Laporan Modifikasi Final

(1)

LAPORAN AKHIR PRAKTIKUM GEOSTATISTIK

Oleh

Nama NIM: ………

(Jurusan Teknik Pertambangan)

LOGO

UNIVERSITAS HALU OLEO

Juni 2025

(2)

KATA PENGANTAR

Penulis panjatkan puji syukur kehadirat Allah SWT karena berkat limpahan rahmat-Nya, Laporan Akhir Pelaksanaan Praktik Statistik Ruang ini berhasil diselesaikan.

Ucapan Terimakasih penulis sampaikan kepada Bapak ... selaku dosen pengampu matakuliah dan Bapak ... selaku asisten praktikum yang telah banyak membantu dan membimbing penulis dalam pelaksanaan praktikum serta penyusunan laporan akhir ini. Tidak lupa juga penulis mengucapkan terimakasih kepada rekan-rekan yang telah membantu dalam proses penyusunan laporan ini.

Penulis menyadari bahwa laporan ini masih jauh dari kata sempurna. Oleh karena itu, kritik dan saran yang membangun sangat diharapkan sebagai bahan evaluasi untuk penulisan-penulisan di kemudian hari. Akhir kata, penulis menyampaikan ucapan terimakasih kepada para pembaca yang telah meluangkan waktu untuk membaca laporan ini.

Kendari, Juni 2025

Nama

(3)

DAFTAR ISI

LEMBAR PENGESAHAN...………... i

KATA PENGANTAR……….. ii

DAFTAR ISI……….. iii

DAFTAR GAMBAR………... iv

DAFTAR TABEL………... v

DAFTAR PERSAMAAN………... BAB I ANALISA STATISTIK 1.1. Basis Data ………. 1

1.2. Analisa Satatistik Univariate………. 2

1.3. Analisa Statistik Bivariate………. 6

BAB II KONSTRUKSI VARIOGRAM 2.1. Variogram. ……… 11

2.2. Fitting Variogram……….. 11

BAB III ESTIMASI SUMBERDAYA 3.1. Gridding……... ………. 17

3.2. Estimasi Kriging………. 18

3.3. Klasifikasi Sumberdaya……….. 21

BAB IV Penutup 4.1. Kesimpulan ………... 23

4.2. Saran………... 24

Daftar Pustaka 25

(4)

DAFTAR GAMBAR

Hal

Gambar 1.1 Sebaran Data Coal 1

Gambar 1.2 Sebaran Data Nikel 2

Gambar 1.3 Statistik Deskriptif pada Data Coal 2 Gambar 1.4 Statistik Deskriptif pada Data Nikel 3

Gambar 1.5 Histogram Thickness 3

Gambar 1.6 Histogram Sulphur 4

Gambar 1.7 Histogram Ash 4

Gambar 1.8 Histogram CV 5

Gambar 1.9 Histogram Ni 5

Gambar 1.10 Histogram Fe 6

Gambar 1.11 Scatter Plot Thickness - Sulphur 7

Gambar 1.12 Scatter Plot Thickness - Ash 7

Gambar 1.13 Scatter Plot Thickness – CV 8

Gambar 1.14 Scatter Plot Sulphur - Ash 8

Gambar 1.15 Scatter Plot Sulphur - CV 9

Gambar 1.16 Scatter Plot Ash -CV 9

Gambar 1.17 Scatter Plot Ni - Fe 10

Gambar 2.1 Lag Parameter Data Batubara 13

Gambar 2.2 Lag Parameter Vertikal Data Nikel 14 Gambar 2.3 Lag Parameter Horizontal Data Nikel 14 Gambar 2.4 Omni Directional Data Batubara 15

Gambar 2.5 Omni Directional Data Nikel 16

Gambar 3.1 Grid Data Batubara 2D 17

Gambar 3.2 Grid Data Nikel 3D 17

Gambar 3.3 Property Estimasi Kriging Data Batubara 18 Gambar 3.4 Property Estimasi Kriging Data Nikel 18 Gambar 3.5 Model Estimasi Kadar Data Batubara 19 Gambar 3.6 Model Estimasi Kadar Data Nikel 20

DAFTAR TABEL

(5)

Hal

Tabel 2.1 Parameter Variogram Data Batubara 12

Tabel 2.2 Parameter Variogram Data Nikel 13

Tabel 3.1 Hasil Estimasi Sumberdaya Batubara dan Nikel 22

(6)

DAFTAR PERSAMAAN

Hal

Persamaan 2.1 Variogram 11

Persamaan 2.2 Variogram Ekperimental 11

Persamaan 3.1 RKSD 21

Persamaan 3.2 Klasifikasi Blok Estimasi 22

(7)

BAB I

ANALISIS STATISTIK

1.1. Basis Data

Data yang diolah pada praktikum ini adalah informasi lubang bor endapan batubara dan kandungan nikel laterit. Data yang digunakan ini diolah sampai menjadi hasil perhitungan berupa pola blok dengan bantuan metode Ordinary Kriging menggunakan perangkat lunak software SGEMS. Data untuk endapan endapan batubara adalah informasi dengan dimensi 2D dan kandungan nikel laterit adalah informasi dengan dimensi 3D.

Data lubang bor endapan batubara terdiri dari informasi koordinat x dan y.

Sebaran informasi lubang bor dapat dilihat pada Gambar 1.1. Seperti yang terlihat pada gambar, secara umum jarak antar titik bor dari informasi ini adalah 50 m. Jarak ini digunkana pada saat membuat pola kurva variogram. Data lubang bor yang akan diperhitungan berupa informasi ash, calorific value (CV), sulphur, dan thickness. Keempat informasi inilah yang akan diperhitungan menggunakan metode geostatistik. Estimasi pada angka acuan thickness akan menghasilkan angka sumberdaya endapan batubara dari informasi tersebut. Dapat lubang bor endapan batubara dapat dilihat pada lampiran file ().

Gambar 1.1 Sebaran Data Coal

Data lubang bor kandungan nikel terdiri dari koordinat x, y, dan z. Parameter informasi yang akan diperhitungan dari informasi lubang bor adalah kadar Ni dan kadar Fe. Sebaran informasi lubang bor kandungan nikel dapat dilihat pada Gambar 2.2. Secara

(8)

umum, jarak antar titik bor adalah 25 m. Hal ini digunakan pada proses membuat kurva variogram pola. Data lubang bor kandungan nikel dapat dilihat pada file ().

Gambar 1.2 Sebaran Data Nikel

1.2. Analisa Statistik Univariate

Analisis univariate adalah analisis yang dilakukan untuk satu variabel atau per variable tanpa memperhatikan lokasi dari informasi-informasi tersebut. Analisis univariate dapat juga diartikan analisis deskriptif. Pada Gambar 3.3 dan Gambar 3.4 berturut-turut ditampilkan analisis deskriptif pada informasi endapan batubara dan informasi kandungan nikel.

Thickness Sulphur

Mean 1.613351 Mean 0.583763

Standard Error 0.038895 Standard Error 0.011348

Median 1.65 Median 0.5775

Mode 1.65 Mode 0.57

Standard Deviation 0.383075 Standard Deviation 0.111762 Sample Variance 0.146747 Sample Variance 0.012491

Kurtosis 0.323937 Kurtosis 1.171774

Skewness -0.3696 Skewness 0.777339

Range 2.085 Range 0.615

Minimum 0.375 Minimum 0.3225

Maximum 2.46 Maximum 0.9375

Sum 156.495 Sum 56.625

Count 97 Count 97

Ash CV

Mean 2.678892 Mean 4168.624

Mode 2.7525 Mode 4110

Skewness 2.536559 Skewness 0.284105

Minimum 0.9825 Minimum 3690

Sum 259.8525 Sum 404356.5

Count 97 Count 97

(9)

Gambar 1.3 Statistik Deskriptif pada Data Coal

Ni Fe

Mean 1.336615 Mean 9.454016

Mode 1.0875 Mode 6.5025

Skewness 0.655627 Skewness 1.539766

Minimum 0.1125 Minimum 3.8925

Sum 2488.778 Sum 17603.38

Count 1862 Count 1862

Gambar 1.4 Statistik Deskriptif pada Data Nikel

Pada informasi informasi endapan batubara dan kandungan nikel, dilakukan pembuatan diagram batang untuk melihat kecenderungan frekuensi informasi apakah termasuk kedalam bimodal, normal, kemencengan positif, kemencengan negative. Hasil informasi diagram batang menunjukkan angka variance yang digunakan pada proses fitting pola kurva variogram untuk menentukan angka sill dan nugget effect.

1. Histogram Data Batubara a. Histogram Thickness

Berdasarkan grafik diagram batang thickness pada Gambar 1.5, frekuensi informasi thickness menunjukan kemencengan negative. Hal ini berarti informasi dengan angka ketebalan yang lebih tinggi lebih banyak dari pada informasi dengan angka ketebalan rendah. Dari hasil Analisa deskriptif pada Gambar 1.3, angka kemencenganness pada informasi thickness adalah -0.3696. Berdasarkan analisa statistik, nilai tengah thickness adalah 0.58% dengan angka variance 0.1467.

(10)

Gambar 1.5 Histogram Thickness

(11)

b. Histogram Sulphur

Berdasarkan grafik diagram batang sulphur pada Gambar 1.6, frekuensi informasi sulphur menunjukan sebaran normal. Distribusi normal berarti angka informasi relative mendekati nilai tengah kandungan Sulphur. Dari hasil Analisa deskriptif pada Gambar 1.3, angka kemencenganness pada informasi sulphur adalah 0.777. Berdasarkan analisa statistik, nilai tengah thickness adalah 1.61 m dengan angka variance 0.012.

Gambar 1.6 Histogram Sulphur

c. Histogram Ash

Berdasarkan grafik diagram batang ash pada Gambar 1.7, frekuensi informasi ash menunjukan kemencengan positive. Hal ini berarti informasi dengan angka kadar ash yang lebih tinggi lebih rendah lebih banyak dari pada informasi dengan angka ash yang lebih tinggi. Dari hasil Analisa deskriptif pada Gambar 1.3, angka kemencenganness pada informasi ash adalah 2.536. Berdasarkan analisa statistik, nilai tengah ash adalah 2.678% dengan angka variance 1.558.

Gambar 1.7 Histogram Ash

d. Histogram CV

(12)

Berdasarkan grafik diagram batang CV pada Gambar 1.8, frekuensi informasi CV menunjukan sebaran normal. Hal ini berarti sebaran informasi mendekati nilai tengah kalori. Dari hasil Analisa deskriptif pada Gambar 1.3, angka kemencenganness pada informasi CV adalah 0.284. Berdasarkan analisa statistik, nilai tengah thickness adalah 4168.624 kkal/kg dengan angka variance 16.334.

Gambar 1.8 Histogram CV

2. Histogram Nikel a. Ni

Berdasarkan grafik diagram batang thickness pada Gambar 1.5, frekuensi informasi thickness menunjukan kemencengan positive. Distribusi kadar ini sering dijumpai pada endapan bijih yaitu informasi dengan angka kadar yang lebih rendah lebih banyak dari pada informasi dengan angka kadar yang lebih tinggi. Dari hasil Analisa deskriptif pada Gambar 1.4, angka kemencenganness pada informasi Ni adalah 0.65. Berdasarkan analisa statistik, nilai tengah Ni adalah 1.336% dengan angka variance 0.281.

Gambar 1.9 Histogram Ni

(13)

b. Histogram Fe

Berdasarkan grafik diagram batang Fe pada Gambar 1.10, frekuensi informasi Fe menunjukan sebaran kemencengan positive. Hal ini berarti angka informasi kadar lebih rendah lebih banyak dari pada informasi dengan kadar tinggi. Dari hasil Analisa deskriptif pada Gambar 1.4, angka kemencenganness pada informasi Fe adalah 1.539.

Berdasarkan analisa statistik, nilai tengah kadar Fe adalah 9.454% dengan angka variance 16.334.

Gambar 1.10 Histogram Fe

1.3. Analisa Statistik Bivariate

Analisis Statistik Bivariate adalah analisis stastistik yang digunakan untuk menganalisis sebaran dua variable berdeda tetapi terletak pada titik yang sama. Metode statistik bivariate yang sering digunakan adalah grafik pencar, grafik pencar merupakan penggambaran dua variable dalam satu grafik X-Y. Kedua variabel dikatakan memiliki hubungan positif jika kedua angka berbanding lurus, sedangkan dikatakan memiliki hubungan negative jika berbanding terbalik, dan tidak memiliki hubungan jika persebaran informasi kedua variable menunjukan kecenderungan yang acak.

Hubungan antar dua variable dinyatakan dalam koefisien hubungan statistik.

Rentang angka koefisien hubungan statistik antara 1 dan -1. Apabila angka koefisien hubungan statistik antara dua variable mendekati 1, maka kedua variabel tersebut memiliki hubungan positif yang semakin tinggi. Sebaliknya, apabila angka koefisien hubungan statistik mendekat -1, maka kedua variable tersebut memiliki hubungan negative yang semakin tinggi (Taylor, 1997).

(14)

Berikut adalah pembuatan grafik pencar pada informasi endapan batubara dan informasi kandungan nikel :

1. Scatter Plot Data Batubara a. Thickness – Sulphur

Berdasarkan hasil dari grafik pencar Gambar 1.11, kedua variable tersebut memiliki hubungan positive yang rendah . Hal ini ditunjukan dengan angka coefficient correlation 0.160.

Gambar 1.11 Scatter Plot Thickness - Sulphur

b. Thickness – Ash

Berdasarkan hasil dari grafik pencar Gambar 1.12, kedua variable tersebut memiliki hubungan negatif yang rendah . Hal ini ditunjukan dengan angka coefficient correlation -0,216

Gambar 1.12 Scatter Plot Thickness - Ash

(15)

c. Thickness – CV

Berdasarkan hasil dari grafik pencar Gambar 1.13, kedua variable tersebut memiliki hubungan positif yang rendah . Hal ini ditunjukan dengan angka coefficient correlation 0.136.

Gambar 1.13 Scatter Plot Thickness – CV

d. Sulphur – Ash

Gambar 1.14 Scatter Plot Sulphur - Ash

e. Sulphur – CV

(16)

Gambar 1.15 Scatter Plot Sulphur - CV

f. Ash - CV

Berdasarkan hasil dari grafik pencar Gambar 1.16, kedua variable tersebut memiliki hubungan negatif yang rendah . Hal ini ditunjukan dengan angka coefficient correlation -0.3846.

Gambar 1.16 Scatter Plot Ash -CV

2. Scatter Plot Data Nikel a. Ni – Fe

Berdasarkan hasil dari scatterplot Gambar 1.17, variable Ni dan Fe memiliki hubungan positif yang rendah. Hal ini ditunjukkan dengan angka correlation coefficient 0.193.

(17)

Gambar 1.17 Scatter Plot Ni - Fe

(18)

BAB II

KONSTRUKSI VARIOGRAM

2.1. Variogram

Variogram merupakan alat dalam geostatistik yang berguna untuk menunjukkan hubungan statistik spatial antara informasi yang diukur. Distribusi atau kontinuitas suatu informasi, secara statistik spasial ditunjukan melalui fungsi kurva variogram [ɣ(h)], secara teoritis adalah setengah dari varians informasi yang dipisahkan oleh jarak “h” dengan persamaan sebagai berikut:

γ(h)=Var[z

(

^xⁱ

)

⁻^z

(

^xⁱ⁺^h

)

^]

2 ………...Persamaan

2.1

Atau secara praktis suatu kurva variogram eksperimental dapat dihitung persamaan berikut ini:

γ(h)=

∑

i=1 N

¿¿¿……….Persamaan 2.2

Dimana N(h) adalah jumlah pasangan informasi yang dipisahkan oleh jarak “h”

tersebut.

2.2. Fitting Variogram

Tujuan dari fitting kurva variogram adalah melihat hubungan antara dua variabel, komponen utama dari kurva variogram diantaranya nugget, local, dan regional. Fitting kurva variogram akan sangat menentukan hasil perhitungan yang akan kita buat, semakin baik kurva variogram yang kita buat, perhitungan yang dihasilkan akan sesuai dengan kondisi sebenarnya.

Variogram eksperimental sangat berguna untuk menganalisis pola penyebaran sumber daya mineral namun, hal tersebut tidak dapat langsung digunakan dalam perhitungan cadangan. Oleh sebab itu, diperlukan adanya pola kurva variogram teoritis untuk kemudian di-fit-kan dengan kurva variogram eksperimental. Model teoritis ini di gambarkan dengan suatu pola yang matematis.

Dibawah ini adalah beberapa pedoman penting dalam melakukan fitting:

1.

Model kurva variogram yang sebaiknya digunakan untuk informasi yang kontinuitas tingggi adalah pola spherical, sedangkan untuk informasi yang kontinuitasnya rendah sebaiknya menggunakan pola exponential

2.

Model kurva variogram sebaiknya mengenai titik kurva variogram terdekat.

(19)

3. Variogram yang memiliki pasangan conto sangat sedikit agar diabaikan.

4.

Nugget variance (C0) didapat dari perpotongan garis tangensial dari beberapa titik pertama kurva variogram dengan sumbu ɣ(h).

5.

Sill kira-kira sama dengan mendekati varians populasi. Garis tangensial di atas akan memotong garis sill jarak 2/3 a, sehingga kemudian dapat dihitung angka dari a.

6.

Interpretasi nugget variance untuk kurva variogram dengan sudut toleransi 180o (kurva variogram rata-rata) akan sangat membantu untuk memperkirakan besar nugget variance.

7.

Nugget variance diambil dari multipel kurva variogram (dalam berbagai arah).

Berikut adalah hasil fitting kurva variogram yang dilakukan pada informasi endapan batubara dan informasi kandungan nikel.

1. Fitting Variogram Data Batubara

Dalam penentuan angka acuan pola kurva variogram, terdapat beberapa hal yang harus diperhatikan seperti yang terlihat pada Gambar 2.1 yaitu:

a.

Number of lags, adalah jumlah informasi yang ingin ditampilkan pada proses fitting kurva variogram. Nilai number of lags dapat diperoleh dari jumlah blok pada koordinat x.

b.

Leg separation, ditentukan berdasarkan jarak antar titik informasi). Pada informasi endapan batubara, jarak antar titik bor secara umum adalah 50 m

c.

leg tolerance, adalah setengah angka leg separation.

d. Arah pencarian (azimuth), dilakukan pada empat arah yaitu arah timur laut- barat daya, barat - timur, tenggara – barat-laut, dan utara – selatan

Dari hasil proses fitting yang dilakukan pada informasi endapan batubara Gambar 2.2, maka diperoleh hasil fitting kurva variogram pada informasi thickness, Sulphur, ash, dan CV seperti yang ditnjukkan pada Tabel 2.1.

Tabel 2.1 Parameter Variogram Data Batubara Thickness Sulphur Ash CV Model Variogram Spherical Spherical Spherical Spherical Nugget Variace

0.03 0.0001 0.05 2000

Structure

1 1 1 1

Sill

0.1156 0.0125 1.4078 23736.8

Range

112 154 140 184

(20)

Gambar 2.1 Lag Parameter Data Batubara

2. Fitting Variogram Data Nikel

Pada informasi Nikel terdapat dua lag angka acuan yang digunakan sebelum melakukan fitting kurva variogram 3D, yaitu lag angka acuan vertical (Gambar 2.2) dan lag angka acuan horizontal (Gambar 2.3).

a. Number of lag yang digunakan untuk fitting vertical dan horizontal adalah sama yaitu 25 yang disesuaikan dengan jumlah blok pada sumbu x.

b.

Lag separation yang digunkana pada informasi vertical diseuikan dengan interval informasi kadar pada lubang bor yaitu 1 m. Lag separation yang digunakan untuk fitting horizontal disesuaikan dengan jarak antar titik bor yaitu 25 m

c.

Lag tolerance adalah setengah dari angka lag separation.

d.

Arah pencarian (azimuth) pada informasi vertical adalah 90° dan untuk horizontal terdapat empat arah yaitu 45°, 90°, 135°, dan 180°.

Berikut angka acuan kurva variogram (Tabel 2.2) yang dihasilkan dari proses fitting kurva variogram 3D informasi kandungan nikel (Gambar 2.5).

Tabel 2.2 Parameter Variogram Data Nikel

Ni Fe

Model Variogram

Exponential Exponential

Nugget Variance

0.25 14

Structure

1 1

Sill

0.25 2.3344

Range

37.5 50

(21)

Gambar 2.2 Lag Parameter Vertikal Data Nikel

Gambar 2.3 Lag Parameter Horizontal Data Nikel

(22)

Omni Directional Thickness Omni Directional Sulphur

Omni Directional Ash Omni Directional CV

Gambar 2.4 Omni Directional Data Batubara

(23)

Omni Directional Ni 3D Omni Directional Fe 3D

Gambar 2.5 Omni Directional Data Nikel

(24)

BAB III

ESTIMASI SUMBERDAYA

3.1. Gridding

Grid digunakan untuk membatasi area yang nantinya akan diperhitungan. Grid yang kita buat akan dibagi 2 (dua) meliputi batas dari area yang akan diperhitungan dan juga jumlah cell yang berada didalam area. Pembuatan grid berdasarkan titik terluar informasi yang akan diperhitungan. Pada informasi endapan batubara titik terluarnya adalah (806, 801,1) seperti yang terlihat pada Gambar 3.1. Titik terluar pada informasi kandungan nikel adalah (522.6, 774.76, 538.6) seperti yang terilhat pada Gambar 3.2.

Jumlah blok (number of cells) diperoleh dari kalkulasi jumlah ukuran blok (cell dimensions) yang terdapat didalam batas titik terluar informasi.

Gambar 3.1 Grid Data Batubara 2D

Gambar 3.2 Grid Data Nikel 3D

(25)

3.2. Estimasi Kriging

Penghitungan dengan metode kriging adalah perhitungan dengan memperhitungkan angka bobot masing-masing informasi menggunakan fungsi kurva variogram pola. Dengan adanya kurva variogram yang sudah kita buat, kurva variogram tersebut mencerminkan bagaimana sebaran suatu informasi terhadap kondisi spasial yang sebenarnya. Metode kriging yang digunkana pada praktikum ini adalah kriging biasa.

Penghitungan dengan teknik kriging standar menggunakan aplikasi SGems membutuhkan informasi property seperti yang disajikan pada Gmabar 3.3 untuk informasi endapan batubara dan 3.4 untuk informasi kandungan nikel. Condotioning informasi yang digunakan adalah rentang 3-12. Nilai ranges merupakan hasil rata-rata dari tiap variable perhitungan.

Gambar 3.3 Property Estimasi Kriging Data Batubara

Gambar 3.4 Property Estimasi Kriging Data Nikel

Hasil perhitungan teknik kriging standar menggunakan aplikasi SGems adalah pola perhitungan kadar dan pola perhitungan variance sebagaimana yang ditunjukkan pada Gambar 3.5 untuk informasi endapan batubara dan Gambar 3.6 untuk informasi kandungan nikel. Data kadar dan informasi variance selajutnya akan diolah mengunakan perangkat Microsoft excel untuk mentukan kalsifikasi sumberdaya dan angka sumberdaya pada informasi endapan batubara dan informasi kandungan nikel.

(26)

Model Estimasi Thickness Model Estimasi Sulphur

Model Estimasi Ash Model Estimasi CV

Gambar 3.5 Model Estimasi Kadar Data Batubara

(27)

Model Estimasi Ni Model Estimasi Fe

Gambar 3.5 Model Estimasi Kadar Data Nikel

(28)

3.3. Klasifikasi Sumberdaya

Klasifikasi sumberdaya dapat dilakukan berdasarkan angka acuan perhitungan kriging yaitu standar deviasi kriging (akar pangkat dua dari kriging variance) yang diformulasikan dalam relative kriging standard deviation (RKSD) ditunjukkan dengan persamaan:

RKSD=

√

^σ^k²

Z_k^¿ x

100 % ………...……..Persamaan 3.1

Dengan mengasumsikan sebaran error adalah normal dengan tingkat keyakinan 95%, persamaan RKSD seperti yang ditunjukkan persamaan 3.1, perlu dikalikan dengan faktor 2 Gambar 3.6.

Gambar 3.16 Kurva sebaran normal dengan berbagai tingkat keyakinan.

Sinclair & Blackwell (2002) menunjukkan penggunaan praktis RKSD sebagai sebuah komponen penting dalam skema klasifikasi sumberdaya untuk endapan porfiri Cu dan Au epitermal yang besar melalui langkah-langkah sebagai berikut:

1.

Identifikasi blok-blok yang termineralisasi (misalnya melalui verifikasi kontinuitas domain atau pola geologi).

(29)

2.

Identifikasi blok-blok yang mengalami mineralisasi dengan kadar perhitungan di atas cut-off grade.

3.

Klasifikasi blok-blok dengan kadar perhitungan di atas cut-off grade berdasarkan batasan RKSD (dalam %) berikut ini:

Terukut 30% ≤ Tertujuk 50% ≤ Terukur 70 % ..……… Persamaan 3.2

Berdasarkan % error relatif (RKSD) seperti yang ditunjukkan oleh de Souza et al.

(2002) yang kemudian dimodifikasi oleh JORC 1999 dan Diehl & David (1982), maka khusus untuk sumberdaya endapan batubara dapat diklasifikasikan sebagai berikut:

1. Terukur dengan error relatif ≤ 10%

2. Terunjuk dengan error relatif 10% - 20%

3. Tereka dengan error relatif 20% - 50%

Blok sumberdaya yang memiiki RKSD atau error relatif di luar batas Tereka dapat diklasifikasikan sebagai sumberdaya Hipotetik.

Berdasarkan rumus yang dijelaskan diatas, maka diperoleh hasil perhitungan sumberdaya pada informasi endapan batubara dan informasi kandungan nikel (Tabel 3.1).

Lampiran pengolahan informasi perhitungan endapan batubara dapat dilihat pada () dan pada informasi kandungan nikel dapat dilihat pada ().

Tabel 3.1 Hasil Estimasi Sumberdaya Batubara dan Nikel

Sumberdaya (Ton) Klasifikasi Sumberdaya

Batubara 2,459,911 Tereka

Nikel (Ni) 57,637,887 Tereka

Nikel (Fe) 416,537,706 Tereka

(30)

BAB IV PENUTUP

4.1. Kesimpulan

Dari hasil pengolahan informasi yang dijelaskan pada bab sebelumnya, maka ada beberapa kesimpulan yang dihasilkan sebagai berikut

1.

Data endapan batubara merupakan informasi 2D yang teridiri dari 97 titik informasi dengan empat variable yang diperhitungan yaitu thickness, Sulphur, ash, dan calorific value (CV). Dari hasil Analisa diagram batang, varibel CV dan suplhur menunjukkan distibusi informasi normal, sedangkan informasi thickness termasuk sebaran kemencengan negative dan informasi ash termasuk sebaran kemencengan positif.

2.

Data kandungan nikel merupakan informasi 3D yang teridir dari 1862 titik informasi dengan 2 variabel yang diperhitungan yaitu Ni dan Fe. Dari hasil analisis diagram batang, informasi Ni dan Fe termasuk tersebaran kemencengan positive.

3.

Analis grafik pencar pada informasi endapan batubara menunjukkan keterkaitan variabel yang lemah antar variabel, karena angka correlation coefficient yang mendekati nol

4.

Analisis grafik pencar pada informasi kandungan nikel menunjukkan keterkaitan variabel yang lemah antara variable Ni dan Fe dengan angka correlation coefficient 0.193.

5.

Model kurva variogram yang digunakan pada informasi endapan batubara adalah pola spherical. Dari hasil fitting kurva variogram diperoleh angka nugget variance informasi thicknees adalah 0.03, sulphur adalah 0.0001, ash adalah 0.05 dan CV adalah 2000.

Data sill yang diperoleh pada thickness adalah 0.1156, sulphur 0.0125, ash adalah 1.4078, dan pada CV adalah 23736.8. Range yang diperoleh pada thickness adalah 112, sulphur adalah 154, ash adalah 140, dan CV adalah 184.

6.

Model kurva variogram yang digunakan pada informasi kandungan nikel adalah pola exponential. Dari hasil fitting kurva variogram diperolah angka nugget variance variable Ni adalah 0.25 dan Fe adalah 14. Nilai sill yang diperoleh pada variable Ni adalah 0.25 dan Fe adalah 2.334. Nilai range yang diperoleh untuk variable Ni adalah 37.5 dan pada Fe adalah 50

7.

Hasil perhitungan menggunkan metode peramalan kriging menghasilkan angka sumberdaya endapan batubara 2,459,911 Ton dengan klasifikasi sumberdaya tereka.

(31)

Nilai sumberdaya Ni adalah 57,637,887 Ton dan Fe adalah 416,537,706 Ton dengan klasifikas sumberdaya tereka.

4.2. Saran

Adapun saran yang disampaikan penulis untuk pelaksaan praktikum Statistik Geospasial Terapan adala sebagai berikut

1.

Sebaiknya disediakan informasi 3D untuk bahan galian endapan batubara sehingga dapat menghasilkan pola perhitungan 3D.

2.

Pelaksanaak praktikum dapat dilakukan dilaboratorium menggunakan aplikasi pengolahan informasi yang berlisensi resmi.

3. Sebaiknya diberlakukan sistem asistensi tatap muka asisten praktikum dan

dosen pengampu kepada praktikan sehingga dapat meninjau kedalaman

pengetahuan praktikan mengenai materi praktikum

(32)

DAFTAR PUSTAKA

de Souza, L.E., Costa J.F.C.L., Koppe J.C., Uncertainty estimate in resources assessment: a geostatistical contribution, Natural Resources Research, v.13, p.1-15.2004.

Heriawan, M, N., Khairul, A., 2020,”Modul Kegiatan Praktik TA 5212, Statistik Geospasial Terapan”, FTTM, ITM, Bandung

JORC., 2012,”Astralisian Code for Reporting of Exploration Results, Mineral Sources, and Ore Reserves”, Australia

Sinclair, A.J., Blackwell, G.H., Applied Mineral Inventory Estimation, 1st edition, Cambridge University Press, 2002.

Taylor, John R. (1997). An Introduction to Error Analysis: The Study of

Uncertainties in Physical Measurements. Sausalito, CA: University Science

Books. p. 217.