Anda di halaman 1dari 128

2.

REVIEW STATISTIK

2.1. STATISTIK UNIVARIATE


2.1.1. Nilai Rata-rata Conto dan Mean Populasi
Ekspektasi matematik atau disingkat ekspektasi dari variabel acak atau juga
disebut mean populasi sangat erat berkait dengan nilai rata-rata suatu conto.
Rata-rata = E{x} = x =

1 n
xi
n i =1

2.1.2. Variabilitas
Salah satu cara untuk menyatakan suatu distribusi kemungkinan menjadi satu
nilai adalah mengganti distribusi tersebut dengan ekspektasi atau mean variabel
acaknya, tetapi mean tersebut tidak menyatakan sesuatu mengenai
penyimpangan terhadap mean tersebut. Untuk mengukur penyebaran,
penyimpangan, variabilitas atau dispersi suatu distribusi kemungkinan terhadap
mean digunakan antara lain :

- Jangkauan

- Simpangan rata-rata

x maks x min

Ekspektasi nilai mutlak selisih antara masing-masing


data atau ( x i ) dan mean-nya. Nilai mutlak dalam
matematika karena tidak mempunyai sifat yang baik
sekarang tidak banyak digunakan.

1 n
( x i x ) 2 x2 = E( x ) 2

n i =1

Varians

S x2 =

Standar deviasi

S x = S 2x x = 2x

2.1.3. Ukuran Tendensi Sentral


Nilai rata-rata
Nilai rata-rata didefinisikan sebagai berikut : x =

1
n

padamana fi adalah

i =1

frekuensi xi dan n = f i . Sebagai contoh berikut ini diberikan perhitungan nilai


i =1

rata-rata tinggi mahasiswa.


Tabel 2.1: Contoh Perhitungan Nilai Rata-rata

x=

Titik tengah kelas xi (cm)

Frekuensi fi

fixi

153
158
163
168
173

5
20
42
26
7

765
3160
6846
4368
1211

100

16350

1
16350
[( 5 x153 ) + ( 20 x158 ) + ( 42 x163 ) + ( 26 x168 ) + ( 7 x173 )] =
= 163,50cm
100
100

Median
Definisi : Nilai yang terletak di tengah (jika banyaknya data ganjil) atau rata-rata
kedua nilai di tengahnya (jika banyaknya data genap) pada suatu
kumpulan nilai yang telah diurutkan dalam satu jajaran.
Contoh : Jajaran 3,4,4,5,6,8,8,9,10
Jajaran 3,4,4,5,6,8,8,8,9,10

mempunyai median 6
mempunyai median (6 + 8) / 2 = 7

)
Modus (Mode), diberi notasi x

Definisi : Nilai yang mempunyai frekuensi terbesar


Modus mungkin tidak ada, atau jika ada, modus tidak unik.
Contoh : - Kumpulan 3,4,4,5,6,8,8,8,9,10 mempunyai modus 8
- Kumpulan 3,4,4,5,6,8,8,9,10 mempunyai modus 4 dan 8, jika
banyaknya modus lebih dari 2 disebut
multimodal.
- Kumpulan 3,4,5,6,8,9,10
tidak mempunyai modus.

2.1.4. Koefisien Variasi (Coefficient of Variation)


Perbandingan antara simpangan baku (standard deviation) terhadap rata-rata
hitung (aritmatic mean), merupakan pendekatan statistik yang memberikan suatu
besaran variabilitas alami suatu populasi data.
Koefisien variasi = CV =

simpangan baku S
=
rata rata hitung x

Berikut ini adalah contoh beberapa harga CV untuk berbagai endapan emas
dibandingkan terhadap endapan logam lainnya.

Tabel 2.2: Contoh Koefisien Variasi Harga Kadar Beberapa Endapan


MACAM ENDAPAN BIJIH
Emas : Kalifornia, USA; placer Tersier
Emas : Loraine, Afrika Selatan; Black Bar
Emas : Norseman, Australia; Princess Royal Reef *)
Emas : Norseman, Australia; Crown Reef *)
Emas : Carlin, USA
Tungsten, Alaska
Emas : Shamva, Rhodesia
Emas : Western Holdings, Afrika Selatan
Uranium : Yeelirrie, Australia
Emas : Mt. Charlotte, Australia **)
Emas : Fimiston, Australia *)
Emas : Vaal Reefs, Afrika Selatan
Seng, Frisco, Meksiko
Emas : Loraine, Afrika Selatan; Basal Reef
Nikel, Kambalda Australia
Tembaga
Mangan
Timbal: Frisko, Meksiko
Bijih besi
Bauksit

KOEFISIEN
VARIASI
5,10
2,81
2,22
1,63
1,58
1,56
1,55
1,28
1,19
1,19
1,12
1,02
0,85
0,80
0,74
0,70
0,58
0,57
0,27
0,22

*) conto bijih dari daerah penambangan, **) conto dari pemboran inti
Koefisien variasi yang tinggi menunjukkan nilai data yang mempunyai sebaran
melebar. Pada mineralisasi emas, nilai data yang melebar tersebut umumnya
dicirikan dengan sekelompok nilai pada kadar rendah dan merupakan ekor yang
panjang pada kadar tinggi (ciri distribusi positive skewness).

2.1.5. Histogram
Dalam analisis statistik dikenal variabel acak atau peubah acak, yang artinya
tidak ada hubungan antara harga conto dan lokasinya. Sebagai contoh,

Gambar 2.1: Contoh Sebaran Data dan Histogramnya

Lokasi data walaupun diacak namun tetap akan memberikan bentuk histogram
yang sama, yang berarti distribusinya juga sama, demikian juga rata-rata
hitungnya (arithmatic mean), modus (mode) dan nilai tengahnya (median).
n

x=

i =1

187
= 11
17

Pada sebaran data di atas, modus = 11 (terdapat 4 data, perhatikan puncak


histogram). Nilai tengah dapat diurutkan sebagai berikut :
7,8,9,9,10,10,11,11,11,11,12,12,12,13,15,16
Sedangkan varians (variance) dan simpangan baku (standard deviation) adalah:

[x
n

2 =

i =1

SD =

n 1

(7 11)2 + (8 11)2 + ..... + (16 11)2


(17 1)

84
= 5,25 ppm2
16

5,25 = 2,29 ppm

Gambar 2.2: Contoh Distribusi Data

Gambar 2.3: Histogram Contoh Distribusi Data pada Gambar 2.2

Gambar 2.4: Contoh Distribusi Data pada Empat Blok

Gambar 2.5: Histogram Contoh Distribusi Data pada Gambar 2.4

Pada suatu populasi jika dipilih daerah tertentu saja, maka akan menghasilkan
bentuk histogram yang berbeda (bentuk distribusinya juga berbeda). Dari
Gambar 2.2, jika diambil seluruh data akan menghasilkan histogram C pada
Gambar 2.3, demikian juga, daerah yang diberi warna abu-abu muda bersama
dengan abu-abu tua menghasilkan histogram A, daerah yang diberi warna abuabu tua saja memberikan histogram B.
Jika diketahui cut-off grade adalah 2%, maka blok dengan dimensi 50 x 50 m2
yang mempunyai kadar 2% mempunyai distribusi data seperti yang terlihat
pada ke empat gambar pada Gambar 2.4 di atas. Untuk setiap daerah bentuk
histogramnya adalah seperti pada Gambar 2.5.
Jika karena alasan teknis tertentu penambangan bisa dilakukan pada daerah
dengan luas minimum 100 x 100m2 (empat blok yang berdekatan), maka tidak
semua daerah bisa ditambang.

2.2.1. Diagram Pencar


Suatu pasangan data dapat diambil dalam bentuk diagram pencar yang
menunjukkan hubungan antara kedua variabel tersebut. Misalkan pasangan data
(x1,y1), (x2,y2), (x3,y3), (x4,y4), (x5,y5), ........ (xn,yn) diplot dalam sistem koordinasi
kartesian XY, maka akan menghasilkan diagram pencar antara lain sebagai
berikut :

Gambar 2.1 Diagram Pencar Beberapa Pasangan Data yang Menunjukkan


Hubungan Korelasi Antar Pasangannya
Gambar paling kiri menunjukkan hubungan tersebut linier positif, yang berarti
kenaikan harga x akan diikuti dengan kenaikan harga y, dan dinyatakan dalam
suatu garis regresi linier. Gambar di tengah menunjukkan hubungan non-linier
berbentuk parabolik, sedangkan gambar paling kanan menunjukkan tidak
adanya hubungan antara variabel x dan y, yang berarti kedua variabel tersebut
tidak berkorelasi satu dengan lainnya. Ukuran untuk menyatakan hubungan
korelasi ini diekspresikan dalam suatu koefisien korelasi.

2.2.2 Rata-rata, Varians, Kovarians dan Koefisien Korelasi


1 n
xi
n i =1
1 n
y = yi
n i =1

rata-rata variabel x

x=

rata-rata variabel y

varians variabel x

varians variabel y

2
1 n
S =
xi x

n 1 i =1
2
1 n
S y2 =
yi y

n 1 i =1
2
x

S xy =

r=

)(

1 n
xi x yi y
n 1 i =1

kovarians

S xy

koefisien korelasi

Sx Sy

Tabel 2.3: Perhitungan Parameter Statistik

(x

) (y

xi

yi

xi x

xi y

1
2
3
6

3
5
10
18

-1
0
+1
0

-3
-1
+4
0

x
1
0
1
2

S2

13

3,6

y
9
1
16
26

) (x
2

)(

x xi y

3
0
4
7
3,5

x=2
y =6

r=

3,5
= 0 ,97
(1)(3,6 )

3. Variabel Terregional - Deterministik

3.1. Medan dan fungsi dari skalar dan vektor


o Contoh medan skalar: head, kadar, konsentrasi, berat jenis, SG, topografi,
roof & floor batubara, permeabilitas, modulus elastisitas, nilai kalori, kadar
abu, panas, tekanan udara, tekanan air, tegangan listrik dll.
o Contoh medan vektor: gradien medan skalar, misalnya: gradien head,
gradien konsentrasi, gradien panas, gradien gaya (medan tegangan) dll.
o Fungsi skalar dan vektor: cara menyatakan distribusi skalar dan vektor di
suatu garis, permukaan dan ruang
o Fungsi skalar:

o Fungsi vektor :

y = (x) z = (x , y) u = (x, y, z)
z = ( x(t), y(t) )
v (t ) = [v1 , ( t ), v 2 ( t ), v3 ( t ) ] = v1 ( t )i + v2 ( t ) j + v3 ( t )k

v (t ) = [x( t ), y( t ), z( t ) ] = x( t )i + y( t ) j + z( t )k

v ( x , y , z ) = [v1 ( x , y , z ), v 2 ( x , y , z ), v3 ( x , y , z )]
= v1 ( x , y , z )i + v 2 ( x , y , z ) j + v3 ( x , y , z ) k

3.2. Kalkulus skalar dan kalkulus vektor


v, (t )

f(x)
f(x)

v ( t + t )
v (t )

f(x)

f(x + x)
x

x + x

Gambar 3.1: Turunan Fungsi Vektor (kiri) dan Fungsi Skalar (kanan)
3-1
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

o Contoh : fungsi vektor posisi : parameterisasi fungsi

( t ) = [ 1 ( t ), 2 ( t ), 3 ( t )] atau
r ( t ) = [x ( t ), y ( t ), z ( t )]

r (t )

x
y
Gambar 3.2: Vektor Posisi
o Contoh : parametarisasi persamaan garis
z

a
x

y
Gambar 3.3 : Parameterisasi Garis

r (t ) = a + bt ,
a = [a1 , a2 , a3 ]

: vektor posisi

b = [b1 , b2 , b3 ]

: vektor arah (satuan)

3-2
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

3.3. Contoh medan dan fungsi


Contoh 1
Diketahui medan skalar berupa medan konsentrasi dengan fungsi sbb:
z = f(x, y ) = 9x2 + 4y2

dan garis

y=x+1

konsentrasi dititik ( 2, 4) f(2, 4) =( 9).(4) + (4).(16) = 100


Sketsa garis iso-konsentrasi digambarkan pada Gambar 4.5.
z = (x , y) = 9x2 + 4y2 = 36
2

x2
y2
+
=1
4
9

x
y
+ =1
2
3

z = (x , y) = (9x2 + 4y2) (4) = 36 (4)


2

x2
y2
+
=1
16 36

x
y
+ =1
4
6

Region antara konsentrasi 36 dan 144 terletak antara ellips 9x2 + 4y2 = 36 dan
ellips 36x2 + 16y2 = 144. Nilai z pada garis y = x + 1 dinyatakan dengan
z = f(x) = 13 x2 + 8 x + 5

9x2 + 4y2 = 36
x

3 2

36x + 16y = 144

6
4

Gambar 3.4 : Kurva Iso-Konsentrasi

3-3
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Contoh 2
Diketahui kurva iso-therm dengan fungsi T (x, y) = xy
1
T (x , y) = xy = 1 y =

x=0,y=~
x
y = 0, x = ~
T (x , y) = xy = -1 y =

x=0,y=-~
y = 0, x = - ~

x
Gambar 3.5 : Kurva Iso-Termal

Contoh 3
Diketahui medan vektor dengan fungsi = i + j
Gambar medan vektor

y
x

j
j

(i + j) ( 1 ), (i + j) ( 1 )
= (i + j) ( 2 ), (i + j) ( 2 )
(i + j) ( 3 ), (i + j) ( 3 )

i
Gambar 3.6 : Medan Vektor

3-4
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

3.4. Kalkulus skalar variabel majemuk


o Aturan rantai
Aturan rantai pada fungsi medan skalar terhadap variabel sembarang :

W = f ( x( u ,v ), y( u ,v ), z( u ,v ))
w w
=
u x
w w
=
v x

x w
+
u y
x w
+
v y

y w z
+
u z u
y w z
+
v z v

(3-1)

Aturan rantai pada fungsi medan skalar terhadap ruang dan waktu :

W = f ( x( t ), y( t ), z( t ))
w w x w y w z
=
+
+

t x t y t z t
w
w
w
w
+ z' ( t )
+ y ( t )
= x ( t )
z
y
x
t

(3-2)
(3-3)

o Variasi terhadap ruang

w =

w
w
w
x +
y +
z
x
y
z

dw =

w
w
w
dx +
dy +
dz
x
y
z

w =

w
w
w
x +
y +
z
z
x
y

(3-4)

o Teori nilai rata-rata dalam kalkulus (linierisasi)

3-5
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

f(x)

D
(Xo+h , Yo+k)

f(x + x)

(Xo,Yo)

f(x)
x
x + x

x
x

Gambar 3.7: Teorema Rata-rata (Liniearisasi)

f (x + x) - f (x)
x 0
x
f
f ( x + x) - f (x) f ( x o + h ) f ( xo )
=
=
x
x
h
f
f ( x o + h ) f ( xo ) = h
x
f ' ( x ) = lim

untuk fungsi majemuk berlaku:

f ( xo + h , y o + k , z o + l ) f ( xo , y o , z o ) = h
df ( x , y , z ) = h

f
f
f
+k
+ l
x
y
z

f
f
f
+l
+k
x
y
z
(3-5)

atau

df =

f
f
f
dx +
dy +
dz
x
y
z

(3-6)

df merupakan variasi terhadap ruang. Persamaan (3-4), (3-5) dan persamaan


(3-6) digolongkan sebagai persaman-persamaan yang identik.

3-6
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

o Contoh : ekspreksi untuk kecepatan benda bergerak yang


merupakan fungsi dari ruang (posisi) dan waktu
v = v ( x,y,z,t)
Variasi kecepatan terhadap ruang dan waktu dinyatakan sebagai berikut :

dv =

v
v
v
v
dx + dy + dz +
dt
x
y
z
t

(3-7)

v
v
v v
Dv
= vx
+ vy
+ vz
+
x
y
z t
Dt

(3-8)

3.5. Gradien medan skalar (variasi spasial atau thdp ruang)


f f f f
f
f
grad f = , , =
i+
j+
k
y
z
x y z x

(3-9)

f f f
f = , ,
x y z

= , , =
i+
j+
k
y
z
x y z x

(3-

10)
o Turunan berarah (directional derivative)
S

C
Q

P
b

Gambar 3.8: Turunan berarah

f ( x + x ) f ( x )
f
= lim
: dalam arah x
x x0
X
f
f ( s + s ) f ( s )
= lim
: dalam arah s
s s 0
S
= lim
s 0

f (Q ) f ( P )
S

(3-11)

3-7
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Db f =

f
f (Q ) f ( P )
= lim
s s 0
S

(3-12)

Persamaan garis dengan parameter

r( t ) = a + b t

atau

r ( s ) = a + b s atau

r ( t ) = x ( t ) i + y ( t ) j + z ( t )k
r (s)= x(s)i + y(s )j + z (s )k

Untuk kasus seperti pada Gambar 3.8, maka

r ( s ) = PO + b s

(3-13)

r (s)= x(s)i + y(s )j + z (s )k

(3-14)

PO adalah vektor posisi, yang dibentuk antara titik P dan titik O (titik referensi).
Persamaan (3-13) dan (3-14) ekivalen dan sama, sehingga

r ( s ) = PO + b s = x ( s ) i + y ( s ) j + z ( s ) k

(3-15)

r ' ( s ) = b = x ' ( s ) i + y' ( s ) j + z' ( s ) k

(3-16)

Berdasar persamaan (3-2), (3-6) dan (3-12) didapatkan ekspresi sebagai berikut
:

f f x f y f z f
f
f
=
+
+
=
x ( s ) +
y' ( s ) +
z' ( s ) (3-17)
s x s y s z s x
y
z
f f f
= , , . [x ( s ), y ( s ), z ( s )] = f . r ( s ) = f. b
x y z

= b . f = b . grad f
f
= Db f = b . f = b . grad f
s

(3-18)

Pada Gambar 3.8, b adalah vektor arah satuan. Untuk c vektor sembarang,
maka turunan berarah (directional derivative) di arah c dinyatakan sebagai
berikut :

Dc f =

f
1
= . c . f
s c

(3-19)

dari persamaan (3-18) nilai skalar perkalian vektor didapatkan sebagai berikut:
Db f = b . f cos

(3-20)

3-8
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Db maksimum jika = 0, arti fisik persamaan (3-20) dapat dijelaskan sebagai


berikut. Berdasar persamaan (3-6), jika diketahui medan skalar , maka variasi

terhadap ruang dinyatakan sebagai berikut :


d =

dx +
dy +
dz
x
y
z


= , , . [dx , dy , dz ]
x y z

= . dr = d r cos

+
+ 2

b
c

Gambar 3.9: Arti Fisik Turunan Berarah

akan berharga maksimum jika berimpit dengan d r atau b atau c


o Gradien sebagai vektor normal dari garis (bidang) singgung

r' ( t )
r

u (t )

r (t )
r (t )
(0,0,0)
3-9

Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Gambar 3.10: Gradien Sebagai Vektor Normal

dr

3
2

Gambar 3.11: Vektor Normal pada Iso-Line


Bukti :
Fungsi skalar dinyatakan dengan persamaan berikut ini :

( x , y , z ) atau ( x ( t ), y ( t ), z ( t ))

(3-21)

Persamaan parametrik kurva, permukaan dan ruang adalah

r (t ) = x (t )i + y (t ) j + z (t ) k

(umum)

(t )= x(t )i + y (t ) j + z (t )k

(3-

22)

' ( t ) = x' ( t ) i + y' ( t ) j + z' ( t ) k


Berdasar persamaan (3-6) didapatkan persamaan berikut :

d =

dx +
dy +
dz =
. x +
. y +
. z
x
y
z
x
z
y



=
,
, . [dx , dy , dz ] =
,
, . [x, y , z ]
x y z
x y z
= . dr = . r'

d = . d r cos ( 90 ) = . r cos ( 90 ) = 0

(3-23)

3-10
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

Jadi N = atau dengan demikian, maka :


n=

(3-24)

Contoh :
1) Hitung gradien (x,y,z) = 3x2 9y2 4xy + 2z + 7 dititik (1, 0, -1) dan
tentukan nilai skalarnya.
Jawab :

=
,
, = [( 6 x 4 y ), ( 18 y 4 x ),2]
x y z
( 1, 0 , 1 ) = [6 ,4 , 2]
( 1, 0 , 1 ) = 7.483

2) Diketahui : (x,y,z) = 3x2 9y2 4xy + 2z + 7. Hitung turunan pada arah


vektor a = [7 / 57 , 8 / 57 , 56 ] dititik (1, 0, -1).
Jawab :
( 1, 0 , 1 ) = [6 , 4 , 2]

Db f = a . =
=

1
[7 / 57 , 8 / 57 , 56 ] . [6 , 4 , 2]
57

122
= 2.140
57

3) Berikan vektor normal satuan bidang ( x, y , z) = 2x + 3y + 6z + 10


Jawab :
= ( 2 x + 3 y + 6 z + 10 ) = [2 , 3, 6 ]

N = [2 , 3, 6 ]
n=

1
N

.N =

1
[2 , 3, 6 ]
7

Sifat sifat gradien :

3-11
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

o Gradien medan skalar searah dengan normalnya


o Gradien mengarah ke penambahan nilai medan yang membesar
o Harga skalar (modulus) gradien sama dengan harga maksimum dari turunan
berarah di suatu titik di dalam medan skalar ybs

3.6. Divergensi medan vektor (hasil: skalar)


v = [v1 , v 2 , v3 ]

div =

v1 +
v2 +
v3 = . v
x
y
z

(3-25)


= , , . [v1 , v2 , v3 ]
x y z
Bandingkan :

grad f = f = , , f
x y z
Operator Laplace ( 2)

( )

( )


div . = . = 2 = , , . , ,
x y z x y z

2 2 2
= , , . , , = 2 + 2 + 2
x
y
z
x y z x y z

(3-26)

3.7. Curl medan vektor (hasil: vektor)


v = [v1 , v2 , v3 ]

Curl v = x v =
x
v1

y
v2

v3 v2

i+

z
k
y
v

v
= 1 3 j+
z z
x
v3
v2 v1

y
x

Curl grad = x = 0

(3-27)

(3-28)

3-12
Catatan Kuliah Dr.Ir. Lilik Eko Widodo, MS

3. VARIABEL TERREGIONAL DAN


SEMIVARIOGRAM

Suatu variabel dikatakan teregional jika terdistribusi dalam ruang dan biasanya
mencirikan suatu fenomena tertentu, misalnya sebagai kadar logam yang
merupakan karakteristik suatu mineralisasi.
Secara matematik variabel terregional atau f(x) merupakan penyajian atau
realisasi nilai fungsi F(x) yang menempati setiap titik x pada ruang.
Umumnya pada semua endapan, perilaku karakteristik atau struktur variabilitas
dalam ruang dari variabel terregional dapat dilihat / dikenali aspek erratic secara
lokal (adanya zone lebih kaya dibandingkan lainnya). Conto yang diambil pada
zone lebih kaya akan mempunyai nilai rata-rata lebih tinggi dibanding dengan
yang diambil pada zone yang lebih miskin, sehingga nilai variabel terregional f(x)
tergantung pada posisi atau letak dalam ruang x. Tetapi secara umum (rata-rata)
akan menunjukkan aspek terstruktur dengan fungsi tertentu.

3.1. KONSEP FUNGSI ACAK


Variabel acak adalah variabel yang mempunyai nilai numerik tertentu berdasar
distribusi probabilitas tertentu. Variabel yang terkait dengan lubang bor z(x1)
mempunyai lokasi atau posisi pada titik x1. Fungsi acak Z(x) menyatakan
kumpulan semua variabel acak z(x) di dalam endapan atau {Z(x), x endapan}.
Variabel terregional f(x) dapat dipandang sebagai realisasi variabel acak z(x).
Definisi fungsi acak menyatakan aspek acak dan terstuktur dari suatu variabel
terregional sebagai berikut:
a.
b.

Secara lokal pada titik x1,z(x1) adalah variabel acak.


Z(x) juga merupakan suatu fungsi acak untuk setiap kumpulan titik-titik x1
dan x1+h, sedangkan variabel acak z(x1) dan z(x1+h) itu sendiri tidak
merupakan fungsi acak. Secara umum z(x1) dan z(x1+h) adalah
independen, tetapi keduanya dihubungkan oleh korelasi struktur letak ruang
dari variabel terregional f(x).

3.2. HIPOTESIS PADA VARIABEL TERREGIONAL


DAN SEMIVARIOGRAM
Karena adanya aspek erractic pada variabel terregional, maka kajian secara
langsung terhadap variabel terregional ini tidak mungkin dapat dilakukan, oleh
karena itu memerlukan beberapa hipotesis.

3.2.1. Ekspektasi Matematik atau Momen Orde ke Satu


Ekspektasi matematik didefinisikan sebagai sifat atau harga yang merupakan
representasi dari suatu populasi. Jika distribusi fungsi acak Z(x) mempunyai
ekspektasi, maka ekspektasi secara umum merupakan fungsi dari x, atau dapat
dinyatakan sebagai berikut:
x

E {Z(x)} = m(x)

(1)

3.2.2. Momen Orde ke Dua


Tiga buah momen orde ke dua yang dipertimbangkan pada geostatistik adalah :
a. Varians dari Z(x)
Varians didefinisikan sebagai ekspektasi di sekitar m(x),
Var {Z(x)} = E [{Z(x) m (x)}2]

(2)

Varians secara umum juga merupakan fungsi dari x.


b. Kovarians
Kovarians dari z(x1) dan z(x2) dinyatakan sebagai berikut:
C(x1,x2) = E [{Z(x1) - m(x1) - m(x2)}]

(3)

c. Semivariogram
Fungsi semivariogram didefinisikan sebagai varians dari increment atau
perbedaan antara {z(x1) z(x2)} dan ditulis sebagai berikut:
2 ( x1 ,x 2 ) = Var{ z ( x1 ) z ( x 2 ) }

(4a)

atau
N

2 (h ) = [z ( x i ) z ( x i = h )] / N (h )
2

(4b)

i =1

N(h) adalah jumlah pasangan data, sedangkan h adalah jarak antara


conto / lag semivariogram.

3.2.3. Hipotesis Stasionaritas


Hipotesis ini muncul dari definisi bahwa fungsi kovarians dan semivariogram
tergantung secara simultan pada dua support titik x1 dan x2. Oleh karena itu,
beberapa realisasi dari kombinasi variabel acak {z(x1), z(x2)} dapat digunakan
untuk menarik kesimpulan statistik.
Di lain pihak, jika fungsi ini hanya tergantung pada jarak di antara dua support
titik, yaitu pada vektor h = x1 - x2 yang memisahkan x1 dan x2, maka penarikan
kesimpulan statistik menjadi mungkin, yaitu setiap pasangan data {z(xk), z(xk)}
terpisahkan oleh jarak (xk xk), sama dengan vektor h, dapat dipandang sebagai
suatu realisasi yang lain dari pasangan variabel acak {z(x1),(z(x2)}.
Secara penalaran menjadi jelas, pada suatu mineralisasi homogen, korelasi yang
ada di antara dua nilai data z(xk) dan z(xk) tidak tergantung pada posisi di dalam
zone tetapi lebih tergantung pada jarak yang memisahkan mereka.

3.2.4. Stationaritas Orde ke Dua


Sebuah fungsi acak dikatakan mempunyai stationaritas orde ke dua jika :
a. Ekspektasi matematik E {Z(x)} ada dan tidak tergantung pada support
titik x dan dinyatakan sebagai berikut:
E {Z(x)} = m

(5)

b. Setiap pasangan dari variabel acak {z(x), z(x+h)} muncul kovarians dan
tergantung pada jarak h dan dinyatakan sebagai berikut:
C(h) = E [{Z(x+h) m} {Z(x) m}]
= E {Z(x+h) Z(x)} m E {Z(x+h)} E {Z(x)} + m2
= E {Z(x+h) Z(x)} m2 m2 + m2
C(h) = E {Z(x+h) Z(x)} m2

(6)

h menyatakan suatu koordinat vektor (hu, hv, hw) pada ruang 3-D.
Stasionaritas dari kovarians mengandung arti stasionaritas dari varians dan
variogram. Hubungan berikut bisa diturunkan dari definisi di atas :
a. C(0) = E [{Z(x) - m2 ]
C(0) = E {Z(x) Z(x)} - m2
Var {Z(x)} = E [{Z(x) m}2] = C(0)

(7)

b. (h) = E [{Z(x+h) Z(x) m}2]


= E [{Z(x+h)Z(x+h).Z(x+h)} E [{Z(x+h)Z(x)} + E {Z(x)Z(x)}
(h) = E {Z(x)Z(x)} E{Z(x+h)Z(x)} = C(0) + m2 {C(h) + m2}
(h) = C(0) C(h)
(8)

3.2.5. Hipotesis Intrinsik


Suatu fungsi acak Z(x) dikatakan menjadi intrinsik jika :
a. Terjadi ekspektasi matematik dan tidak tergantung pada support titik x
E {Z(x)} = m

(9)

b. Untuk semua vektor h, increment {Z(x+h)Z(x)} mempunyai varians


berhingga yang tidak tergantung pada x,
Var {Z(x+h) Z(x)} = E [{Z(x+h) - Z(x)}2 = 2 (h)

(10)

3.3. BEBERAPA CATATAN PENTING SEMIVARIOGRAM


Berdasarkan hipotesis di atas terdapat beberapa catatan tentang semivariogram.

3.3.1. Stationaritas Semu


Pada praktek, fungsi struktural kovarians atau variogram hanya digunakan untuk
jarak terbatas h a. Nilai a didefinisikan sebagai batas, misalnya menyatakan
diameter dari penaksiran. Dua variabel acak z(x) dan z(x+h) tidak dapat
dipandang berasal dari mineralisasi homogen suatu endapan yang sama jika
h> a. Pada kasus ini berarti fungsi struktural C(x,x+h) atau (x,x+h), tidak
lebih dari stationaritas secara lokal untuk jarak hkurang dari batasan a.

3.3.2. Tidak Terdapat Korelasi


Sering dijumpai, bahwa korelasi antara dua variabel acak z(x) dan z(x+h)
menghilang saat jarak h menjadi terlalu besar :
C(h) 0, jika h
dan secara praktis, dapat diambil C(h) = 0, pada h a. Dalam radius jarak a,
dimana C(h) mempunyai korelasi disebut dengan range, di luar itu, dimana C(h)
dapat dipandang menjadi sama dengan nol merupakan representasi dari
fenomena transisi (perubahan) yang tidak memberikan korelasi pada h a.

3.3.3. Sifat Semivariogram


Definisi semivariogram sebagai varians dari increment, mengakibatkan sifat-sifat
sebagai berikut :

(0 ) = 0 ,

( h ) = ( h ) 0 dan ( h ) ( 0 )

Secara umum, tetapi tidak selalu harus, peningkatan h akan menyebabkan ratarata kuadrat pada dua variabel acak z(x) dan z(x+h) cenderung meningkat dan
oleh sebab itu (h) meningkat dari nilai awal (nol).

3.3.4. Fenomena Transisi


Kurva semivariogram akan naik dan pada jarak tertentu menjadi kurang lebih
stabil di sekeliling suatu nilai batas ( ) yang disebut nilai sill, yang merupakan
apriori variance dari variabel acak.

( )= Var {Z(x)} = C(0)


Semivariogram yang dicirikan oleh nilai sill dan suatu range disebut model
transisi, dan mencerminkan suatu fungsi acak yang tidak hanya intrinsik tetapi
juga stationaritas orde ke dua.

3.3.5. Zone Pengaruh


Pada suatu fenomena transisi, setiap nilai data dalam fungsi acak Z(x) akan
terkorelasi dengan nilai data lainnya yang terletak pada radius a dari x. Radius a
ini disebut juga range, yang merupakan batas stationaritas semu dari endapan
yang homogen. Adanya korelasi seperti ini menyebabkan pengaruh suatu nilai
terhadap nilai lainnya yang menurun pada jarak ke dua titik yang semakin jauh.
Jadi range menghubungkan pada ide penalaran dari suatu zone pengaruh
variabel acak, yaitu di luar jarak h= a, variabel acak z(x) dan z(x+h)
selanjutnya tidak terkorelasi.

3.4. PERHITUNGAN VARIOGRAM


Veriogram dihitung dengan suatu rumus yang sederhana, yaitu perbedaan ratarata antara dua titik conto dengan jarak tertentu. Oleh karena itu perbedaan
tersebut kemungkinan berharga < 0 atau > 0, agar perbedaan rata-rata tersebut
selalu berharga > 0, maka perhitungan didasarkan pada perbedaan kuadrat.
Delfiner mendefinisikan bahwa perbedaan kuadrat tersebut diasumsikan sebagai
ekspektasi [Z(xi) Z(xi+h)], sehingga definisi variogram menjadi :
2g(h) = Var [Z(xi) Z(xi+h)]
Dimana :

2g(h) = variogram
Var = varians

Dari fungsi tersebut dapat didefinisikan semivariogram sebagai berikut :

(h ) =
dimana :

[z(x ) z(x )]
i =1

i+h

2N( h )

g(h)

= (semi)variogram untuk arah tertentu dari jarak h


h
= 1d, 2d, 3d, 4d (d = jarak antar conto)
z(xi) = harga (data) pada titik xi
z(xi+h) = data pada titik yang berjarak h dari xi
N(h) = jumlah pasangan data

Sebagai contoh data kadar emas (dalam ppm) di sepanjang urat dengan jarak
penganbilan conto (d) setiap 2 m :
harga 7 9 8 10 9 11 11 13 11 12 16 12 10 11 10 12 15 ppm
I__I__I___I__I___I___I___I___I___I___I___I___I___I___I___I___I
I I I
I I
I
I
I
I
I
I
I
I
I
I
I
I
lokasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Nilai Variogramnya adalah:

(7 9 )2 + (9 8 )2 + (8 10 )2 + (10 9 )2 + ...... + (10 12 )2 + (12 15 )2

g(2)

g(4)
g(6)
g(8)
g(10)
g(12)
g(14)
g(16)
g(18)
g(20)
g(22)
g(24)

= (4+1+4+1+4+0+4+4+1+16+16+4+1+1+4+9) / 2x16 = 74/32 = 2.31 ppm2


= (1+1+1+1+4+4+0+1+25+0+36+1+0+1+25) / 2x15 = 101/30 = 3.36 ppm2
= (9+0+9+1+16+0+1+9+1+4+25+4+4+16) / 2x14 = 99/28 = 3.54 ppm2
= (4+4+9+9+4+1+25+1+1+1+25+0+16) / 2x13 = 100/26 = 3.85 ppm2
= (16+4+25+1+9+25+1+9+0+4+16+9) / 2x12 = 119/24 = 4.96 ppm2
= (16+16+9+4+49+1+1+4+1+0+1) / 2x11 = 102/22 = 4.64 ppm2
= (25+4+16+25+9+1+0+9+1+9) / 2x10 = 99/20 = 4.95 ppm2
= (16+9+64+4+1+0+1+1+16) / 2x9 = 112/18 = 6.22 ppm2
= (25+49+16+0+4+1+1+4) / 2x8 = 100/16 = 6.25 ppm2
= (81+9+4+1+1+1+16) / 2x7 = 113/14 = 8.07 ppm2
= (25+1+9+0+9+16) / 2x6 = 60/12 = 5.00 ppm2
= (9+4+4+4+36) / 2x5 = 57/10 = 5.70 ppm2

2 x16

ppm

Gambar 3.1: Variogram eksperimental dan varians populasi


(garis mendatar, menunjukkan harga 5.25 ppm2)
Perhitungan di atas dilakukan pada pasangan conto yang harus tepat pada jarak
h dan tepat arah 0, sedangkan pada prekteknya sering dijumpai pola
pengambilan conto yang tidak reguler, untuk itu perlu diberikan suatu toleransi
untuk kedua variabel tersebut, sehingga menurut David (1977) muncul istilah
angle classes ( / 2 ) dan distance classes (hh). Jadi semua titik conto
yang berada pada search area didefinisikan dengan angle classes ( / 2 )
dan distance classes (hh) akan dianggap sebagai titik-titik conto yang
berjarak h dari x0 pada arah termaksud (Gambar 3.2).

Gambar 3.2: Arah varioagram ( ), search area dengan angle of classes


( / 2 ) dan distance classes (hh) menurut David (1977)
Alogaritma perhitungan variogram adalah sebagai berikut :
a. Setiap titik conto mempunyai kesempatan untuk menjadi titik origin (xi).
Titik-titik lainnya dihitung dengan perbedaan kuadratnya [z(xi) - z(xi+h)]2.
Jarak antara titik origin (xi) dan titik lainnya (xi+h) harus berada pada
distance classes (hh). Jika titik xi+h berada di luar daerah distance
classes dan angle classes, maka perbedaan kuadrat tidak dihitung.
Demikian perhitungan ini berulang-ulang di setiap titik xi+h.
b. Selanjutnya dengan prosedur pada butir 1 titik-titik lainnya juga diberi
kesempatan menjadi titik origin xi.
c. Untuk prosedur 1 dan 2 hitung jumlah pasangannya N(h) yang memenuhi
syarat di atas dan juga jumlahnya secara kumulatif semua perbedaan
kuadratnya S[z(xi) - z(xi+h)]2. Dengan rumus di atas, maka dapat dihitung
(semi)variogram untuk jarak pasangan h = id.
d. Variogram untuk jarak pasangan h selanjutnya (2d, 3d, 4d, .... dst)
lakukan kembali dengan prosedur 1 sampai dengan 3. Dengan demikian
akan didapati hasil perhitungan variogram untuk setiap jarak h.
e. Plot grafik variogram dengan sumbu X adalah h sedangkan sumbu Y nya
adalah harga variogram untuk jarak h yang bersangkutan.

3. VARIABEL TERREGIONAL DAN


SEMIVARIOGRAM

Suatu variabel dikatakan teregional jika terdistribusi dalam ruang dan biasanya
mencirikan suatu fenomena tertentu, misalnya sebagai kadar logam yang
merupakan karakteristik suatu mineralisasi.
Secara matematik variabel teregional merupakan penyajian atau realisasi nilai
fungsi f(x) yang menempati setiap titik x pada ruang.
Umumnya pada semua endapan, perilaku karakteristik atau struktur variabilitas
dalam ruang dari variabel terregional dapat dilihat / dikenali aspek erratic secara
lokal (adanya zone lebih kaya dibandingkan lainnya). Conto yang diambil pada
zone lebih kaya akan mempunyai nilai rata-rata lebih tinggi dibanding dengan
yang diambil pada zone yang lebih miskin, sehingga nilai variabel terregional f(x)
tergantung pada posisi atau letak dalam ruang x. Tetapi secara umum (rata-rata)
akan menunjukkan aspek terstruktur dengan fungsi tertentu.

3.1. KONSEP FUNGSI ACAK


Variabel acak adalah variabel yang mempunyai nilai numerik tertentu berdasar
distribusi probabilitas tertentu. Harga parameter yang terkait dengan lubang bor
z(x1) mempunyai lokasi atau posisi pada titik x1. Jadi kumpulan kadar z(x) untuk
semua x di dalam endapan, yaitu variabel terregional z(x) dapat dipandang
sebagai realisasi variabel acak {Z(x), x endapan}. Kumpulan variabel
terregional z(x) dinamakan fungsi acak dan ditulis Z(x).
Definisi fungsi acak menyatakan aspek acak dan terstuktur dari suatu variabel
terregional :
a.
b.

Secara lokal pada titik x1,z(x1) adalah variabel acak.


Z(x) juga merupakan suatu fungsi acak untuk setiap kumpulan titik-titik x1
dan x1+h, sedangkan variabel acak z(x1) dan z(x1+h) itu sendiri tidak
merupakan fungsi acak. Secara umum z(x1) dan z(x1+h) adalah
independen, tetapi keduanya dihubungkan oleh korelasi struktur letak ruang
dari variabel terregional z(x).

3.2. HIPOTESIS PADA VARIABEL TERREGIONAL


DAN SEMIVARIOGRAM
Karena munculnya aspek yang erractic pada variabel terregional, maka kajian
secara langsung terhadap variabel terregional ini tidak memungkinkan, oleh
karena itu memerlukan beberapa hipotesis.

3.2.1. Ekspektasi Matematik atau Momen Order ke satu


Ekspektasi matematik didefinisikan Memandang suatu variabel acak pada titik x.
Jika distribusi fungsi Z(x) mempunyai ekspektasi, maka ekspektasi secara umum
merupakan fungsi x, atau dapat dinyatakan sebagai berikut:
E {Z(x)} = m(x)

(1)

3.2.2. Momen Order ke dua


Tiga buah moment order ke dua yang dipertimbangkan pada geostatistik adalah :
a. Varians dari Z(x)
Jika varians ini muncul, maka pada moment order ke dua didefinisikan
sebagai ekspektasi di sekitar m(x) dari variabel acak f(x),
Var {Z(x)} = E[{Z(x) m (x)}2]

(2)

Sebagaimana ekspektasi m(x), varians secara umum juga merupakan


fungsi dari x.
b. Kovarians
Dapat dilihat bahwa jika dua variabel acak Z(x1) dan Z(x2) mempunyai
varians dari titik x1 dan x2 ditulis,
C(x1,x2) = E[{Z(x1) - m(x1) - m(x2)}]

(3)

c. Semivariogram
Fungsi semivariogram didefinisikan sebagai varians dari increment
{Z(x1) Z(x2)} dan ditulis sebagai,
2 ( x1 , x 2 ) = var{Z ( x1 ) Z ( x 2 )}

atau

(4a)

2
2 (h ) = [z ( x i ) z ( x i = h )] / N (h )

(4b)

i =1

dimana N(h) adalah jumlah pasangan data dan h adalah jarak antara
conto/lag semivariogram.
3.2.3 HIPOTESIS STATIONARITAS
Hipotesis ini muncul dari definisi bahwa fungsi kovarians dan semivariogram
tergantung secara simultan pada dua support titik x1 dan x2. Oleh karena itu,
beberapa realisasi dari kumpulan variabek acak {Z(x1),(Z(x2)} dapat digunakan
untuk menarik kesimpulan statistik.
Dilain pihak, jika fungsi ini hanya tergantung pada jarak di antara dua support titik
(yaitu pada vektor h = x1 - x2 memisahkan x1 dan x2), maka penarikan kesimpulan
statistik menjadi mungkin, yaitu setiap pasangan data {Z(xk), Z(xk)} terpisahkan
oleh jarak (xk xk), sama dengan vektor h, dapat dipandang sebagai suatu
realisasi yang lain dari pasangan variabel acak {Z(x1),(Z(x2)}.
Secara penalaran menjadi jelas, pada suatu mineralisasi homogen, korelasi yang
ada di antara dua nilai data Z(xk) dan Z(xk) tidak tergantung pada posisi di dalam
zone tetapi lebih tergantung pada jarak yang memisahkan mereka.
3.2.4. STATIONARITAS ORDER KE DUA
Sebuah fungsi acak dikatakan menjadi stationaritas order ke dua jika :
a. Ekspektasi matematik E{Z(x)} ada dan tidak tergantung pada support
titik x,
E{Z(x)} = m x
(5)
b. Setiap pasangan dari variabel acak {Z(x),Z(x+h)} muncul kovarians
dan tergantung pada jarak h,
C(h) = E[{Z(x+h) m {Z(x) m}]
= E{Z(x+h) Z(x)} m E{Z(x+h)} E {Z(x)} +m2
= E{Z(x+h) Z(x)} m2 m2 + m2
C(h) E{Z(x+h) Z(x)} - m2 x

(6)

h menyatakan suatu koordinat vektor (hu, hv, hw) pada ruang 3D.
Stationaritas dari kovarians mengandung arti stationaritas dari varians dan
variogram. Hubungan berikut bisa diturunkan dari definisi di atas :
a. C(0) = E[{Z(x) - m2 ]
C(0) = E{Z(x) Z(x)} - m2
Var {Z(x)} = E [{Z(x) m}2] = C(0)
(7)

b. (h) = E[{Z(x+h) Z(x) m}2]


= E[{Z(x+h)Z(x+h)Z(x+h)} E[{Z(x+h)Z(x)} + 1/2E{Z(x)Z(x)}
(h) = E{Z(x)Z(x)} E{Z(x+h)Z(x)}
= C(0) + m2 {C(h) + m2}
(h) = C(0) C(h)
3.2.4 HIPOTESIS INTRINSIK
Suatu fungsi acak Z(x) dikatakan menjadi intrinsik jika :
a. Muncul suatu ekspektasi matematik dan tidak tergantung pada support
titik x
E{Z(x)} = m x

(9)

b. Untuk semua vektor h, increment {Z(x)+(h) Z(x)} mempunyai varians


berhingga yang tidak tergantung pada x,
Var {Z(x+h) Z(x)} = E [{Z(x+h)-Z(x)}2 = 2 (h) x

3.3

(10)

BEBERAPA CATATAN PENTING SEMI-VARIOGRAM

Berdasarkan hipotesis di atas, maka terdapat beberapa catatan penting


semivariogram.
3.3.1 STATIONARITAS SEMU
Pada praktek, fungsi struktural kovarians atau variogram hanya digunakan untuk
jarak terbatas h a. Sebagai batas a, misalnya diameter dari penaksiran. Dua
variabel Z(x) dan Z(x+h) tidak dapat dipandang sebagai berasal dari mineralisasi
homogen yang sama jika h> a.
Pada kasus ini berarti fungsi struktural C(x,x+h) atau (x,x+h), tidak lebih dari
pada stationaritas secara lokal untuk jarak hkurang dari batasan a.

3.3.2 TIDAK MUNCULNYA KORELASI


Sering dijumpai, bahwa korelasi antara dua variabel Z(x) dan Z(x+h) menghilang
saat jarak h menjadi terlalu besar :
C(h) 0, jika h

dan secara praktis, dapat diambil C(h) = 0, pada h a. Diluar jarak a, dimana
C(h) dapat dipandang menjadi sama dengan nol disebut range dan ini
menyajikan transisi (perubahan) yang tidak memberikan korelasi pada h a.
3.3.3 SIFAT SEMIVARIOGRAM
Definisi semi-variogram sebagai varians dari increment, mengakibatkan sifat-sifat
sebagai berikut :
(0 ) = 0 , (h) = (h) 0 dan (h) (0)
Secara umum, tetapi tidak selalu harus, peningkatan h akan menyebabkan ratarata kuadrat pada dua variabel Z(x) dan Z(x+h) cenderung meningkat dan oleh
sebab itu (h) meningkat dari nilai awal (nol).
3.3.4 PHENOMENA TRANSISI
Kurva semi-variogram akan naik dan pada jarak tertentu menjadi kurang lebih
stabil di sekeliling suatu nilai batas ( ) yang disebut nilai sill, yang merupakan
a priori variance dari variabel acak.

( )= var {Z(x)} = C(0)


Semi-variogram yang dicirikan oleh nilai sill dan suatu range disebut model
transisi, dan mencerminkan suatu fungsi acak yang tidak hanya intrinsik tetapi
juga stationaritas order ke dua.
3.3.5 ZONE PENGARUH
Pada suatu fenomena transisi, setiap nilai data Z(x) akan terkorelasi dengan nilai
data lainnya yang terletak pada radius a dari x. Radius a ini disebut juga range,
yang merupakan batas stationaritas semu dari endapan yang homogen. Adanya
korelasi seperti ini menyebabkan pengaruh suatu nilai terhadap nilai lainnya
yang menurun pada jarak ke dua titik yang semakin jauh. Jadi range
menghubungkan dengan ide penalaran dari suatu zone pengaruh variabel acak,
yaitu di luar jarah h= a, variabel acak Z(x+h) dan Z(x+h) selanjutnya tidak
terkorelasi.

3.4

PERHITUNGAN VARIOGRAM

Veriogram dihitung dengan suatu rumus yang sederhana yaitu perbedaan ratarata antara dua titik conto dengan jarak tertentu. Oleh karena itu perbedaan
tersebut kemungkinan < 0 atau > 0, agar perbedaan rata-rata tersebut selalu > 0
maka perlu diaplikasikan perhitungan statistik yang berdasarkan pada perbedaan
kuadrat.
Delfiner mendefinisikan bahwa perbedaan kuadrat tersebut diasumsikan sebagai
ekspektasi [Z(xi) Z(xi+h)], sehingga definisi variogram menjadi :
2g(h) = var [z(xi) z(xi+h)]
Dimana :

2g(h) = variogram
Var = varians.

Dari fungsi tersebut dapat didefinisikan semivariogram sebagai berikut :


N

(h ) =
dimana :

[z (x ) z (x )]

i+h

i =1

2N( h )

g(h)
h
z(xi)
z(xi+h)
N(h)

= (semi)variogram untuk arah tertentu dari jarak h


= 1d, 2d, 3d, 4d (d = jarak antar conto)
= harga(data) pada titik xi
= data pada titik yang berjarak h dari xi
= jumlah pasangan data.

Sebagai contoh data kadar emas (dalam ppm) di sepanjang urat dengan jarak
penganbilan conto (d) setiap 2 m :
harga 7 9 8 10 9 11 11 13 11 12 16 12 10 11 10 12 15 ppm
I__I__I___I__I___I___I___I___I___I___I___I___I___I___I___I___I
I I I
I I
I
I
I
I
I
I
I
I
I
I
I
I
lokasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
g(2)

2
2
2
2
2
2
(
7 9 ) + (9 8 ) + (8 10 ) + (10 9 ) + ...... + (10 12 ) + (12 15 )
=

g(4)
g(6)
g(8)
g(10)
g(12)
g(14)

=(4+1+4+1+4+0+4+4+1+16+16+4+1+1+4+9)/2x16=74/32=2,31 ppm2
=(1+1+1+1+4+4+0+1+25+0+36+1+0+1+25)/2x15= 101/30=3.36 ppm2
=(9+0+9+1+16+0+1+9+1+4+25+4+4+16)/2x14=99/28=3,54 ppm2
=(4+4+9+9+4+1+25+1+1+1+25+0+16)/2x13=100/26=3,85 ppm2
=(16+4+25+1+9+25+1+9+0+4+16+9)/2x12=119/24=4,96 ppm2
=(16+16+9+4+49+1+1+4+1+0+1)/2x11=102/22=4,64 ppm2
=(25+4+16+25+9+1+0+9+1+9)/2x10=99/20=4,95 ppm2

2 x16

ppm

g(16)
g(18)
g(20)
g(22)
g(24)

=(16+9+64+4+1+0+1+1+16)/2x9=112/18=6,22 ppm2
=(25+49+16+0+4+1+1+4)/2x8=100/16=6,25 ppm2
=(81+9+4+1+1+1+16)/2x7=113/14=8,07 ppm2
=(25+1+9+0+9+16)/2x6=60/12=5,00 ppm2

=(9+4+4+4+36)/2x5=57/10=5,70 ppm2
Gambar 3.1 Variogram eksperimental dan varians populasi
(garis mendatar, menunjukkan harga 5,25ppm2)
Perhitungan di atas dilakukan pada pasangan conto yang harus tepat pada jarak
h dan tepat arah 0, sedangkan pada prekteknya sering dijumpai pola
pengambilan conto yang tidak reguler, untuk itu perlu diberikan suatu toleransi
untuk kedua variabel tersebut, sehingga muncul istilah angle classes ( / 2 )
dan distance classes (hh) (David, 1977).
Jadi semua titik conto yang berada pada search area didefinisikan dengan angle
classes ( / 2 ) dan distance classes (hh) akan dianggap sebagai titik-titik
conto yang berjarak h dari x0 pada arah termaksud (Gambar 3.2)

Gambar 3.2 Arah varioagram ( ), search area dengan angle of classes


( / 2 ) dan distance classes (hh) (David, 1977)

Alogaritma perhitungan variogram adalah sebagai berikut :


1. Setiap titik conto mempunyai kesempatan untuk menjadi titik origin (xi).
Titik-titik lainnya dihitung dengan perbedaan kuadratnya [z(xi)-z(xi+h)]2.
Jarak antara titik origin (xi) dan titik lainnya (xi+h) harus berada pada
distance classes (hh). Jika titik xi+h berada di luar daerah distance
classes dan angle classes, maka perbedaan kuadrat tidak dihitung.
Demikian perhitungan ini berulang-ulang di setiap titik xi+h.
2. Selanjutnya dengan prosedur pada butir 1 titik-titik lainnya juga diberi
kesempatan menjadi titik origin xi.
3. Untuk prosedur 1 dan 2 hitung jumlah pasangannya N(h) yang
memenuhi syarat di atas dan juga jumlahnya secara kumulatif semua

perbedaan kuadratnya S[z(xi)-z(xi+h)]2. Dengan rumus di atas, maka


dapat dihitung (semi)variogram untuk jarak pasangan h=id.
4. Variogram untuk jarak pasangan h selanjutnya (2d, 3d, 4d, .... dst)
lakukan kembali dengan prosedur 1 sampai dengan 3. Dengan demikian
akan didapati hasil perhitungan variogram untuk setiap jarak h.
5. Plot grafik variogram dengan sumbu X adalah h sedangkan sumbu Y
nya adalah harga variogram untuk jarak h yang bersangkutan.

4. SIFAT DAN STRUKTUR


VARIOGRAM

4.1 PERILAKU VARIOGRAM DI DEKAT TITIK AWAL


Kontinuitas distribusi suatu variabel sangat erat hubungannya dengan perilaku
suatu variagram di dekat titik awal.
Gambar 4.1
Suatu perilaku parabolik di dekat titik
awal memperlihatkan suatu kontinuitas
variabel yang tinggi, yaitu sifat
distribusi data yang teratur, seperti
variabel geofisika, geokimia, muka
airtanah atau kadang-kadang data
tebal batubara.
Gambar 4.2
Perilaku linier di dekat titik awal
menyatakan suatu variabel dengan
kontinuitas sedang. Variogram
semacam ini biasanya berlaku pada
data kadar bijih.

Gambar 4.3
Variabel dengan kitidakteraturan yang
tinggi akan memberikan variogram
yang diawali dengan lompatan.
Ketidakkontinuan ini dinamakan
dengan nugget effect.

Gambar 4.4
Suatu semivariogram yang berperilaku
horisontal adalah hasil dari perhitungan
variabel dengan distribusi acak.

4.2 DAERAH PENGARUH (RANGE)


Secara umum g(h) akan naik dengan bertambahnya harga h, artinya besarnya
perbedaan harga pada dua titik akan sangat tergantung dengan jarak ke dua titik
tersebut. Kenaikan harga g(h) tersebut akan berlangsung selama masih terdapat
pengaruh harga antar titik, daerah ini dikenal dengan daerah pengaruh suatu
conto, sampai akhirnya konstan di suatu harga g()= C(sill) yang merupakan
varians pupulasi (varians a priori).
Daerah pengaruh suatu conto ini mempunyai suatu jarak dengan notasi a yang
dikenal dengan nama daerah pengaruh (range). Di luar jarak ini, maka rata-rata
variasi harga Z(x) dan Z(x+h) tidak lagi tergantung dengan jarak, dengan kata
lain Z(x) dan Z(x+h) tidak berkorelasi satu dengan yang lainnya. Range a adalah
suatu ukuran untuk daerah pengaruh.

Gambar 4.5 Contoh (Semi) - Variogram ketebalan suatu endapan berlapis

4.3 STRUKTUR BERSARANG (NESTED STRUCTURE)


Jika pada suatu endapan bahan galian terdapat beberapa struktur yang berbeda,
maka untuk setiap struktur akan memberikan variogram dengan harga a yang
berbeda (ukuran untuk perbedaan dimensi struktur) dan harga sill yang berbeda
(ukuran untuk rata-rata simpangan variabel). Pengaruh-pengaruh struktur ini
akan saling tumpah tindih sehingga akan memberikan satu variogram gabungan,
yang dapat diuraikan atas komponen-komponennya (Gambar 4.6). Variogramvariogram semacam ini biasanya akan muncul pada endapan fluviatil, seperti
endapan bentuk lensa yang saling tumpah tindih atau fingering.

Gambar 4.6 Stuktur bersarang (nested structure) suatu contoh teoritis

4.4 NUGGET VARIANCE DAN STRUKTUR MIKRO


Variogram dengan struktur bersarang umumnya terbentuk jika jarak pasangan
antar conto sangat kecil dibandingkan dengan rance a. Dalam hal jarak
pasangan antar conto dipilih sedemikian besarnya sehingga bagian awal dari
variogram tidak terekam, maka ekstrapolasi kurva menuju ke h = 0 tidak
memberikan (0) = 0 melainkan (0) = C0 yang dikenal sebagai nugget
variance (Gambar 4.7).
Pengaruh dari struktur mikro terhadap pemilihan jarak antara pasangan antar
conto ini terlihat dengan muncul tidaknya nugget variance. Nugget effect ini bisa
dihindarkan dengan memperkecil jarak h. Adanya nugget veriance ini juga bisa
diakibatkan oleh kesalahan pada analisa.

Gambar 4.7 Nugget Variance dan struktur mikro

4.5 ANISOTROPI
Mengingat h merupakan suatu vektor, maka suatu variogram harus ditentukan
untuk berbagai arah. Suatu penyelidikan perubahan (h) sesuai dengan arah
orientasinya memungkinkan munculnya anisotropi.
a. Isotropi
Jika variogram-variogram pada berbagai arah sama, maka dapat diartikan
r
bahwa (h) merupakan suatu fungsi dari harga absolut vektor h yang harganya adalah h = h12 + h22 + h32 , jika h1, h2, dan h3 adalah komponen-komponen
vektor h.
b. Anisotropi geometri
Jika pada beberapa (h) dengan arah yang berbeda tetap mempunyai harga
sill C dan nugget variance yang sama, sedangkan kenaikan variogramvariogram yang dinyatakan dengan harga range a berbeda, maka akan
terlihat apa yang disebut anisotropi geometri.
Umumnya semua besaran range a tersebut akan tersebar menuruti
bentangan elipsoida. Kondisi seperti ini sering dijumpai pada endapan placer
(misalnya endapan pasir besi pantai).

aUS
aTL
aBT
aTC

: range pada arah utara-selatan


: range pada arah timur laut-baratdaya
: range pada arah timur-barat
: range pada arah barat laut-tenggara

Gambar 4.8 Anisotropi geomentri


c. Anisotropi zonal
Dalam beberapa hal mungkin dijumpai bahwa variogram pada arah tertentu
sangat berbeda sekali, misalnya pada endapan bahan galian yang
mempunyai struktur perlapisan, dimana variasi kadar pada arah tegak lurus
terhadap bidang perlapisan sangat besar dibandingkan variasinya pada
bidang perlapisannya. Pada kasus ini model variogramnya benar-benar
anisotrop sempurna dan dapat diuraikan sebagai berikut :

Komponen isotrop :

1 h12 + h22 + h32

Komponen anisotrop murni yang


diperoleh dari variogram arah tegaklurus
bidang perlapisan g2(h3) sehingga
diperoleh :

(h1 , h2 , h3 ) = 1 h12 + h22 + h32 + 2 (h3 )

Gambar 4.9 Anisotropi zonal

4.6 PROPOTIONAL EFFECT


Dalam banyak hal varians pada suatu daerah sangat tergantung dengan harga
rata-rata lokal. Hal ini bisa dilihat dari hubungan antara varians daerah tersebut
(misalnya kelompok data bor) dengan harga rata-rata kuadrat.

Gambar 4.10 Hubungan antara varians dan rata-rata lokal untuk endapan
molibdenit, serta variogram tiap level yang mempunyai g()
dengan besar yang berbeda.

Jika hubungan antara varians dan rata-rata kuadrat lokal tersebut linier, maka
akan bisa ditentukan variogram relatifnya, yaitu setiap tahap pada perhitungan
variogram eksperimentalnya harus dibagi dengan kuadrat harga rata-rata lokal
sebagai berikut :

(h ) =
dengan
Z (h ) =

1 N (h )
[z (xi ) z (xi + h )]2 / N (h )

2 i =1

[Z (h)]

1 N (h )
[[Z (xi ) Z (xi+ h )] / 2] / N (h )
2 i =1

sehingga diperoleh satu variogram relatif seperti digambarkan pada Gambar


4.11. Gejala efek proporsional ini umumnya dijumpai pada data yang mempunyai
distribusi log normal.

Gambar 4.11 Kisaran variogram relatif

4.7 DRIFT
Kondisi ini dijumpai pada suatu variogram yang pada awalnya berperilaku
normal, yaitu naik sampai mencapai sill, tetapi selanjutnya naik secara
mendadak secara parabolik. Hal ini berarti, bahwa variabel terregionalnya tidak
lagi stationer. Drift ini dapat dengan mudah diketahui jika dihitung perbedaan
rata-rata variabel pada x1 dan xi+h sesuai dengan arah vektor h nya :

(h ) =

1 N (h ) 1
[Z (xi ) Z (xi +h )] / N (h )

2 i =1 2

dan ditampilkan secara grafis. Jika tidak terdapat drift, maka harga (h) akan
terpencar di sekitar sumbu h tersebut.

Gambar 4.12

Contoh efek parabolik suatu drift pada variogram dari data


sulfur pada tambang batubara (A) dan data timbal pada
tambang Pb-Zn(B)
7

4.8 HOLE EFFECT


Dalam hal variogram dihitung sepanjang data yang mempunyai harga tinggi
dan kemudian rendah (misalnya data kadar pada alur yang memotong
beberapa urat bijih), maka setelah mencapai sill variogram yang diperoleh akan
naik atau turun secara periodik. Berikut ini diperhatikan contoh hole effect dari
CLARK and JOURNELL & HUIJBREGTS.

Gambar 4.13 Contoh variogram dengan hole effect

5. MODEL TEORITIS VARIOGRAM

Seperti pada suatu histogram yang dapat dibuatkan model matematiknya,


seperti distribusi normal dll., maka variogram eksperimental juga dapat
dibuatkan model matematiknya yang akan bermanfaat untuk perhitungan
selanjutnya. Pemilihan model ini dipengaruhi oleh beberapa hal berikut:
a. Perilaku variogram di dekat titik awal, yang biasanya mudah dikenali. Ada
tidaknya nugget variance dapat diketahui dengan cara ekstrapolasi (h)
memotong sumbu tegak (untuk h = 0).
b. Kehadiran sill, pada awalnya varians statistik dari data dapat dianggap
sebagai harga sill.
c. Kehadiran anisotropi, struktur bersarang dll.
Berdasarkan ada tidaknya sill dan range, maka model semivariogram
dikelompokkan menjadi model dengan sill dan model tanpa sill.

5.1 MODEL DENGAN SILL


a. Linier dekat titik awal: model sferis (model MATHERON)

3 h 1 h 3
(h ) = C

2 a 2 a

(h ) = C

ha
h >a

a = range, C = sill = ()

Gambar 5.1 Variogram model sferis

b. Linier dekat dengan titik awal : model eksponensial (model FORMERY) :

(h ) = C 1 e ( h / a )
a = range, merupakan absis dari titik potong antara garis tangensial
variogram dengan sill (C).

Gambar 5.2 Variogram model eksponensial

c. Parabolik di dekat titik awal : model Gaussian :

(h ) = C 1 e ( h / a )

Gambar 5.3 Variogram model parabolik

5.2 MODEL TANPA SILL


Model tanpa sill meliputi :
a. Model Linier :
(h ) = p h
Atau secara umum

(h ) = p h
dimana : p adalah konstanta yang proporsional terhadap h absolut 0< <2
jika =2, maka akan menjadi model parabola.

Gambar 5.4 Variogram model linier

b. Model logaritmik atau de Wijsian :

(h) = 3 log h + B
dimana : B=C0 + 3 (3/2- log I ), dengan 3 adalah koefisien dispersi
absolut dan sama dengan kenaikan Variogram jika h diekspresikan secara
logaritmis, I adalah panjang ekivalen conto.

Gambar 5.5 Variogram model parabolik


3

5.3 FITTING VARIOGRAM


Variogram eksperimental sangat berguna untuk menganalisis struktur suatu
endapan bahan galian dan tidak dapat langsung digunakan dalam
perhitungan cadangan. Untuk itu perlu adanya model variogram teoritis untuk
di-fit-kan dengan variogram eksperimental. Model teoritis ini diekspresikan
dengan suatu model matematis.
Model matematis yang banyak digunakan dan umumnya terjadi pada
endapan mineral adalah model sferis atau model Matheron (David, 1977,
Barnes, 1979). Oleh karena itu dalam fitting variogram ini hanya akan
dibahas untuk model sferis saja.
Dua metode yang umum digunakan untuk mem-fit variogram eksperimental
dengan variogram teoritisnya yaitu metoda visual dan metoda least square.
Dengan metoda visual (manual) biasanya sudah cukup memuaskan, dan
banyak digunakan oleh para ahli geostatistik (David,1979). Karena sense
yang banyak berperan dalam melakukan fitting tersebut, maka dalam
pekerjaan ini pengalaman akan sangat menentukan kualitas fitting. Tujuan
utama dari fitting ini adalah untuk mengetahui parameter geostatistik seperti
a, C dan C0. Berikut ini beberapa pedoman penting dalam melakukan fitting :

Variogram yang mempunyai pasangan conto yang sangat sedikit agar


diabaikan.

Nugget variance (C0) didapat dari perpotongan garis tangential dari


beberapa titik pertama variogram dengan sumbu (h).

Sill (C0+C) kira-kira sama dengan atau mendekati varians populasi. Garis
tangensial di atas akan memotong garis sill pada jarak 2/3 a, sehingga
selanjutnya dapat dihitung harga a (David, 1977, Clark, 1979, Leigh and
Readdy, 1982).

Interprestasi nugget variance untuk variogram dengan sudut toleransi


1800 (variogram rata-rata) akan sangat membantu untuk memperkirakan
besarnya nugget variance (David, 1979).

Nugget variance diambil dari multiple variogram (dalam berbagai arah).


Dalam multiple variogram, best spherical line sebaiknya lebih mendekati
variogram yang mempunyai pasangan conto yang cukup.

Setelah diketahui parameter geostatistik tersebut, maka pembuatan model


variogram (sferis) dapat diplot dengan bantuan Tabel 5.1 untuk formula berikut:
3 h 1 h 3
(h ) = .
2 a 2 a

Tabel 5.1 Fungsi bantu hubungan antar titik pada arah tertentu (h),
Untuk model sferis / Matheron, C0 = 0; C = 1,0 (Siemens, 1981)

6. SUPPORT

6.1. SUPPORT GEOMETRI


Suatu variabel terregional (regionalized variable) terkait dengan suatu daerah,
ruang, bidang atau daerah geometri tertentu sesuai dengan variasi variabel
tersebut. Selain itu variabel-variabel tersebut juga terikat pada support geometri,
yang dikontrol oleh volume, bentuk, serta orientasinya. Jika support ini berubah,
maka akan terdefinisi suatu variabel terregional yang baru.
Dengan pembesaran support akan terjadi fenomena regularisasi (regularization),
padamana variabel terregional akan cenderung mempunyai sifat yang semakin
seragam atau sama dalam suatu endapan atau ruang.
Antara variogram dengan support geometri terdapat suatu hubungan sederhana
sedemikian rupa, sehingga variogram conto bentuk titik dapat dianggap sebagai
variogram conto. Demikian pula variogram volume lebih besar dapat didekati
dengan variogram volume lebih kecil.
Pada prakteknya suatu variogram eksperimental conto (yang biasa kita kenal
dengan variogram) esensinya tidak eksak sama dengan variogram titik yang
dimiliki oleh ruang-ruang. Namun karena support geometri suatu conto (conto
inti, conto alur, hand specimen,.) sangat kecil, maka kita dapat langsung
menggunakan variogram conto untuk kepentingan praktek.

6.1.1. Support Geometri pada Ukuran Butir Conto


Sebaran data dalam suatu populasi akan semakin sempit ( 2 ) dengan
mengecilnya ukuran butir conto (Gambar 6.1), sehingga semakin besar ukuran
butir, maka kuantitas conto yang diambil harus semakin besar.
Hal ini sangat berhubungan erat dengan homogenitas kadar suatu endapan
bahan galian. Fenomena ini dapat juga digunakan untuk menjelaskan mengapa
harga CV bisa lebih besar dari 1. Semakin kasar ukuran butir ( 2 , S, lebih
heterogen) akan memberikan harga CV yang besar juga, demikian pula
sebaliknya.

Gambar 6.1 Pengaruh ukuran butir conto pada harga kadar

6.1.2. Support Geometri pada Ukuran Blok Penambangan


Jika pada data kadar blok yang sama dilakukan berbagai support geometri yang
berbeda, maka akan terjadi pola penyebaran blok untuk cog tertentu (mis. cut-off
grade = 3%) yang berbeda pula (Gambar 6.2).

Gambar 6.2 Variasi support geometri dalam bentuk blok cadangan yang
dipengaruhi oleh luas dan orientasi blok.

6.2. VARIOGRAM TITIK


Untuk semua perhitungan geostatistik diperlukan variogram yang mempunyai
support bentuk titik, artinya volume conto harus berupa titik.
Jika suatu variogram (misalnya dari potongan inti dengan panjang I) dihitung
sepanjang sumbu lubang bor, maka akan terjadi suatu regularisasi pada kadarkadarnya yang terbentuk akibat pengaruh volume inti. Seandainya panjang
potongan inti I lebih kecil dibanding dengan range a variogram, maka regularisasi
dapat diabaikan dan digunakan variogram l ( h ) untuk variogram titik. Jika tidak
demikian maka harus dilakukan koreksi.
Koreksi ini memberikan (seperti terlihat pada Gambar 6.3), bahwa range a
variogram titik lebih kecil dari range al variogram conto inti dan harga sill
variogram titik lebih tinggi dibanding conto inti.

Gambar 6.3 Regularisasi suatu semi-variogram sferis akibat conto bukan titik
(panjang inti hasil pemboran adalah I)
Untuk koreksi ini berlaku :
CI = C/20 (20 10 I/a + I/a)
aI = a + I

Ia
Ia

Harga-harga C dan a dapat dilihat pada Tabel 6.1, yang memungkinkan dari data
variogram titik dapat dihitung variogram inti dengan panjang I. Jika data
variogram titik ini cocok dengan data eksperimental, maka parameter untuk
variogram titik telah dipilih dengan baik.

Tabel 6.1

Regularisasi semi-variogram l ( h ) untuk model Matheron dengan


range a dan sill atau C = 1.0 untuk berbagai jarak

Sebagai contoh data untuk variogram conto inti dengan panjang I = 2 m adalah
sebagai berikut :

Tabel 6.2 Data untuk plot variogram eksperimental

h(m)
(h)%

10

12

14

16

18

20

22

24

26

1.33

3.09

5.03

6.70

8.26

9.00

9.67

10.26

10.25

10.70

10.45

10.53

10.31

Dari variogram eksperimental dengan data pada Tabel 6.2 didapatkan parameter
berikut :
2/3 al
al
Cl
a

= 12.2 m
= 18.3 m
= 10.5 %
= al l = 16.3 m

C
2
23

= C( 0.939 ), C = 11.2 % 2
10.5 =
+
. 20
3
20
16 ,3 16 ,3
a/I = 8.15 (harga tabel yang terdekat adalah 8.00)
Variogram titik teoritis atau model dalam hal ini tidak terlalu menyimpang dari
data variogram eksperimental, sehingga dapat dianggap bahwa pilihan
parameter untuk variogram titik dengan C = 11.2 dan a = 16.3 cukup baik.

Tabel 6.2 Perhitungan variogram titik (model)


h

h/I

l ( h ) dari tabel

l ( h ) C=11.2

l ( h ) eksperimental

2
4
6
8
10
12
14
16
18
20
22
24
26

1
2
3
4
5
6
7
8
9

0.124
0.304
0.472
0.623
0.751
0.849
0.920
0.936
0.938

1.39
3.40
5.29
6.98
8.41
9.50
10.20
10.48
10.50

1.33
3.09
5.03
6.70
8.26
9.00
10.26
10.25

8. VARIANS ESTIMASI

Estimasi suatu cadangan dicirikan oleh suatu ekstensi / pengembangan satu


atau beberapa harga yang diketahui terhadap daerah di sekitar yang tidak
diketahui. Suatu harga yang diketahui (diukur pada conto inti, atau pada suatu
blok) diekstensikan terhadap bagian-bagian yang diketahui pada satu endapan
bijih. Ada beberapa metode estimasi dalam pertambangan antara lain :
a. Estimasi kadar rata-rata suatu cadangan bijih berdasarkan rata-rata suatu
kadar (misal didapat dari analisa conto pemboran / sumur uji),
b. Estimasi endapan bijih pada suatu tambang atau blok-blok penambangan
dengan pertolongan poligon sebagai daerah pengaruh, yang antara lain
didasari oleh titik-titik pengamatan berikutnya, pembobotan secara proporsional terbalik dengan jarak dll.

Gambar 8.1: Sketsa ekstensi satu titik dan estimasi beberapa titik

Setiap estimasi tidak selalu diinterprestasikan berikut ketelitiannya menggunakan


varians estimasi, tetapi bisa juga secara statistik harga estimasi tersebut
dikontrol dengan selang kepercayaannya. Untuk estimasi menggunakan satu
conto, dimana harga tersebut diekstensikan ke suatu volume yang lebih besar,
dikenal dengan istilah ekstensi dan varians ekstensi. Sedangkan estimasi
berdasarkan beberapa conto, dimana harga-harga conto tersebut diekstensikan
ke suatu volume, dikenal dengan estimasi dan varians estimasi.

8.1 ESTIMASI SATU CONTO v DAN EKSTENSI KE


VOLUME V (EXTENSION VARIANCE)
Dalam suatu kasus sederhana, misalnya V adalah suatu volume cadangan (blok
penambangan) dengan harga rata-rata variabel terregionalnya (kadar, ketebalan)
tidak diketahui :
Untuk V :

ZV =

1
Z ( x ) dx = U
V V

(8-1)

sedangkan v adalah volume (inti bor, blok bijih yang sudah ditambang) dengan
harga rata-rata diketahui :
Untuk v :

Zv =

1
Z ( x ) dx = U *

vv

(8-2)

Besaran tidak diketahui U akan diperkirakan melalui besaran yang sudah


diketahui U*, artinya harga v diekstensikan ke V.

Melalui ekstensi ini akan terjadi


kesalahan sebesar :
Er = U * U = Z v Z V
Kesalahan ini dikarekterisasi oleh
suatu varians yang dikenal sebagai
varians ekstensi dari v ke V.

Gambar 8.2 Ekstensi volume v ke V

Varians kesalahan atau deviasi ini diekspresikan sebagai berikut :

[ (

)]

E (v ke V) = var E r Z v Z V = D2 [U * U ]

(8-3)

Deviasi di tengah sama dengan nol (artinya tanpa penyimpangan sistematik atau
pencaran yang diharapkan). Menurut MATHERON (1971) persamaan tersebut di
atas dapat ditampilkan sebagai berikut :

E2 (v ke V ) = 2 (v ,V ) (V ,V ) (v ,v )

(8-4)

(v ,V ) merupakan harga rata-rata dari ( x y ) dimana x dan y masing-masing


tidak tergantung satu sama lain pada volume v dan V, yaitu x untuk volume v dan
y untuk volume V, atau :

( jumlah (x y ) untuk

semua x pada v dan semua y pada V )


banyaknya batasan jumlah

y (v ,V ) =

1
dx ( x y )dy
vV v V

(8-5)

(V ,V ) adalah rata-rata dari (x y ) , dimana x dan y adalah titik-titik di posisi


yang tidak tergantung satu sama lain pada volume V, atau :

(V ,V ) =

( jumlah (x y ) untuk semua x

pada V dan semua y pada V


banyaknya batasan jumlah

1
dx ( x y )dy
VV V V

(8-6)

(v ,v ) adalah rata-rata dari (x y ) , dimana x dan y adalah titik-titik di posisi


yang tidak tergantung sama lain pada volume v, atau :

(v , v ) =
=

( jumlah (x y ) untuk semua x

pada v dan semua y pada v )


banyaknya batasan jumlah

1
dx ( x y )dy
vv v v

(8-7)

Secara umum hubungan-hubungan mendasar tersebut di atas dapat ditulis


sebagai berikut :
2
E2 (v ke V )
=
dx ( x y )dy
ko var ians vV
vV v V
-

1
dx ( x y )dy
VV V V

var ians V

1
dx ( x y )dy
vv v v

var ians v

(8-8)

Rumus ini dapat berlaku untuk semua bentuk, dimana v dapat berupa misalnya:
titik, garis, bidang, atau volume, sedangkan V dapat berupa garis, bidang,
ataupun volume. Perhitungan integral-integral untuk hubungan v ke V dapat
dilihat pada tabel ataupun nomogram tersedia.

8.1 ESTIMASI SEJUMLAH (N) CONTO S DAN EKSTENSI


KE V (ESTIMATION VARIANCE)
Di lapangan sering diketahui sejumlah harga conto z ( xi ) pada sejumlah titik
pengambilan conto xi . Harga rata-rata suatu blok atau cadangan bijih
diperkirakan melalui harga rata-rata conto :

U* =

1
N

z (x )
i =1

Varians deviasi U* - U disebut varians


estimasi dari V melalui N conto z ( xi )
Gambar 8.3: Estimasi beberapa titik conto

xI

ke volume V

MATHERON (1971) memberikan varians estimasi sebagai berikut :

N2 = E2 =

2
NV

(x
i =1 V

y )dy

ko var ians NV

1
dx ( x y )dy
VV V V

var ians V

1
NN

(x

var ians N

i =1 j = 1

yj )

(8-9)

atau dengan S untuk N conto :

N2 = E2 = 2 (S ,V ) (V ,V ) (S , S )

(8-10)

Persamaan ini penurunannya analog dengan apa yang sudah dikerjakan untuk
varians ekstensi. Seperti yang terlihat pada Gambar 8.4, (S , S ) dipengaruhi oleh
geometri conto, (V ,V ) oleh geometri yang diestimasi, sedangkan y (S ,V )
dipengaruhi oleh hubungan antara S dan V.

8.2 CATATAN
a. Tidak ada perbedaan antara varians eksistensi dan varians estimasi.
Varians ekstensi berhubungan dengan ekstensi satu conto pada daerah
pengaruhnya, sedangkan varians estimasi ditujukan pada ekstensi sejumlah
conto pada daerah pengaruh gabungan (blok bijih atau cadangan bijih).
b. Setiap persoalan estimasi dapat dipecahkan dengan rumus-rumus yang
tersedia. Dalam hal umum kadang-kadang diperlukan pemecahan persoalan
dengan integral rangkap enam, dimana dalam hal ini biasanya digunakan
metode pendekatan (sumasi). Penggunaan Tabel dan Grafik sangat
membantu dalam mempermudah proses perhitungan.

data tersedia S

data tersedia S

estimator Z s

terhadap

Z s yang tidak diketahui

E2 = var error Z S Z V = 2 (S ,V ) (V ,V ) (S , S )

(8-11)

STRUKTUR

GEOMETRI S

HUBUNGAN S KE V

GOEMETRI V

Gambar 8.4: Sketsa varians estimasi menurut Huijbregt (1975)

c. Varians estimasi sangat erat hubungannya satu sama lain dengan posisi
relatif conto S dan hubungan geometriknya dalam penaksiran volume V.
Pada rumus-rumus perlu diperhatikan hubungan geometrik antara S dan V
melalui (S ,V ) , serta hubungan geometrik di dalam conto S melalui y (S , S )
serta di dalam volume V melalui y (V ,V ) .

Kedua gambar di bawah ini diperagakan berdasarkan perbedaan hubungan


antara conto S dan volume V yang baik menurut perasaan maupun secara teori
akan memberikan varians estimasi yang berbeda.

Gambar 8.5 Letak / posisi conto S terhadap proses estimasi

d. Varians estimasi akan kecil, jika letak conto satu sama lainnya dekat dan
akan memberikan estimasi volume yang lebih baik. Dalam hal ini akan
menghasilkan variogram yang lebih reguler yang berarti, bahwa variasi
variabel terregional di dalam endapan / cadangan / ruang semakin kontinu.
e. Varians estimasi mempunyai arti penting karena memungkinkan peramalan
berapa besar cadangan yang akan diperoleh dengan ketelitian yang tinggi,
jika diberikan informasi tambahan seperti penambahan lubang bor. Varians
estimasi N2 sangat tergantung dari (h ) dan hubungan geometrik conto.
f. Varians estimasi terikat pada rata-rata penyimpangan kuadrat. Ketelitian
harga penaksiran dicirikan oleh varians estimasi N2 yang merefleksikan
suatu ukuran untuk sebaran harga estimasi yang mendekati harga yang
sebenarnya. Kita dapat membuat suatu pernyataan mengenai jenis dispersi
untuk harga yang sebenarnya, kemudian dapat juga memberikan suatu
selang kepercayaan untuk harga yang sebenarnya. Selang kepercayaan ini
dapat diperoleh dari standar deviasi estimasi N = E = E2 atau dari
standar deviasi relatif N2 / U *

g. Harga-harga tersebut dibawah ini digunakan untuk memberikan selangselang kepercayaan (secara konvensional) terhadap harga yang diestimasi.
U
U*

= harga sebenarnya
= harga yang ditaksir / diestimasi
E2 = varians estimasi
E = standar deviasi estimasi
U U * 2 E = selang kepercayaan dengan ~ 97,5% tingkat konfidensi
pada pembatasan satu sisi atau dengan 2,5 % faktor
kesalahan.
U U * 1 E = selang kepercayaan dengan ~ 85% tingkat konfidensi
pada pembatasan satu sisi atau dengan 15% faktor
kesalahan.

Hal ini berlaku untuk distribusi normal. Untuk distribusi-distribusi lainnya,


batas bawah selang kepercayaan akan tidak terlalu banyak bergeser.

8.3 PERHITUNGAN VARIANS ESTIMASI


Berdasarkan persamaan dasar :

E2 =
atau

2
NV

(xi y )dy
i =1 V

1
1
dx ( x y )dy

VV V V
NN

(x
N

i =1 j =1

yj)

E2 = 2 (S ,V ) (V ,V ) y (S , S )

(8-12)

(8-13)

akan ditunjukkan beberapa contoh bagaimana varians estimasi dihitung :

8.4.1 Ekstensi Conto Bentuk Titik S Sepanjang Garis L


E2 = 2 (S , L ) (L , L ) y (S , S )
2 (S , L ) =

1
( xi y )dy
1 L L

Integrasi tersebut digantikan oleh sumasi, dimana panjang L dibagi dalam


L sejumlah I. Selanjutnya N = 1, karena perhitungan berlaku untuk satu titik.

(S , L ) =

1 N
(i.L ) = X (L )
I i =1

(8-14)

Pembentukan harga rata-rata ( xi y ) yang sering terjadi, dimana titiknya tetap


xi dan y menyebarkan garis L, ditabelkan sebagai fungsi bantu X(L) atau
diperoleh dari grafik terlampir. Fungsi bantu (L , L ) = F (L ) telah dibahas pada
bab sebelumnya tentang varians dispersi.

(S , S ) = 0
(x1 x1 ) = (0 ) = 0
Contoh :

(karena terhadap dirinya sendiri)


(variogram dari titik nol)

L= 0,5 X(0,5) = 0,359; F(0,5) = 0,245


E2 = ( 2 ) ( 0 ,359 ) 0 ,245 0 ,0 = 0 ,473

8.4.2 Ekstensi Conto Bentuk Titik S Sepanjang Garis L


(Titik S Berada di tengah Garis L)
E2 = 2 (S , L ) (L , L ) (S , S )

( )

( ) ( )

(S , L ) = 1 2 X L 2 + 1 2 X L 2 = X L 2
(L , L ) = F (L )

(S , S ) = 0

( )

E2 = 2 X L 2 F (L )
Contoh :

L=0,5 X (0 ,5 2 ) = 0 ,816 ; F(0,5) = 0,245

E2 = ( 2 ) ( 0 ,816 ) 0 ,245 0 ,0 = 0 ,127


Terlihat dari hasil diatas, bahwa satu conto yang terletak di tengah-tengah garis
L lebih baik posisinya daripada yang terletak di bagian tepi (lihat 8.4.1).
Penentuan varians estimasi dengan mudah dapat diperoleh dari data fungsi
bantu X(L) dan F(L) juga dihitung berdasarkan grafik atau tabel.

8.4.3 Ekstensi Conto Bentuk Titik S Sepanjang Garis L


(Titik S Berada di ujung-ujung Garis L)
E2 = 2 (S , L ) (L , L ) (S , S )

(S , L ) =

1 N
(xi y )dy
NL i =1 V

dengan N = 2

= 1 2 X ( L ) = X (L )
2
(L , L ) = F (L )
1 N N
(S , S ) =
(xi y j )
NN i =1 j =1
1
[ (x1 y 1 ) + (x1 y 2 ) + (x2 y1 ) + (x2 y 2 )]
=
22
1
[ (0 ) + (x1 y 2 ) + (x2 y1 ) + (0 )]
=
22
1
2 ( x1 y 2 ) = 1 ( x1 y 2 )
=
2
22
dalam hal ini 1 (L )
2
2
E = 2 X (L ) F (L ) 1 2 (L )
X(0,5) = 0,359; F(0,5) = 0,245; (0 ,5 ) =0,688
= ( 2 ) ( 0 ,359 ) 0 ,245 ( 1 2 ) ( 0 ,688 ) = 0 ,129

Contoh : L = 0,5
2
E

Contoh ini menunjukkan, bahwa pemosisian satu conto yang terletak di tengahtengah garis L (meskipun jumlah conto lebih sedikit), masih lebih baik daripada
dua conto yang terletak di ujung-ujungnya. Seperti pada sub Bab 8.4.2,
penentuan varians estimasinya dapat dengan mudah dihitung bersadarkan
fungsi-fungsi yang ditaksir dari grafik atau diperoleh dari tabel.

8.4.4 Ekstensi Conto Bentuk Titik S Terhadap Bidang R


(Titik S Berada di ujung Bidang R)
E2 = 2 (S , R ) (R , R ) (S , S )

(S , R ) =

1
( xi y )dy
1 R R

(8-15)

Sama seperti pada ekstensi sepanjang garis, di sini fungsi integral juga diganti
dengan sumasi (S). Fungsi bantu yang akan digunakan dinyatakan dalam funsi
Q(H,L). Harga Q(H,L) ini dapat dicari pada Tabel 8.1.

(S , R ) = Q ( H , L )
(R , R ) = F ( H , L )
Fungsi ini telah dibahas dalam perhitungan varians dispersi

(S , S ) = (0 ) = 0
Contoh :

R = L H = ( 0 ,4 ) ( 0 ,8 )
Q 0 ,4
= 0 ,629 ;
F 0 ,4
= 0 ,451 ;
0 ,8
0 ,8
E2 = ( 2 ) ( 0 ,629 ) 0 ,451 0 ,0 = 0 ,807

(0 ) = 0 ,0

8.4.5 Ekstensi Lateral Conto S Terhadap Bidang R


(Titik S Berada di tengah-tengah Bidang R)
E2 = 2 (S , R ) (R , R ) (S , S )

) (

(S , R ) = ( 4 ) ( 1 4 ) Q H 2 , L 2 = Q H 2 , L 2

(R , R ) = F ( H , L )

Fungsi ini telah di bahas dalam perhitungan varians dispersi

(S , S ) = (0 ) = 0

E2 = 2 Q H 2 , L 2 F (H , L )
Contoh :

R = L H = ( 0 ,4 ) ( 0 ,8 )
F 0 ,4
= 0 ,451 ;
Q 0 ,2
= 0 ,346 ;
0.8
0 ,4
E2 = ( 2 ) ( 0 ,236 ) 0 ,451 0 ,0 = 0 ,241

(0 ) = 0 ,0

Contoh ini memperlihatkan, bahwa posisi suatu conto yang terletak di tengahtengah bidang memberikan varians yang lebih kecil dibandingkan jika conto
berada di ujung bidang.

10

Tabel 8.1
Fungsi bantu ekstensi titik terhadap bidang empat persegi panjang Q(h/a,I/a),
untuk model sferis / Matheron, C0 = 0; C = 1,0 (Siemens,1981)

Misal Q(0,4/0,8) = 0,629

11

8.4.6 Ekstensi 3D (Ruang) Conto Bentuk Titik


Ekstensi-ekstensi conto terhadap ruang bersifat sama seperti ekstensi secara
lateral.

8.4.7 Ekstensi Elemen Bentuk Garis dan Bentuk Ruang


terhadap Bidang atau Ruang
Ekstensi-ekstensi ini didapatkan dengan cara yang sama melalui beberapa
perubahan rumus dasar.
Beberapa nomogram model Matheron telah dibuat untuk mencari harga-harga
varians ekstensi :

Varians ekstensi titik terhadap garis (Gambar 8.6),


Varians ekstensi titik terhadap bidang bujur sangkar (Gambar 8.7),
Varians ekstensi titik terhadap bidang empat persegi panjang (Gambar 8.8
dan Gambar 8.9),
Varians ekstensi garis terhadap bidang empat persegi panjang (Gambar
8.10),
Varians ekstensi garis terhadap ruang bentuk balok (Gambar 8.11), dan
Varians ekstensi bidang bujur sangkar terhadap ruang bentuk balok (Gambar
8.12).

12

Gambar 8.6

Nomogram varians eksistensi / estimasi titik terhadap garis


untuk model sferis / Matheron, C0 = 0, C = 1,0 (Annels, 1991)

Misal E2 ( ) untuk h/a = 0,133 adalah 0,034

13

Gambar 8.7 Nomogram varians eksistensi / estimasi titik terhadap bidang


bujur sangkar untuk model sferis / Matheron,
C0 = 0, C = 1,0 (Annels, 1991)
Misal E2 ( ) untuk h/a = 0,333 adalah 0,125

14

Gambar 8.8 Nomogram varians eksistensi / estimasi titik terhadap bidang empat
persegi panjang untuk model sferis / Matheron
C0 = 0, C = 1,0 (Annels, 1991)
Mis. E2 ( ) untuk h/a = 0,4 dan I/a = 0,8 adalah 0,241

15

Gambar 8.9 Nomogram varians estimasi titik-titik terhadap bidang empat


persegi panjang untuk model Matheron
C0 = 0, C = 1,0 (Annels, 1991)

16

Gambar 8.10

Nomogram varians ekstensi garis terhadap bidang empat


persegi panjang untuk model Matheron
C0 = 0, C = 1,0 (Annels, 1991)

17

Gambar 8.11

Nomogram varians ekstensi garis terhadap ruang bentuk


balok untuk model sferis / Matheron
C0 = 0, C = 1,0 (David, 1977)

18

Gambar 8.12

Nomogram varians ekstensi bidang terhadap ruang bentuk


Balok untuk model sferis / Matheron
C0 = 0, C = 1,0 (David, 1977)

19

8.5 VARIANS ESTIMASI GLOBAL

Penyimpangan total U * U pada proses estimasi ini dapat diselesaikan dengan


sumasi dari masing-masing simpangan sebagai berikut :

[U

U = i U i* U i

(8-16)

i =1

Jika dianggap, bahwa setiap simpangan tidak tergantung satu dengan lainnya
(seperti yang umum terjadi), akan diperoleh varians estimasi global sebagai
berikut :

E2 = Var [U * U ] = i2 Var [U i* U i ] = i2 E2 (i )

8.5.1

i =1

i =1

(8-17)

Varians Estimasi Global Conto Sepanjang Garis


dengan Jarak Sama

Panjang L terdiri dari sejumlah N segmen I yang merupakan daerah pengaruh


titik pada segmen tersebut,

L = N I

(8-18)

Varians estimasi untuk segmen I mempunyai faktor bobot :

= l L = I N l = 1N

(8-19)

E2 (I ) = 2 E2 ( ) =

(8-20)

1
E2 ( )
2
N

Untuk seluruh garis L didapatkan varians estimasi global :

2
E

i =1

i =1

(L ) = E2 (I i ) =

1
1
E2 ( ) = E2 ( )
2
N
N

(8-21)

20

Soal : Pada suatu lintasan sepanjang 160 m diambil 20 conto dengan jarak antar
conto 8 m. Jika diketahui daerah tersebut mempunyai penyebaran kadar
yang diekspresikan dalam variogram model Matheron, dengan C = 34%
dan a = 60 m, dan mempunyai kadar rata-rata z = 3,8% Zn, ditanyakan
berapa besar varians estimasi globalnya dan standar deviasi relatifnya ?

Jawab: Dari nomogram varians estimasi untuk model sferis, diperoleh :


Varians
E2 (I ) = E2 I a = E2 8 60 = E2 (0 ,133 ) = 0 ,034 C = 0.034 34% 2
estimasi global untuk N = 20 conto pada garis L adalah :
1
1
E2 (L ) = E2 (I ) =
0 ,034 34% 2 = 0 ,058% 2
20
N

( )

( )

Standar deviasi = E (L ) = 0 ,058% 2 = 0 ,24%


Standar deviasi relatif E (L ) / z 100% = 0 ,24
100% = 6 ,30% .
3 ,8

8.5.2.1

Varians Estimasi Global Conto Sepanjang Garis


dengan Jarak yang Tidak Sama

Jika jarak antar conto tidak sama L = I I maka perhitungan rata-rata dan juga
i =1

penentuan varians estimasi harus dilakukan dengan pembobotan.


faktor bobot

: i =

harga rata-rata

: z=

Ii
L

(8-22)

1 N
I i z ( xi )
L i =1

(8-

23)
varians estimasi global

: E2 (L ) =

1
L2

I
i 1

2
i

E2 ( )

(8-24)

Contoh soal :

21

N = 10 conto diambil pada suatu lintasan sepanjang 160 m, kadar rata-rata


z = 3 ,8% Zn . Variogram sesuai model Matheron, dengan C = 34% dan a = 60 m
(seperti pada soal sebelumnya).
Jarak antar conto II adalah sebagai berikut :
II

II / a

E2 ( )

5
10
15
5
30
25
20
15
10
25
160

0,083
0,167
0,250
0,083
0,500
0,417
0,333
0,250
0,167
0,417

0,022
0,042
0,065
0,022
0,130
0,106
0,084
0,065
0,042
0,106

E2 (L ) =

I i2
25
100
225
25
900
625
400
225
100
625

I i2 E2 ( )
0,550
4,200
14,625
0,550
117,000
66,250
33,600
14,625
4,200
66,250
321,850

1
321,85 34% 2 = 0 ,43% 2
L2

E (L ) = 0 ,43% 2 = 0 ,65%
E (L ) / z 100% = 17 ,2%

8.5.3 Varians Estimasi Global Conto pada Bidang


Untuk conto pada suatu bidang dapat digunakan aturan seperti halnya conto
sepanjang garis.
Suatu bidang R terbagi dalam N bagian
bidang dengan ukuran yang berbeda rj. Tiap
bidang mempunyai satu conto (lubang bor)
yang terletak di tengah-tengah.
Varians estimasi masing-masing bidang
dapat dibaca pada nomogram atau label
Ekstensi titik terhadap bidang empat persegi
panjang, dan dengan memperhatikan faktor
bobot, maka varians estimasi global dapat
dihitung sebagai berikut :

22

E2 (R ) =

1
R2

ri2 E2 (r j ) =
N

i =1

1
R2

r
i =1

2
1

E2 ( )

(8-25)

Jika semua blok mempunyai besar yang sama, maka berlaku :

E2 (R ) =

1
E2 ( )
N

(8-26)

Contoh : Pada suatu endapan fosfat telah diambil 95 conto pemboran


dengan grid 50 x 50 m. Kadar rata-rata z akumulasi kadar dan
ketebalan adalah 365 m %. Variogram model Matheron untuk
endapan ini memberikan sill C = 77.912 m %, nugget variance C0
= 30.000 m % dan range a = 150 m.
Ditanya : Varians estimasi global dan deviasi standar relatif!
Dengan h/a = I/a = 50/150 = 0,333 diperoleh varians ekstensi titik
terhadap bidang bujur sangkar 0,125 sehingga diperoleh :
E2 (r ) = E2 ( ) = C0 + C 0 ,125 = 30.000 + ( 77 ,912 ) ( 0 ,125 ) = 39.739
Untuk seluruh bidang diperoleh varians estimasi global :
1
1
E2 (R ) = E2 (r ) = 39.739 m 2 % 2
95
N
2
2
2
E (R ) = 418,3 m %

E2 (R ) = 20 ,4 m%

Standar deviasi relatif =

20 ,4
100% = 5 ,6%
365

23

9. KOVARIOGRAM GEOMETRIK

Estimasi pada suatu bidang (garis atau volume) dengan bantuan grid yang
teratur dapat diselesaikan dengan mudah menggunakan geostatistik. Persoalanpersoalan macam ini berkait dengan variabel terregional ada atau tidak ada :
1 jika x berada di dalam bidang R
k (x ) =
0 jika x tidak berada di bidang R

(9-1)

luas bidang R dinyatakan dengan persamaan berikut :


+

R = k ( x ) dx

(9-2)

Dalam geostatistik, kovariogram geometrik di definisikan sebagai :


+

K (H ) = k ( x ) k ( x + h ) dx

dengan

K(0) = R

(9-3)

Kovariogram geometrik adalah suatu ukuran untuk bidang (garis atau volume)
dimana dua bidang (garis atau volume) saling berpotongan. Kadar dalam bidang
R yang sebenarnya diestimasi berdasarkan jumlah n potongan bidang (daerah
pengaruh) suatu data yang ada (sama dengan jumlah conto yang ada). Hal itu
dinyatakan dengan (secara satu dimensi) sebagai berikut :
+

R* ( x 0 ) = r k ( x0 + pr ) dx = r n

(9-4)

p =

dimana r adalah unit bidang dan x0 adalah awal dari grid. Varians estimasi
bidang dituliskan sebagai berikut :

G2 =

2
1
R* ( x0 ) R dx

(9-5)

R* ( x0 ) dan R dalam integral tersebut adalah merupakan fungsi dari variabel k(x).
Menurut Matheron (1971) berlaku :
+

G2 = r K ( pr ) K (h ) dh
p =

(9-6)

Varians estimasi bidang R melalui R* sendiri sudah tergantung dari kovariogram


geometrik K(h), ini juga tidak diketahui seperti halnya bidang R yang sebenarnya.
Semua kovariogram mempunyai suatu kenaikan linier terhadap titik nol (h = 0),
yang kenaikannya untuk setiap bidang R* dapat diperkirakan. Sifat geometris ini
secara umum memungkinkan adanya suatu teransisi pembatas (r 0). Rumus
pendekatan varians estimasi relatif dinyatakan sebagai berikut :

G2
R2

N 12
1 1
+
N
0
,
061

2
N2
n 2 6

N 2 N1

(9-7)

R adalah bidang yang benar, R* adalah harga estimasi yang besarnya sama
dengan jumlah n r dari sub-bidangnya. Sub-bidang berbentuk bujursangkar
atau empat persegi panjang dengan panjang sisi a1 dan a2. Parameter 2N1
adalah jumlah sepanjang a1, sedangkan 2N2 adalah jumlah sepanjang a2 yang
dibatasi bidang R*. Rumus pendekatan ini dapat digunakan jika n 10. Suatu
varians estimasi volume dapat juga diperoleh dengan jalan yang sama melalui
pendekatan seperti halnya bidang.

Gambar 9.1 Estimasi bidang R untuk dua grid dengan sumber yang berbeda
n = 69 2N1 = 36
R* = 69 a1 a 2

G
R

= 3 ,0 %

2N2 = 32

n = 75 2N1 = 38
R* = 75 a1 a2

G
R

2N2 =36

= 2 ,7 %

Untuk selang kepercayaan 2 kali deviasi standar diperoleh :


R = (69 4 ) a1 a 2

R = (75 4 ) a1 a 2

PERKIRAAN CADANGAN ENDAPAN BAHAN GALIAN


9.1. ENDAPAN BAHAN GALIAN DAN INFORMASI
Suatu endapan emas bercirikan suatu lapisan pembawa emas yang ditutupi oleh
kerak lempung lateritik dibor dengan grid teratur dengan dimensi b1 = 30 m dan
b2 = 20 m. Pola pemboran diilustrasikan pada Gambar 9.2. Lubang bor yang
menembus mineralisasi emas diberi tanda . Terdapat N0 = 58 bor menembus
bijih.

Gambar 9.2 Pola pemboran dan sebaran titik bor yang menembus bijih
Ekstensi total (bidang R*) endapan dianggap sebagai jumlah daerah-daerah
pengaruh masing-masing bor yang menembus bijih. Di bagian Baratlaut tidak
terdapat mineralisasi, endapan di bagian utara memperlihatkan batas yang tidak
beraturan. Sangat sukar untuk menentukan batas endapan yang sebenarnya.
Yang perlu diperhatikan selanjutnya adalah perhitungan varians estimasi untuk
penentuan bidang R* yang dibentuk oleh gabungan grid yang teratur.

9.2. VARIABEL TERREGIONAL


Ketebalan p suatu endapan berkisar 3 5 m, yang selanjutnya dipilih sebagai
variabel terregional akumulasi ketebalan dan kadar rata-rata dari titik bor :
z (x ) = p(x ) t (x )

(9-8)

Karena diketahui ketebalan p diukur dalam m dan kadar t dalam g/t, maka
dimensi akumulasi adalah m g / t . Harga z(x) tidak diketahui, sedang kadar ratarata z = 28 m.g / t dengan varians akumulasi sebesar :

2 (v / V ) = 825 (m g / t )2

(9-9)

Dari harga-harga z(x) pemboran yang menembus bijih telah dihitung data
variogram sebagai berikut :

Tabel 9.1: Hasil hitungan vriogram


h (m)

(h )(m g / t )2

20
40
60
80
100
120
140

501,8
768,3
784,0
862,4
901,6
823,2
799,7

kenampakan anisotropi pada


variogram tidak ada

9.3. VARIOGRAM
Gambar 9.3 menunjukkan plot variogram eksperimental dari hasil hitungan pada
tabel di atas. Berdasarkan kenaikkannya yang cepat pada titik-titik awal, maka
model variogram yang dipilih adalah model Matheron. Varians nugget sering
terjadi pada endapan emas.

3 h 1 (h )3
(h ) = C0 + C 3
2 a 2 (a )
(h ) = C0 + C

h>a

(9-10)

ha

(9-11)

Dari kurva variogram tersebut dapat ditentukan parameter variogram model


Matheron sebagai berikut :

Gambar 9.3 Variogram eksperimental

Varians nugget diperoleh melalui eksplorasi garis yang melalui kedua titik awal
sampai memotong sumbu (h ) . Hasilnya dapat dilihat langsung pada kurva, atau
dihitung dengan kemiringan garis (768,3 - 501,8) / 20, yaitu C0 = 235 mg / t .
Harga sill diperoleh dari pendekatan C0 + C = 825 mg / t , sehingga didapat

C = 590 mg / t . Perpotongan garis untuk menentukan C0 dengan sill memberikan


besaran 2/3 a = 44 m, sehingga dihasilkan range sebesar a = 66 m.

9.4. ESTIMASI DAN VARIANS ESTIMASI BIDANG


Dari sejumlah N 0 = 58 lubang bor yang menembus bijih, diperoleh harga estimasi
luas R* endapan sebagai berikut :

R* = 58 blok ( 20 m ) ( 30 m ) = 34.800 m 2

(9-12)

Untuk perhitungan varians estimasi relatif digunakan rumus pendekatan yang


dinyatakan pada persamaan (9-7). Jumlah potongan endapan searah UtaraSelatan dengan panjang 20 m adalah 44, sehingga :
2 N 1 = 44

N 1 = 22

(9-13)

Jumlah potongan endapan searah Timur-Barat dengan panjang 30 m adalah 20,


sehingga :
2 N 2 = 20 N 2 = 10

(9-14)

Selanjutnya dihitung jumlah seluruh bagian dalam dan seluruh bagian luar
potongan yang ada, sehingga dengan memasukkan parameter di atas pada
rumus (9-7) akan didapat :

G2
R

1 1
22 22
= 0 ,00137
10 + 0 ,061

58 58 6
10

Sehingga standar deviasi relatifnya adalah

(9-15)

= 3 ,7 10 2 atau 4 %, dengan

R
demikian G = 1280 m . Pada perhitungan varians estimasi global dari Z melalui
2

z , varians eksistensi titik (bor) pada masing-masing blok sebesar 2 (0 / V ) ,


sehingga varians estimasi global akibat faktor ketidakpastian dalam endapan
karena adanya eksistensi titik pada masing-masing blok dinyatakan dengan :

G2
R

2 (0 / V )

(9-16)

9.5. VARIANS ESTIMASI AKUMULASI RATA-RATA


Akumulasi rata-rata Z suatu endapan bahan galian ditaksir dengan harga ratarata z =28 mg/t dari sejumlah N = 58 titik bor. Varians estimasi akumulasi ratarata dhitung dari komposisi hubungan garis dan hubungan bidang. Hubungan
garis dihitung untuk arah Utara-Selatan, karena jarak antar lubang bor dalam
arah ini lebih rapat daripada arah Timur-Barat. Pada hubungan bidang, garis li
diekstensikan terhadap daerah pengaruh yang berbentuk empat persegi panjang
dengan dimensi b1.b2 = (20 m).(30 m).

9.5.1. Hubungan Garis (VE Global Conto ke Garis)


Varians ekstensi suatu conto bentuk titik pada garis b1 adalah :

E2 (0 / L ) = E2 (b1 ) = C0 + C E2 ( )

(9-17)

b1/a = 20/66 = 0,30 sehingga E2 ( ) = 0 ,08 (lihat bab varians estimasi) sehingga :

E2 (0 / L ) = E2 (b1 ) = 235 + 590 0 ,08 = 282 (mg / t )2

(9-18)

Estimasi semua garis L dengan N = 58 bor diperoleh varians estimasi global:

E2 (L ) =

1 2
E (b1 ) = 282 / 58 = 4 ,877 (mg / t )2
N

(9-19)

9.5.2. Hubungan Bidang (VE Global Garis ke Bidang)


Varians ekstensi suatu garis li dengan panjang yang berbeda-beda terhadap
bidang dengan lebar yang sama b2 adalah :

E2 (R ) =

C
l
li
i =1

l
i =1

E2 (

(9-20)

Harga E2 ( ) dapat diperoleh dari nomogram pada varians estimasi yaitu


ekstensi garis dengan panjang I terhadap bidang I. b2 . Perhitungan dilakukan
dengan pembobotan yang diberikan pada tabel berikut (lihat Gambar 9.2) :

Tabel 9.2: Perhitungan varians estimasi garis l terhadap bidang l.b2


Lintasan

li

li / a

b2 / a

I
II
III
IV
V
VI

160 m
240 m
200 m
240 m
160 m
160 m
1160 m

2,54
3,80
3,18
3,80
2,54
2,54

0,45
0,45
0,45
0,45
0,45
0,45

E2 (R ) =

590 2045

(1160 )

= 0 ,897 (mg / t )

E2 (

0,010
0,008
0,009
0,008
0,010
0,010

li2 E2 (

256
460
357
460
256
256
2045

(9-21)

Dengan anggapan bahwa R = R*, padamana varians estimasi bidang selanjutnya


diabaikan, akan diperoleh varians estimasi global sebagai berikut :

E2 = E2 (L ) + E2 (R ) = 4 ,866 + 0 ,897 = 5 ,76 (mg / t )2

(9-22)

Dalam hal ini diperoleh standar deviasi relatif :

E / z 100% = 5 ,76 / 28 100% = 8 ,6%

(9-23)

9.5.3. Varians Estimasi Total


Jika efek yang diberikan akibat ketidakpastian batas endapan ikut diperhatikan,
maka varians estimasi globalnya akan menjadi sebagai berikut :

= (L ) + ( R ) +
2
E

2
E

2
E

G2
2

R
= 5 ,76 + 0 ,00137 825
2
= 6 ,89 (mg / t )

2 (0 / V )

(9-24)

Standar deviasi relatif : E / z 100% = 6 ,89 / 28 100% = 9 ,3% . Pengaruh


ketidakpastian dalam penentuan bidang dalam hal ini tidak terlalu besar.
Akumulasi z = 28 (mg / t ) perlu diikuti dengan standar deviasi relatif 9,3 %, atau

z E = 28 2 ,6 mg / t .

9.5.4. Varians Estimasi Kandungan Logam


Kandungan logam dalam endapan bahan galian diberikan dengan pendekatan :

Q = z R* D

(9-

25)
dimana D adalah densitas dalam t/m. Jika diasumsikan suatu harga 2,5 t/m,
akan diperoleh :

Q = 28 mg / t 34.800 m 2 2 ,5 t / m 3
= 2.436.000 g
= 2.346 kg emas.

(9-26)

Dalam hal varians estimasi z dan R tidak tergantung satu dengan lainnya, maka
varians relatifnya dapat dijumlahkan :

E2 (Q )
Q

( )+

E2 z
z

2
G
2

6 ,89
+ 0 ,00137 = 0 ,01016
28 2

E (Q )

100% = 0 ,01016 100% = 10% .


Q
diperoleh kandungan logam : Q = 2436 244 kg emas.

Standar

deviasi

relatif

(9-27)

Sehingga

10. KRIGING
10.1

PERMASALAHAN

Dari hubungan kadar suatu conto pemboran dengan kadar blok akan diperoleh
suatu pencaran sistematis. Disini berarti bahwa conto bor tersebut bukanlah
suatu harga estimasi yang paling baik untuk menaksir blok, sehingga diperlukan
suatu koreksi.
Cara penentuan koreksi ini diberikan oleh Matheron melalui pemboran hargaharga conto dengan bantuan fungsi variogram. Nama cara ini (kriging) diambil
dari pakar geostatistik di Afrika Selatan D. G. Krige yang telah memikirkan hal ini
untuk pertama kalinya di awal tahun limapuluhan.
Korelasi antara kadar-kadar conto pemboran dan kadar sebenarnya suatu blok
yang diwakili oleh titik bor tersebut (diperoleh mis. dari hasil penambangan blok
tersebut) akan memberikan suatu diagram pencar yang memperhatikan, bahwa
sebagian besar pasangan data tersebut terletak di dalam suatu elips seperti
yang terlihat pada Gambar 10.1.

Gambar 10.1 Pencaran data antara kadar conto hasil eksplorasi dengan kadar
blok penambangan
Dalam hal semua hasil analisa conto merupakan estimasi yang benar/cocok/
sesuai terhadap kadar setiap blok yang diwakili conto tersebut, maka pencaran
pasangan data tersebut akan membentuk garis regresi A-A yang melalui titik nol.
Penelitian Krige pada perilaku kadar conto emas memperhatikan bahwa garis
regresi tersebut pada kenyataannya lebih mendatar, seperti yang ditujukan oleh
garis B-B (Gambar 10.2).

Gambar 10.2 Pencaran data antara kadar conto vs. Kadar blok untuk conto
emas (kurva B-B)
Ini berarti bahwa simpangan terbentuk secara sistimatik dan conto bor bukan
merupakan harga estimasi yang mewakili kadar bijih pada blok.
Analisa conto yang terletak di atas harga rata-rata memberikan suatu harga yang
lebih besar daripada kadar-kadar blok, jika tidak diberikan koreksi. Harga conto
z1 memberikan harga blok Z1 melalui kurva A-A yang lebih besar dari harga
sebenarnya Z1 (kurva B-B).
Tetapi sebaliknya analisa-analisa yang terletak di bawah harga rata-rata Z
memberikan harga yang di bawah harga-harga blok, conto z2 melalui kurva A-A
memberikan harga blok Z2 yang lebih kecil dari harga sebenarnya Z2 (kurva BB).
Koreksi Matheron yang memperhatikan variogram dari analisa data regional,
memperlihatkan bahwa estimasi kadar blok tidak hanya dipengaruhi oleh conto
yang terletak di dalam blok saja, tetapi juga dipengaruhi oleh conto-conto di
sekitarnya yang berdekatan. Koreksi tersebut memberikan :
1. suatu harga estimasi yang lebih baik,
2. suatu varians K2 dari estimasi tersebut.
Cara perhitungan dengan metode kriging ini kadang-kadang terlalu kompleks
untuk suatu komoditi tertentu. Hal ini sangat bermanfaat jika dilakukan pada
penentuan cadangan-cadangan yang mineable dengan kadar-kadar di atas cutoff grade.
Sebagai contoh hubungan antara harga analisa conto dengan harga analisa blok
bijih (harga sebenarnya) yang terpancar membentuk elips (Gambar 3), kemudian
tarik garis regresi melalui titik 0 dan titik ( Z , z ), selanjutnya bagi elips tersebut
dengan cut-off grade zc = Zc = 5% menjadi empat bagian.

Gambar 10.3 Pencaran data antara kadar conto vs.


memperlihatkan kesalahan penambangan

kadar

blok

yang

Daerah 1 : semua blok dengan kadar > cog sesuai


dengan kadar conto > cog ditambang
Daerah 2 : semau blok dengan kadar < cog yang sesuai
dengan kadar conto < cog tidak ditambang
Daerah 3 : semua blok dengan kadar < cog yang karena
kesalahan kadar conto > cog yang ditambang
Daerah 4 : semua blok dengan kadar > cog yang karena
kesalahan kadar conto < cog tidak ditambang
Jika garis regresi B-B yang menunjukkan hubungan antara conto dan kadar blok
diplot, maka blok-blok dengan kadar 5% juga akan ditambang walaupun kadar
conto kadar 3,5% (Gambar 3b). Daerah 4 pada Gambar 3b yang tidak
tertambang karena kesalahan informasi menjadi kecil, sementara itu daerah 3
yang ditambang walaupun berkadar rendah menjadi lebih besar, walaupun
demikian secara keseluruhan daerah dengan blok-blok yang mempunyai kadar >
cut-off grade (5%) dan ditambang menjadi lebih besar.
Berdasarkan analisis variogram, Matheron memberikan koreksi perkiraan kadar
pada suatu blok yang tidak hanya dipengaruhi oleh conto di dalam blok saja,
tetapi juga pada conto-conto di sekitarnya.
Dengan bantuan kriging ini tidak akan ditentukan garis regresi baru yang lebih
baik, tetapi metode ini akan mengoreksi kadar-kadar conto (dinaikkan atau
diturunkan, sehingga mempersempit elips pencaran data (Gambar 4).

Gambar 10.4 Perubahan bentuk elips pencaran data akibat koreksi dengan
metode kriging
Melalui koreksi ini bentuk elips akan lebih kurus/sempit dengan batas-batasnya
mendekati garis regresi yang membentuk sudut 45. Jumlah conto dan pasangan
bloknya pada daerah 3 dan daerah 4 yang menyatakan kadar rendah ditambang
atau kadar tinggi tidak ditambang akan berkurang.
Royle & Newton (1972) telah menyelidiki bermacam-macam model koreksi dan
menghasilkan solusi, bahwa proses kriging ini memberikan harga-harga
pengestimasi kadar-kadar blom terbaik berdasarkan kadar-kadar conto yang
sudah dikoreksi.

10.2

PERSAMAAN UMUM

Misalnya terdapat suatu kumpulan S1 dari n conto dengan volumina yang sama
pada suatu tempat xi sebagai harga perkiraan / estimasi terhadap suatu kadar Z
dari volume V dipilih Z*. Harga perkiraan ini dapat melalui pembobotan kadar
z(xi) conto :
n

Z* = i z ( x i )
i =1

Jumlah faktor pembobotan i dibuat sedemikian rupa sehingga sama dengan


satu :
n

i =1

=1

Dengan cara ini akan tercapai, bahwa harga estimasi adalah without bias, artinya
harga yang diharapkan untuk perbedaan antara Z da Z* adalah nol.

E{Z Z *} = 0
Dengan memperhatikan faktor-faktor pembobotan akan didapat suatu varians
estimasi (lihat persamaan terdahulu pada varians estimasi)
Dengan memperhatikan faktor-faktor pembobotan akan didapat suatu varians
estimasi (lihat persamaan terdahulu pada varians estimasi)

E2 = Var [Z Z * ]
n n
2 n
1
(
)
(
)
x y dx dy i j (xi x j )
= i xi y dy
V i =1 V
VV V V
i =1 i =1

= 2 i (S i ,V ) (V ,V ) i j (S i , S j )
n

i =1

i =1 j = 1

Varians estimasi ini adalah suatu fungsi dari faktor-faktor pembobotan 1 , yang
sudak diketahui bahwa jumlahnya adalah 1. Untuk memilih faktor-faktor
pembobotan yang optimal, dibuat sedemikian rupa sehingga varians estimasi ini
minimum.
Persyaratan bahwa jumlah 1 yang tidak diketahui adalah satu, dapat didekati
dengan pertolongan suatu multiplier lagrange untuk meminimumkan hubungan
persamaan berikut ini :

Q = E2 2 ( i 1)

min

Selain dari yang tidak diketahui, juga terdapat yang juga tidak diketahui.
Pernyataan bahwa harus diminimumkan ini diartikan bahwa pendekatan parsial
Q / dan Q / i adalah nol.
Selanjutnya didapat sistem persamaan linier (kriging system) sebagai berikut :

(x
n

j =1

x j )+ =

1
(x xi )dx
V V

j (S i , S j ) + = (S i ,V )
n

j =1

atau
n

dan

i =1

=1

Sistem persamaan ini cukup untuk menentukan harga-harga 1 dan yang


akan menghasilkan suatu varians minimum.
Varians perkiraan/estimasi (kriging variance) akan diekspresikan melalui
persamaan berikut :
n
1
1
2
K =
dx (x y )dy j x x j dx
atau

VV V V
VV
j =1

K2 = (V ,V ) + + j (S j ,V )
n

j =1

Keterangan : Persamaan-persamaan yang diberikan dapat juga kemudian


digunakan, jika z(xi) pada persamaan unutk perhitungan hargaharga estimasi Z adalah lebih kurang sama dengan harga ratarata dari sejumlah conto-conto yang berdekatan satu sama lain.
Mis. (x i x j ) bertindak sebagai harga rata-rata dari untuk
kumpulan titik-titik Si dan Sj pada posisi xi dan xj.

Berikut ini diuraikan persamaan untuk menghitung dan yang merupakan


konstanta-konstanta yang tidak dikenal :

1 (S 1 S 1 ) + 2 (S 1 S 2 ) + ... + j (S 1 S j ) + ... + n (S 1 S n ) + = (S 1V )
1 (S 1 S 1 ) + 2 (S 1 S 2 ) + ... + j (S 1 S j ) + ... + n (S 1 S n ) + = (S iV )
M

M
M
1 (S 1 S 1 ) + 2 (S 1 S 2 ) + ... + j (S 1 S j ) + ... + n (S 1 S n ) + = (S jV )
M
M
M
1 (S 1 S 1 ) + 2 (S 1 S 2 ) + ... + j (S 1 S j ) + ... + n (S 1 S n ) + = (S nV )
1

+ 2

+ ... + j

+ ... + n

+ = 1

Dengan memperhatikan bahwa (S i S j ) = y (S j S i ) , maka akan memberikan suatu


matriks berikut ini :
(S 1 S 1 ) (S 1 S 2 )

(S 2 S 1 ) (S 2 S )
M
M

(S i S 1 ) (S j S 2 )
M
M

(S n S 1 ) (S n S 2 )
1
1

L (S 1 S j ) L (S 1 S n ) 1 1 (S 1V )

L (S 2 S j ) L (S 2 S n ) 1 2 (S 2V )
M M
M
M

L (S i S j ) L (S j S n ) 1 j = (S jV )
M M
M
M

L (S n S j ) L (S n S n ) 1 n (S nV )
1
1
0 1
L
L

Matriks (S i S j ) merupakan suatu matriks yang simetris.


Sistem persamaan tersebut diatas dapat dituliskan sebagai berikut :

[K ] [L ] = [M ]
Persamaam ini akan diselesaikan terhadap L untuk mendapatkan 1 dan
sehingga diperoleh persamaan :

[L ] = [K ]1 [M ]
Untuk varians kriging dapat dituliskan :

K2 = (V ,V )+ t [L ] [M ]

10.3

PENGARUH PARAMETER GEOSTATISTIK PADA FAKTOR-FAKTOR


PEMBOBOTAN DAN VARIANS ESTIMASI

Pengaruh beberapa parameter geostatistik akan diterangkan pada suatu conto


perhitungan sederhana sebagai berikut :
Diketahui conto x i dengan kadar z( x i ) diambil dengan jarak yang sama (L=20
m) di sepanjang suatu garis. Kadang rata-rata semua conto z = 1,0 . Variogram
(model Matheron) pada data tersebut mempunyai parameter sebagai berikut :

C0 = 0 ,0

C = 1,0

a = 60 m

Akan dihitung faktor-faktor bobot, varians estimasi (varians kriging), dan standar
deviasi relatif untuk kadar z* suatu potongan garis sepanjang L (mis, pada titik
x1 )
Untuk melihat bagaimana pengaruh conto-conto di sekitarnya serta pengaruh
nugget variance, maka akan diperhatikan jika hanya dipengaruhi oleh suatu titik
x 1 (dirinya sendiri), atau dipengaruhi oleh tiga titik x 1 , x 2 , x3 atau jika
dipengaruhi oleh semua titik-titik conto disekitarnya.

10.3.1 SISTEM KRIGING DENGAN MEMPERHATIKAN HANYA SATU CONTO

j (S i , S j ) + = (S i , L )
n

j =1

j =1

=1

untuk n = 1 maka 1 = 1

(S 1 S 1 ) = 0

(S 1 L ) = C0 + C (pf)

[ 2]
= 0 + 1 X (10 )
60
= C0 + C X L
= 0,124

Dengan memasukkan parameter-parameter tersebut pada persamaan umum


kriging akan memberikan :
1 0 + = 0 ,124 = 0 ,124

Untuk varians krigingnya berlaku rumus :

K2 = (L , L ) + + j (S j , L )
n

j =1

(L, L) = C0 + C F (L)

( a ) = F (20 60 )

= 0 + 1 F L

= F (0,333) = 0,165
= 0 ,124

1 (S 1 L ) = 1* 0 ,124 = 0 ,124

K2 = 0 ,165 + 0 ,124 + 0 ,124 = 0 ,083


Standar deviasi relatif : K =

K2
z

100% = 29%

10.3.2 SISTEM KRIGING DENGAN MEMPERHATIKAN TIGA CONTO


Sistem Kriging

1 (S1 S1 ) + 2 (S1 S 2 ) + 3 (S1 S 3 ) + = (S1 L)

1 (S 2 S1 ) + 2 (S 2 S 2 ) + 3 (S 2 S3 ) + = (S 2 L)

1 (S 3 S1 ) + 2 (S 3 S 2 ) + 3 (S 3 S 3 ) + = (S 3 L)
+ 2
+ 3
+ = 1
1
Untuk L = 20 m
maka :

a = 60 m

C0=0,0

dan C = 1,0

(S 1 S 1 ) = (S 2 S 2 ) = (S 3 S 3 ) = 0

(S1 S 2 ) = (S1 S 3 ) = C0 + C (x1 x2 )

( ) (

(x1 x 2 ) = L a = 20 60 = (0 ,333) = 0 ,481


(S 2 S3 ) = (S3 S 2 ) = C0 + C (x2 x3 )

( ) (

(x 2 x3 ) = 2 L a = 40 60 = (0 ,667 ) = 0 ,851

( )

(S 1 L ) = C0 + C X L 2 = 0 ,124
(S 2 L) = (S 3 L) = C0 + C X (L' )

seperti pada a)

(
L + L ) X (L + L ) (L ) X (L )
2
2
2
2
X (L' ) =

L
= X 30

) (
( ) (

)
)

= X (0 ,5 ) = 0 ,359
2
60
X L = X 10
= X (0 ,167 ) = 0 ,124
2
60
30 0 ,359 10 0 ,124
X (L' ) =
= 0 ,477
20
X L+L

Sehingga sistem kriging menjadi :


1 0 ,000 + 2 0 ,481 + 3 0 ,481 + = 0 ,124
1 0 ,481 + 2 0 ,000 + 3 0 ,851 + = 0 ,477
1 0 ,481 + 2 0 ,851 + 3 0 ,000 + = 0 ,477
1
+ 2
+ 3
+ 0 = 1,000
______________________________________
0 + 0 ,851 2 + 0 ,851 3 + 0 = 0 ,00

[1]
[2 ]
[3 ]
[4 ]

[2] [3]

2 = 3
______________________________________

1 + 22 = 1,000
1 = 1,000 22

[4]

______________________________________

2(0 ,481 2 ) + = 0 ,124

= 0 ,124 0 ,962 2

[1]

______________________________________

(1 2 2 )0 ,481 + 0 ,851 2 + (0 ,124 0 ,962 2 ) = 0 ,477

0 ,481 0 ,962 2 + 0 ,851 2 + 0 ,124 0 ,962 2 = 0 ,477


2 = 0 ,12

______________________________________
1 = 0 ,76

2 = 3 = 0 ,12 dan = 0 ,01

[2]

K2 = (L , L ) + + j (S j , L )
n

j =1

(L , L ) = 0 ,165
= 0 ,124

(S , L ) = 0 ,76 0 ,124 + 0 ,12 0 ,477 + 0 ,12 0 ,477 = 0 ,208


n

j =1

K2 = 0 ,165 + 0 ,01 + 0 ,208 = 0 ,053


Standar deviasi relatif :

K2

* 100% = 23%
z
______________________________________
2
K

Z* = 1 ,76 * z (x1 ) + 0 ,12 * z (x2 ) + 0 ,12 * z (x3 )


Faktor bobot 2 dan 3 mempunyai harga yang sama, sesuai dengan posisi titik
2 dan 3 yang simetri terhadap titik 1 (berjarak L). Berdasarkan posisi titik-titik
yang simetri ini, maka persamaan sistem kriging dapat lebih disederhanakan
sebagai berikut :
z ( x ) + z ( x3 )
Z* = 1 z ( xi ) + 2 2

{
2
442
S1
1
443
S2

Sistem kriging

1 (S 1 S 1 ) + 2 (S 1 S 2 ) + = (S 1 L )

1 (S 2 S 1 ) + 2 (S 2 S 2 ) + = (S 2 L )
1
+ 2
+ 0 = 1,000
(S 1 S 1 ) = 0

(S 2 S 2 ) = 1 2 [C0 + C (2 L )]

= 1 [0 + 1 0 ,851] = 0 ,425
2
(S 2 S 1 ) = (S 1 S 2 ) = 0 ,481

40 60 = (0 ,667 ) = 0 ,851

seperti sebelumnya
(S 1 L ) = 0 ,124
(S 2 L ) = 0 ,477
______________________________________

1 0 ,000 + 2 0 ,481 + = 0 ,124


1 0 ,481 + 2 0 ,425 + = 0 ,477
1
+ 2
+ 0 = 1,000

______________________________________

2 = 0 ,24(2 = 0 ,12 & 3 = 0 ,12)


1 = 0 ,76
= 0 ,01
______________________________________
K2 = 0 ,165 + 0 ,01 + 0 ,76 0 ,124 + 0 ,24 0 ,477
= -0,165+0,01+0,208

K2 = 0 ,053

seperti sebelumnya

10.3.3 SISTEM KRIGING DENGAN MEMPERHATIKAN SEMUA CONTO


Akan digunakan tiga conto seperti pada 10.3.3, semua sisa conto lainnya
dikelompokkan menjadi satu conto dengan harga rata-ratanya z . Semua conto
rata-rata ini mempunyai jarak yang cukup jauh dari letak x1 , x 2 , x3 dan potongan
L, demikian hingga (h ) dan semua fungsi bantu X(h), F(h) dianggap sama
dengan 1,0.

z ( x ) + z ( x3 )
Z* = 1 z ( xi ) + 2 2
+ 3 {z
{
2
1442
S3
S1
443
S2

Sistem kriging

1 (S1 S1 ) + 2 (S1 S 2 ) + 3 (S1 S 3 ) + = (S1 L)

1 (S 2 S1 ) + 2 (S 2 S 2 ) + 3 (S 2 S3 ) + = (S 2 L)
1 (S 2 S1 ) + 2 (S 2 S 2 ) + 3 (S3 S3 ) + = (S3 L)
1

+ 2

+ 3

(S 1 S 1 ) = 0
(S 1 S 2 ) = (S 2 S 1 ) = 0 ,481
(S 2 S 2 ) = 0 ,425

+ 0 = 1,000

(S1 S 3 ) = (S 3 S1 ) = C0 + C (1,0) = 1,0


(S 2 S3 ) = (S3 S 2 ) = C0 + C (1,0) = 1,0

(S3 S3 ) = C0 + C = 1,0

Conto-conto yang tergabung dalam S3 terletak terpencar jauh di luar ( jarak > a),
sehingga kadar rata-rata semua (x1 x j ) adalah 1 (satu).

(S 1 L ) = 0 ,124
(S 2 L ) = 0 ,477

(S 3 L) = C0 + C X (L' ) 1,00
Sebagai contoh perhitungan , diambil conto-conto dengan jarak 6L = 120 m
(L + 6 L) X (L + 6 L) (6 L) X (6 L)
X (L' ) =
L
7 L X 140
6 L X 120
60
60 = 7 X (2 ,333 ) 6 X (2 ,0 )
=
L
= 7 0,84 6 0,82 = 0,96 1,00

1 0 ,000 + 2 0 ,481 + 3 1,000 + = 0 ,124


1 0 ,481 + 2 0 ,425 + 3 1,000 + = 0 ,477
1 1,000 + 2 1,000 + 3 1,000 + = 1,000
+ 3
+ 0 = 1,000
+ 2
1

[1]
[2]
[3]
[4]

______________________________________
0 ,481 1 + 0 ,056 2 + 0 ,000 + 0 ,000 = 0 ,353
1 = 0 ,116 2 + 0 ,734

[1]-[2]

______________________________________
0,116 1 +0,734+ 2 + 3 = 1,000

[4]

3 = 0 ,266 1,1162
______________________________________

1 + 2 + 3 = 1,000

= 0 ,000
______________________________________
0 ,481 2 + 0 ,266 1,116 2 = 0 ,124

2 =

0 ,142
= 0 ,224
0 ,635

[3]

1 = 0 ,116 2 + 0 ,734 = 0 ,760


3 = 0 ,226 1,1162 = 0 ,016 (karena kecil diabaikan)
______________________________________

K2 = (L , L ) + + j (S j , L )
n

j =1

(L , L ) = 0 ,165

= 0 ,000

0,760 0,124 = 0,094


0 ,244 0 ,477 = 0 ,107
0 ,016 1,000 = 0 ,016

(S , L ) = 0 ,217
n

j =1

K2 = 0 ,053

(seperti sebelumnya)

Kedua conto z ( x 2 ) dan z ( x3 ) bersifat memagari pengaruh conto-conto yang


terletak di sebelah luarnya. Di sini tidak terjadi perbaikan faktor bobot dan juga
tidak ada perbaikan varians estimasi.

10.3.4 PENGARUH NUGGET VARIANCE C0 0


Dengan memperhatikan semua conto seperti pada 10.3.3
C0 = 0 ,3
(S 1 S 1 ) = 0

(S 1 S 2 ) = 0 ,3 + 0 ,481 = 0 ,781
1
(S 2 S 2 ) = (0 ,31 + 0 ,851) = 0 ,576
2
(S 3 S1 ) = 0 ,31 + 1,0 = 1,3

C = 1,0
a = 60 m

z = 1,0

(S 3 S 2 ) = 0,31 + 1,0 = 1,3

(S 3 S 3 ) = 0 ,31 + 1,0 = 1,3

(S 1 L ) = 0 ,3 + 0 ,124 = 0 ,424
(S 2 L ) = 0 ,3 + 0 ,477 = 0 ,777

(S 3 L) = 0,3 + 1,0 = 1,3

___________________________________________

1 0 ,000 + 2 0 ,781 + 3 1,3 + = 0 ,424


1 0 ,781 + 2 0 ,576 + 3 1,3 + = 0 ,777
1 1,3 + 2 1,3 + 3 1,3 + = 1,3
1

+ 2

+ 3

+ 0 = 1,0

[1]
[2]
[3]
[4]

___________________________________________
0 ,781 1 + 0 ,205 2 + 0 + 0 = 0 ,353
1 = (0 ,205 2 + 0 ,353 ) / 0 ,781 = 0 ,262 2 + 0 ,452

[1]-[2]

___________________________________________
___________________________________________

0 ,2621 + 0 ,452 + 2 + 3 = 1,0


2 = 0 ,548 1,2623
___________________________________________
1,31 + 1,32 + 1,33 + = 1,3
1,3 (1 + 2 + 3 ) + = 1,3

[4]

[3]

1 + 2 + 3 = 1
= 0 ,0
___________________________________________

0 ,7812 + 1,33 + = 0 ,424


0 ,781 2 + 1,3 (0 ,548 1,262 2 ) = 0 ,424
0 ,288
2 =
= 0 ,335
0 ,860
1 = 0 ,262 2 + 0 ,452 = 0 ,540
3 = 1,0 0 ,335 0 ,540 = 0 ,125
___________________________________________

K2 = (L , L ) + + j (S j , L )
n

j =1

(L , L ) = 0 ,3 + 0 ,165 = 0 ,465

0 ,540 0,424 = 0,229


0,335 0,777 = 0,260
0 ,125 1,300 = 0 ,163 +

(S
n

j =1

, L ) = 0 ,652

K2 = 0 ,465 + 0 ,00 + 0 ,652 = 0 ,187


K = 0 ,187 / 1,0 100 % = 43%
___________________________________________

[1]

Dengan kehadiran varians nugget, pengaruh conto-conto yang terletak di luar


tidak dapat lagi diabaikan. Effek screen pada conto berikutnya berkurang akibat
adanya varians nugget.
Jika varians nugget dinaikkan lagi menjadi C0 = 0 ,5 akan terlihat pengaruhnya
lebih baik lagi :
1 = 0 ,466

2 = 0 ,341

K2 = 0 ,248

K = 43 %

3 = 0 ,193

= 0 ,000

10.3.5 RINGKASAN
C0
1
2

0,0
1,0

1 conto
0,3
1,0

0,5
1,0

K2

0,08
29%

0,38
62%

0,58
76%

3 conto
0,0
0,76
0,12
0,12

0,0
0,76
0,22
0,02

Semua conto
0,3
0,54
0,34
0,12

0,5
0,47
0,34
0,25

0,05
23%

0,05
23%

0,19
43%

0,25
50%

10.4

SIFAT-SIFAT CARA KRIGING

Melalui metode kriging diperoleh harga penaksir terbaik berdasarkan informasi


yang ada pada suatu endapan bahan galian. Faktor bobot dipilih sedemikian
rupa sehingga diperoleh varians estimasi yang minimum.
Sehingga Kriging memperhatikan :
Struktur dan korelasi spasial variabel melalui suatu fungsi (h ) ,
Hubungan geometri relatif antar data yang mencakup hal penaksiran dan
penaksiran volume melalui sebagai (S i , S j ) (hubungan antar data) dan
sebagai (Si ,V ) (hubungan antara data dan volume).
Jika variogram isotrop dan pola data teratur, maka sistem kriging akan
memberikan data yang simetri.
Dalam banyak hal hanya conto-conto di dalam blok dan di sekitar blok
memberikan estimasi dan mempunyai suatu faktor bobot masing-masing nol.
Dalam hal ini jangkauan radius conto yang pertama atau kedua pertama akan
tidak mempengaruhi (tersaring). Efek screen ini akan terjadi, jika tidak ada
nugget effect atau kecil sekali = C0 / C . Efect nugget ini menurunkan efek
screen. Untuk efek nugget yang besar, semua conto mempunyai bobot yang
sama.
Conto-conto yang terletak jauh dari blok dapat diikutsertakan dalam estimasi ini
melalui harga rata-ratanya.
Seperti yang telah dijelaskan, metode ini memanfaatkan penggunaan informasi
yang ada sebaik-baiknya, sehingga didapatkan estimasi linier yang paling baik
untuk harga yang sebenarnya. Target utamanya adalah menghindari kesalahan
sistematis dalam estimasi yang terlalu besar atau terlalu kecil (over estimate atau
under estimate) dalam menaksir cadangan.
Hal ini sangat penting pada perkiraan cadangan untuk pemilihan blok apakah
layak tambang atau tidak.

10.5

CONTOH KRIGING PADA SUATU GRID YANG TERATUR

Perhitungan dilakukan terhadap suatu blok pada endapan bahan galian yang
sudah diketahui mempunyai variogram model Matheron dengan :
C0=0,0

C=1,0

a= 60 m

z = 1,0

Blok berbentuk bujur sangkar


berukuran 20 m x 30 m dengan 4
conto disekelilingnya dan 1 conto di
tengah-tengah blok.
Berdasarkan kesimetrian letak conto
terhadap blok, maka persamaan
penaksiran
kadar
dapat
dikelompokkan sebagai berikut :

z* = 1 z (x1 ) + 2
{
S1

j =1

z (x4 ) + z (x5 )
z ( x1 ) + z ( x 2 )
+ 3
2 44
142
4 2 43
4
14
42
3
S2

S3

(S i , S j ) + = (S i , R )

(S 1 , S 1 ) = 0
1
2

40
= 0 ,5 0 ,852 = 0 ,426
60
1
60
(S 3 , S 3 ) = C0 + C = 0 ,5 1,000 = 0 ,500
2
60
20 2 + 30 2
= (0 ,601) = 0 ,793
(S 2 , S 3 ) = C 0 + C

60

20
(S 1 , S 2 ) = C0 + C = 0 ,481
60
30
(S 1 , S 3 ) = C0 + C = 0 ,688
60
10 15
(S 1 , R ) = C0 + C Q , = 0 ,241
60 60
(S 2 , R) = C0 + C Q(R' )

(S 2 , S 2 ) = C0 + C

30 15
10 15
3 Q , 1 Q ,
60 60
60 60
Q (R' ) =
2

3
1
= 0 ,638 0 ,241 = 0 ,517
2
2

(S 3 , R) = C0 + C Q(R' ' )
45 10
15 10
3 Q , 1 Q ,
60 60
60 60
Q (R' ' ) =
2

3
1
= 0 ,536 0 ,241 = 0 ,683
2
2
30 20
(R , R ) = C0 + C F , = 0 ,320
60 60
Sistem kriging :

1 0 ,000 + 2 0 ,481 + 3 0 ,688 + = 0 ,241


1 0 ,481 + 2 0 ,426 + 3 0 ,793 + = 0 ,517
1 0 ,688 + 2 0 ,793 + 3 0 ,500 + = 0 ,683
+ 2
+ 3
+0 =1,000
1
___________________________________________
penyelesaian empat persamaan dengan empat variabel
1 = 0 ,57

3 = 0 ,17

2 = 0 ,26

= 0 ,00

K2 = (R , R ) + + j (S j , R )
n

j =1

= 0 ,320 + 0 ,00 + (0 ,057 0 ,241 + 0 ,26 0 ,517 + 0 ,17 0 ,083 )


= 0,320 + 0,387
= 0,067
Standar deviasi relatif : K =

K2

100% = 26%
z
___________________________________________

Bandingkan dengan : E2 (

) = E2 30 , 20 = 0 ,158
60 60

E = 40 %
___________________________________________

Secara umum cara kriging untuk blok dengan grid teratur ini tidak hanya
memperhatikan 4 conto/blok di sekitarnya tetapi 8 blok.

Kadar yang diestimasi untuk blok di tengah-tengah (blok 1) adalah :

z ( x ) + z ( x5 )
z ( x ) + z ( x3 )
Z* = 1 z ( x1 ) + 2 2
+
+ 3 4
2
2

z (x ) + z ( x7 ) + z ( x6 ) + z (x7 )
4 6
+ 5 z
2

Dalam hal ini akan terdapat 6 sistem persamaan linier untuk menentukan bobot
i ( = 0 seperti yang sudah dijelaskan terlebih dahulu). Untuk suatu efek nugget
yang besar = C0 / C perlu diperhatikan satu kelompok conto yang mengitari
blok di cincin luarnya lagi.
Catatan : Sistem persamaan tersebut, yaitu pembobotan tiap conto melalui i
berlaku juga untuk semua blok-blok yang akan ditaksir, dengan syarat
konfigurasi conto dan bloknya sama.
Untuk dapat melakukan kriging pada
66 blok dengan grid teratur, harus
dihitung 4 faktor bobot yaitu untuk 4
conto bor yang mengitari setiap blok.
Varians estimasi untuk tiap blok
akan berbeda, semakin sedikit conto
yang ikut dalam proses semakin
besar harga varians ini.

Jika conto terletak di dalam blok yang akan ditaksir, atau ada satu-dua conto
terletak di sekitar 8 conto yang akan digunakan untuk menaksir blok, maka
sistem persamaannya harus disesuaikan lagi karena sistem pembobotannya
sudah berbeda.

Untuk conto dengan penyebaran yang tidak teratur, yang karena suatu hal tidak
terletak di tengah-tengah blok (random stratified grid), sistem persamaannya
masih dapat digunakan tetapi dengan memodifikasi untuk tiap blok.

10.6

CONTOH KRIGING PADA GRID YANG TIDAK TERATUR

Kadar z* suatu blok selayaknya ditaksir dari kadar conto blok tersebut dan kadarkadar dari conto di sekitar blok yang akan diestimasi.
Terdapat satu kelompok S1 = n conto
di tengah-tengah blok R, yang
dikelilingi 8 blok di sekitarnya A yaitu
kelompok S2 = m conto, dan seluruh
endapan diwakili oleh satu kelompok
S3 = 1 conto (kadar rata-rata = z ).
Jika kadar kelompok S1 = z1, dan
kadar kelompok S2 = z2, maka harga
estimasi adalah :

z* = 1 z1 + 2 z 2 + 3 z
Blok 1 = blok
Blok 2-9 = aureol
Seluruh endapan

R / S1 / n conto dengan z1
A / S2 / m conto dengan z2
V / S3
z

(aureol = blok-blok yang mengelilingi blok yang akan ditaksir R)


Sistem kriging :

1 (S1 S1 ) + 2 (S1 S 2 ) + 3 (S1 S3 ) + = (S1 R)

1 (S 2 S1 ) + 2 (S 2 S 2 ) + 3 (S 2 S 3 ) + = (S 2 R)

1 (S3 S1 ) + 2 (S 3 S 2 ) + 3 (S 3 S 3 ) + = (S 3 R)
+ 2
+ 3
= 1,0
1

Karena conto-conto dalam blok tidak mempunyai posisi yang teratur, maka
hubungan yang biasanya berlaku antar titik digantikan dengan hubungan
dengan bidang yang ditaksir, mis.

(S 1 S1 ) (R , R ) atau (S 1 S 2 ) (R , A)
1
n

1 (R , R ) + 2 (R , A) + 3 (RV ) + = (R1 R )
1
n

1 ( A, R ) + 2

1
( A, A) + 3 ( A,V ) + = ( A, R )
m
1 (V , R) + 2 (V , A) + 3 (V ,V ) + = (V , R)

+ 2

+ 3

= 1,0

Selain itu perlu diperhatikan juga, bahwa ekstensi endapan (V) lebih besar
dibandingkan dengan range a, sehingga (V , R ) = (R ,V ) = (V , A) = ( A,V )

= (V ,V ) = C0 + C = K dan dengan demikian = 0 .

Sistem persamaan kriging disederhanakan menjadi :

1 (R , R ) + 2 (R , A)
1
n

1 ( A, R ) + 2
1

+ 2

+ 3 K = ( R , R )

1
( A, A) + 3 K = ( A, R )
m
+ 3
= 1,0

Hubungan antar bidang yang digunakan untuk menyelesaikan persamaan


tersebut dapat diperoleh secara numerik melalui integrasi, seperti yang sudah
dijelaskan pada penurunan fungsi bantu F.
Penentuan dapat juga diperoleh melalui tabel fungsi bantu F, seperti yang
ditunjukkan pada dua contoh berikut ini :
a) (R , A)
Perhitungan hubungan antara bidang di tengah-tengah R (=1) dan aureol
A (=2+3+4) :

Untuk
mempermudah,
hubungan antara bidang 1
dengan bidang 1 diekspresikan
dalam F11, hubungan antara
bidang 1 dengan bidang 2
adalah F12, dst

Sehingga didapat :

F11 + F12
+ F22 + F21
+ F33 + F34
+ F44 + F43

+
+
+
+

F13
F24
F31
F42

+
+
+
+

F14
F23
F32
F41 = 16F

Hubungan yang sama dan sebangun tersebut ditulis berulang-ulang dan


dapat disederhanakan sebagai berikut :
4F11 + 4F12 + 4F13 + 4F41 = 16F
F11 + F12 + F13 + F41 = 4F
Yang dicari adalah hubungan antara bidang 1 dengan 2+3+4 :
F12 + F13 + F14 = 4F
- F11
(R , A) = 4F(2h,2l) - F(h,l)
b) ( A, A)
Dengan jalan yang sama hubungan antara bidang 2 sampai dengan 9
dapat dicari :
81F = 9F11+12F12+16F13+12F14+6F26+6F39+8F25+8F38+4F37
setelah dikelompokkan diperoleh :
64 ( A, A) = 81F - F11 - 4F12 - 8F13 - 4F14
1
[81F(3h,3l) - F(h,l) 8F(h,2l) 8F(2h,l) 32F(2h,2l)]
( A, A) =
64

Contoh melakukan kriging pada suatu endapan bahan galian (Royle, 1971)
Diketahui suatu potongan (slice) endapan bahan galian yang dibagi dalam blok
berukuran 100 x 100 ft (Gambar 10.5). Pada setiap blok diambil satu conto
(random stratified grid). Dari conto tersebut diperoleh variogram yang dengan
model Matheron memberikan parameter berikut ini :
C = 16,50 %
C0 = 3,80 %
= 0,23
a = 240 ft
z = 4,27 %
Untuk mengoreksi harga-harga conto dengan memperhatikan kadar-kadar blok
di sekitarnya perlu dilakukan kriging. Perhitungan dilakukan jika pada aureol
minimum terdapat 5 conto.
Harga taksiran : z* = 1 z1 + 2 z 2 + 3 z 3
dengan

3 = 1 1 2
z 1 = kadar conto di tengah-tengah
z 2 = kadar rata-rata conto 5 s/d 8 (blok di sekitarnya)

z3 = z = kadar rata-rata conto seluruh endapan


Varians dari harga perkiraan ini tergantung dari jumlah conto yang diikutkan
pada estimasi ini :
Conto di tengah
1
1
1
0

aureol
8
7
6
6

varians
3,68
3,99
4,25
8,43

Simpangan baku
1,9
2,0
2,1
2,9

Pada Gambar 10.5 terlihat harga conto (angka dengan font besar) dan di
bawahnya harga yang sudah dikriging (angka dengan font kecil italic)

Histogram kadar conto asli :


MINIMUM Y = 0.0 2
N = 85

NO.
KELAS
1
2
3
4
5
6
7
8
9
10
11
12

MAKSIMUM
= 26.40
KADAR RATA-RATA Y = 4.24
VARIANS
= 14.6369
STANDAR DEVIASI
= 3.8258
SKEWNESS
= 2.8204
KURTOSIS
= 15.0903
JUMLAH KELAS = 12
INTERVAL
= 2.5000
.
BATAS
FREKUENSI FREKUENSI FREKUENSI
ATAS
RELATIF
KUMULATIF
31.76
31.76
27.
2.5000
71.76
40.00
34.
5.0000
87.06
15.29
13.
7.5000
94.12
7.06
6.
10.0000
97.65
3.53
3.
12.5000
97.65
0.00
0.
15.0000
98.82
1.18
1.
17.5000
98.82
0.00
0.
20.0000
98.82
0.00
0.
22.5000
98.82
0.00
0.
25.0000
100.00
1.18
1.
27.5000
100.00
0.00
0.
30.0000

Histogram kadar conto setelah dikriging :


MINIMUM Y = 1.57
N = 78

NO.
KELAS
1
2
3
4
5
6
7
8
9

MAKSIMUM
= 15.51
KADAR RATA-RATA Y = 4.50
VARIANS
= 5.5037
STANDAR DEVIASI
= 2.3460
SKEWNESS
= 1.8352
KURTOSIS
= 8.0452
JUMLAH KELAS = 12
INTERVAL
= 2.5000
.
BATAS
FREKUENSI FREKUENSI FREKUENSI
ATAS
RELATIF
KUMULATIF
2.5000
13.
16.67
16.67
5.0000
41.
52.56
69.23
7.5000
15.
19.23
88.46
10.0000
7.
8.97
97.44
12.5000
1.
1.28
98.72
15.0000
0.
0.00
98.72
17.5000
1.
1.28
100.00
20.0000
0.
0.00
100.00
22.5000
0.
0.00
100.00

10
11
12

25.0000
27.5000
30.0000

0.
0.
0.

0.00
1.18
0.00

100.00
100.00
100.00

Gambar 10.5 Blok yang telah dikriging

Berdasarkan susunan masing-masing blok dan batasan kriging bahwa di


sekitarnya minimum harus ada 5 conto, maka hanya blok yang dikriging dari total
blok 88.
Jika ditentukan cut-off grade adalah 3,00%.
Ditanyakan : 1. Berapa dari 78 blok yang telah dikriging mempunyai kadar conto
asli > 3% ?
2. Berapa dari 78 blok yang telah dikriging mempunyai kadar yang
telah dikriging > 3% ?
3. Beri tanda blok yang mempunyai kadar yang dikriging > 3% ?

Endapan yang sama dihitung lagi dengan cara kriging dengan anggapan, bahwa
semua titik bor terletak tepat di tengah-tengah grid. Hasil proses kriging ini dapat
dilihat pada Gambar 10.7.
Varians estimasi ( K2 ) lebih rendah dari sebelumnya. Tergantung dari susunan/
pola pemboran dan jumlh N titik bor yang digunakan untuk estimasi, akan
diperoleh harga-harga yang berbeda. Gambar 10.6 memperlihatkan sifat varians
estimasi dan harga-harga yang ditaksir Z* kaitannya dengan jumlah titik bor N
untuk 2 pola pemboran yang berbeda. Terlihat bahwa 5 sampai 6 titik bor untuk
estimasi dalam hal ini sudah cukup baik.

Gambar 10. 6 Pengaruh pola dan jumlah conto pada varians kriging dan harga
rata-rata

Gambar 10.7 Blok yang telah dikriging dengan maks. 9 dan min. 6 conto

10.7 KRIGING TITIK


Titik-titik pengambilan conto umumnya tidak terdistribusi teratur, sehingga untuk
pembuatan peta isoline perlu dilakukan interpolasi membentuk suatu grid yang
teratur.
Terdapat berbagai metode untuk masalah ini, di antaranya adalah NNP (nearest
neighboring polygon) dan IDW (inverse distance weighted, ID, IDS, atau ID3).
Dari diskusi cara penaksiran telah diketahui, bahwa kriging memberikan harga
penaksiran melalui titik yang paling baik dan terpercaya. Untuk menyelesaikan
masalah ini dapat digunakan sistem persamaan kriging yang sebelumnya telah
digunakan. Dalam hal ini hanya digunakan variogram saja, karena hanya
hubungan antar titik conto saja yang perlu diperhatikan.
Untuk tiga titik xi yang digunakan untuk menaksir titik keempat x0 di peroleh
sistem persamaan sebagai berikut :

1 (x1 x1 ) + 2 (x1 x2 ) + 3 ( x1 x3 ) + = ( x1 x0 )

1 (x2 x1 ) + 2 ( x2 x2 ) + 3 (x2 x3 ) + = (x2 x0 )

1 (x3 x1 ) + 2 (x3 x2 ) + 3 (x3 x3 ) + = (x3 x0 )


+ 2
+ 3
= 1,0
1
(x1 x1 ) = (x2 x2 ) = (x3 x3 ) = 0,0

(x1 x2 ) = (x2 x1 ) = C0 + C (x1 x2 )

X1

(x1 x3 ) = (x3 x1 ) = C0 + C (x1 x3 )

X2

(x2 x3 ) = (x3 x2 ) = C0 + C (x2 x3 )

X0

(x1 x0 ) = C0 + C (x1 x0 )

(x2 x0 ) = C0 + C (x2 x0 )
(x3 x0 ) = C0 + C (x3 x0 )

X3

Penentuan varians estimasi disederhanakan melalui persamaan berikut :

K2 = + j (x j x0 )
n

j =1

Metode ini mempunyai sifat, bahwa proses estimasi memberikan suatu titik
xi = x0 , sehingga pada titik ini z * ( x0 ) = z( xi ) .
Hal ini perlu diterangkan pada suatu contoh yang sederhana sebagai berikut :
Suatu endapan dengan model Matheron mempunyai C0 = 0
dimisalkan terdapat tiga titik :
x1
x3
x2
I-------------------I--------------------I
20 m
20 m
x0

(x1 x1 ) = (x2 x2 ) = (x3 x3 ) = 0,0


40
= 0 ,852
60
20
(x1 x3 ) = (x3 x1 ) = C0 + C (x1 x3 ) = = 0 ,481
60
20
(x2 x3 ) = ( x3 x2 ) = C0 + C ( x2 x3 ) = = 0 ,481
60
(x3 x0 ) = (x0 x0 ) = 0,0
___________________________________________

(x1 x 2 ) = (x2 x1 ) = C0 + C (x1 x2 ) =

1 0 ,0
+ 2 0 ,852 + 3 0 ,481 + = 0 ,481
1 0 ,852 + 2 0 ,0
+ 3 0 ,481 + = 0 ,481
1 0 ,481 + 2 0 ,481 + 3 0 ,0
+ = 0 ,0
+ 2
+ 3
= 1,0
1
___________________________________________
Jawab :

3 = 1
K2 = 0

1 = 2 = 0

___________________________________________

C =1,0 a = 60m

Contoh kriging titik dari Delfiner & Delhomme (1973)

(b) titik pengukuran curah hujan dalam mm


kontur dibuat berdasarkan interpolasi dan
digambarkan secara manual
Gambar 10.8
Perbandingan antara
Pembuatan kontur hasil
Interpolasi manual,
polinomial, dan kriging
(a) variogram linier
data curah hujan di
Wadi Kadjemur

(c) kontur dihitung berdasarkan polinomil pangkat


dua

(d) kontur dihitung melalui proses kriging titik

11. APLIKASI GOESTATISTIK


11.1 KOMPONEN-KOMPONEN PROBLEMATIKA PADA
PENGAMBILAN CONTO

Terminologi pengambilan conto pada industri pertambangan mempunyai


bermacam arti. Seringkali pengertian ini tidak jelas, karena kekurangan dalam
definisinya. Beberapa komponen penting pada persoalan pengambilan conto
adalah sebagai berikut :
a. Komponen STATISTIK,
yang berhubungan dengan jumlah conto yang diambil dan banyaknya/
berat tiap conto.
b. Komponen GEOLOGI,
yang berhubungan dengan orientasi dan jarak pengambilan conto (grid
density)
c. Komponen FISIK,
yang terbagi atas dua aspek :
proses fisik pengambilan conto (pemboran inti,dll) dan preparasi conto,
serta peralatan atau metode yang digunakan;
media tempat pengambilan conto (jenis batuan).
d. Komponen KIMIA,
yang berhubungan dengan proses analisa kimia conto.

11.2 PERSOALAN-PERSOALAN DALAM MENGEVALUASI ENDAPAN


BAHAN GALIAN
Salah satu persoalan utama dalam pembahasan metode estimasi cadangan
adalah, bahwa endapan bahan galian harus dipertimbangkan sebagai suatu
gambaran cadangan yang utuh.
Dalam hal ini faktor penting dalam menggambarkan suatu endapan bahan galian
adalah bagaimana pengelompokannya atau pengklasifikasiannya yang
didasarkan atas :
keadaan geologi
bentuk geometri (kecenderungan geometri, tonase, dilution)
besarnya cut-off grade
batas endapan
sistem penambangannya.

KLASIFIKASI ENDAPAN BAHAN GALIAN


Secara umum endapan bahan galian dapat dikategorikan atas sederhana
(simple) atau kompleks (complex) tergantung dari distribusi kadar dan bentuk
geometrinya. Kriteria untuk mengkategorikan endapan bahan galian ini
didasarkan atas pendekatan geologi.

Gambar 11.1 Kategori jenis endapan bahan galian


homogenitas dan proporsi mineral/bijihnya.

berdasarkan

Endapan bahan galian A


(koefisien variasi rendah)
Jenis 1.

SIMPLE GEOMETRY SIMPLE GRADE DISTRIBUTION


batubara
besi
bauksit
nikel laterit
tembaga (stratabound)

Jenis 2.

SIMPLE GEOMETRY COMPLEX GRADE DISTRIBUTION


tembaga disseminated
emas stockwork
emas Witwatersrand

sifat

Endapan bahan galian (B)


Complex geometry Simple grade distribution
(koefisien variasi rendah)
Mis. Endapan-endapan logam dasar (base metal) dengan bentuk
geometri yang kompleks
Ciri :
kadar homogen
faktor geometri kompleks
kadar pada batas endapan sangat bervariasi
analisis variografi perlu dilakukan lebih rinci sebelum dilanjutkan
dengan perhitungan-perhitungan secara geostatistik
cadangan hasil perhitungan umumnya memberikan hasil yang
berbeda setelah ditambang, cadangan hasil perhitungan iniperlu
dikoreksi dengan suatu faktor yang diperoleh berdasarkan
pengalaman penambangannya.
interpretasi geologi sangat penting, terutama dalam penentuan
batas cadangan
kadar-kadar yang tinggi perlu dikelola tersendiri.

Endapan bahan galian (C)


Complex geometry Complex grade distribution
(koefisien variasi tinggi)
Mis. Endapan emas Archean di Kalgoorlie, Kanada
Ciri :
bentuk geometri kompleks
kadar pada batas endapan sangat bervariasi
kadar pada tubuh bijih juga sangat bervariasi
pengambilan conto dan interpretasi geologi merupakan hal yang
sangat penting
asumsi-asumsi subyektif dari ahli geologi memegang peranan
yang sangat penting
umumnya estimasi cadangan bijih secara klasik merupakan
metode yang tepat (metode lainnya mungkin akan memberikan
hasil yang tidak benar)
mining factor umumnya tidak memuaskan
estimasi lokal umumnya merupakan persoalan, hal ini tergantung
dari grid pengambilan conto.

Secara diagramatik klasifikasi endapan tersebut di atas dapat disederhanakan


dalam iliutrasi berikut ini :

Gambar 11.2 Klasifikasi endapan secara diagramatik yang menunjukkan tingkat


kesukaran dalam memperkirakan kadarnya

Kadar pengaruh aktivitas tektonik, biasanya beberapa endapan bahan galian tipe
A dan B serta semua tipe C sangat sukar dievaluasi. Hal ini akibat dari persoalan
persoalan pada pengambilan conto seperti yang digambarkan berikut ini :

Gambar 11.3 Interpretasi bentuk


lapangannya sama

geometri

yang

berbeda

walaupun

data

Semua jenis endapan memberikan data pemboran yang sama, tetapi


akan memberikan perbedaan yang signifikan setelah ditambang.
Semua endapan memperlihatkan histogram dan variogram yang sama,
tetapi memberikan informasi yang sama-sama salah, baik untuk metode
statistik, maupun metode geostatistik.

Jika problema ini muncul pada evaluasi endapan bahan galian, maka semua
metode estimasi akan memberikan hasil cadangan yang sama-sama salah.
Dalam hal ini dapat dikatakan, bahwa estimasi cadangan merupakan fungsi dari
kerapatan lubang bor.

1. PENDAHULUAN

Saat ini dikenal dua cara dalam menganalisis karakteristik cebakan mineral
secara statistik yaitu statistik klasik dan statistik spasial.
Penggunaan statistik klasik untuk menyatakan sifat suatu nilai conto mengambil
asumsi bahwa nilai conto merupakan realisasi peubah acak. Komposisi conto
secara relatif diabaikan dan diasumsikan bahwa semua nilai conto di dalam
cebakan mineral mempunyai kemungkinan sama untuk dipilih. Hadirnya
kecenderungan-kecenderungan, zona pengkayaan dan pay shoot pada
mineralisasi akan diabaikan. Kenyataan pada ilmu kebumian menunjukkan
bahwa dua conto yang diambil saling berdekatan seharusnya mempunyai nilai
mirip jika dibandingkan conto lain yang berjauhan.
Sebaliknya, statistik spacial digunakan jika nilai conto merupakan realisasi fungsi
acak. Pada hipotesis ini, nilai conto merupakan suatu fungsi dari posisinya dalam
cebakan, dan posisi relatip conto dimasukkan dalam pertimbangan. Kesamaan
nilai-nilai conto yang merupakan fungsi jarak conto serta yang saling
berhubungan ini merupakan dasar teori statistik spacial.
Memang pada kenyataannya hanya ada sedikit situasi di mana statistik klasik
dapat digunakan pada analisis pembentukan suatu endapan bahan galian.
Secara praktis, statistik klasik sebaiknya digunakan hanya pada eksplorasi tahap
awal.
Untuk mengetahui sejauh mana hubungan spasial antara titik-titik di dalam
cebakan, maka harus diketahui fungsi strukturalnya yang dicerminkan oleh
model semivariogramnya.
Menetapkan model semivariogram merupakan langkah awal dalam perhitungan
geostatistik, disusul dengan perhitungan varians estimasi, varians dispersi,
varians kriging, dll.
Pada karakternya perhitungan dalam geostatistik umumnya memerlukan
bantuan komputer. GEOPLAN merupakan paket perhitungan variogram,
KRIG3D adalah paket program kriging, varians estimasi dan varians dispersi.
KRIGRES merupakan paket program untuk mengelompokkan cebakan dalam
cut-off grade yang telah ditetapkan dan tonase logam dalam setiap blok kriging.