SIMULASI NILAI KONDUKTIVITAS HIDRAULIK DENGAN METODE

SEQUENTIAL GAUSSIAN SIMULATION

Hifdzul FIKRI1, Irwan ISKANDAR2
1
Mahasiswa Program Studi Magister Rekayasa Pertambangan, Institut Teknologi Bandung
2
Kelompok Keahlian Eksplorasi Sumberdaya Bumi, Program Studi Rekayasa Pertambangan, Institut Teknologi
Bandung

Abstrak
Pada suatu lapisan tanah ataupun batuan, terdapat beberapa sifat jika material tersebut berinteraksi dengan
air. Salah satu sifat yang terjadi adalah kemampuan suatu tanah ataupun batuan untuk meloloskan air dibawah
permukaan. Sifat ini diwakili dengan pengukuran nilai konduktivitas hidraulik suatu batuan. Agar diperoleh nilai
konduktivitas hidraulik yang representatif, diperlukan suatu metode estimasi nilai konduktivitas hidraulik
berdasarkan data yang telah diketahui
Sequential gaussian simulation merupakan salah satu metode simulasi dengan melakukan beberapa macam
estimasi agar diperoleh kecenderungan persebaran nilai data konduktivitas hidarulik. Sequential Gaussian
Simulation (SGS), secara spesifik sangat cocok untuk data yang bersifat kontinu dengan cara mengasumsikan
bahwa data kontinu, atau mengubah data sehingga memiliki distribusi normal (Gaussian). Asumsi utama di balik
SGS adalah bahwa data tersebut bersifat stasioner, rata-rata, dan variansi populasi sebenarnya serta struktur
spasial (semivariogram) tidak berubah dari domain spasial data.
Proses simulasi dilakukan dengan terlebih dahulu mentransformasi data konduktivitas hidraulik yang ada
menjadi data yang berdistribusi normal. Kemudian, dilakukan beberapa analisis statistik deskriptif pada data dan
hasil estimasi nilai konduktivitas hidarulik yang menghasilkan kecenderungan yang sama. Hal tersebut terlihat
pada hasil analisis statistik deskriptif yang dilakukan. Berdasarkan metode tersebut, diperoleh beberapa hasil
simulasi yang dapat menggambarkan beberapa kecenderungan nilai-nilai konduktivitas hidraulik pada daerah-
daerah tertentu dalam suatu wilayah ikat.

Kata Kunci: Konduktivitas Hidraulik, Sequential Gaussian Simulation, Statistika Deskriptif

1. Pendahuluan tertentu bila berinteraksi dengan air.

2. Air merupakan zat, materi, ataupun
unsur yang penting bagi semua bentuk
kehidupan yang diketahui sampai saat ini di
muka bumi, tetapi tidak di planet lain.
Seperti yang kita ketahui, air menutupi
hampir 71% permukaan bumi. Air
diperlukan untuk kelangsungan proses
biokimiawi organisme hidup, sehingga
sangat penting keberadaannya di muka bumi
ini.
3. Pada dasarnya, air terdapat didalam
tanah karena ditahan (diserap) oleh massa
tanah, tertahan oleh lapisan kedap air, atau
karena keadaan drainase yang kurang baik.
Air dapat meresap atau ditahan oleh tanah
karena adanya gaya-gaya seperti adhesi,
kohesi, dan gravitasi. Kadar air maksimum
suatu jenis tanah ditentukan oleh daya hisap
matriks atau partikel tanah, kedalaman
tanah, serta pelapisan tanah.
4. Pada dasarnya, tanah ataupun
batuan memiliki beberapa karakteristik
Parameter atau ukuran yang dapat
menggambarkan kemampuan tanah dalam
melewatkan air disebut konduktivitas
hidraulik (Hydraulic Conductivity). Salah
satu kondisi yang mempengaruhi
kemampuan tanah dalam melewatkan air
adalah kadar air di dalam tanah atau lapisan
batuan tersebut. Maka dari itu, konduktivitas
hidraulik tanah atau batuan dibedakan
menjadi dua yaitu konduktivitas hidraulik
dalam keadaan jenuh dan konduktivitas
hidraulik dalam keadaan tidak jenuh.
5. Terdapat beberapa metode dalam
menentukan konduktivitas hidraulik,
diantaranya: (1) Constant Head
Permeameter; (2) Falling Head Soil Core
atau Tank Method; (3) Steady Flow Soil
Column Method; (4) Hazzen Test; (5) Slug
Test, dan sebagainya. Beberapa faktor yang
dijadikan batasan diantaranya ketersediaan
alat, sifat alami tanah, ketersedian sampel,
 serta kemampuan dan pengetahuan seorang Simulation (SGS), secara spesifik sangat cocok untuk
pelaku percobaan. data yang bersifat kontinu dengan cara
6. Nilai K (Konduktivitas Hidraulik) mengasumsikan bahwa data kontinu, atau mengubah
ditentukan dengan menggunakan rumus data sehingga memiliki distribusi normal (Gaussian).
Asumsi utama di balik SGS adalah bahwa data
yang merupakan turunan dari hukum Darcy
tersebut bersifat stasioner, rata-rata, dan variansi
(Hillel, 1980), seperti: populasi sebenarnya serta struktur spasial
dV (semivariogram) tidak berubah dari domain spasial
7.
Q=
dT data. Asumsi kunci lain dalam SGS adalah bahwa
fungsi acak yang dimodelkan adalah mengikuti
QL fungsi acak multivariat.
8.
K= 20. Sequential Gaussian Simulation (SGS) pada
HA
dasarnya menawarkan beberapa keuntungan lebih
9. Dengan: dibandingkan metode kriging. Hal ini disebabkan
10. Q = Debit (cm3) karena metode kriging didasarkan pada rata-rata lokal
11. k = Koefisien Permeabilitas (cm/detik) data serta menghasilkan output yang dihaluskan. Di
12. A = Luas Penampang (cm2) sisi lain, Sequential Gaussian Simulation (SGS)
13. dV = Koefisien Hidraulik (cm3) menghasilkan representasi yang lebih baik dari
14. dt = Waktu (detik) variabilitas lokal karena pada metode ini dilakukan
15. penambahan pada variabilitas lokal yang tak dapat
16. Hukum Darcy menunjukkan bahwa diestimasi oleh metode kriging. Variabilitas yang
permeabilitas tanah ditentukan oleh direalisasika oleh Gaussian Simulation dapat
koefisien permeabilitasnya.Koefisein menambah nilai prediksi di lokasi tertentu yang
permeabilitas tanah bergantung pada memiliki rata-rata nol, sehingga rata-rata hasil
berbagai faktor. Setidaknya, ada enam faktor estimasi pada banyak realisasi SGS akan cenderung
utama yang memengaruhi permeabilitas mengarah pada hasil estimasi dengan menggunakan
tanah, yaitu: metode kriging. Konsep Sequential Gaussian
1 Viskositas Cairan, yaitu semakin tinggi Simulation (SGS) diilustrasikan pada gambar di
viskositasnya, koefisien permeabilitas tanahnya bawah ini.
akan semakin kecil. 21.
2 Distribusi Ukuran Pori, yaitu semakin merata
distribusi ukuran porinya, koefesien
permeabilitasnya cenderung semakin kecil.
3 Distibusi Ukuran Butiran, yaitu semakin merata
distribusi ukuran butirannya, koefesien
permeabilitasnya cenderung semakin kecil.
4 Rasio Kekosongan (Void Ratio) , yaitu semakin
besar rasio kekosongannya, koefisien
permeabilitas tanahnya akan semakin besar.
5 Kekasaran Partikel Mineral, yaitu semakin kasar
partikel mineralnya, koefisien permeabilitas
tanahnya akan semakin tinggi.
6 Derajat Kejenuhan Tanah, yaitu semakin jenuh
tanahnya, koefisien permeabilitas tanahnya akan
semakin tinggi.
17.
18. Metodologi Penelitian
19. Simulasi secara luas didefinisikan sebagai 22. Gambar 1. Hasil Realisasi dengan Metode
proses mereplikasi realitas yang ada dengan Sequential Gaussian Simulation (SGS)
menggunakan suatu model acuan. Dalam geostatistik,
simulasi adalah realisasi dari fungsi acak
(permukaan) yang memiliki fitur statistik sama
dengan data sampel yang digunakan untuk
menghasilkan beberapa kemungkinan hasil estimasi
(diukur dengan mean, varians, dan semivariogram
sebagai fitur statistik acuan). Sequential Gaussian
 23.
24. Gambar 2. Histogram data yang telah
ditransformasi
25.
26. Peningkatan penggunaan SGS mengikuti
perkembangan yang sangat baik dalam praktek
geostatistik yang sangat menekankan karakterisasi
ketidakpastian keputusan dan analisis risiko, daripada
memproduksi yang terbaik berisi prediksi untuk
setiap lokasi tanpa sampel (seperti yang dilakukan
dengan kriging) maka akan lebih cocok untuk
menunjukkan tren global dalam data (Deutsch dan
Journel 1998, Goovaerts 1997). Simulasi juga
mengatasi masalah bias kondisional dalam perkiraan
metode kriging (daerah bernilai tinggi biasanya
under-estimated, sementara daerah rendah-nilai
biasanya over-estimated).
27. Simulasi geostatistik menghasilkan beberapa
representasi kemungkinan yang sama dari distribusi
spasial atribut yang diteliti. Representasi ini
menyediakan cara untuk mengukur ketidakpastian
untuk lokasi tanpa sampel diambil secara komunal
dalam ruang daripada satu per satu (yang diukur
dengan varians kriging). Selain itu, varians kriging
biasanya independen dari nilai data dan umumnya
tidak dapat digunakan sebagai ukuran akurasi
estimasi. Di sisi lain, akurasi estimasi dapat diukur
dengan membangun distribusi nilai taksiran lokasi
tanpa sampel menggunakan beberapa realisasi
simulasi yang dibangun dari model kriging sederhana
menggunakan input data yang terdistribusi normal
(yaitu, data yang baik biasanya didistribusikan atau
memiliki diubah menggunakan skor normal atau jenis
lain dari transformasi). Distribusi ketidakpastian ini
merupakan kunci untuk risiko analisis penilaian dan
keputusan yang menggunakan nilai estimasi data.
28. Sequential Gaussian Simulation
mengasumsikan bahwa data terdistribusi secara
normal walaupun realitanya sangat jarang terjadi
dalam praktek. Sebuah transformasi nilai normal
dilakukan pada data sehingga akan mengikuti
standardisasi distribusi normal (mean = 0 dan varians
= 1). Simulasi kemudian berjalan di data ini yang
telah terdistribusi secara normal, dan hasilnya
kembali diubah untuk memperoleh keluaran simulasi
di unit asli. Ketika Simple Kriging dilakukan pada
data terdistribusi normal, metode ini akan
menyediakan estimasi kriging dan varian yang
sepenuhnya menentukan distribusi bersyarat pada
setiap lokasi di daerah penelitian. Hal ini
memungkinkan seseorang untuk menarik realisasi
simulasi dalam fungsi acak (pada data yang tidak
diketahui pada permukaan sampel) sehingga hanya
mengetahui dua parameter di setiap lokasi. Hal ini
merupakan alasan metode SGS didasarkan pada
model Simple Kriging dan data yang terdistribusi
normal.
29.
30. Pada Sequential Gaussian Simulation
dikenal beberapa metode simulasi:
Simulasi kondisional yang menghormati nilai-
nilai data sebenarnya (kecuali kesalahan
pengukuran yang telah dimasukkan dalam model
kriging). Beberapa perbedaan antara nilai-nilai
diukur dan simulasi untuk lokasi sampel dapat
terjadi karena simulasi menghasilkan nilai-nilai
di pusat sel grid, yang mungkin tidak sesuai
persis dengan lokasi titik sampel. Simulasi
kondisional juga bereplikasi mean, varians, dan
semivariogram dari data. Permukaan simulasi
terlihat seperti peta prediksi kriging, tetapi
menunjukkan variabilitas yang lebih spasial.
Simulasi tanpa syarat yang berarti tidak
menghormati nilai-nilai data sebenarnya.
Permukaan simulasi menunjukkan tata ruang
yang mirip dengan peta pada metode Ordinary
Kriging, tetapi nilai tinggi dan rendahnya data
tidak akan selalu terjadi pada titik-titik data yang
telah ada.
31.
32. Hasil dan Pembahasan
33. Sebelum dilakukan proses estimasi, akan
dilakukan perhitungan analisis statistik pada data
konduktivitas hidraulik. Secara umum, persebaran
nilai data konduktivitas hidraulik dapat dilihat pada
histogram di bawah ini:
34.
35.
36. Gambar 3. Histogram Data Konduktivitas
Hidraulik
37.
38. Dalam penelitian ini, dilakukan pula analisis
statistik untuk melihat kecenderungan data yang telah
diperoleh serta memberikan gambaran terhadap
keseluruhan data yang ada. Berikut ini merupakan
tabel hasil analisis statistik deskriptif yang telah
diperoleh:
39.
40. Tabel 1. Analisis Statistik Deskriptif Data
Konduktivitas Hidraulik
41.
42. Kemudian, pada penelitian ini, akan
dilakukan proses simulasi dengan metode sequential
gaussian simulation. Maka dari itu, perlu dilakukan
proses transformasi data agar data dapat berdistribusi
normal. Untuk menghindari nilai konduktivitas yang
terlalu kecil, maka sebelum dilakukan transformasi
menjadi distribusi normal, akan dilakukan proses
transformasi data dengan log normal. Berikut ini
merupakan bentuk histogram serta analisis statistik
deskriptif yang dihasilkan oleh data yang telah
ditransformasi lognormal.
43.
44.
45. Tabel 2. Analisis Statistik Deskriptif Data
Konduktivitas Hidraulik (Transformasi Log)
46.
47.
48. Gambar 4. Histogram Data Konduktivitas
Hidraulik (Transformasi Log)
49.
50. Selanjutnya, akan dilakukan transformasi
terhadap data yang telah dilakukan proses logaritmik.
Hal ini sudah menjadi syarat untuk dilakukannya
proses sequential gaussian simulation (SGS) pada
penelitian ini yang telah dibahas sebelumnya. Berikut
ini merupakan kenampakan histogram data
konduktivitas hidraulik yang telah ditransformasi.
51.
52. Gambar 5. Histogram Data Konduktivitas
Hidraulik (Transformasi Gaussian)
53.
54. Berdasarkan gambar histogram diatas, dapat
dilihat bahwa bentuk histogram sudah sangat
mendekati kurva distribusi normal. Dan berdasarkan 61.
hasil perhitungan, juga diperoleh bahwa nilai mean
sebesar 0.0048 0 dan nilai varians sebesar 0.848823
1. Kemudian, setelah dilakukannya proses
transformasi, akan dilakukan proses simulasi dari
data nilai kondultivitas yang telah diperoleh. Bentuk
persebaran data konduktivitas hidraulik akan
ditunjukkan pada Gambar 6.
55.

62. Gambar 8. Model Variogram Arah NE-SW

63.

56. Gambar 6. Persebaran Data Konduktivitas

Hidraulik
57. Kemudian, dilakukan proses konstruksi
variogram sebagai parameter yang akan digunakan 64. Gambar 9. Model Variogram Arah E-W
dalam proses simulasi. Pada penelitian ini, dilakukan 65.
pemodelan variogram terhadap 4 arah utama pada
bidang horizontal (N-S, E-W, NE-SW, NW-SE) dan
arah vertikal dikarenakan pada data yang diberikan
diperoleh kecenderungan geometri anisotropi
(anisotropy ellipsoid).
58.
59.

66. Gambar 10. Model Variogram Arah NW-SE

60. Gambar 7. Model Variogram Arah N-S

Gambar 11. Model Variogram Arah Vertikal

67.
 68.
Realisasi 1 Realisasi 2 Realisasi 3

69.

70.
Realisasi 4 Realisasi 5 Realisasi 6

71.
 72.
Realisasi 7 Realisasi 8 Realisasi 9

73.

74.
75. Realisasi 10
76. Gambar 12. Hasil 10 Simulasi dengan Metode Sequential Gaussian Simulation
77.
78. Berdasarkan hasil simulasi diatas, dapat
diperoleh sepuluh kemungkinan nilai konduktivitas
hidraulik suatu material pada titik-titik atau blok-blok
yang tidak terdapat data. Pada gambar diatas, terdapat
beberapa kecenderungan nilai-nilai konduktivitas
pada beberapa daerah di setiap hasil simulasi yang
80.
diperoleh. Kecenderungan nilai konduktivitas
hidraulik tersebut dapat bernilai tinggi ataupun
rendah. Selain itu, akan diperlihatkan pula beberapa
analisis statistik deskriptif pada setiap hasil simulasi
yang diperoleh seperti pada tabel dibawah ini.

81.

79.

82.
 87.
87.1. Saran
88. Berdasarkan penelitian ini, diperoleh
beberapa saran diantaranya:
1. Perlu dilakukannya korelasi dengan struktur
geologi, stratigrafi, serta litologi pada daerah
83.
penelitian
84. Tabel 3. Analisis Statistik Deskriptif Hasil
2. Perlu dilakukannya data yang lebih banyak
Simulasi
terutama pada arah vertikal agar diperoleh
85. Kesimpulan dan Saran
hasil yang lebih maksimal
85.1. Kesimpulan
89.
86. Berdasarkan penelitian yang telah
90. DAFTAR PUSTAKA
dilakukan, dapat disimpulkan bahwa:
91.
1. Berdasarkan analisis statistik deskriptif data
92. Journel, A. G., Huijbregts, Ch. J. 1978. Mining
konduktivitas hidraulik, diperoleh mean sebesar,
Geostatistics. San Diego: Academic Press
variansi sebesar, dan nilai range sebesar
93.
2. Proses transformasi data menjadi data yang
94. Kelly, Susan E, et.al.. 2003. Ground Water:
berdistribusi normal (mean = 0, variansi = 1
Measuring the Hydraulic Conductivity of
menjadi salah satu kondisi yang harus dipenuhi
Shallow Submerged Sediment. South Carolina,
sebelum dilakukan proses simulasi
USA. Clemson University Press.
3. Pada hasil simulasi diperoleh beberapa
95.
kecenderungan nilai estimasi yang tinggi dan
96. Sinclair, Alaistar J. et.al. 2002. Applied Mineral
rendah di beberapa daerah ikat penelitian.
Inventory Estimation. Cambridge, United
4. Berdasarkan analisis statistik deskriptif hasil
Kingdom. Cambridge University Press
simulasi nilai konduktivitas hidarulik, diperoleh
97.
nilai yang tidak berbeda signifikan.
98.