UNTUK KALANGAN SENDIRI

MODUL PRAKTIKUM
GEOSTATISTIKA

PROGRAM STUDI TEKNIK PERTAMBANGAN

JURUSAN TEKNIK KEBUMIAN
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS JAMBI

KATA PENGANTAR

Syukur kami ucapkan kehadirat Tuhan Yang Maha Kuasa atas selesainya penyusunan
modul praktikum geostatistika ini. Modul ini diharapkan dapat membantu mahasiswa
dalam pelaksanaan praktikum ataupun dalam memahami materi kuliah dalam kelas.
Materi yang disajikan dalam modul ini merupakan kumpulan dari berbagai macam
sumber seperti buku, bahan ajar, dan internet. Dengan demikian penjelasan ataupun
pemaparan yang diberikan dalam modul ini tidak begitu detail sehingga mahasiswa
diharapkan tetap mencari dan membaca buku ataupun referensi-referensi lain untuk
menambah pemahaman mahasiswa dalam bidang geostatistika.
Kekurangan pada modul praktikum ini masih ada dan modul ini masih jauh dari kata
sempurna sehingga penyempurnaan modul ini berupa perbaikan, penambahan materi
atau penjelasan akan terus dilakukan. Kritik dan saran sangat kami harapkan agar
modul praktikum ini menjadi lebih baik kedepannya.
Selamat menggunakan modul praktikum ini dan semoga bermamfaat bagi yang
membaca.

Jambi, May 2015

Soni Satiawan

DAFTAR ISI

CHAPTER1

PENDAHULUAN.................................................................................1
1.1

Sejarah Singkat Analisa Geostatistika..............................................................1

1.2

Definisi..............................................................................................................1

CHAPTER2

STATISIKA DESKRIPTIF DAN INFERENSI.....................................3

2.1

Statistika Deskriptif..........................................................................................3

2.2

Statistika Inferensi............................................................................................4

CHAPTER3

UNIVARIATE STATISTICS.................................................................6
3.1

Definisi Statistika Univariate............................................................................6

3.2

Table frekuensi dan Histogram.........................................................................6

3.2.1

Table frekuensi...........................................................................................6

3.2.2

Histogram..................................................................................................7

3.3 Parameter dan Statistik (Ukuran Lokasi, Ukuran Dispersi, dan Ukuran
Bentuk)........................................................................................................................7
3.3.1

Ukuran Lokasi...........................................................................................7

3.3.2

Ukuran Dispersi.........................................................................................8

3.3.3

Ukuran Bentuk (Kemiringan dan Keruncingan).....................................10

CHAPTER4

BIVARIATE STATISTICS...................................................................12
4.1

Definisi Bivariate Statistics.............................................................................12

4.1.1

Scatter plot...............................................................................................12

4.1.2

Koefisien Korelasi (Correlation Coefficient)..........................................13

4.1.3

Regresi.....................................................................................................14

CHAPTER5

SPATIAL/MULTIVARIATE STATISTICS.........................................19
5.1

Data Postings atau Menampilkan Data..........................................................19

5.2

Countouring atau Pengkonturan Data Posting................................................20

5.3

Spatial Continuity...........................................................................................20

5.4 Fungsi Korelasi (Koefisien Korelasi), Fungsi Kovarian (Covariance

Functions) dan Variograms........................................................................................23
CHAPTER6

VARIOGRAM atau SEMIVARIOGRAM...........................................25

6.1

Beberapa Catatan Penting Variogram.............................................................25

6.1.1

Stationaritas Semu...................................................................................25

6.1.2

Tidak Munculnya Korelasi......................................................................25

6.1.3

Sifat Variogram........................................................................................25

6.1.4

Fenomena Transisi...................................................................................26

6.1.5

Zona Pengaruh.........................................................................................26

6.2

Perhitungan Variogram...................................................................................26

6.3

Sifat dan Struktur Variogram..........................................................................29

6.3.1

Perilaku Variogram di Dekat Titik Awal..................................................29

6.4

Daerah Pengaruh (Range)...............................................................................30

6.5

Struktur Bersarang..........................................................................................31

6.6

Nugget Variance dan Struktur Mikro..............................................................31

6.7

Anisotropi.......................................................................................................32

6.8

Proportional Effect (Efek Proporsional).........................................................33

6.9

Drift.................................................................................................................34

6.10

Hole Effect..................................................................................................35

6.11

Model teoritis Variogram.............................................................................35

6.12

Model dengan Sill........................................................................................36

6.12.1

Linier dekat titik awal (Sferis).................................................................36

6.12.2

Linier dekat titik awal (Formery)............................................................36

6.12.3

Model Parobolik dekat Titik Awal...........................................................37

6.13

Model tanpa Sill..........................................................................................37

6.13.1

Model linier.............................................................................................37

6.13.2

Model Logaritmik atau de Wijsian..........................................................38

6.14

Fitting Variogram........................................................................................38

CHAPTER7

Support dan variansi estimasi..............................................................42

7.1

Support Geometri............................................................................................42

7.1.1

Support Geometri pada Ukuran Butir Conto...........................................42

7.1.2

Support Geometri pada Ukuran Blok Penambangan...............................43

7.2

Variogram Titik...............................................................................................44

7.3

Varians estimasi..............................................................................................46

7.4

Estimasi Satu Conto v dan Ekstensi ke Volume V (Extension Variance)........47

7.5

Estimasi Sejumlah (N) Conto S dan Ekstensi ke V (Estimation Variance).....49

7.6

Catatan............................................................................................................50

7.7

Varians Estimasi Global..................................................................................52

7.7.1

Varians Estimasi Global Contoh Sepanjang Garis dengan Jarak Sama...52

7.7.2
Sama

Varians Estimasi Global Conto Sepanjang Garis dengan Jarak yang Tidak
53

7.7.3

Varians Estimasi Global Conto pada Bidang...........................................53

CHAPTER8

Kovariogram dan kriging.....................................................................54

8.1

Perkiraan Cadangan Endapan Bahan Galian..................................................55

8.1.1

Endapan Bahan Galian dan Informasi.....................................................55

8.1.2

Variabel Teregional..................................................................................56

8.1.3

Variogram................................................................................................57

8.1.4

Estimasi dan Varians Estimasi Bidang....................................................57

8.2

KRIGING........................................................................................................58

DAFTAR PUSTAKA

63

CHAPTER 1
PENDAHULUAN

1.1

Sejarah Singkat Analisa Geostatistika

Data yang didapatkan dari lapangan merupakan suatu hal yang sangat crucial bagi
setiap geoscientist. Hal ini disebabkan karena data lapangan memiliki informasi dari
setiap informasi daerah pengukuran/ penelitian yang pastinya setiap daerah penelitian
akan memiliki informasi dan karakter yang berbeda. Oleh karena itu, setiap
geoscientist harus mampu mengelola setiap data lapangan dengan baik.
Setiap data tersebut (data geologi, tambang, dan geofisika) lebih dominan kepada data
yang bersifat spasial karena pengambilan data tersebut dilakukan secara pointed pada
lokasi-lokasi tertentu. Agar informasi yang terkandung dalam setiap data lapangan
dapat diperoleh secara optimal maka diperlukan analisa yang mendalam dan
komprehensif. Geostatistika merupakan salah satu tool yang dapat digunakan dalam
menganalisa atau mengkarakterisasi data lapangan.
Analisa geostatistika dikenalkan pertama kali di mining and petroleum industries pada
tahun 1955 oleh Danie Kridge dalam mengestimasi sumber daya dan cadangan. Pada
tahun 1960, Georges Matheron mengembangkan analisa geostatistika tersebut. Analisa
ini berhasil diaplikasikan dalam menyelesaikan permasalahan yang dijumpai pada
kedua industri tersebut dimana setiap keputusan yang diambil dalam kedua bidang
memiliki efek yang sangat mahal dalam hal operasi. Analisa geostatistika tersebut
berdasar kepada interpretasi dari data lapangan yang bersifat spatial yang diperoleh
dari permukaan bumi. Sejak saat itu, geostatistika telah dikembangkan pada bidang
kajian geosciences lain berupa, geohydrology, hydrology, meteorology, oceanography,
geography, geochemistry, soil sciences, forestry,etc.
1.2

Definisi

Geostatistika mempelajari setiap fenomena yang bervariasi secara spasial dan temporal
(Deutsch, 2002). Selain itu, Geostatistika dapat didefinisikan sebagai pengoleksian
data numerik yang berhubungan dengan karakterisasi atribut spasial, menggunakan
model acak pada time series data dalam mengkarakterisasi data temporal (Olea, 1999).
Isaaks dan Srivastava (1989) mendefinisikan sebagai cara dalam mendeskripsikan
spatial continuity dari fenomena alam and memberikan solusi dalam bentuk classical
regression technique untuk menemukan advantage dari fenomena alam tersebut.
Dari ketiga definisi maka sangat jelas bagi kita bahwa geostatistika analisa merupakan
powerful tools yang dapat meningkatkan tingkat kepercayaan dari seorang geoscientist
(mine planner, geologist, geophysicist) dalam pengambilan keputusan selanjutnya.

Terdapat beberapa proses dalam melakukan analisa geostatistik, proses tersebut

diantaranya adalah registered (mendaftarkan) seluruh data, data exploration, membuat
model, melakukan dan membandingkan pemodelan.
Dalam ilmu kebumian terdapat tiga jenis analisa statistika yang dapat digunakan dalam
menganalisa data yang diperoleh dari lapangan, tiga jenis analisa tersebut adalah:
1. Univariate Statistics
2. Bivariate Statistics
3. Multivariate Statistics
Ketiga jenis analisa statistika tersebut akan dijelaskan pada setiap modul selanjutnya.

CHAPTER 2
STATISTIKA DESKRIPTIF DAN INFERENSI

Tujuan Praktikum
Memahami dan mengerti pengertian dari statistika deskriptif, statististika inferensi
serta bagian dari kedua analisa dalam suatu analisa statistika.
2.1

Statistika Deskriptif

Statistika deskriptif (descriptive statistics) adalah metoda-metoda yang berkaitan

dengan pengumpulan, pengolahan, penyajian, dan menganalisa data kuantitatif secara
deskriptif. Secara ringkas diagram alir dalam statistika deskriptif dapat dilihat pada
gambar berikut.
START

PENGUMPULAN DATA MENTAH

APAKAH DATA PERLU DISEDERHANAKAN

PENYUSUNAN TABEL DISTRIBUSI FREKUENSI

PENYUSUNAN DISTRIBUSI FREKUENSI DALAM BENTUK GRAFIK (JIKA DIPERLUKAN)

PERHITUNGAN UKURAN-UKURAN UNTUK MENGIKHTISARKAN KARAKTERISTIK DATA

END

Gambar 2.1. Diagram alir analisa statistika deskriptif.

Data yang diperoleh dari lapangan akan bersifat acak mentah dan tidak terorganisir
dengan demikian agar data tersebut dapat dibaca dan dianalisa dengan baik maka
mengorganisasi atau menyusun data wajib dilakukan. Pengorganisasian data dapat
dilakukan dalam bentuk table atau presentasi grafis yang nantinya hal ini berguna
sebagai dasar dalam proses pengambilan keputusan (statistik inferensi). Sebelum
dilakukan analisa data secara deskriptif perlu dipahami terlebih dahulu pengetahuan
dasar dalam statistika karena hal ini merupakan keharusan agar pemahaman
kedepannya menjadi lebih baik.

2.2

Statistika Inferensi

Data yang diperoleh dari lapangan tidak dapat diproses secara bersamaan dan harus
mempertimbangkan jenis dan karakter dari masing-masing data. Data-data yang
bersifat sejenislah yang dapat diproses secara bersamaan. Oleh karena ini terdapat
klasifikasi dari setiap data seperti populasi, parameter, sample dan statistika. Populasi
adalah data kuantitatif yang menjadi objek kajian sedangkan parameter adalah ukuran
yang mencerminkan karakteristik dari populasi. Sampel adalah sebagian dari populasi
data yang dijadikan objek kajian dan statistika adalah ukuran yang dihitung dari
sample. Dari definisi di atas terlihat bahwa antara populasi, parameter, sampel dan
statistika memiliki saling keterkaitan satu sama lain.

Analisa statistika dilakukan untuk dapat mengkarakterisasi atau menguji karakteristik

dari populasi data serta dapat menerapkan metoda yang tepat dalam melakukan analisa
data sehingga penarikan keputusan yang akan dilakukan kedepannya dapat
memberikan hasil yang baik. Statistika inferensi (inference statistic) merupakan
cabang ilmu statistic yang berkaitan dengan penerapan metode-metode statistika dalam
menaksir dan/ atau menguji karakteristik populasi yang dihipotesiskan berdasarkan
data sample. Dengan demikian statistika inferensi merupakan bagian dari statistika
deskriptif. Untuk lebih jelas, gambar 2 dapat menggambarkan letak dari statistika
inferensi dalam sebuah analisa deskriptif.

Statistika
Deskriptif

Tidak

Ya

Statistika
Inferensi

START

PENGUMPULAN DATA

PENGOLAHAN DATA

Statistika
PENYAJIAN HASIL OLAHAN DATA (IKHTISAR DATA)
deskriptif

Yes

PENGGUNAAN
HASIL OLAHAN
DATA
SAMPLE UNTUK MENAKSIR KARAKTERISTIK POPULASI Y
DATA YANG DIPEROLEH
DARI
SAMPEL?

Statistika
inferensi

No

PENARIKAN KESIMPULAN
TENTANG
KARAKTERISTIK POPULASI YANG DITEL
PENGGUNAAN DATA UNTUK MENGANALISA
KARAKTERISTIK
POPULASI

END

Gambar 2.2. Statistika Inferensi pada statistika deskriptif.

CHAPTER 3
UNIVARIATE STATISTICS
Tujuan Praktikum
Dapat mengorganisasi dan menyajikan data dengan baik dan benar serta melakukan
analisa statistik univariate terhadap data dan kejadian.
3.1

Definisi Statistika Univariate

Univariate statistic adalah analisa statistika yang dilakukan pada single variable tanpa
mengikutsertakan lokasi kejadian dari variable yang dianalisa. Variable pada kejadian
yang menjadi objek kajian pada analisa ini akan diasumsikan sebagai variable yang
acak (random).
Terdapat beberapa analisa yang dilakukan pada univariate statistics antara lain:

Menyajikan kejadian dalam bentuk table dan histogram

Menghitung ukuran-ukuran statistics antara lain, ukuran lokasi, ukuran
dispersi, ukuran bentuk (kemiringan dan keruncingan), dan
Menampilkan box plots.

3.2

Table frekuensi dan Histogram

3.2.1

Table frekuensi

Mengatur dan merapikan data yang diperoleh dari lapangan akan membantu dalam
melakukan penganalisaan. Salah satu cara dalam mengorganisasi data adalah dengan
menyusun data dalam bentuk table frekuensi dan setelahnya data akan dapat disajikan
dalam bentuk histogram.
Tabel frekuensi merupakan salah satu cara dalam pengelompokan data untuk
menggambarkan distribusi data. Sebelum mengelompokan data dalam bentuk table
frekuensi, terdapat prosedur yang harus menjadi perhatian. Prosedur penyusunan tabel
frekuensi tersebut antara lain:
1
2
3

Menentukan banyak kelas

Menentukan lebar setiap kelas interval
Menghitung frekuensi tiap kelas interval

Dalam menentukan banyak kelas, jumlah kelas tidak boleh terlalu besar dan tidak
boleh terlalu kecil. Hal ini agar distribusi data nantinya menjadi lebih baik. Penentuan
banyak kelas dapat dihitung dengan formula Sturges sebagai berikut.
k 1 3.322 log n

(1)

n merupakan jumlah data atau kejadian dalam. Setelah mendapatkan banyaknya kelas,
tahap selanjutnya adalah menentukan lebar setiap kelas interval. Beberapa hal yang
harus diperhatikan dalam menentukan lebar setiap kelas interval antara lain:

Lebar interval kelas harus sama

Sebaiknya digunakan bilangan-bilangan yang praktis (seperti 5, 10, 15, dst)
Penentuan batas kelas dibuat sedemikian rupa sehingga
o Semua kejadian masuk kedalam salah satu kelas interval
o Tidak ada keraguan dalam menentukan kelas interval dari setiap
kejadian.

Menentukan lebar kelas interval dapat dihitung sebagai berikut,

l range(max min) / k

(2)
Table frekuensi juga dapat dibuat secara kumulatif yaitu dengan menjumlahkan setiap
frekuensi dari setiap kelas interval data dimulai dari kelas interval paling bawah hingga
paling tinggi.
3.2.2

Histogram

Histogram adalah bentuk diagram batang yang digunakan untuk menggambarkan

distribusi frekuensi. Gambar berikut adalah contoh dari suatu histogram.

Gambar 3.3. Contoh histogram dalam penyajian data.

3.3
Parameter dan Statistik (Ukuran Lokasi, Ukuran Dispersi, dan Ukuran
Bentuk)
3.3.1

Ukuran Lokasi

Berikut ini adalah ukuran lokasi yang sering digunakan dalam univariate statistics.

Mean (Rata-rata hitung)

Mean adalah rata-rata hitung dari n (jumlah) kejadian yang menjadi bahan
kajian dari suatu populasi data. Secara matematis Mean dapat dihitung sebagai
berikut:
n

i 1

(3)

dimana x adalah nilai kejadian dan n adalah jumlah kejadian.

Untuk data berkelompok (memiliki kelas interval) maka nilai tengah dari
interval setiap kelas data harus dikalikan terlebih dahulu dengan jumlah seluruh
data seperti persamaan berikut:
k

M .f
i

i 1

f
i 1

(4)

dimana M adalah nilai tengah dari setiap kelas data dan f adalah frekuensi dari
setiap kelas data.

Median dan Quartile

Median adalah nilai tengah dari suatu populasi data dan quartile adalah
membagi distribusi data menjadi empat bagian sama besar sehingga pada suatu
distribusi data terdapat tiga quartile dengan quartile 2 (Q2) sebagai median.
Sebelum menghitung median dari suatu populasi data maka data harus
diurutkan terlebih dahulu dari data yang paling kecil hingga yang terbesar.
Median dapat dihitung dengan persamaan sebagai berikut:

Jumlah data ganjil

n 1
2

Median =X(k)

(5)

Dimana n merupakan jumlah data.

Jumlah data genap

n
2

Median =(Xk + X(k+1))/2

(6)

Modus
Modus adalah nilai atau kejadian yang paling sering muncul dalam suatu
populasi data atau nilai yang memiliki frekuensi paling tinggi.

Maksimum dan Minimum

Maksimum adalah kejadian yang memiliki harga paling besar dan minimum
adalah kejadian yang memiliki harga paling kecil.

3.3.2

Ukuran Dispersi

Beberapa ukuran dispersi yang penting adalah:

Range (Jangkauan)
Range atau jangkauan adalah selisih antara nilai kejadian maksimum dengan
nilai kejadian minimum. Dari harga range dapat diketahui secara kasar variasi
dan distribusi dari populasi data karena range tidak memperhitungkan
outlayers/ pencilan. Range juga digunakan dalam menentukan lebar kelas
interval pada penyusunan tabel frekuensi.

Inter Quartile Range (IQR) (Rentang antara kuartil)

Rentang antara kuartil adalah selisih antara kuartil ke-3 dengan kuartil ke1(Q3-Q1).

Variansi adalah rata-rata kuadrat selisih atau kuadrat simpangan dari semua
nilai data terhadap nilai rata-rata hitung. Jika rata-rata dari suatu populasi
adalah maka variansi dari populasi tersebut dapat dihitung dengan persamaan
berikut:
n

i 1

(7)

Namun variansi dari suatu sampel (s) dihitung dengan persamaan berikut:
n

s2

x
i 1

n 1

(8)

Standar Deviasi (Simpangan baku)

Simpangan baku menggambarkan mengenai ukuran sebaran statistic yang
paling lazim, secara lebih singkat simpangan baku mengukur bagaimana nilainilai data tersebar. Simpangan baku merupakan akar kuadrat dari variansi dan
berbeda antara populasi dan sample seperti berikut.

std 2
std s 2

(9)

dimana, 2 adalah variansi dari populasi dan s2 merupakan variansi dari sample.
Nilai standar deviasi yang kecil menunjukan bahwa observasi terkumpul
dengan sangat kuat pada sekitar nilai-nilai pusat (mean, median, modus) dan
sebaliknya jika nilai standar deviasi besar maka menunjukan data yang tersebar
secara merata.

Coefficient of Variation (Koefisien Variasi)

Dispersi relative digunakan untuk membandingkan variasi antara nilai-nilai
besar dan nilai-nilai kecil. Dispersi relative = dispersi absolute (standar
deviasi)/ rata-rata hitung (mean). Jika disperse absolut pada suatu distribusi
kejadian adalah standar deviasi (simpangan baku) maka koefisien variasi (CV)
adalah dispersi relativ *100%.
Berikut ini adalah contoh beberapa harga CV untuk berbagai endapan emas
dibandingkan terhadap endapan logam lainnya.

Table 3.1. Koefisien Variasi Harga Kadar Beberapa Endapan Mineral

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).

3.3.3

Ukuran Bentuk (Kemiringan dan Keruncingan)

Skewness (kemiringan)
Skewness adalah tingkat kesimetrisan sebuah distribusi frekuensi. Distribusi
yang berbeda pada mean, median dan modus akan tidak simetris sehingga
distribusi akan terkonsentrasi pada salah satu sisi yang membuat condong. Jika
distribusi memiliki ekor kurva yang panjang ke kanan maka distribusi bersifat
positif (condong kanan), namun sebaliknya distribusi akan condong kiri
(negatif) jika ekor kurva panjang ke kiri.
Secara matematis kemiringan relative (S) dapat diformulasikan sebagai berikut:

1 n
( xi ) 3
skewness n i 1 3

(10)

Kurtosis (keruncingan)
Kurtosis (k) adalah keruncingan dari sebuah distribusi yang biasanya diambil
dari distribusi normal. Terdapat tiga jenis kurtosis yaitu:

leptokurtic (k>3) sehingga distribusi akan memiliki puncak yang

relative tinggi.

Platikurtik(k<3) sehingga distribusi akan mempunyai puncak yang

rendah atau relative mendatar.

Mesokurtik (k=3). Biasanya distribusi ini adalah distribusi normal.

Kurtosis dapat dihitung dengan menggunakan persamaan berikut,

n

kurtosis

( xi ) 4
i 1

(11)

Gambar 3.4. Tampilan dari kemiringan (atas) dan keruncingan (bawah) dari suatu data.

Gambar 3.5. Gambaran analisa univariate statistics.

CHAPTER 4
BIVARIATE STATISTICS
Tujuan Praktikum
Dapat membedakan antara analisa univariate dan bivariate dan melakukan analisa
bivariate pada data lapangan dengan baik dan benar.
4.1

Definisi Bivariate Statistics

Bivariate statistics adalah analisa pada dua variable yang berbeda tapi terletak pada
lokasi yang sama. Tujuan dari dilakukannya analisa ini adalah agar diketahui hubungan
antara dua variable yang menjadi objek kajian pada daerah penelitian. Beberapa
variable yang saling berhubungan antara lain:

Porosity dan Permeability

Porosity dan water saturation
Porosity dan seismic amplitude
Density dan molecular weight
Oil density dan viscosity
Formation thickness dan production
Sand body width dan thickness

Beberapa metoda yang dapat dilakukan pada analisa bivariate ini antara lain:
1
2
3
4.1.1

Membuat scatter plot (diagram pencar)

Menghitung correlation coefficient
Regresi
Scatter plot

Scatter plot atau diagram pencar digunakan untuk mem-plot dan mencari hubungan
antara dua variable (contohnya x dan y) yang terletak pada lokasi atau posisi yang
sama. Berikut adalah beberapa tampilan scatter plot dari beberapa data dengan dua
variable.

Gambar 4.6. Scatter plot beberapa pasangan data yang hubungan keduanya.
Gambar 4.6 menunjukan hubungan atau korelasi antara dua variable yang menjadi
objek kajian. Pada bagian kiri terlihat bahwa dua variable memiliki hubungan yang
linier positif yang berarti setiap kenaikan harga x maka akan diikuti oleh kenaikan
harga y. Pada gambar yang ditengah dapat disimpulkan bahwa hubungan antara dua
variable tersebut adalah hubungan yang non-linier atau parabolic dan pada gambar
paling kanan tidak terlihat hubungan antara dua variable yang dibandingkan sehingga
dapat disimpulkan antara dua variable tidak memiliki korelasi satu sama lain. Selain
untuk melihat hubungan antara dua variable, scatter plot juga berguna untuk melihat
sebaran dari distribusi data sehingga dengan melihat sebaran dari distribusi data akan
dapat terlihat error atau kesalahan pada data.
4.1.2

Koefisien Korelasi (Correlation Coefficient)

Ukuran untuk menyatakan hubungan korelasi antara dua variable dinyatakan dengan
koefisien korelasi. Dengan kata lain koefisien korelasi dapat didefinisikan sebagai
derajat yang menggambarkan hubungan antara dua variable. Namun untuk menghitung
koefisien korelasi antara dua buah variable diperlukan satu nilai kovarian (Covariance)
dimana kovarian adalah derajat untuk mengetahui naik dan turunnya dua buah
variable. Formula untuk menghitung kovarian (CovXY) adalah sebagai berikut,
C ( x, y ) Covxy xy

1
n

(x

x ) yi y )

i 1

(12)
y

dimana n adalah jumlah kejadian atau data,

dan
merupakan rata-rata hitung
(mean) dari kejadian x dan y pada masing-masingnya. Secara fisis kovarian
(covariance) tidak memiliki arti yang signifikan namun walaupun secara fisis tidak
memiliki arti yang signifikan, harga kovarian sangat diperlukan dalam menghitung
atau menetukan hubungan korelasi antara dua variable. Dengan mendapatkan harga
dari kovarian maka koefisien korelasi dapat dihitung dengan formula berikut ini,
1 n
( xi x) y i y)
n
rxy i 1
x y
(13)

x y
dimana
adalah simpangan baku (standar deviasi) dari kejadian x dan kejadian y.
Koefisien korelasi ini tidak memiliki unit dan memiliki harga antara -1 hingga 1.
Ketika harga koefisien korelasi 1 maka hubungan antara kedua variable kuat dan
berbanding lurus sedangkan ketika harga koefisien korelasi -1 maka hubungan antara
kedua variable sempurna namun berlawanan dan ketika harga koefisien korelasi = 0

maka kedua variable adalah independent atau dapat dikatakan kedua variable tidak
memiliki hubungan.
Berikut adalah hubungan korelasi antara dua variable yang disajikan dalam scatter plot
yang digambarkan dengan harga korelasi yang dimiliki setiap masing-masingnya.

Gambar 4.7. Interpretasi dari harga koefisien korelasi antara dua variable.
4.1.2.1 Permasalahan yang ditemukan ketika melakukan korelasi
Permasalahan yang akan sering ditemukan ketika sedang menyusun atau menyajikan
data adalah data yang bersifat extreme. Data yang bersifat extreme ini atau yang lebih
dikenal dengan outliers akan berpengaruh kepada distribusi data dan estimasi yang
akan diperoleh nantinya setelah melakukan analisa. Hasil yang akan diperoleh dengan
mengikutsertakan data-data yang bersifat outliers akan menjadi overestimate atau
underestimate. Begitu pun dengan harga koefisien korelasi yang akan diperoleh dengan
mengikutsertakan data-data outliers, harga koefisien korelasi dapat menjadi sangat
tinggi atau sangat rendah seperti pada gambar berikut.

Gambar 4.8. Keberadaan outliers yang dapat membiaskan perolehan hasil analisa.
Hingga sekarang ini tidak ada solusi yang baku yang menjadi keputusan dalam dunia
akademis dalam menghadapi atau mengolah data yang memiliki outliers. Solusi yang
dilakukan oleh para praktisi dalam mengolah data-data outliers lebih berdasarkan
kepada feeling dan pengalaman dengan cara menghilangkan data outliers atau
mengatur data tersebut.

4.1.3

Regresi

Seperti yang telah dijelaskan pada bagian sebelumnya, hubungan yang kuat atau yang
baik antara dua variable akan sangat membantu dalam menentukan atau memprediksi
satu variable jika variable yang lain diketahui. Regresi merupakan salah satu hal yang
biasa dan lazim dilakukan untuk melakukan hal tersebut. Ketergantungan atau
hubungan antara dua variable pada hubungan yang bersifat linier regresi dapat
dideskripsikan pada persamaan berikut.
y ax b

(14)
a merupakan atau disebut dengan slope dan b adalah intercept. Slope (a) dan intercept
(b) juga memiliki hubungan dengan rata-rata hitung kejadian serta standar deviasi
(simpangan baku) kejadian. Hubungannya dapat dilihat pada persamaan berikut.

ar

x
y

b y a x
(15)
Dalam data kebumian, sangat kecil kemungkinan didapatkan hubungan antara dua
variable yang dapat direpresentasikan dalam hubungan regresi. Apabila koefisien
korelasi (r) antara dua variable diketahui maka,

Akan diperoleh hubungan yang sempurna antara kedua variable jika r =1 atau
-1. Sehingga seluruh variasi pada variable y akan dapat ditemukan dengan
menggunakan variable x.
Jika korelasi antara dua variable berharga 0 maka kedua variable tidak akan
dapat ditemukan dengan menggunakan regresi dengan kata lain X tidak
berhubungan dengan Y.
Jika harga korelasi antara kedua variable seperti berikut 0> (r) < 1 maka
beberapa harga dari kedua variable masih memiliki hubungan sehingga
beberapa harga variable masih dapat ditentukan dari beberapa variable yang
lain. Kasus seperti ini akan sering dijumpai pada data real atau lapangan.

Mengetahui tingkat kepercayaan dari suatu regresi dari dua buah variable sangat
diperlukan dan harus ditentukan. Ketika tingkat kepercayaan dari suatu regresi yang
dihasilkan memiliki harga yang tinggi maka regresi tersebut dapat digunakan
kedepannya dalam analisa data namun ketika regresi dari kedua variable memiliki
tingkat kepercayaan yang rendah, maka penarikan kesimpulan dengan menggunakan
regresi tersebut harus dilakukan secara hati-hati. Menghitung error atau melakukan
residual plot adalah salah satu cara untuk mengetahui tingkat kepercayaan dari sebuah

hubungan regresi yang dihasilkan. Error dapat dihitung dengan persamaan sederhana
berikut,
E YPr ed Yobs

(16)
dimana Ypred adalah variable yang diprediksi dengan menggunakan regresi yang
diperoleh dan Yobs adalah variable yang didapatkan dari data lapangan. Harga error
yang diperoleh dapat diplot dan hasil plot tersebut dinamakan residual plot. Ketika
hasil residual plot menyebar tidak teratur maka dapat diartikan tingkat error dari hasil
regresi cukup besar, namun jika residual plot menunjukan penyebaran yang teratur,
maka dapa

Gambar 4.9. Menghitung error dari suatu regresi yang dihasilkan.

Selain menghitung error, melakukan pencocokan (fit) antara data observasi dengan
garis regresi yang diperoleh juga merupakan salah satu cara untuk mengetahui tingkat
kepercayaan dari regresi yang diperoleh. Fit (R2) dapat dihitung dengan formula
berikut ini.
n

R2

( y pred y ) 2
i 1
n

( yobs y ) 2
i 1

(17)
Dengan demikian maka harga kecocokan (fit) dapat juga didefinisikan sebagai
seberapa cocok antara data observasi dengan garis lurus yang dihasilkan dalam regresi.
Berikut adalah salah satu contoh hubungan antara variable velocity dan porosity dan
sebaran error dalam residual plot serta kecocokan antara data observasi dengan garis
regresi.

Gambar 4.10. Sebaran kecepatan terhadap porosity serta hubungan regresi antara
kedua variable (kiri) dan residual plot (kanan).
4.1.3.1 Conditional Expectations
The formula untuk menghitung dan menentukan persamaan dari sebuah regresi linear
sangat mudah namun asumsi hubungan garis lurus tidak akan memberikan hasil yang
terbaik, seperti pada Gambar 4.11. Regresi linear tidak akan memadai jika
diaplikasikan pada data tersebut hal ini dikarenakan sebaran data yang berbelok-belok.

Gambar 4.11. Grafik dan hubungan antara kadar pada V dan U.

Karena regresi garis lurus tidak dapat diterapkan maka sebuah alternatif regresi linear
dapat diaplikasikan dengan cara menghitung harga rata-rata dari harga y pada rentang
jarak x yang berbeda. Table 4.2 merupakan pembatasan dari rentang kejadian U (pada
data gambar 4.6) untuk menentukan variable V pada kelas yang telah ditetapkan.
Dengan demikian, untuk menentukan harga V maka harus tergantung kepada harga U
sehingga dapat ditetapkan regresi linear yang tepat yang akan digunakan. Kasus ini
disebut dengan conditional expectations curve.
Table 4.2. Membatasi rentang dari kejadian U untuk menentukan harga V (data
Gambar 4.11)

Idealnya data dengan jumlah yang sangat besar akan memiliki conditional expectation
curve lebih dari satu agar dihasilkan keputusan dan interpretasi yang baik. Untuk
menentukan conditional expectation curve dan menentukan kelas dari rentang kejadian
x maka sense atau feeling dari user sangat diperlukan. Meskipun conditional
expectation curve sering dibangun menggunakan feeling dan perasaan, regresi linear
tetap menjadi analisa yang sangat mudah dilakukan dan memadai.
Satu hal yang membedakan satu set data kebumian (geosains) dengan kebanyakan
jenis data yang lain adalah data kebumian memiliki atau erat hubungannya dengan
lokasi pengambilan data tersebut di permukaan bumi. Univariate dan bivariate analysis
yang telah dibahas pada modul-modul sebelumnya tidak memiliki hubungan ataupun
penyajian data dengan melibatkan parameter lokasi seperti pada spasial atau
multivariate statistics seperti yang akan dibahas pada modul selanjutnya.

CHAPTER 5
SPATIAL/MULTIVARIATE STATISTICS
Tujuan Praktikum
Mahasiswa memahami mengenai spatial statistics dan dapat membedakan dengan
univariate dan bivariate serta dapat mengaplikasikan analisa ini dengan baik dan benar
pada data lapangan.
5.1

Data Postings atau Menampilkan Data

Seperti histogram pada univariate statistics ataupun scatter plot pada bivariate
statistics, salah satu metoda yang sangat mudah dan efektif dalam spatial statistics
adalah dengan memvisualisasikan data tersebut. Metoda sederhana dalam
memvisualisasikan data tersebut adalah dengan data postings dimana data akan
ditampilkan dalam bentuk map dan lokasi atau posisi dari data tersebut akan
diikutsertakan bersamaan dengan variable yang digunakan. Gambar berikut adalah
data posting dari setiap harga yang terjadi pada kejadian V.

Gambar 5.12. Data posting dari seluruh harga pada kejadian V beserta lokasi dari
setiap kejadian pada data yang memiliki harga yang rendah (a) dan harga yang tinggi
(b).
Memposting data merupakan langkah penting yang harus dilakukan di awal dalam
melakukan analisa pada satu set data spasial. Langkah ini tidak hanya untuk
menggambarkan kesalahan harga data pada lokasi pengambilan data namun juga dapat
menggambarkan kemungkinan kesalahan data. Satu data dengan harga yang sangat
tinggi yang terdapat atau berada disekitar data yang berharga rendah atau sebaliknya
merupakan satu tanda data tersebut harus dilakukan pengecekan ulang. Dengan
melakukan peng-grid-an data secara irregular, data posting akan memberikan clues

mengenai bagaimana sebuah satu set data dikoleksi atau dikumpulkan. Adanya daerah
yang tidak memiliki data menandakan bahwa daerah tersebut belum diakses atau
belum disinggahi untuk diambil datanya dan daerah yang memiliki sebaran data paling
banyak dapat diindikasikan sebagai daerah yang memiliki suatu hal yang menarik
untuk dipelajari atau diteliti.
5.2

Countouring atau Pengkonturan Data Posting

Seluruh trend yang terdapat pada data dapat dinyatakan dengan sebuah peta kontur.
Melakukan pengkonturan secara manual merupakan salah satu cara untuk menjadikan
kita lebih familiar dengan satu set data. Namun, data dengan jumlah yang sangat
banyak tentu akan menjadikan pengkonturan data secara manual menjadi tidak efektif
dan efisien sehingga pengkonturan dengan menggunakan mesin (computer) menjadi
satu alternative solusi yang dapat membantu pekerjaan secara lebih cepat dan efisien.
Gambar berikut adalah peta kontur dari sebaran data V yang terdapat pada Gambar
5.12.

Gambar 5.13. Peta computer dari sebaran data V yang di-generated menggunakan
computer dengan interval garis kontur adalah 10ppm dan rentang dari 0-140 ppm.
Dengan melakukan pengkonturan maka bagian-bagian data yang menjadi perhatian
ketika data posting akan menjadi lebih jelas. Adanya lembah yang terdapat pada utara
dan selatan peta merupakan daerah dengan harga maksimum. Selain itu hal lain yang
juga dapat dilihat dari peta di atas adalah daerah yang terdapat di bagian tenggara peta
memiliki harga gradient yang cukup signifikan dibandingkan daerah lain dan pada peta
digambarkan bahwa pada daerah tersebut daerah dengan harga minimum (0 ppm)
sangat berdekatan dengan daerah yang memiliki harga maksimum (140 ppm).

5.3

Spatial Continuity

Spatial continuity selalu ada dalam data set kebumian. Dua data yang saling
berdekatan akan memiliki harga yang relatif sama dibandingkan dua data yang terpisah
dengan jarak yang lebih jauh. Pada data posting atau peta kontur pun, harga-harga
tidak tersebar secara acak namun harga-harga yang rendah akan cendrung berada pada
daerah-daerah yang berharga rendah begitupun sebaliknya harga-harga yang tinggi
akan berada pada daerah yang berharga tinggi. Daerah yang memiliki harga yang
tinggi sering menjadi daerah anomali yang menarik untuk dikaji dimana harga-harga
yang bernilai tinggi berada saling berdekatan satu sama lain. Namun, ketika
mendapatkan satu harga rendah yang berada di tengah atau di lingkungan daerah yang
berharga tinggi maka hal ini akan menimbulkan pertanyaan atau kecurigaan. Ketika
ditemukan data yang bersifat extreme yang berada pada lingkungan atau posisi yang
tidak patut maka kita dapat menduga atau memperkirakan jika data tersebut merupakan
suatu kesalahan (error) karena hal ini menunjukan hubungan yang tidak ada dengan
data-data lain disekitarnya.
Alat yang digunakan untuk menunjukan hubungan antara dua variable juga dapat
digunakan untuk mendeskripsikan hubungan harga dari satu variable dan harga dari
variable yang sama yang berdekatan satu sama lain. Scatter plot (diagram acak) yang
digunakan dalam menentukan hubungkan atau korelasi antara dua variable seperti pada
chapter sebelumnya dapat digunakan untuk menggambarkan spatial continuity dan
perhitungan statistika yang digunakan dalam mengikhtisar informasi hubungan antara
dua variable juga dapat digunakan untuk mengikhtisar spatial continuity.
Sebuah h-scatterplot menunjukan semua kemungkinan dari harga pasangan data yang
terletak pada jarak dan arah tertentu. Notasi yang digunakan dalam melakukan hscatterplot mungkin akan menimbulkan pertanyaan karena kesamaan notasi dengan
persamaan

y ax b

(14) dimana y=ax + b. Pada persamaan tersebut y adalah

variable yang belum diketahui dan x adalah variable yang diketahui. Sedangkan x dan
y pada h-scatterplot akan digunakan untuk mendeskripsikan koordinat dimana x adalah
longitude dan y adalah latitude.
Ketika mendeskripsikan pasangan data yang terpisah oleh jarak tertentu maka
penggunaan notasi vector akan mempermudah pendeskripsian. Pada Gambar 5.14
(xi,yi) dapat ditulis ti dan tj adalah (xj,yj). Pemisahan antara posisi i dan j adalah (tj - ti)
dimana juga dapat diekspresikan dalam pasangan koordinat sebagai berikut (xj - xi, yj yi). vektor i ke j berbeda dengan j ke i, hal ini karena vektor memperhatikan arah, maka
hij akan berbeda dengan hji.

Gambar 5.14. Ilustrasi dari vektor notasi.

Pada contoh h-scatterplot yang akan disajikan disini, absis (sumbu x) akan dilabeli
menggunakan V(t) dan ordinat (sumbu y) akan menggunakan V(t+h). Sumbu-x atau
koordinat pada sumbu x merupakan harga variable V dan sumbu-y merupakan harga
variable V pada jarak dan arah h. Sebagai contoh h=(0,1) bermaksud pasangan data
pada harga absis (sumbu x) yang sama dan terpisah dengan harga 1 ke arah y atau
utara. Sedangkan ketika h=(1,1) maka data akan berpasangan dengan data yang
terpisah 1 meter ke arah x dan 1 meter ke arah y, seperti pada gambar berikut ini.

Gambar 5.15. Contoh bagaimana data berpasangan untuk mendapatkan h-scatterplot.

Dari h-scatterplot dapat diketahui bagaimana saling keterkaitan dari data values yang
terpisah pada jarak dan arah tertentu.Ketika data values pada setiap lokasi yang
dipisahkan oleh h memiliki harga yang sama dengan pasangan datanya maka setiap
pasangan data akan diplot mendekati line x = y, namun ketika data yang dipasangkan
memiliki harga yang berbeda satu sama lain, maka h-scatterplot akan tersebar secara
acak. Gambar berikut adalah perbedaan dari h-scatterplot yang terpisah oleh jarak yang
berbeda dengan nilai h dari 1 hingga 4 dan berarah utara.

Gambar 5.16. Perbandingan 4 h-scatterplot dengan (a) harga h=(0,1), (b) harga
h=(0.2), (c) harga h=(0,3), dan (d) harga h=(0,4).
5.4
Fungsi Korelasi (Koefisien Korelasi), Fungsi Kovarian (Covariance
Functions) dan Variograms
Walaupun h-scatterplot telah menggambarkan mengenai hubungan antara dua data atau
lebih yang terpisah oleh jarak dan arah tertentu, namun informasi yang bersifat
quantitative masih tetap dibutuhkan. Dari h-scatterplot telah dapat ditentukan korelasi
koefisien antara dua data dan ketika pasangan data yang ditunjukan pada h-scatterplot
tersebar secara acak maka harga koefisien korelasi akan kecil. Koefisien korelasi dari
Gambar 5.16 dapat dilihat secara detail pada Table 5.3.
Hubungan antara koefisien korelasi dari sebuah h-scatterplot and h disebut dengan
correlation function atau correlogram. Koefisien korelasi akan bergantung kepada h
dimana h merupakan vektor yang memiliki harga dan arah.
Table 5.3. Informasi statistika dari sebaran dan hubungan antara pasangan data pada 4
h-scatterplot yang ditunjukan pada gambar 4.9.

Data pada Table 5.3 juga dapat disajikan dalam bentuk grafik dimana dalam bentuk
grafik kita ingin melihat bagaimana koefisien korelasi menurun dengan meningkatnya
jarak antara dua data yang berpasangan yang berarah ke utara. Plot koefisien dengan
arah yang berbeda akan memberikan gambaran kepada kita mengenai koefisien
korelasi yang merupakan fungsi dari jarak dan arah.
Alternatif index yang dapat digunakan dalam spatial continuity adalah kovarian
(covariance). Harga kovarian dari data pada gambar 4.9 juga disajikan dalam table 5.1.
Harga kovarian juga menunjukan trend yang sama dengan koefisien korelasi.
Hubungan antara harga kovarian dari sebuah h-scatterplot dan h disebut dengan fungsi
kovarian .
Index lain yang dapat digunakan untuk melihat sebaran dari data adalah momen
inersia dari line x = y yang dapat dihitung dengan persamaan berikut:

momen inersia

1 n
( xi y i ) 2

2n i 1

(18)

Momen inersia adalah setengah dari rata-rata pangkat dua dari perbedaan harga antara
x dan y (harga data pada jarak h dari x) dari setiap pasangan data pada h-scatterplot.

Gambar 5.17. Plot (a) korelasi koefisien, (b) Kovarian, dan (c) momen inersia dari data
pada Table 5.3
Pada Gambar 5.17 terlihat bahwa koefisien korelasi berkurang terhadap h begitu
dengan kovarian yang juga berkurang atau mengecil terhadap h, namun momen inersia
gambar 5.6 (c) momen inersia meningkat terhadap h. Dengan demikian koefisien
korelasi dan kovarian berbanding terbalik dengan momen inersia. Hubungan antara
momen inersia pada h-scatterplot dengan h disebut dengan semivariogram atau

variogram. Sehingga, plot pada gambar 5.6 (c) merupakan variogram dari data yang
ditunjukan pada Gambar 5.16.

CHAPTER 6
VARIOGRAM ATAU SEMIVARIOGRAM
Tiga parameter statistika yang telah dijelaskan pada chapter sebelumnya digunakan
untuk melihat penyebaran dari sebuah variable data pada sebuah h-scatterplot. Ketiga
parameter tersebut akan sangat sensitive pada data yang bersifat abberative
(menyimpang atau aneh dibanding data yang lain). Satu data yang memiliki harga yang
aneh akan sangat mempengaruhi hasil dari tiga parameter (koefisien korelasi ((h)),
kovariansi (C(h)), dan semivariogram ((h))) yang akan dihasilkan. Dengan demikian
karena sensitifitas dari tiga parameter ini maka analisa terhadap data yang bersifat aneh
harus dilakukan dengan baik. Jika hal ini tidak dilakukan dengan baik maka koefisien
korelasi, kovariansi dan semivariogram (variogram) akan memberikan informasi yang
tidak akurat atau tidak jelas. Koefisien korelasi, kovariansi, dan variogram sangat
berkaitan satu sama lain.
6.1

Beberapa Catatan Penting Variogram

6.1.1

Stationaritas Semu

Pada praktek, fungsi struktural kovarians atau variogram hanya

digunakan untuk jarak terbatas h <= a dimana a adalah batas dari
penaksiran contoh diameter daerah penaksiran. V(t) dan V(t+h)
tidak dapat dipandang sebagai berasal dari mineralisasi homogen
yang sama jika h>a.
Pada kasus ini maka fungsi structural C(t,t+h) atau (t,t+h) tidak lebih
dari pada stationaritas secara lokal untuk jarak h kurang dari batasan a.
6.1.2

Tidak Munculnya Korelasi

Ketika jarak h semakin besar maka korelasi antara dua data yang dipasangkan akan
tidak ditemukan, C(h) 0, jika h . Secara praktis C(h) = 0, pada h a.
Diluar jarak a, C(h) dapat dipandang menjadi sama dengan nol
disebut range dan ini menyajikan transisi (perubahan) yang tidak
memberikan korelasi pada h a.
6.1.3

Sifat Variogram

Definisi
semi-variogram
sebagai
varians
dari
mengakibatkan sifat-sifat sebagai berikut:
(0) = 0, (h) = (h) 0, dan (h) (0)

increment,

Secara umum, tetapi tidak selalu harus, peningkatan h akan

menyebabkan rata-rata kuadrat pada data yang berpasangan V(t)

dan V(t+h) cenderung meningkat dan oleh sebab itu (h) meningkat
dari nilai awal (nol).
6.1.4

Fenomena Transisi

Kurva 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 pasangan data yang acak. 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.
6.1.5

Zona Pengaruh

Pada suatu fenomena transisi, setiap nilai data V(t) 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 V(t+h) dan
V(t+h) selanjutnya tidak terkorelasi.
6.2

Perhitungan Variogram

Variogram dihitung dengan suatu rumus yang sederhana yaitu

perbedaan rata-rata 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.
Variogram dapat dihitung dengan persamaan berikut ini:
n

( h)

[v(t ) v(t
i 1

ih

)] 2

2 N ( h)
(19)

dimana (h) adalah variogram pada arah dengan jarak berharga h, h adalah jarak antara
data yang berpasangan (1d, 2d, 3d, 4d) (lihat Gambar 6.18) , v(ti) adalah harga data
pada point ti dan v(ti+h) adalah harga data pada point yang berjarak h dari ti. N(h) adalah
jumlah pasangan data.

Gambar 6.18. Penentuan pasangan data dan jarak antara pasangan data.
Berikut ini adalah contoh penghitungan variogram pada data kadar emas (dalam ppm)
di sepanjang urat dengan jarak pengambilan conto (d) setiap 2 meter.

Gambar 6.19. Hasil perhitungan eksperimental variogram dan varians populasi (garis
mendatar dengan harga 5.25 ppm2)
Perhitungan di atas dilakukan pada pasangan conto yang harus tepat
pada jarak h dan tepat arah 0, sedangkan pada prakteknya 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 x 0 pada arah
termaksud.

Gambar 6.20. Arah dari Variogram (), area pencarian dengan angle of classes (/2)
dan distance of classes (hh) (David, 1977).
Algoritma perhitungan variogram adalah sebagai berikut:
1. Setiap titik conto mempunyai kesempatan untuk menjadi titik origin (t i). Titiktitik lainnya dihitung dengan perbedaan kuadratnya [v(ti)v(ti+h)]2. Jarak antara titik origin (ti) dan titik lainnya (ti+h) harus
berada pada distance classes (hh). Jika titik ti+h berada di
luar daerah distance classes dan angle classes, maka
perbedaan kuadrat tidak dihitung. Demikian perhitungan ini
berulang-ulang di setiap titik ti+h.
2. Selanjutnya dengan prosedur pada butir 1 titik-titik lainnya
juga diberi kesempatan menjadi titik origin ti.
3. Untuk prosedur 1 dan 2 hitung jumlah pasangannya N(h) yang
memenuhi syarat di atas dan juga jumlahnya secara kumulatif
semua perbedaan kuadratnya [v(ti)-v(ti+h)]2. Dengan rumus di
atas, maka dapat dihitung (semi)variogram untuk jarak
pasangan h=id, dimana i adalah kelipatan dari jarak (1, 2, 3...).
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.
6.3

Sifat dan Struktur Variogram

6.3.1

Perilaku Variogram di Dekat Titik Awal

Kontinuitas distribusi suatu variabel sangat erat hubungannya dengan perilaku suatu
variagram di dekat titik awal. Berikut ini adalah beberapa perilaku variogram.
Parabolic

Gambar 6.21. Suatu perilaku parabolik di dekat titik awal memperlihatkan suatu
kontinuitas variabel yang tinggi, yaitu sifat distribusi data yang teratur, seperti variabel
geofisika, geokimia, muka air tanah atau kadang-kadang data tebal batubara.

Linier
Variogram dengan karakter linear dapat dilihat pada gambar berikut ini.

Gambar 6.22. Perilaku linier di dekat titik awal menyatakan suatu variabel dengan
kontinuitas sedang. Variogram semacam ini biasanya berlaku pada data kadar bijih.

Tidak Teratur

Gambar 6.23. Variabel dengan kitidakteraturan yang tinggi akan memberikan

variogram yang diawali dengan lompatan. Ketidakkontinuan ini dinamakan dengan
nugget effect.

Horizontal

Gambar 6.24. Suatu semivariogram yang berperilaku horisontal adalah hasil dari
perhitungan variabel dengan distribusi acak.
6.4

Daerah Pengaruh (Range)

Secara umum (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 (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 ()=C(sill) yang merupakan
varians populasi (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 v(t) dan v(t+h) tidak lagi tergantung
dengan jarak, dengan kata lain v(x) dan v(t+h) tidak berkorelasi satu

dengan yang lainnya. Range a adalah suatu ukuran untuk daerah

pengaruh.

Gambar 6.25. Contoh Variogram ketebalan suatu endapan berlapis.

6.5

Struktur Bersarang

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). Pengaruhpengaruh struktur ini akan saling tumpah tindih sehingga akan
memberikan satu variogram gabungan, yang dapat diuraikan atas
komponen-komponennya (Gambar 6.26). Variogram-variogram
semacam ini biasanya akan muncul pada endapan fluviatil, seperti
endapan bentuk lensa yang saling tumpah tindih atau fingering.

Gambar 6.26. Stuktur bersarang (nested structure) suatu contoh teoritis.

6.6

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. 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 6.27. Nugget Variance dan struktur mikro

6.7

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.

Isotropi
Jika variogram-variogram pada berbagai arah sama, maka dapat diartikan
bahwa (h) merupakan suatu fungsi dari harga absolut vektor
h h12 h22 h32

yang harganya adalah

, jika h1, h2,dan h3 adalah
komponen-komponen vektor h.
Anisotropi Geometri
Jika pada beberapa (h) dengan arah yang berbeda tetap
mempunyai
harga
sill C dan nugget variance yang sama, sedangkan kenaikan
variogram-variogram 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).

Gambar 6.28. Anisotropi Geometri

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 anisotropi sempurna dan dapat
diuraikan sebagai berikut:

Gambar 6.29. Anisotropi zonal.

6.8

Proportional Effect (Efek Proporsional)

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 6.30. Hubungan antara varians dan rata-rata lokal untuk endapan molibdenit,
serta variogram tiap level yang mempunyai () 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:

1 N (h)
v(t i ) v(t i h ) 2 / N (h)

2
(h) i 1
[v( h)] 2
v ( h)

1 N (h)
v(t i ) v(t I h ) / 2 / N (h)
2 i 1

(20)

Dari persamaan diatas akan diperoleh satu variogram relatif seperti digambarkan pada
Gambar 6.31. Gejala efek proporsional ini umumnya dijumpai pada data yang
mempunyai distribusi log normal.

Gambar 6.31. Kisaran variogram relatif.

6.9

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 data pada t1 dan ti+h sesuai dengan arah vektor
h-nya menggunakan persamaan berikut ini.

( h)

1 N (h) 1
v(t i ) v(t i h ) / N (h)

2 i 1 2

(21)

Hasil dari perhitungan perbedaan rata-rata tersebut dapat ditampilkan secara grafis.
Jika tidak terdapat drift maka harga (h) akan terpencar di sekitar sumbu h
tersebut.

Gambar 6.32. Contoh efek parabolik suatu drift pada variogram dari (A) data sulfur
pada tambang batubara dan (B) data timbal pada tambang Pb-Zn.
6.10

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 adalah contoh hole effect dari CLARK and
JOURNELL & HUIJBREGTS.

Gambar 6.33. Contoh variogram dengan hole effect.

6.11

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:

1. 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).
2. Kehadiran sill, pada awalnya varians statistik dari data dapat
dianggap sebagai harga sill.
3. Kehadiran anisotropi, struktur bersarang dll.
Berdasarkan ada tidaknya sill dan range, maka model variogram
dikelompokkan menjadi model dengan sill dan model tanpa sill.
6.12

Model dengan Sill

6.12.1 Linier dekat titik awal (Sferis)

Model ini dikenalkan oleh Matheron dan dikenal juga dengan model Matheron atau
model sferis.

3h 1 h 3
.............h a
( h) C

2a 2 a

(h) C...................................h a
(22)
dimana a adalah range (rentang) dan C adalah sill = ().

Gambar 6.34. Variogram model sferis atau model Matheron.

6.12.2 Linier dekat titik awal (Formery)
Hampir sama dengan model Matheron, dimana model ini juga linier dekat titik awal
namun setelah itu model akan berbelok secara eksponensial. Dikarenakan model akan
berubah secara eksponensial maka model ini dikenal juga dengan model eksponensial
atau model Formery.
( h) C 1 e ( h / a )
(23)

a adalah range dan merupakan absis dari titik potong antara garis tangensial variogram
dengan sill C.

Gambar 6.35. Variogram model eksponensial.

6.12.3 Model Parobolik dekat Titik Awal
Model ini dikenal juga dengan model Gaussian.

( h) C 1 e ( h / a )

(24)

Gambar 6.36. Variogram model parabolic (Gaussian)

6.13

Model tanpa Sill

6.13.1 Model linier

( h) ph
(h) ph
atau secara umum
, p adalah konstanta yang proporsional
terhadap h absolute 0<<2. Jika =2 maka akan menjadi model parabola.

Gambar 6.37. Variogram model linear tanpa sill.

6.13.2 Model Logaritmik atau de Wijsian
( h) 3 log h B
(25)
3

log I
2

B C0 3

dimana
, dengan 3 adalah koefisien dispersi absolut dan sama
dengan kenaikan variogram jika h diekspresikan secara logaritmis, I adalah panjang
ekivalen conto.

Gambar 6.38. Variogram model logaritmik.

6.14

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). Sense merupakan hal 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:
1. Variogram yang mempunyai pasangan conto yang sangat sedikit agar
diabaikan.
2. Nugget variance (C0) didapat dari perpotongan garis tangential
dari beberapa titik pertama variogram dengan sumbu (h).
3. 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).
4. Interprestasi nugget variance untuk variogram dengan sudut
toleransi
1800 (variogram rata-rata) akan sangat membantu untuk
memperkirakan besarnya nugget variance (David, 1979).
5. 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. Formula menghitung variogram sferis
dinyatakan dalam persamaan

3h 1 h
.............h a

2a 2 a

(h) C...................................h a

( h) C

dibawah berikut.
3h 1 h 3

( h) C

2a 2 a

(22) seperti

CHAPTER 7
SUPPORT DAN VARIANSI ESTIMASI

7.1

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), pada mana 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.
7.1.1 Support Geometri pada Ukuran Butir Conto
Sebaran data dalam suatu populasi akan semakin sempit (2 <<) dengan mengecilnya
ukuran butir conto (Gambar 7.39), 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 7.39. Pengaruh ukuran butir conto pada harga kadar.

7.1.2 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. cutoff
grade = 3%) yang berbeda pula (Gambar 7.40).

Gambar 7.40. Variasi support geometri dalam bentuk blok cadangan yang dipengaruhi
oleh luas dan orientasi blok.
7.2

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 kadar-kadarnya 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 7.41), bahwa

range a variogram titik lebih kecil dari range a variogram conto inti
dan harga sill variogram titik lebih tinggi dibanding conto inti.
l

Gambar 7.41. Regularisasi suatu semi-variogram sferis akibat conto bukan titik
(panjang inti hasil pemboran adalah I).
Untuk koreksi ini berlaku :

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.
Table 7.4. 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 :
Table 7.5. Data untuk plot variogram eksperimental

Dari variogram eksperimental dengan data pada Tabel 6.2 didapatkan parameter
berikut:

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.
Table 7.6.Perhitungan Variogram Titik (Model)

7.3

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:

Estimasi kadar rata-rata suatu cadangan bijih berdasarkan rata-rata suatu kadar
(misal didapat dari analisa conto pemboran / sumur uji),
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 7.42. 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.
7.4

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:

ZV

1
Z ( x)dx U
V V

dimana V:

(26)

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

Zv
dimana v:

1
Z ( x)dx U *
v v
(27)

Besaran U yang tidak diketahui akan diperkirakan melalui besaran yang sudah
diketahui U*, dengan demikian ini berarti v diesktensikan ke V seperti pada gambar
berikut.
harga v diekstensikan
ke V

Gambar 7.43. Ekstensi volume v ke V.

Z v ZV
Melalui ekstensi ini akan terjadi kesalahan sebesar: Error=U*-U= - . Kesalahan
ini dikarakterisasi oleh suatu varians yang dikenal dengan varians ekstensi dari v ke V.
Varians kesalahan atau deviasi ini diekspresikan sebagai berikut:

(28)
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:

(29)

(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
banyak nya_ batasan_ masalah
1
(v, V )
dx ( x y )dy
vV v V

(v, V )

(30)

(V,V ) adalah rata-rata dari (x-y), dimana x dan y adalah titik-titik di posisi yang
tidak bergantung satu sama lain pada volume V, atau

( jumlah _ ( x y ) _ untuk _ semua _ x _ pada_ V _ dan _ semua _ y _ pada _ V

banyaknya_ batasan_ masalah
1
(V ,V )
dx ( x y ) dy
VV V V

(V ,V )

(31)

(v,v )

merupakan harga rata-rata dari (x-y), dimana x dan y adalah titiktitik di posisi yang tidak bergantung satu sama lain pada volume v, atau
( jumlah _ ( x y ) _ untuk _ semua _ x _ pada _ v _ dan _ semua _ y _ pada _ v
banyaknya_ batasan_ masalah
1
(v , v )
dx ( x y )dy
vv v v

(v , v )

(32)
Secara umum hubungan-hubungan mendasar tersebut di atas dapat ditulis sebagai
berikut:

E2 (v _ k eV)

Kovarians vV

2
dx ( x y )dy
vV v V

1
dx ( x y )dy
VV V V

Varians V

1
dx ( x y )dy
vv v v

Varians v

Persamaan 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.
7.5

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. Harga rata-rata suatu blok atau cadangan bijih diperkirakan
U*

melalui harga rata-rata conto:

estimasi dari V melalui N conto z(xi).

1
N

z( x )
i

i 1

. Varians deviasi U*-U disebut varians

Gambar 7.44. Estimasi beberapa titik conto xi ke volume V.

MATHERON (1971) memberikan varians estimasi sebagai berikut:

2
N

2

NV
2
E

( x y)dy

Kovarians NV

i 1 V

1
dx ( x y )dy
VV V V

1
NN

( x

yj)

Varians V

Varians N

i 1 j 1

atau dengan S untuk N conto:

(33)
Persamaan ini penurunannya analog dengan apa yang sudah dikerjakan untuk varians

ekstensi. Seperti yang terlihat pada Gambar 7.45,

(S,S) dipengaruhi oleh geometri

conto, (V,V) oleh geometri yang diestimasi, sedangkan

hubungan antara S dan V.

(S,V) dipengaruhi oleh

7.6

CATATAN
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).
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

terhadap
(34)

Gambar 7.45. Sketsa varians estimasi menurut Huijbregt (1975).

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

(S,S) serta di dalam

volume V melalui

(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 7.46. Letak/ posisi conto terhadap proses estimasi.

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.

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
2N sangat tergantung dari (h) dan hubungan geometrik conto.
Varians estimasi terikat pada rata-rata penyimpangan kuadrat. Ketelitian harga
penaksiran dicirikan oleh varians estimasi 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=

2
E

atau dari standar deviasi relatif 2N / U*.

Harga-harga tersebut dibawah ini digunakan untuk memberikan selangselang

kepercayaan (secara konvensional) terhadap harga yang diestimasi.

U = Harga sebenarnya

U* = harga yang ditaksir/ diestimasi

E2

= varians estimasi
E

= standar deviasi estimasi

U*-2

= selang kepercayaan dengan ~

97.5% tingkat konfidensi
pembatasan satu sisi atau dengan 2.5% faktor kesalahan.

pada

U*-1

= 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.
7.7

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
N

i 1

(35)

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

E2 Var U * U i2 Var U i* U i i2 E2 (i )
i 1

7.7.1

i 1

(36)

Varians Estimasi Global Contoh Sepanjang Garis dengan Jarak Sama

Panjang L terdiri dari sejumlah N segmen I yang merupakan daerah pengaruh titik
pada segmen tersebut,
L=N.I
(37)

Varians estimasi untuk segmen I mempunyai faktor bobot:

I
N

E2 ( I ) 2 E2 ()

I
E2 ()
N2

(38)

Untuk seluruh garis L didapatkan varians estimasi global dengan persamaan berikut:

(39)
7.7.2 Varians Estimasi Global Conto Sepanjang Garis dengan Jarak yang Tidak
Sama

i l

Jikar jarak antar conto tidak sama

maka perhitungan rata-rata dan juga
penentuan varians estimasi harus dilakukan dengan pembobotan.
i

Faktor bobot

:
z

Harga rata-rata

Ii
L

1
L

I .z ( x )
i

E2 ( L)

Varians estimasi global:

7.7.3

i l

1
L2

2
i

E2 ( )

i l

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 seperti
pada gambar berikut.

Gambar 7.47. Ilustrasi varians estimasi pada bidang.

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:
E2 ( R )

l
R2

ri 2 E2 (ri )

i l

l
R2

r
2

2
E ( )

i l

Jika semua blok mempunyai besar yang sama maka berlaku,

E2 ( R )

l 2
E ( )
N

CHAPTER 8
KOVARIOGRAM DAN KRIGING

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 dalam bidang R

K(x)=
0, jika x tidak berada di bidang R
Luas bidang R dinyatakan dengan persamaan berikut:

k ( x) dx

Dalam geostatistik, kovariogram geometric didefinisikan sebagai:

K (H )

k ( x) k ( x h) dx

dengan K(0) = R

Kovariogram geometric 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 * ( x0 ) r

k(x

pr)dx r n

dimana r adalah unit bidang dan x0 adalah awal dari grid. Varians estimasi bidang
dituliskan sebagai berikut:
G2

1
r

R * (x

0)

R dx
2

R*(x0) dan R dalam integral tersebut merupakan fungsi dari variable k(x). menurut
Matheron (1971) berlaku:

2
G

K ( pr) K (h)dh

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 transisi pembatas (r0). Rumus pendekatan
varians estimasi relatif dinyatakan sebagai berikut:

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 8.48. Estimasi bidang R untuk dua grid dengan sumber yang berbeda.
8.1

Perkiraan Cadangan Endapan Bahan Galian

8.1.1 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 8.49. Lubang bor yang

menembus mineralisasi emas diberi tanda . Terdapat N0 = 58 bor menembus bijih.

Gambar 8.49. 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.
8.1.2 Variabel Teregional
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)
Karena diketahui ketebalan p diukur dalam m dan kadar t dalam g/t, maka dimensi
akumulasi adalah . Harga z(x) tidak diketahui, sedang kadar rata-rata z = 28 g.m/t
dengan varians akumulasi sebesar:

(v/V )

= 825 (m.g/t)2

Dari harga-harga z(x) pemboran yang menembus bijih telah dihitung data variogram
sebagai berikut:
8.1.3 Variogram
Tabel berikut adalah hasil hitungan variogram.
Table 8.7. Hasil hitungan variogram

Dari tabel hasil perhitungan variogram di atas, tidak terlihat adanya kenampakan
anisotropi.
Gambar di bawah berikut ini menunjukan plot variogram eksperimental dari hasil
hitungan variogram di atas. Berdasarkan kenaikannya yang cepat pada titik-titik awal,
maka model variogram yang dipilih adalah model Matheron. Varians nugget sering
terjadi pada endapan emas.

Gambar 8.50. Ploting variogram eksperimental.

Dari kurva variogram di atas dapat ditentukan parameter variogram model
Matheronnya. 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 m.g/t. Harga sill diperoleh dari pendekatan
C0 + C = 825 m.g/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.

8.1.4 Estimasi dan Varians Estimasi Bidang

Dari sejumlah N0 = 58 lubang bor yang menembus bijih, diperoleh harga estimasi luas
R* endapan sebagai berikut:

Untuk perhitungan varians estimasi relatif digunakan rumus pendekatan yang

dinyatakan pada persamaan di atas (varians estimasi relative). Jumlah potongan
endapan searah Utara - Selatan dengan panjang 20 meter adalah 44, sehingga:
2N1 = 44 N1=22
Jumlah potongan endapan searah Timur - Barat dengan panjang 30 meter adalah 20
sehingga,
2N2 = 20 N2=10
Selanjutnya dihitung jumlah seluruh bagian dalam dan seluruh bagian luar potongan
yang ada, sehingga dengan memasukan parameter di atas pada rumus menghitung
varians estimasi relative akan didapat,

Sehingga standar deviasi relatifnya adalah 3.7 x 10^-2 atau 4%. Dengan demikian G =
1280 m2. Pada perhitungan varians estimasi global dari Z melalui 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 sebagai berikut,

8.2

KRIGING

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 harga-harga
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 misal 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 berikut.

Gambar 8.51. Pencaran data antara kadar conto hasil eksplorasi dengan kadar blok
penambangan.
Dalam hal semua hasil analisa conto merupakan estimasi yang
benar,cocok atau 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 pada Gambar 8.52.

Gambar 8.52. Pencaran data antara kadar conto vs. Kadar blok untuk
conto emas (kurva B-B) (hasil penelitian Krige).
Ini berarti bahwa simpangan terbentuk secara sistematik 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 Z 1 (kurva B-B).
Tetapi sebaliknya analisa-analisa yang terletak di bawah harga ratarata Z memberikan harga yang di bawah harga-harga blok, conto z 2

melalui kurva A-A memberikan harga blok Z 2 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 2k 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 8.53),
kemudian tarik garis regresi melalui titik 0 dan titik (Z,z), selanjutnya
bagi elips tersebut dengan cut-off grade z c = Zc = 5% menjadi empat
bagian.

Gambar 8.53. Pencaran data antara kadar conto vs. kadar blok yang
memperlihatkan kesalahan penambangan.
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 8.6 (kanan)).

Daerah 4 pada Gambar 8.6 (kanan) 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 8.7).

Gambar 8.54. 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.

DAFTAR PUSTAKA

E.H. Isaaks and R.M. Srivastava, 1989, An Introduction to Applied Geostatistics,

Oxford University Press, 561 pages.
R.A. Olea, 1999, Geostatistics for Engineers and Earth Scientists, Kluwer Academic
Publishers, 303 pages.
Alawiyah, S., & Hendriyana, A. (2010). Modul Praktikum TG3107-Geostatistik.
Bandung: Program Studi Teknik Geofisika, Institut Teknologi Bandung, 51 pages.
Heriawan, M. N. Introduction to Geostatistics for Resources Evaluation and Estimation
(2013), 124 pages.
Singer, D. A., & Menzie, W. D. (2010). Quantitative Mineral Resource Assesment (An
Integrated Approach). New York: Oxford University Press.