Tutorial Semivariogram Empiris: Menghitung Perbedaan Nilai menurut Jarak
Hitung semivariogram empiris dari data survei sederhana, periksa jumlah pasangan dan kelas jarak, lalu pahami batasnya sebelum membentuk model spasial.
Membaca hubungan jarak dan perbedaan pengamatan
Semivariogram empiris merangkum besarnya perbedaan nilai pengamatan pada kelompok jarak tertentu. Dalam analisis geospasial, ringkasan ini membantu menelaah struktur variasi sebelum memilih atau menilai model spasial. Yang dibandingkan adalah pasangan titik beserta nilai variabelnya, bukan hanya jarak ke satu target interpolasi. Oleh karena itu, semivariogram menjawab pertanyaan berbeda dari pencarian tetangga terdekat atau pembobotan jarak langsung. Hasilnya perlu dibaca bersama jumlah pasangan dan sebaran lokasi pengamatan.
Tutorial ini memakai empat titik buatan yang dapat diperiksa dengan kalkulator atau lembar kerja. Dokumentasi primer GSTools menuliskan estimator Matheron untuk semivariogram empiris, sedangkan panduan SciKit-GStat menjelaskan pengelompokan jarak serta perbedaan hasil empiris dan model. Kita menghitung estimator dasarnya tanpa memasang model atau menjalankan kriging. Contoh sekecil ini berguna untuk memeriksa rumus, tetapi tidak cukup untuk menetapkan karakteristik variasi suatu wilayah survei nyata.

Prasyarat dan data latihan
Prasyaratnya adalah tabel titik, kalkulator kuadrat, dan pemahaman satuan koordinat bidang. Siapkan P1=(0,0), P2=(10,0), P3=(20,0), dan P4=(30,0), semuanya dalam meter pada kerangka lokal buatan. Beri nilai Z berturut-turut 100,101,103,102 meter. Z diperlakukan sebagai variabel yang akan dibandingkan, misalnya tinggi dalam latihan. Karena semua titik segaris, data ini hanya memberi contoh pasangan pada satu arah. Simpan koordinat serta nilai pada kolom terpisah agar posisi dan variabel tidak tertukar.
Gunakan kelas jarak pertama dari 5 sampai kurang dari 15 meter, kelas kedua dari 15 sampai kurang dari 25 meter, dan kelas ketiga dari 25 sampai kurang dari 35 meter. Batas bawah termasuk dan batas atas tidak termasuk. Jarak pasangan pada latihan tepat 10,20,30 meter, sehingga masing-masing masuk satu kelas. Pada data nyata, periksa satuan jarak, validitas nilai, koordinat ganda, serta asal pengamatan sebelum memakai aturan kelas yang dipilih.

1. Buat daftar seluruh pasangan unik
Empat titik menghasilkan 4×3/2=6 pasangan unik. Daftarkan P1–P2, P1–P3, P1–P4, P2–P3, P2–P4, dan P3–P4. Jangan memasukkan pasangan suatu titik dengan dirinya sendiri, dan jangan menghitung P2–P1 lagi setelah P1–P2 sudah masuk. Untuk setiap pasangan, hitung jarak horizontal Euclidean dari koordinat X/Y. Jarak yang diperoleh adalah 10,20,30,10,20,10 meter dalam urutan daftar tersebut. Simpan identitas kedua titik agar setiap nilai ringkasan dapat ditelusuri kembali.
Rumus jumlah pasangan membantu mendeteksi daftar yang tidak lengkap, tetapi bukan ukuran kecukupan data untuk pemodelan. Pada pekerjaan besar, semua pasangan dapat berjumlah sangat banyak sehingga perangkat memakai pengelompokan, pembatasan jarak, atau pengambilan sampel pasangan. Jika kebijakan itu dipakai, dokumentasikan sebelum membandingkan hasil. Pengamatan yang tersaring karena tidak valid juga mengubah jumlah pasangan. Jangan menyatakan jumlah pasangan sama dengan jumlah pengamatan independen karena satu titik dapat muncul pada beberapa pasangan.
2. Hitung kuadrat selisih nilai tiap pasangan
Hitung ΔZ=Zi−Zj dan kuadratkan hasilnya. Untuk P1–P2, selisihnya −1 meter dan kuadratnya 1 meter persegi. P1–P3 memberi 9, P1–P4 memberi 4, P2–P3 memberi 4, P2–P4 memberi 1, dan P3–P4 memberi 1 meter persegi. Tanda selisih hilang setelah dikuadratkan. Karena itu, estimator ini tidak menunjukkan arah naik atau turun variabel sepanjang garis; informasi arah perubahan perlu dilihat kembali pada data sumber.
Satuan kuadrat selisih mengikuti kuadrat satuan variabel. Bila Z adalah meter, hasil semivarian memakai meter persegi, meskipun sumbu jaraknya tetap meter. Jika variabel berupa indeks tanpa satuan, satuan interpretasinya berbeda. Jangan menyalin label elevasi meter ke sumbu semivarian. Kesalahan satuan sering membuat grafik terlihat seperti penampang tinggi padahal yang ditampilkan adalah ringkasan perbedaan kuadrat dari beberapa pasangan, bukan nilai Z pada satu lokasi.
3. Kelompokkan dan bagi dengan dua kali jumlah pasangan
Estimator Matheron yang dipakai adalah γ(h)=jumlah(ΔZ²)/(2N(h)), dengan N(h) jumlah pasangan dalam kelas jarak tersebut. Pada kelas sekitar 10 meter terdapat tiga pasangan: P1–P2, P2–P3, dan P3–P4. Jumlah kuadrat selisihnya 1+4+1=6. Semivariannya 6/(2×3)=1 meter persegi. Faktor dua merupakan bagian rumus dan tidak boleh dihilangkan. Kelas ini diberi label sekitar 10 meter untuk pelaporan latihan, sementara batas kelas tetap disimpan terpisah.
Pada kelas sekitar 20 meter terdapat dua pasangan dengan jumlah kuadrat selisih 9+1=10, sehingga γ=10/(2×2)=2,5 meter persegi. Kelas sekitar 30 meter hanya mempunyai P1–P4 dengan kuadrat selisih 4, sehingga γ=4/(2×1)=2 meter persegi. Tabel hasil harus memuat batas kelas, jumlah pasangan, jumlah kuadrat, dan semivarian. Tiga angka semivarian tanpa jumlah pasangan akan menyembunyikan bahwa titik jarak terjauh pada contoh hanya didukung satu pasangan.
4. Lakukan verifikasi dengan pergeseran dan perubahan skala
Tambahkan 50 meter pada semua Z, sehingga nilainya menjadi 150,151,153,152. Selisih setiap pasangan tetap sama dan semivarian harus kembali 1;2,5;2 meter persegi. Ini merupakan pemeriksaan praktis bahwa rumus memakai perbedaan nilai, bukan nilai absolut. Hasil semivariogram yang sama setelah penambahan konstanta tidak membuktikan datum tinggi benar. Seluruh data dapat mempunyai offset bersama yang tidak terlihat oleh ukuran berbasis selisih internal ini.
Kemudian gunakan data awal dan kalikan semua Z dengan dua. Selisih menjadi dua kali, kuadratnya empat kali, sehingga semivarian menjadi 4;10;8 meter persegi. Jangan berharap hasil hanya menjadi dua kali. Pengujian ini membantu menemukan konversi satuan yang tidak diterapkan konsisten. Jika pengamatan memakai satuan berbeda pada sebagian baris, perbedaannya akan tercampur ke dalam struktur variasi yang terlihat, padahal penyebabnya merupakan masalah penyiapan data.
5. Uji pengaruh lebar kelas jarak
Gabungkan dua kelas pertama menjadi satu kelas dari 5 sampai kurang dari 25 meter. Sekarang terdapat lima pasangan dengan jumlah kuadrat selisih 16, sehingga semivariannya 16/(2×5)=1,6 meter persegi. Mengambil rata-rata sederhana dua semivarian sebelumnya memberi (1+2,5)/2=1,75, yang berbeda karena jumlah pasangan tiap kelas tidak sama. Penggabungan harus kembali pada jumlah kuadrat dan jumlah pasangan, atau memakai pembobotan yang setara, bukan sekadar merata-ratakan titik grafik.
Batas kelas memengaruhi detail yang terlihat dan banyaknya pasangan yang mendukung tiap ringkasan. Kelas sangat sempit dapat menghasilkan sedikit pasangan atau kelas kosong; kelas terlalu lebar dapat menggabungkan hubungan pada jarak yang berbeda. Kelas kosong perlu berstatus tidak tersedia, bukan semivarian nol. Panduan variografi yang dirujuk menekankan pengelompokan jarak sebagai bagian penting analisis. Tidak ada lebar kelas tunggal dalam tutorial ini yang direkomendasikan untuk seluruh jenis survei atau kondisi wilayah.
6. Bedakan hasil empiris dari model spasial
Hasil contoh naik dari 1 menjadi 2,5, lalu turun menjadi 2. Variasi semacam itu pada ringkasan sampel tidak otomatis merupakan kesalahan perhitungan. Namun empat titik segaris terlalu sedikit untuk menyimpulkan range, sill, nugget, atau pola dua dimensi secara andal. Kurva model merupakan tahap berikutnya yang membutuhkan pemilihan bentuk dan evaluasi kecocokan. Jangan menarik garis halus melalui tiga titik latihan lalu menyatakannya sebagai karakter wilayah atau jaminan mutu interpolasi.
Data nyata juga dapat mempunyai tren, perbedaan arah variasi, kelompok pengamatan yang rapat, atau titik ekstrem yang perlu ditinjau. Periksa peta lokasi serta perubahan variabel sebelum memutuskan cara pemodelan. Menghapus nilai ekstrem hanya karena memperbesar semivarian dapat membuang informasi penting. Sebaliknya, kesalahan pencatatan perlu ditangani dengan bukti. Simpan alasan perubahan data dan hasil pembanding agar peninjau dapat membedakan struktur lapangan dari akibat keputusan prapengolahan.
7. Siapkan keluaran yang dapat ditelusuri ulang
Serahkan tabel titik, pasangan unik, jarak, selisih, kuadrat selisih, definisi kelas, dan tabel semivarian bersama grafik. Pemeriksaan minimum latihan adalah enam pasangan, jumlah anggota kelas 3,2,1, hasil 1;2,5;2, serta dua uji perubahan nilai yang sesuai. Catat bahwa semua titik berada pada satu garis dan seluruh nilai merupakan data buatan. Paket seperti ini membuat satu titik pada grafik dapat ditelusuri sampai pasangan pengamatan yang menyumbangnya.
Artikel interpolasi IDW pada blog TechnoGIS memberi pembanding tentang bobot berdasarkan jarak menuju target. Semivariogram pada latihan ini merangkum perbedaan antar-pengamatan dan belum menghasilkan nilai pada lokasi baru. Laman resmi TechnoGIS Indonesia menyediakan konteks survei dan GIS untuk pekerjaan analisis data. Gunakan ringkasan empiris sebagai bahan peninjauan struktur variasi, kemudian tentukan kebutuhan data serta pengujian yang memadai sebelum menerapkannya pada model spasial untuk keputusan proyek.
Bacaan terkait
Pelajari informasi terkait untuk menyesuaikan langkah di atas dengan kebutuhan tim Anda:



Leave a Reply
Want to join the discussion?Feel free to contribute!