BAB III LANDASAN TEORI

3.1

Analisis Statistik Analisis statistik digunakan untuk melihat kecenderungan pola penyebaran

suatu kumpulan data yang akan diolah secara statistik. Berdasarkan analisis statistik ini dapat dijelaskan korelasi dan kecenderungan data sehingga dapat ditentukan metode penaksiran yang sesuai dengan pola penyebaran data yang dimiliki. Adapun analisis statistik yang umumnya digunakan adalah : Statistik Univarian Merupakan metode statistik yang digunakan untuk menganalisis hubungan antar masing-masing data dari suatu populasi tanpa memperhatikan lokasi dari data-data tersebut. Statistik Bivarian Merupakan metode statistik yang digunakan untuk menganalisis hubungan dari 2 (dua) kumpulan data atau variabel populasi yang berbeda, tetapi terletak pada lokasi yang sama. Statistik Spasial (Geostatistik) Merupakan metode statistik yang digunakan untuk menganalisis kumpulan data atau variabel populasi dengan mempertimbangkan faktor ruang (spasial) dari data-data tersebut. Geostatistik merupakan suatu studi secara statistik mengenai fenomena alam, dimana diterapkan suatu rumus fungsi acak dengan tujuan untuk mengetahui dan mengestimasi fenomena alam tersebut.

3.1.1 Statistik Univarian Statistik univarian digunakan untuk menggambarkan distribusi dari peubahpeubah tunggal dan dapat dimanfaatkan untuk menganalisis hubungan antar data dari suatu populasi tanpa memperhatikan lokasi dari data-data tersebut. Hasil dari statistik ini pada umumnya direpresentasikan dalam bentuk tabel frekuensi atau histogram. Histogram merupakan suatu gambaran dari distribusi suatu data ke 26

dalam beberapa kelas yang memiliki interval kelas tertentu dan kemudian menentukan jumlah data dari masing-masing kelas (frekuensi). Interval kelas dari suatu histogram dapat dihitung dengan persamaan : (3.1) dimana range adalah jangkauan data dan k adalah banyaknya data, H.A. Sturgers (1926) mengemukakan bahwa jika n menyatakan banyaknya jumlah data, maka : (3.2) Parameter statistik lainnya yang digunakan untuk analisis statistik univarian adalah sebagai berikut : Mean ( atau rata-rata adalah nilai yang mewakili sekelompok data dan

nilainya mempunyai kecenderungan berada ditengah-tengah populasi (ratarata dari populasi data), secara matematis dinyatakan dengan persamaan : (3.3) Median yaitu nilai pertengahan data yang telah disusun dari yang besar ke yang kecil atau sebaliknya. Nilai tersebut terletak di tengah (jika jumlah datanya ganjil) atau rata-rata kedua nilai di tengahnya (jika jumlah datanya genap) dari suatu populasi data yang telah disusun dalam suatu jajaran data. Modus yaitu nilai yang memiliki frekuensi terbesar atau nilai yang paling banyak muncul dalam suatu populasi. Modus mungkin ada dan mungkin juga tidak ada. Range yaitu ukuran variasi sederhana yang menyatakan penyebaran nilai data. Range dinyatakan dengan persamaan : range = Xmaximum Xminimum karena sangat sensitif terhadap nilai data yang ekstrim. Varians ( ) yaitu ukuran variansi yang menyatakan penyebaran data (3.4)

Akan tetapi range ini kurang cocok dalam suatu analisis statistik univarian

disekitar rataan. Varians dinyatakan dengan persamaan : (3.5)

27

Simpangan baku (

adalah akar kuadrat dari varians, merupakan nilai yang

mengukur rata-rata selisih jarak masing-masing nilai individu dari suatu kelompok nilai terhadap rata-ratanya. Simpangan baku dinyatakan dengan persamaan : (3.6) Koefisian variansi adalah suatu parameter yang menunjukan keheterogenan suatu kelompok data. Semakin besar nilai koefisien variansi, maka sifat data tersebut semakin heterogen. Koefisien variansi dapat juga digunakan untuk membandingkan 2 (dua) kelompok data. Koefisien variansi dinyatakan dengan persamaan sebagai berikut : Koefisien variansi (3.7)

Skewness atau ukuran kemiringan kurva adalah kecenderungan distribusi data dilihat dari ukuran simetris atau tidaknya suatu kurva histogram. Skewness positif menyatakan distribusi data lebih banyak berada pada nilai yang lebih rendah sedangkan skewness negatif menyatakan data terdistribusi lebih banyak pada nilai yang lebih tinggi. Skewness ini sangat penting karena pada umumnya data geoscience (misalnya data distribusi kadar mineral) memiliki distribusi data yang menunjukkan skewness positif atau skewness negatif dan jarang dijumpai data yang memiliki distribusi normal. Skewness dinyatakan dengan persamaan : Skewness (3.8)

Kurtosis merupakan suatu ukuran yang menunjukkan kecenderungan keruncingan puncak data. Kurtosis dinyatakan dengan persamaan : Kurtosis (3.9)

Skewness maupun kurtosis pada umumnya digunakan untuk menunjukkan apakah data terdistribusi normal atau tidak.

28

Gambar 3.1 Skewness dari beberapa kurva histogram. a) kurva simetris; b) negative skewness; dan c) positif skewness.

3.1.2 Statistik Bivarian Metode statistik dapat juga digunakan untuk menganalisis distribusi dua buah kumpulan peubah yang berbeda tetapi terletak pada lokasi yang sama. Metode statistik bivarian yang biasa digunakan adalah diagram pencar (scatter plot), yaitu penggambaran dua peubah dalam satu grafik X Y. Kedua peubah mempunyai hubungan positif jika kedua peubah tersebut cenderung memiliki nilai berbanding lurus. Jika kedua peubah tersebut cenderung menunjukan nilai yang berbanding terbalik, maka kedua peubah tersebut mempunyai hubungan negatif. Apabila penyebaran data kedua peubah cenderung acak, maka kedua peubah tersebut dikatakan tidak mempunyai hubungan.

Gambar 3.2 Diagram pencar beberapa pasangan data yang menunjukan hubungan korelasi antar pasangannya.

29

Hubungan yang terjadi antara dua peubah pada analisis statistik bivarian dinyatakan dengan koefisien korelasi ( ) yang didefinisikan sebagai :

(3.10) Keterangan : n Xi,,Xn Yi,,Yn x y x y = jumlah data = nilai data peubah X = nilai data peubah Y = nilai rata-rata peubah X = nilai rata-rata peubah Y = simpangan baku peubah X = simpangan baku peubah Y

Selain itu, untuk menggambarkan hasil diagram pencar dapat juga dilihat melalui nilai kovarians ( yang didefinisikan sebagai berikut : (3.11) Sedangkan untuk memperkirakan hubungan antara dua peubah dan untuk mengestimasi nilai dari suatu data (populasi) yang saling berhubungan yang sulit dinyatakan dengan metode matematis lainnya dapat digunakan regresi linier yang didefinisikan secara matematis sebaga berikut :

(3.12)

Keterangan :

= kemiringan garis regresi (slope) = perpotongan garis regresi (Y-intercept)

30

= simpangan baku 3.1.3 Statistik Spasial (Geostatistik) Geostatistik merupakan suatu studi probabilistik mengenai fenomena alam, dimana di dalamnya diaplikasikan rumus fungsi acak dengan tujuan untuk mengetahui dan mengestimasi fenomena alam tersebut. Suatu peubah yang terdistribusi dalam ruang disebut sebagai variabel terregional (regionalized variable). Variabel ini umumnya mencirikan suatu fenomena tertentu, misalnya kadar bijih yang merupakan karakteristik suatu mineral. Matheron (1963) menjelaskan bahwa gejala geologi mempunyai peubah teregional yaitu nilai conto selalu mempunyai hubungan letak ruang dengan conto lainnya. Semakin dekat nilai dua titik conto, semakin besar hubungan letak ruangnya. Fenomena alam yang menyajikan variabel teregional disebut regionalisasi. Secara matematis peubah teregional merupakan penyajian fungsi f(x) yang menenpati setiap titik pada ruang. Dua buah nilai data dengan letak berdekatan mempunyai kemungkinan lebih besar untuk bernilai seragam dibandingkan dengan dua nilai data yang saling berjauhan. Untuk menaksir kadar bijih guna mengkuantifikasi korelasi ruang antar conto digunakan suatu perangkat statistik yang disebut variogram. Variogram adalah suatu fungsi vektor yang dapat digunakan untuk mengkuantifikasi tingkat kemiripan atau variabilitas antara dua conto yang terpisah oleh jarak tertentu. Sifat-sifat yang merupakan ciri khas dari variabel teregional antara lain : Suatu variabel terregional terlokalisir (menempati lokasi tertentu), variasi terjadinya deposit, ukuran, dan orientasi tertentu. Variabel terregional dapat mencerminkan variasi kontinuitas yang relatif tinggi ataupun rendah. Variabel terregional kemungkinan mencerminkan anisotropi, artinya tingkat distribusi varians dari variabel berbeda pada masing-masing arah.

31

3.2

Variogram Variogram merupakan suatu metode analisis secara geostatistik yang

berfungsi untuk mengkuantifikasi tingkat kemiripan atau variabilitas antara dua conto yang terpisah pada jarak tertentu. Data yang dekat dengan titik yang ditaksir memiliki kecenderungan nilai yang lebih mirip dibandingkan data yang lebih jauh. Variogram dihitung dengan suatu algoritma yang sederhana yaitu perbedaan ratarata antara dua titk conto dengan jarak tertentu. Sehingga, perbedaan tersebut kemungkinan lebih kecil atau lebih besar dari 0 (nol), agar perbedaan tersebut selalu lebih besar dari 0 (nol) maka perlu diaplikasikan perhitungan statistik yang berdasarkan pada perbedaan kuadrat. Delfiner mendefinisikan bahwa perbedaan kuadrat tersebut diasumsikan sebagai ekspektasi , sehingga definisi variogram menjadi : (3.13) Berdasarkan fungsi tersebut maka suatu semivariogram didefinisikan dengan persamaan sebagai berikut : (3.14) Keterangan : N (h) = jumlah pasangan data berjarak h. = semivariogram untuk arah tertentu dari jarak h. = nilai data pada titik = Nilai data pada titik yang berjarak h dari Persamaan diatas hanya berlaku bagi data dengan jarak antar pasangan (lag) yang sama sebesar h dan berarah 0. Sedangkan untuk data yang memiliki jarak antar conto tidak teratur diperlukan suatu toleransi untuk kedua variabel tersebut. David (1977) menjelaskan istilah angle classes (/2) dan distance classes (hh) sebagai toleransi untuk menghitung pasangan data dengan jarak

32

antar data yang tidak teratur. Semua titik conto atau data yang berada pada search area yang didefinisikan dengan angle classes dan distance classes akan dianggap sebagai titik-titik conto yang berjarak h dari titik x0 (titik origin) pada arah yang dimaksud.

Search Area

h
/2 /2

x0
Gambar 3.3 Searching area untuk variogram dengan angle classes (/2) dan distance classes (hh) (David, 1977).

3.2.1

Variogram Eksperimental

Variogram eksperimental dibuat berdasarkan pengukuran korelasi spasial antara 2 (dua) conto/data yang dipisahkan dengan jarak tertentu sebesar h. Data tersebut merupakan data yang diperoleh dari pengukuran di lapangan, dapat berupa data kadar, ketebalan, ketinggian topografi, porositas, dan permeabilitas. Pencarian pasangan data dalam variogram dapat diilustrasikan sebagai berikut (gambar 3.4) :

h
x1 x2 x3 x4 x5

2h
Gambar 3.4 Pencarian pasangan data dalam perhitungan variogram

33

Pada arah atau baris tertentu terdapat n buah data dengan jarak tertentu sebesar h, dimana dalam tiap baris terdapat (n 1) pasangan data untuk menghitung variogram (h) dan (n 2) pasangan data untuk menghitung variogram (2h) dan seterusnya hingga mencapai lag tertentu yang tergantung dari jumlah n data.

(h)

1h

2h

3h

4h

5h

6h

7h

Kemudian hasil perhitungan variogram di plot pada suatu koordinat kartesian antar jarak antar pasangan data (h) dan variogram (h) (Gambar 3.5). Gambar 3.5 Variogram eksperimental

3.2.2 Variogram Model Teoritis Pada umumnya, variogram eksperimental sangat berguna untuk

menganalisis karakteristik struktur suatu endapan bahan galian, tetapi tidak dapat secara langsung digunakan dalam perhitungan cadangan. Oleh karena itu diperlukan suatu model variogram teoritis untuk kemudian dilakukan proses fitting terhadap variogram eksperimental. Model teoritis variogram ini diekspresikan dengan suatu model matematis. Model variogram berfungsi untuk mengestimasi fenomena variabel terregional dalam suatu endapan bahan galian dengan cara menentukan parameterparameter variogram, yaitu range , sill , dan nugget effect . Nilai range

dapat digunakan untuk menentukan search distance penaksiran cadangan. Terdapat beberapa jenis model variogram antara lain model sferis (Matheron), model eksponensial, model parabolik (Gaussian).

34

Model variogram yang banyak digunakan dan umumnya terjadi pada endapan mineral adalah model variogram sferis (David,1977 , Barnes,1979). Fungsi matematisnya berbentuk polinomial sederhana, dimana variogram akan mencapai suatu nilai yang tetap (finite) untuk h yang tidak terbatas. Nilai finite ini dinamakan sebagai sill (Gambar 3.6). Persamaan matematis untuk model variogram sferis ini adalah : untuk h a untuk h > a untuk h = 0 (3.15)

(h) ()=C

2/3a

Gambar 3.6 Variogram model sferis (model Matheron).

Model variogram ini akan berperilaku linier di dekat titik awal yaitu pada nilai h yang kecil hingga mencapai batas sill, dimana menyatakan adanya suatu variabel dengan kontinuitas sedang. Model variogram sferis adalah model variogram yang pada umumnya berlaku pada data kadar bijih. Selain itu, model ini akan memberikan galat terkecil sehingga cocok untuk menaksir besarnya kandungan cadangan mineral dibandingkan dengan model lainnya. Jika ditarik garis tangensial dari titik origin (0), maka garis tersebut akan memotong garis sill pada posisi 2/3 a dan ini dapat digunakan untuk menghitung besarnya nilai a (range of influence).

35

Nugget effect merupakan petunjuk bahwa data mempunyai ketidakteraturan yang tinggi. Nugget effect dapat dihindari dengan memperkecil jarak (Darijanto, 1999). Apabila nugget pada suatu model variogram tinggi, maka akan dihasilkan nilai bobot conto yang hampir sama untuk semua conto, akibatnya penaksiran kriging akan mirip dengan nilai rata-rata biasa.

3.2.3 Fitting Variogram Metode yang umum digunakan dalam melakukan fitting variogram ada 2 (dua), yaitu : metode visual dan metode least square. Para ahli geostatistik lebih banyak menggunakan metode visual (manual) untuk fitting variogram karena hasilnya sudah cukup memuaskan (David, 1979). Namun, pekerjaan ini sangat tergantung dari pengalaman dan sense seseorang. Tujuan dari fitting ini adalah untuk menentukan parameter geostatistik seperti , C, dan C0.

Berikut ini adalah beberapa pedoman penting dalam melakukan fitting variogram (Darijanto, 1999) : Variogram yang mempunyai pasangan conto yang sangat sedikit agar diabaikan. Nugget variance (C0) didapat dari perpotongan garis tangensial dari beberapa titik pertama variogram dengan sumbu Y. Sill (C0+C) kira-kira sama dengan atau mendekati varians populasi. Garis tangensial di atas akan memotong garis sill pada jarak 2/3 range ( ), sehingga selanjutnya dapat dihitung harga Leigh and Readdy, 1982). Interpretasi nugget variance untuk variogram dengan sudut toleransi 180 (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. (David, 1977 , Clark, 1979 ,

36

Menurut Ishak dan Srivasta (1989) perbedaan skala dan range tidak akan mempengaruhi hasil pembobotan, namun berpengaruh pada hasil variansi. Model variogram yang mempunyai nilai nugget tinggi memiliki kecenderungan untuk mirip dengan model variogram bernilai range yang sangat kecil. 3.2.4 Daerah Pengaruh ( Range ) Secara umum (h) akan naik dengan bertambahnya harga h, artinya besarnya perbedaan harga pada dua titik conto akan sangat tergantung dengan jarak antara kedua titik tersebut. Kenaikan harga (h) tersebut akan berlangsung selama masih terdapat pengaruh harga antar titik conto tersebut, daerah ini dikenal dengan nama daerah pengaruh suatu conto, sampai akhirnya konstan di suatu harga () = C (sill) yang merupakan varians populasi (variance 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 ratarata variasi harga Z(x) dan Z(x+h) tidak lagi tergantung dengan jarak, dengan kata lain Z(x) dan Z(x+h) tidak berkolerasi satu dengan yang lainnya. Range (a) adalah suatu ukuran untuk daerah pengaruh (Gambar 3.7).

(h) ( ) C = sill

a (range)

Gambar 3.7 Daerah pengaruh (range) suatu variogram eksperimental

37

3.2.5 Isotropi dan Anisotropi Perilaku suatu variabel terregional (regionalized variable) dalam ruang 3 (tiga) dimensi dapat diselidiki dengan cara membuat variogram dalam berbagai arah. Pada umumnya variogram dibuat dalam beberapa arah yang berbeda-beda karena jarak (h) merupakan suatu vektor. Suatu penyelidikan perubahan (h) sesuai dengan arah orientasinya memungkinkan munculnya suatu anisotropi. Apabila variogram-variogram yang dibuat dalam berbagai arah sama, maka dapat diartikan bahwa (h) merupakan suatu fungsi dari harga-harga absolut

r vektor h .

, jika h1, h2, dan h3 adalah komponen

r vektor h , sehingga dikatakan bahwa endapan tersebut adalah isotropi (homogen).

Model anisotropi adalah model variogram-variogram yang mempunyai bentuk yang berbeda pada arah yang berbeda. Untuk membuat suatu variogram anisotropi perlu dibuat variogram secara incremental, pada umumnya dilakukan dengan cara trial and error. Pada proses pencarian data perlu dilakukan penentuan toleransi jarak dan toleransi sudut (angle of classes dan dictance classes). Secara umum dikenal dua macam anisotropi, yaitu anisotropi geometris dan anisotropi zonal. Kondisi anisotropi geometri akan menyebabkan range berubah pada berbagai arah, namun nilai sill akan tetap. Jika digambarkan pada bidang, range anisotropi geometri akan membentuk ellips. Sedangkan, anisotropi zonal terjadi jika variogram pada arah tertentu sangat berbeda sekali.

38

(h) C

(h) C1

2 C2

aUS

aTL

aBT aTG

Gambar 3.8 Model variogram anisotropi geometri (A) dan anisotropi zonal.(B). 3.3 Metode Kriging Hubungan antara kadar suatu conto pemboran dengan kadar blok akan memperlihatkan suatu pencaran sistematis. Conto bor tersebut bukan merupakan suatu harga estimasi yang paling baik untuk menaksir kadar blok, sehingga diperlukan suatu koreksi. Penentuan koreksi ini diberikan oleh Matheron melalui pembobotan conto dengan bantuan fungsi variogram. Cara atau metode ini dinamakan metode kriging yang diambil dari pakar geostatistik di Afrika Selatan yaitu D.G. Krige yang telah memikirkan metode penaksiran cadangan ini untuk pertama kalinya pada awal tahun limapuluhan.

kadar blok

(a)

A'

Kadar blok
Z 1' Z _1

(b)

A' B'

Z
Z2 Z 2'

z1 > Z1 z2 < Z2
B
z2

kadar conto

z z1

Kadar conto

Gambar 3.9 Hubungan kadar suatu conto pemboran dengan kadar blok, (a) tanpa koreksi dan (b) dengan koreksi berupa metode kriging Dalam hal semua hasil analisa conto pemboran merupakan estimasi yang benar atau sesuai terhadap kadar setiap blok yang diwakili conto tersebut, maka pencaran pasangan data antara kadar conto dengan kadar blok tersebut akan

39

membentuk garis regresi A-A yang melalui titik 0 (nol). Penelitian D.G. Krige pada perilaku kadar conto emas menunjukan bahwa garis regresi tersebut pada kenyataannya lebih mendatar, seperti yang ditunjukan garis B-B (Gambar 3.9 b). Hal tersebut menyatakan bahwa simpangan terbentuk secara sistematik dan nilai kadar conto bor bukan merupakan suatu estimasi yang baik terhadap kadar blok yang diwakili oleh conto bor tersebut. 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 ini akan memberikan suatu harga estimasi yang lebih baik dan suatu varians dari estimasi tersebut.

Dengan bantuan metode kriging ini tidak akan ditentukan garis regresi baru yang lebih baik, tetapi metode ini akan mengoreksi kadar-kadar conto pemboran, dimana nilainya akan dinaikan atau diturunkan, sehingga mempersempit ellips pencaran data. Royle & Newton (1972) telah menyelidiki bermacam-macam model koreksi dan menghasilkan solusi bahwa proses kriging ini memberikan hargaharga penaksiran kadar-kadar blok yang terbaik berdasarkan kadar-kadar conto yang telah dikoreksi.

3.3.1 Sistem Persamaan Kriging Misalkan terdapat suatu kumpulan S1 dari n conto dengan volume yang sama pada suatu tempat xi. Z* merupakan hasil taksiran harga terhadap suatu kadar Z dari volume V. Harga estimasi kadar ini dapat dihitung melalui pembobotan rata-rata tertimbang (weighted average) kadar-kadar conto z(xi). (3.16) Jumlah faktor pembobotan i dibuat sedemikian rupa sehingga sama dengan satu. (3.17)

40

Dengan demikian taksiran ini tidak bias, artinya harga yang diharapkan untuk perbedaan Z dan Z* adalah nol. E[Z Z*] = 0 (3.18)

Varians estimasi dengan memperhatikan faktor pembobotan tersebut adalah :

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

(3.19)

= 2 i (Si , V ) (V , V ) i j (S , S j )
i =1 i =1 j =1

Varians estimasi merupakan suatu fungsi dari faktor-faktor pembobotan i. Faktor-faktor pembobotan yang optimal diperoleh dengan cara meminimumkan varians estimasi tersebut. Untuk meminimumkan varians estimasi tersebut didekati dengan suatu multiplikator Lagrange dengan persamaan sebagai berikut :
2 Q =E 2 ( i 1)

min

(3.20)

Selanjutnya didapat sistem persamaan linier (kriging system) sebagai berikut:

(x
j j =1
n

xj) + =

1 ( x xi ) dx VV

(3.21)

atau

(S , S
j i j =1

) + = ( S i ,V )

(3.22)

dan Sistem persamaan ini cukup untuk menentukan harga-harga j dan yang akan menghasilkan suatu varians minimum. Varians penaksiran (kriging variance) akan diekspresikan melalui persamaan berikut ini :
2 K = n 1 1 dx ( x y ) dy j ( x x j ) dx VV V V VV j =1

(3.23)

41

atau

2 K = (V ,V ) + + j ( S j ,V ) j =1

(3.24)

Berikut ini diuraikan persamaan untuk menghitung dan yang merupakan konstanta-konstanta yang tidak dikenal :

1 . ( S1 S1 ) + 2 . ( S1 S 2 ) + ... + j . ( S1S j ) + ... + n . ( S1S n ) + = ( S1V )

1. ( S 2 S1 ) + 2 . ( S 2 S 2 ) + ... + j . ( S 2 S j ) + ... + n . ( S 2 S n ) + = ( S 2V )
M M M M M M

1 . ( S j S1 ) + 2 . ( S j S 2 ) + ... + j . ( S j S j ) + ... + n . ( S j S n ) + = ( S jV )
M M M M M M

1 . ( S n S1 ) + 2 . ( S n S 2 ) + ... + j . ( S n S j ) + ... + n . ( S n S n ) + = ( S nV ) 1
+ 2 + ...

+ ...

=1

Dengan memprhatikan bahwa ( S i S j ) = ( S j S i ) , maka akan memberikan suatu matriks sebagai berikut :

( S1 S1 ) ( S 2 S1 ) M ( S i S1 ) M ( S n S1 ) 1

... ( S1 S j ) ... ( S1 S n ) 1 ( S V ) 1 1 ( S 2 S 2 ) ... ( S 2 S j ) ... ( S 2 S n ) 1 2 S ( 1V ) M M M M M ( S i S 2 ) ... ( S i S j ) ... ( S i S n ) 1 3 = ( S jV ) M M M M M ( S n S 2 ) ... ( S n S j ) ... ( S n S n ) 1 n ( S nV ) 1 ... 1 ... 1 0 1

( S1 S 2 )

Matriks ( S i S j ) merupakan suatu matriks yang simetris. Sistem persamaan tersebut di

atas dapat dituliskan sebagai berikut :

[K ] [L] = [M ]

(3.25)

Persamaan ini akan diselesaikan terhadap L untuk mendapatkan i dan sehingga diperoleh persamaan :

[L ] = [K ]1 .[M ]

(3.26)

42

Varians kriging dapat dituliskan dengan persamaan berikut :

t 2 K = (V , V ) + [L ] [M ]

(3.27)

3.4

Model Blok Cebakan Mineral

Model blok telah umum digunakan untuk pemodelan cadangan berupa

suatu cebakan mineral. Hal ini dimulai pada akhir tahun enampuluhan, ketika komputer mulai digunakan proses pekerjaan perhitungan cadangan dan perencanaan tambang. Volume 3 (tiga) dimensi cebakan mineral yang akan ditambang kita bagi ke dalam unit-unit yang lebih kecil (blok/unit penambangan terkecil). Dalam kerangka model blok inilah semua tahap pekerjaan akan dilakukan, mulai dari penaksiran kadar, perancangan batas penambangan hingga ke perencanaan tambang jangka panjang dan jangka pendek. Dimensi unit-unit blok tergantung pada jenis cebakan mineral, tujuan pembuatan model, dan metode penambangan. Tiap-tiap blok akan memiliki atribut (variabel model) misalnya topografi, jenis batuan, berat jenis, taksiran kadar, klasifikasi hasil taksiran, aspek pengolahan atau metalurgi.

43

Gambar 3.10 Skema tiga dimensi model blok cebakan mineral (Darijanto, 1999)

3.5

Pemodelan dan Estimasi Cadangan

Pemodelan dan estimasi cadangan adalah suatu kegiatan yang menjadi

dasar perencanaan tambang. Pemodelan dan estimasi cadangan harus dilakukan sebelum kegiatan penambangan dimulai. Berikut ini adalah beberapa alasan dilakukannya pemodelan dan estimasi cadangan (Mulyono, 2004) : 1. Memberikan estimasi kuantitas (tonase) dan kualitas (kadar) cadangan bijih. 2. Memberikan perkiraan bentuk tiga dimensi (3D) cadangan bijih dan distribusi spasial dari kadarnya. Hal ini sangat membantu dalam penentuan cara penambangan, metode penambangan, rancangan push back, serta

perencanaan peralatan dan tenaga kerja. 3. Jumlah cadangan akan menentukan umur tambang. 4. Batas-batas kegiatan penambangan dibuat berdasarkan taksiran cadangan. Penentuan lokasi pabrik pengolahan, bengkel, dan fasilitas pendukung

44

lainnya harus dipilih secara tepat sehingga kegiatan penambangan dapat berjalan secara efektif dan efisien. Model cadangan yang dibuat merupakan pendekatan dari kenyataan dan dibuat berdasarkan informasi dan data-data yang dimiliki. Model cadangan dan hasil estimasi cadangan selalu mengandung unsur ketidakpastian. Namun suatu model cadangan dan taksiran cadangan yang baik harus memenuhi persyaratan sebagai berikut (Mulyono, 2004) : 1. Suatu penaksiran cadangan harus mencerminkan secara tepat kondisi geologi dan karakter mineralisasinya. 2. Suatu model cadangan bijih yang akan digunakan untuk perancangan tambang harus konsisten dengan metode penambangan dan teknik perencanaan tambang yang akan diterapkan. 3. Model cadangan harus dibuat dari data-data faktual dan diolah secara objektif. Data yang digunakan harus didapat dari kegiatan eksplorasi yang terpercaya dan pembobotan data yang berbeda dilakukan dengan alasan yang jelas. 4. Model yang dibuat harus dapat dilakukan verifikasi. Verifikasi perlu dilakukan karena kesalahan kecil pada suatu nilai individu dapat memberikan efek terhadap penghalusan korelasi, analisis statistik parameter, ataupun geostatistik. Sumber kesalahan ini dapat berupa human error (proses pemasukan data) ataupun kesalahan saat menentukan asumsi, batasan maupun saat korelasi. Verifikasi dilakukan sebelum dan sesudah model dibuat, hal ini dilakukan untuk melihat apakah terjadi kesalahan dalam proses pemodelan. Dengan melakukan verifikasi dapat diketahui kecenderungan distribusi kadar dan tonase dalam model grid atau blok dibanding hasil sebenarnya dari penambangan. Beberapa cara dan langkah verifikasi yang dapat dilakukan adalah sebagai berikut (Mulyono, 2004) : 1. Melakukan analisis statistik data. Kadar blok hasil pemodelan dibandingkan dengan kadar conto yang digunakan (assay atau komposit). Analisis silakukan berdasarkan statistik dasar meliputi nilai rata-rata (mean), nilai tengah, kuartil atas, kuartil bawah,

45

dan lain-lain. Selain itu, dilihat juga kecenderungan distribusi data meliputi angka ketaksimetrisan (skewness), kurtosis, dan koefisien varians. 2. Melakukan perhitungan secara terpisah. Dilihat apakah taksiran yang diperoleh sensitif terhadap perubahan parameter penaksiran. Dicoba untuk melakukan perhitungan dengan mengganti secara coba-coba terhadap parameter range (daerah pengaruh). 3. Melakukan evaluasi terhadap basis data assay. Pemeriksaan dilakukan dengan melakukan analisis assay cutting hasil pemboran pada saat kegiatan produksi dengan data dari bor inti. 4. Melakukan pengamatan secara manual dan visual. Cara ini dilakukan dengan cara membandingkan koordinat titik data hasil survey (peta pemboran) dengan penampang blok hasil pemodelan. Dari sini dapat dilihat apakah kadar blok diekstrapolasikan terlalu jauh ke daerah yang tidak ada data pemboran. Kemudian dibandingkan dengan peta kerja dari kegiatan penambangan, apakah model yang kita buat sesuai atau tidak.

Hasil penaksiran dan perhitungan cadangan akan mempunyai tingkat kepercayaan yang berbeda-beda. Tingkat kepercayaan suatu hasil perhitungan dan penaksiran cadangan sangat tergantung kepada (Mulyono, 2004) : 1. Kebenaran dan kelengkapan pengetahuan dalam memahami dan mempelajari data badan bijih. Hasil penaksiran seseorang yang telah paham tentang kaidah penaksiran dan genesa mineral bijih akan lebih meyakinkan dibandingkan hasil penaksiran seseorang yang hanya bertindak sebagai operator. 2. Kerapatan data (grid density) dapat dipercaya sebagai data dasar. Data dengan pengambilan sampel dengan jarak yang dekat lebih meyakinkan daripada data dengan jarak yang jauh. 3. Dalam menentukan asumsi dan pendekatan variabel interpresi dilakukan secara bertanggung jawab baik dari aspek ilmiah maupun aspek teknis. 4. Perhitungan penaksiran cadangan menggunakan rumus dan pemodelan yang tidak melanggar kaidah matematika yang ada.

46

47