Dalam kegiatan analisis sumber daya dilakukan berbagai macam metode guna mendapatkan data dengan distribusi yang normal dan stationer. Dalam praktiknya analasis ini digunakan dengan memperhatikan deskriptif statistik dari data yang akan kita analisis. Untuk mendapatkan data dengan kondisi normal dan stasioner ada beberapa upaya yang dapat kita lakukan agar data yang ada mempunyai deskriptif statistic yang menunjukkan bahwa data tersebut merupakan data yang normal.
Data normal dapat diekspresikan dengan menggunakan nilai-nilai pada deskriptif statistik, salah satu parameter yang digunakan merupakan Coefficient of Variation. Coefficient of Variation menunjukkan suatu variabilitas pada distribusi data. Sebuah kumpulan data akan mempunyai CoV yang rendah apabila variability pada datum juga rendah, atau dapat diartikan sebuah kumpulan data akan memiliki CoV rendah apabila data data didalamnya tidak memiliki perbedaan yang signifikan. Upaya mengecilkan nilai CoV dapat dilakukan dengan berbagai macam cara seperti Composite, Declustering, dan juga Grade Capping. Kali ini kita akan membahas tentang declustering.
Declustering sesuai namanya seolah-olah akan membuat data menjadi tidak berkelompok, declustering akan memberikan setiap datum yang ada sebuah pembobotan yang sesuai dari kedekatan jarak tiap-tiap sampel datum. Hal ini dilakukan agar data yang dianalisis merupakan data yang memiliki representasi yang sesuai dengan distribusi data yang ada.
Apabila dalam suatu distribusi data ditemukan banyaknya datum yang bersifat terkumpul maka perlu dilakukan declustering untuk merepresentasikan setiap data secara setara. Ada berbagai jenis declustering yang ada pada proses geostatistik yang dikenal hingga saat ini yaitu cell declustering, polygonal declustering, dan kriging weight declustering.
Ada dua asumsi penting dalam semua teknik declustering: (1) seluruh rentang distribusi sebenarnya telah diambil sampelnya atau data tidak memiliki bias spasial, dan (2) sifat dari pengelompokan tersebut dipahami. Declustering mungkin tidak bekerja dengan baik tanpa asumsi-asumsi ini. Asumsi pertama diperlukan karena pemberian bobot hanya mengatur pengaruh setiap sampel terhadap distribusi dan tidak mengubah nilai sampel yang sebenarnya.
Maksud dari asumsi kedua dimana sifat pengelompokkan tersebut dapat dipahami adalah apabila data yang akan kita analisa tidak memiliki korelasi secara spasial, maka tidak ada gunanya kita mengaplikasikan declustering. Apabila tiap sampel dimanapun lokasinya hanya sebuah data sebaran tanpa pola tertentu maka proses declustering tidak perlu dilakukan.
Berikut merupakan metode penggunaan declustering yang akan kita bahas :
Polygonal declustering
Declustering secara polygon umumnya di aplikasikan pada disiplin ilmu yang lain seperti hidrologi, untuk memperbaiki pengelompokkan data secara spasial. Metode ini cukup fleksibel dan mudah diaplikasikan. Teknik declustering polygon ini mengacu pada pembuatan polygon yang berpengaruh pada datum yang ada. Polygon yang berpengaruh ini dapat di buat dengan titik tengah dari tiap data yang berdekatan (lihat Voronoi diagram).
Cell declustering
Teknik ini merupakan Teknik Declustering yang paling banyak dilakukan pada geostatistik dikarenakan metode ini tidak sensitif terhadap Batasan Lokasi dan dikarenakan hal ini pula teknik ini menjadi lebih kuat dibandingkan Polygonal Declustering. Algoritma Cell Declustering ini merupakan standar yang dilakukan pada GSLIB.
Untuk setiap data asal:
Letakkan grid reguler di atas data.
Tetapkan bobot sementara sebagai kebalikan dari jumlah data dalam sel.
Standarkan bobot dengan membagi jumlah sel yang memiliki data.
Geser grid.
Rata-ratakan bobot yang dihasilkan untuk setiap offset asal.
Pembobotan yang dilakukan dengan teknik Cell Declustering ini sangat sensitif dengan ukuran cell yang akan digunakan. Apabila ukuran cell yang digunakan sangat kecil maka akan mengakibatkan data tidak ter-decluster, bahkan data akan mirip dengan data seblumnya tanpa pembobotan apapun. Apabila ukuran cell menjadi sangat besar maka akan mengakibatkan setiap sampel data akan terletak pada satu cell yang mengakibatkan pembobotan yang bias.
Kriging Weight declustering
Salah satu tipe metode lain yang dapat digunakan dalam proses declustering merupakan Kriging Declustering. Kriging Declustering adalah dengan melakukan kriging pada area yang menjadi perhatian dan menjumlahkan bobot yang diterapkan pada setiap data kondisional, kemudian menstandarkan jumlah-jumlah ini. Ini sebanding dengan block kriging pada area yang menjadi perhatian.
Teknik ini mirip dengan Declustering Polygonal karena sensitif terhadap batas-batas. Selain itu, metode ini juga sensitif terhadap parameter pencarian. Metode ini juga mengintegrasikan informasi tentang kontinuitas spasial populasi melalui variogram. Karena declustering dengan bobot kriging adalah metode pendekatan diskret, pendekatan ini semakin baik seiring dengan meningkatnya resolusi grid yang di-kriging.
Dalam aplikasi GEOVIA Surpac, declustering dapat dilakukan dengan mengakses menu pada blok model. Menu declustering dan metode declustering yang dilakukan di GEOVIA Surpac merupakan metode cell declustering, di mana nilai bobot akan ditentukan dari tiap cell yang mengandung data,
Data yang akan terbentuk dari hasil declustering pada GEOVIA Surpac akan berbentuk string yang mana pada deskripsi pertama akan diisi oleh grade awal dari data yang akan dilakukan declustering, sedangkan pada deskripsi 2 akan muncul nilai pembobotan dari declustering yang telah dihasilkan.