Anda di halaman 1dari 13

1.

Penyusunan Format Data Dalam SGeMS dan Basis Data


Assay
Adapun susunan penulisan data pada pada aplikasi notepad
ditunjukkan pada sebagai berikut :

Pada baris pertama menyatakan judul basis data.

Baris kedua menyatakan jumlah variabel data yang akan


diproses, dapat dinyatakan dengan angka.

Baris ketiga, keempat dan seterusnya ke bawah menyatakan


nama variabel data yang akan diproses.

Baris selanjutnya merupakan nilai dari masing-masing variabel


tersebut,

dimana

tiap

variabel

dikelompokkan

kolom.

Gambar 1.1
Format Data Dalam NotePad

berdasarkan

2. Tampilan Lubang Bor 3D

Gambar 2.1
Tampilan Lubang Bor 3D
3. Analisis Statistik Univarians
1. Histogram
Histogram sangat berguna untuk mengetahui bentuk secara grafik
dari sebaran atau distribusi suatu data. Apakah data tersebut
terdistribusi secara merata dari kadar rendah sampai kadar tinggi,
atau hanya mengelompok pada kadar rendah dan kadar tinggi saja.
Selain itu, dapat juga mengelompok pada kadar rendah dan kadar
tingi secara bersamaan. Sehingga berdasarkan analisis terhadap
kurva

histogram,

dapat

diketahui

mengenai

karakteristik

penyebaran data dan berguna sebagai informasi awal untuk


kegiatan pengolahan data tersebut.

Gambar 3.1
Histogram Al2O3
Histogram data kadar Al2O3 pada Batugamping
Berdasarkan histogram kadar Al2O3 untuk batugamping maka kita
dapat mengetahui informasi sebagai berikut:
Histogram kadar Al2O3 menunjukan bahwa data kadar Al2O3 pada
batugamping

memiliki

distribusi

taksimetri

(skewness)

positif

artinya bahwa data kadar Al2O3 pada batugamping cenderung


mengelompok pada kadar relatif rendah

Gambar 3.2
Histogram CaO
Histogram data kadar Al2O3 pada Batugamping
Histogram kadar CaO pada batugamping seperti yang terlihat
menunjukkan bahwa data kadar CaO pada batugamping memiliki
distribusi taksimetri (skewness) negatif yang berarti bahwa data
kadar CaO tersebut cenderung mengelompok pada kadar relatif
tinggi.
4. Analisis Statistik Bivarians
1. Scatter Plot
Analisis statistik bivarian berupa diagram pencar (scatter plot)
digunakan untuk mengetahui korelasi statistik dan nilai
koefisien dari 2 (dua) kelompok data variabel yang berbeda
dan terletak pada lokasi yang sama
Perhitungan koefisien korelasi pada dasarnya dapat dikelompokkan
menjadi 3 (tiga) kelompok besar yaitu:
a. Korelasi positif kuat
Korelasi positif kuat apabila hasil perhitungan korelasi mendekati
+1 atau sama dengan +1. Ini berarti bahwa setiap kenaikan nilai
4

pada variabel X akan diikuti dengan kenaikan nilai variabel Y.


Sebaliknya, jika variabel X mengalami penurunan, maka akan
diikuti dengan penurunan variabel Y.
b. Korelasi negatif kuat
Korelasi

negatif

kuat

apabila

hasil

perhitungan

korelasi

mendekati -1 atau sama dengan -1. Ini berarti bahwa setiap


kenaikan nilai pada variabel X akan diikuti dengan penurunan
skor/nilai variabel Y. Sebaliknya, jika variabel X turun, maka nilai
variabel Y akan naik.
c. Tidak ada korelasi
Tidak ada korelasi, apabila hasil perhitungan korelasi mendekati
0 atau sama dengan 0. Hal ini berarti bahwa naik turunnya nilai
satu variabel tidak mempunyai kaitan dengan naik turunnya
nilai variabel yang lainnya. Apabila nilai variabel X naik tidak
selalu diikuti dengan naik atau turunnya nilai variabel Y,
demikian juga sebaliknya.

Gambar 4.1
Scatter Plot CaO-SiO2

Gambar 4.2
Scatter Plot CaO-H2O
Dari scatter plot pada Gambar 4.1 di atas dapat dilihat bahwa
kadar CaO-SiO2 mempunyai nilai korelasi sebesar -0,92 termasuk
dalam kelompok korelasi negatif kuat yang berarti setiap kenaikan
nilai pada kadar CaO akan diikuti dengan penurunan nilai pada
kadar SiO2, begitupun sebaliknya jika kadar CaO turun maka kadar
SiO2 akan naik. Sedangkan scatter plot pada Gambar 4.2 terhadap
kadar CaO-H2O tidak ada korelasi yang berarti naik turunnya suatu
kadar tidak mempunyai hubungan dengan naik turunnya kadar yang
lain, hal ini dapat dilihat dari nilai korelasi mendekati atau sama
dengan 0.

5. Variogram

Variogram dapat digunakan untuk menganalisis tingkat


kemiripan atau variabilitas antar masing-masing data kadar,
ketebalan dll.

- Parameter Input Variogram

- Fitting Variogram

- Fitting Variogram

Gambar 5.1
Fitting Variogram

6. Kartesian Grid

10

(664364 663895)/100=4.9

* (458-214)/15=16.8

Gambar 6.1
Kartesian Grid

11

7. Estimasi Kriging

Hasil Run Estimasi Dengan Kriging Blok 3 Dimensi


12

Gambar 7.1
Blok 3D

13