins of kriging. Mathematical Geology, 22 (3), 239-

252.

Cressie, N. A. C. (1993) Statistics For Spatial Data. New York: John Wiley and
Sons, Inc.

E. H. Isaaks and R. M. Srivastava. 1989. An Zntroduction to Applied

Geostatistics, New York : Oxford University

Jensen, et al. 1997. Statistics Ffor Petroleum Engineers And Geoscientists. New
Jersey : Simon & Schuster Company

Laksana, Endra Angen. 2010. Analisis Data Geostatistik Dengan Universal

Kriging . Yogyakarta : UNY

Oliver Schabenberger dan Carol [Link]. 2005. Statistical Methods for Spatial
Data Analysis: 97815848832227: [Link]

Puntodewo dkk. 2003. Sistem Informasi Geografis untuk Pengelolaan Sumber

Daya Alam, Bogor : Center for International Forestry Research

Pupita, Wira. 2013. Analisis Data Geostatistik Menggunakan Metode Ordinary

Kriging . Bandung : UPI

Rozalia, Gera. 2015. Penerapan Metode Ordinary Kriging Pada Pendugaan

Kadar NO2 Di Udara . Semarang : Undip

Sen, Zekai. 2009. Spatial Modeling Principles in Earth Sciences. Istanbul :

Istanbul Technical University Civil Engineering Faculty

14
Webster, R. dan Oliver, M.A. (2007). Geostatistics for Enviromental Scientists.
2nd Ed., John Willey and Sons, UK., ISBN-13: 9780470209394

15