TUGAS PAPER STATISTIKA

APLIKASI METODE GEOSTATISTIKA DALAM DATA GEOFISIKA DAN GEOLOGI

Oleh : Muhammad Lail 115.120.02

PROGRAM STUDI TEKNIK GEOFISIKA FAKULTAS TEKNOLOGI MINERAL UNI!ERSITAS PEM"ANGUNAN NASIONAL #!ETERAN$ %OG%AKARTA 201

KATA PENGANTAR

Puji syukur penulis penjatkan kehadirat Allah SWT., yang atas rahmat dan karunia-Nya maka penulis dapat menyelesaikan tugas paper statistika. Penulis juga mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu dalam penyusunan tugas ini, semoga segala macam bantuannya mendapat balasan yang setimpal dari Tuhan Yang aha !sa.

"aporan ini membahas tentang aplikasi metode geostatistika dalam data geo#isika dan geologi. Pengerjaan tugas ini juga bertujuan agar penulis dapat mengetahui berbagai macam metode geostatistik yang digunakan dalam data geo#isika dan geologi. Semoga laporan ini dapat berman#aat bagi kita semua dan dengan adanya penyusunan laporan seperti ini, pengamatan yang telah dilaksanakan dapat tercatat dengan rapi dan dapat dipelajari kembali pada kesempatan yang lain untuk kepentingan proses belajar kita kelak. Penulis menyadari bah$a tugas paper ini masih jauh dari kesempurnaan baik dari bentuk penyusunan maupun materinya. %ritik dan saran dari pembaca sangat diharapkan untuk penyempurnaan tugas paper selanjutnya.

Yogyakarta, &' (uni &')*

uhammad "ail

KATA PENGANTAR
Seperti halnya sur+ei geo-science lainnya, dalam sur+ei eksplorasi panas bumi juga melibatkan jumlah data yang besar, sehingga diperlukan metoda statistik untuk mengolahnya. Ada beberapa cara untuk mengelola data secara statistik, salah satu diantaranya menggunakan ,ra#ik Probability, yang pada prinsipnya adalah mencoba membagi data menjadi beberapa sub-populasi yang diinterpretasikan sebagai hasil suatu #enomena geologi. Seperti halnya metoda statistik yang lain, metoda ini menggunakan pendekatan yang umum dilakukan yaitu penentuan nilai threshold, nilai background dan nilai rata-rata dalam penentuan harga anomali. %eunggulan metoda ini dibandingkan metoda lain adalah kemampuannya membagi atau mem#ilter suatu kelompok besar data menjadi beberapa sub-populasi yang mempunyai nilai ambang sendiri. -asil pengolahannya digambarkan dalam suatu peta dan memberikan banyak area dengan karakteristik nilai data berlainan satu-sama lain. -al ini akan memberikan ruang yang luas bagi geologist dan geochemist untuk bahan interpretasi. Pada tulisan ini penulis mencoba mengaplikasikan metoda gra#ik probability untuk pengolahan data geokimia, yaitu kandungan unsur -g dalam tanah dan kadar ./& udara tanah di daerah Panas 0umi (aboi, Nangroe Aceh 1arussalam. 1alam sur+ey geologi, geokimia dan geo#isika sering sekali melibatkan datadata dalam jumlah yang besar, sehingga diperlukan metode untuk mengolah2memilah data-data tersebut, sesuai dengan kelas2kelompok data-data. Tujuan dari pengelompokan ini adalah untuk memudahkan proses interpretasi. Si#at dari data-data pengamatan lapangan 3geologi, geokimia dan geo#isika4 adalah mandiri (independent) karena nilai besarannya terjadi sebagai respon dari lingkungan sekelilingnya atau akibat suatu #enomena geologi 3mineralisasi dan geothermal4 yang si#atnya natural2alami dan ber+ariasi dari satu daerah dengan daerah lainnya, sehingga akan sulit menentukan batasan nilai ambang ( threshold) yang bersi#at mutlak dan berlaku di seluruh areal penelitian.

IDENTIFIKASI NILAI ANOMALI 2.1. Me&'de Pe(de)a&a( 0eberapa metode pendekatan yang sering dipakai untuk mengindenti#ikasi suatu nilai ambang 3threshold4 adalah5 - 1engan cara pembagian menurut rentang 3range4 tertentu, misalnya menggunakan pembagian &67- persentil, 6'7 persentil dan 867 persentil. Nilai yang melebihi harga 867 persentil dianggap sebagai nilai anomali. Sedangkan nilai yang kurang dari harga &67-persentil dianggap sebagai nilai latar 3background4. enggunakan rumus mean 3nilai ratarata4 ditambah & kali nilai standar de+iasi untuk nilai ambang 3threshold4, nilai yang melebihi harga ini dianggap sebagai nilai anomaly. Sedangkan untuk nilai latar 3background4 adalah mean 3nilai ratarata4 ditambah nilai standard de+iasi. enggunakan metode persentil, yaitu nilai ambang 3threshold4 ditentukan pada nilai 98.67 persentil, nilai yang melebihi harga ini dianggap sebagai anomaly. enggunakan gra#ik probability, metode ini dianggap lebih baik dari metode lainnya karena mampu membagi rentang 3range4 nilai ambang 3threshold4 dari tiap sub-populasi yang ada dalam suatu pupolasi. Selanjutnya metode ini akan diterangkan lebih rinci. 2.2. G*a+i) ,i-&'.*am /- G*a+i) P*'0a0ili&1 Salah satu media dalam penyajian data statistik adalah berupa gra#ik. ,ra#ik histogram adalah gra#ik yang paling umum dipakai, yaitu berupa diagram batang yang me$akili rentang 3 range 4 data tertentu pada sumbu-: 3absis4 dan nilai #rekuensi 3biasanya dalam persen 4 pada sumbu-Y 3ordinat4. 1engan histogram kita bisa dengan udah mengetahui si#at statistik dari suatu populasi data secara +isual, contohnya suatu populasi yang bersi#at distribusi normal akan berbentuk suatu kur+a setangkup 3simetris4 atau berbentuk lonceng. Sedangkan gra#ik probability adalah suatu gra#ik yang dibuat sedemikian rupa sehingga suatu populasi data yang * berdistribusi normal akan tergambar sebagai suatu garis lurus. ,ra#ik ini dibuat dengan skala logaritmik pada sumbu-: 3absis4 dan skala biasa pada sumbu-Y 3ordinat4, tapi kadang-kadang sering dipakai juga skala

logaritmik pada sumbu-Y 3log-normal4. %elebihan dari gra#ik ini dari histogram adalah gra#ik probability akan lebih mudah mengetahui apakah suatu populasi bersi#at unimodal, imodal atau polimodal. %elebihan yang lain adalah dalam proses pemilahan suatu sub-populasi dalam suatu populasi, akan lebih mudah dilakukan dalam gra#ik ini. Pada gambar & ditampilkan contoh histogram dan gra#ik probability, terlihat bah$a bentuk istogram berupa kur+a setangkup 3simetris4, ini berarti data dalam populasi ini terdistribusi normal sekaligus juga bersi#at unimodal. Sedangkan pada gra#ik probability 3sebelah kanan4 pola distribusi normal-unimodal berupa garis lurus. 2. . U(im'dal /- "im'dal Seperti telah diterangkan di bagian terdahulu, penyebaran unimodal adalah penyebaran yang mempunyai nilai modus tunggal, distribusi normal adalah suatu contoh penyebaran bersi#at unimodal. Pada gra#ik histogram terlihat seperti kur+a yang berbentuk lengkung 3#le;ure4. Sedangkan pada gra#ik probability akan tampak sebagai garis lurus 3gambar &4. "ain halnya dengan penyebaran yang bersi#at bimodal, yaitu penyebaran yang mempunyai nilai modus ganda akan tampak pada gra#ik probability sebagai garis yang melengkung 3gambar *4, demikian juga untuk data yang bersi#at polimodal, akan tetapi jumlah lengkungan akan semakin banyak. 0entuk lengkungan yang terdapat dalam gra#ik probability untuk distribusi bimodal atau polimodal adalah suatu subpopulasi yang ada dalam populasi tersebut. Suatu sub-populasi dapat terjadi sebagai akibat perbedaan intensitas suatu proses geologi 3mineralisasi atau geothermal4. Pada gambar * memperlihatkan penyebaran lengkungan 3#le;ure4 pada kur+a tersebut. . PENGOLA,AN DATA Pada bagian ini akan diterangkan cara pengolahan data dengan menggunakan gra#ik probability. Pada contoh akan diberikan suatu populasi data yang bersi#at bimodal dimana terdapat nilai modus ganda 3terdapat dua sub-populasi4. Pengolahan data dibantu oleh perangkat lunak 3so#t$are4 1isco+ery +ersi < atau <.') yang terdapat dalam program apin#o = atau apin#o 8. ,ambar < memperlihatkan contoh pengolahan data yang bersi#at bimodal dari harga -g

3 erkuri dalam ppb 4 dengan menggunakan gra#ik probability. "angkah pertama setelah kita dapat bentuk gra#ik penyebaran data populasi 3tanda bintang4 adalah memisahkan sub-populasi yang terdapat dalam populasi tersebut. Pemisahan dilakukan pada titik 1iana terjadi pelengkungan 3#le;uring4 pada gra#ik probability, pada contoh diperoleh pada titik =' 3pada sumbu-:, gra#ik probability4, sehingga didapat dua sub-populasi yaitu A dan 0 dengan perbandingan A 5 0 adalah =' 5 <'. Selanjutnya adalah membuat gra#ik dari masing-masing sub-populasi, dengan cara menghitung setiap titik 3tanda bintang4, pada contoh diambil nilai *' 3tanda huru# :4, selanjutnya 5 3*'2='4 ; )''7 > 6' 3tanda huru# Y4 1engan jalan yang sama seperti diatas maka diperoleh penyebaran titik yang merepresentasikan nilai sub populasi A 3tanda ingkaran kosong4, dengan menarik garis diantara titik-titik tersebut terbentuklah garis lurus subpopulasi A. 1ari bentuknya yang berupa garis lurus maka sub-populasi data A berdistribusi normal. 1engan asumsi bah$a pada distribusi normal, nilai mean sama dengan median, yaitu terletak pada 6'7-persentil, sedangkan nilai standar de+iasi jatuh pada nilai =?7-persentil, maka pemakaian rumus untuk nilai ambang 3threshold4, yaitu5 Threshold > mean @ &3standard de+iasi4 > 6'7persentil@?=7persentil > &.<&6 @ &.=< > ant-log 3&.<&64 @ ant-log 3&.=<4 > &==.'8 @ <*=.6) > 8'&.6? ppb. Sedangkan nilai latar 3background4 adalah 5 0ackground > mean @ standard de+iasi < > 6'7persentil@ =?7persentil > &.<&6 @ &.6& > &==.'8 @ **).)* > 698.&' ppb.

1engan menggunakan cara yang sama pada sub-populasi 0 maka didapat nilai ambang dan latar adalah ))**.)= ppb dan 99<.)) ppb. 1ari hasil akhir yang didapat, maka nilai -g yang melebihi ))**.)= ppb merupakan anomaly ), dan merupakan skala prioritas untuk di #ollo$ up. Selanjutnya nilai -g yang berkisar ))**.)= A 99<.)) ppb adalah anomali &, antara 99<.)) - 8'&.6? ppb adalah anomali * dan antara 8'&.6? A 698.&' ppb adalah anomali <. Nilai latar subpopulasi A 3 698.&' ppb4 dianggap sebagai nilai latar ntuk keseluruhan populasi, karena merupakan batas nilai terendah, sehingga nilai yang kurang dari 698.&' ppb dianggap tidak mengalami BgangguanC. Dentang harga anomali ) hingga anomali < disebabkan karena adanya perbedaan intensitas aliran #luida2gas dari ba$ah permukaan sebagai akibat perbedaan lithologi atau permeabiliti. 2. STUDI KASUS Setelah memahami cara pengolahan data dengan menggunakan gra#ik probability, pada bagian ini akan dicoba diterapkan untuk pengolahan data pengamatan dari beberapa lokasi kerja sur+ey panas bumi di Endonesia. -asil pengolahan data ini bukan satu-satunya bahan untuk proses interpretasi, tetapi hanya sebagai penunjang, karena proses interpretasi yang terbaik adalah mengkombinasikan seluruh data baik geologi, geokimia dan geo#isika, sehingga hasil interpretasi akan menjadi suatu hasil yang padu. Fntuk contoh di sini akan dicoba pengolahan data geokimia dari beberapa daerah sur+ey panas bumi di Endonesia. 2.1. Pe(1e0a*a( U(-u* ,. Dae*ah Pa(a0umi (aboi, NA1 "okasi penelitian terletak di 1aerah (aboi, Nangroe Aceh 1arussalam, "itologi daerah penelitian didominasi oleh batuan +olkanik, yaitu la+a andesitik, aliran piroklastik, jatuhan piroklastik yang berupa tu#a, serta breksi +olkanik, di beberapa tempat terdapat alterasi yang sangat luas, sebagai akibat akti+itas #luida geothermal, berupa mineral sekunder 3 dominasi clay 4, juga terdapat lapangan #umarola yang masih akti# mengeluarkan gas2 uap air. Struktur geologi cukup intensi#, didominasi oleh sesar-sesar normal dan geser, beberapa menjadi media atau jalur keluarnya mata air panas, arah umum struktur geologi

adalah Timurlaut-Tenggara, yang merupakan arah umum dari Gona Sesar Sumatera. (umlah data pengukuran yang berhasil dikumpulkan adalah ))< data, yang berupa conto tanah yang diambil secara sistematik 3grid 4 dan secara random. ,ambar 6, merupakan hasil pengolahan data kadar unsur -g 3 erkuri4 yang terdapat dalam tanah. Terlihat bah$a dari hasil pengolahan dengan menggunakan gra#ik probabilitas didapatkan * sub-populasi yaitu subpopulasi A, 0 dan ., nilai sub populasi ini diinterpretasikan sebagai akibat dari adanya akti#itas panas bumi di daerah ini. Subpopulasi A me$akili sub-populasi yang mempunyai nilai kadar -g yang lebih rendah dibanding dari sub-populasi yang lain, sehingga nilai latar 3background4 di tentukan dari sub-populasi ini, dengan menggunakan #ormula yang umum tentang nilai latar 3background4 yaitu nilai rata-rata @ nilai standar de+iasi maka didapat bah$a nilai latar adalah <9*,<) ppb, perlu dicatat di sini bah$a nilai rata-rata 3mean4 dan nilai standar de+iasi ditentukan secara gra#is dari gra#ik probabilitas, yaitu untuk nilai rata-rata adalah jatuh pada 6'7 percentile, sedangkan nilai standar de+iasi jatuh pada persentil ?<7 jadi penghitungan nilai latar adalah 5 Nilai latar 3background4 > mean @ std std > standar de+iasi > 6'7 persentile @ ?<7 persentil > )=9,?& ppb @ *&*,69 ppb > <9*,<) ppb. Nilai <9*, <) ppb ini merupakan nilai batas data yang dianggap sebagai anomali, hal ini berarti bah$a nilai diatas ini dapat dikatagorikan sebagai anomali. Adapun untuk nilai ambang 3threshold4 dengan cara penunjukan langsung dari nilai percentile, yang biasa digunakan dalam metodis aplikasi gra#ik probabilitas, untuk kasus ini meggunakan nilai persentile )7 atau 997, dengan menggunakan ini didapat nilai ambang 3threshold4 untuk sub populasi 06 adalah 9**,&6 ppb dan nilai ambang untuk sub-populasi . adalah &)*8,9= ppb. ,ambar 8 adalah hasil plotting nilai latar dan ambang dari data -g daerah panas bumi (aboi. Terlihat adanya empat rentangan 3range4 data, yaitu 5

H <9*,<) ppb <9*,<) A 9**,&6 9**,&6 A &)*8,9= I &)*8,9= ppb

> $arna abu-abu > $arna biru muda > $arna kuning > $arna merah

2.2. Pe(1e0a*a( .a- 3O2 Dae*ah Pa(a0umi (aboi, NA1 ,ambar = adalah gra#ik probabilitas dari nilai kadar ./& udara tanah di daerah (aboi. Terlihat bah$a terdapat dua sub populasi yaitu populasi A dan 0, dikarenakan rentang antara nilai minimum dan maksimum sangat sempit 3 ',*6 A 6,96 7 4, maka penentuan nilai latar dan ambang akan sedikit berbeda dangan cara diatas 3 -g4. Sub-populasi A yang me$akili kelompok data yang bernilai kecil dapat dipakai sebagai acuan dalam penentuan nilai latar 3background4. 1ikarenakan rentang nilai data yang sempit maka #ormula background adalah nilai ratarata ditambah nilai standar de+iasi tidak dapat dilakukan pada kelompok data ini. Fntuk itu diputuskan mengambil nilai ratarata 3mean4, yang dianggap representati# sebagai nilai latar 3background4, yaitu jatuh pada 6'7 percentile dari sub-populasi A yang bernilai ),=6 7, hal ini berarti nilai diatas ),=6 7 adalah anomali, sedangkan untuk penentuan nilai ambang sama dengan cara di atas yaitu mengambil )7 atau 997 percentile untuk masingmasing subpopulasi, dan didapat nilai *,67 untuk subpopulasi a dan <,*7 untuk subpopulasi 0. ,ambar ? adalah hasil plotting nilai latar dan ambang dari data ./& daerah panas bumi (aboi. Terlihat adanya empat rentangan 3range4 data, yaitu 5 H ),=6 7 *,6 A <,* 7 I <,* 7 > $arna abu-abu > $arna kuning > $arna merah.

),=6 A *,6 7 > $arna biru muda

5. DISKUSI 1iatas telah dipaparkan aplikasi gra#ik probabilitity dalam pengolahan data geokimia panas bumi, dan didapatkan masing-masing peta anomalinya. 1ari kompilasi dua peta anomali tersebut 3distribusi -g dan ./&4 didapatkan dua daerah prospek yang perlu di B#ollo$ upC yaitu daerah prospek ) dan daerah prospek & 3 ,mb 8 dan ? 4. 1aerah prospek ) lebih menarik dari daerah prospek &, hal ini karena kemunculan anomali mineral -g dan ./& dikontrol oleh adanya struktur sesar yang berarah Ftara-Selatan, 0aratlaut- Tenggara dan Timurlaut0aratdaya. %etiga arah struktur sesar ini bertemu dan saling berpotongan di lokasi prospek ), dan membentuk suatu cebakan yang memungkinkan terjadinya akumulasi #luida panas bumi di daerah ini. %ontrol litologi kemungkinan kurang mendominasi pembentukan anomaly didaerah ini karena kedua daerah prospek didominasi oleh jenis batuan yang sama yaitu batuan +ulkanik. 4. KESIMPULAN etode gra#ik probabiliti dapat membagi data-data pengamatan menjadi subpopulasi-subpopulasi yang diinterpretasikan sebagai akibat dari suatu #enomena geologi Pada pengolahan data dengan gra#ik probabiliti, proses pengolahan data dilakukan pada tingkat subpopulasi sehingga nilai anomali yang didapatkan merupakan nilai anomali setiap subpopulasi etode gra#ik probabiliti dapat digunakan pada pengolahan data panas bumi karena mampu mengelompokan data menjadi kelompok-kelompok yang merespon sumber penyebab pengelompokan tersebut. Pada contoh diatas memperlihatkan kemampuan metode ini dalam melokalisir Jona A Jona prospek