LAPORAN

Disusun oleh:
Al anhar Hardianto (1203144)
Arif Munandar (1203141)
Asrar Halim (1203138)
Chandrika Raflesia (1203142)
Erni Fitri Rosita (1203143)
Fikriansyah Ersyad (1206358)
Ikke Putra Landupa (1206356)
Joni Pradinata (1203135)
Maira Triana Putri (1203149)
Rahmat hidayat (1203147)

Mahasiswa Strata-1
Jurusan Teknik Pertambangan
Universitas Negeri Padang

JURUSAN TEKNIK PERTAMBANGAN

FAKULTAS TEKNIK
UNIVERSITAS NEGERI PADANG
2015
 KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena
atas penyertaan-Nya penulis dapat menyelesaikan Laporan Pemodelan dan
Evaluasi Cadangan dengan baik. Penyusunan laporan ini bertujuan untuk
memenuhi Tugas Akhir Perkuliahan Mata Kuliah Pemodelan dan Evaluasi
Cadangan. Penulis berharap laporan ini dapat digunakan untuk menambah
pemahaman tentang Pemodelan dan Evaluasi Cadangan.

Penulis menyampaikan terima kasih kepada :

1. Orang tua dan keluarga penulis yang telah membantu baik moril, materil,
dan motivasi,
2. Pak Dedi Yulhendra ST., MT., selaku dosen mata kuliah Pemodelan dan
Evaluasi Cadangan.
3. Kakanda Sondra Fetronal yang telah mengajarkan konsep dan proses
dalam penggunaan software datamine, dan
4. Rekan-rekan mahasiswa Teknik Pertambangan sehingga penulis dapat
menyelesaikan tugas serta laporan Pemodelan dan Evaluasi Cadangan

Penulis menyadari bahwa terdapat kekurangan dalam laporan ini karena

keterbatasan pengetahuan dan kemampuan. Oleh karena itu, kritik dan saran
yang membangun dari pembaca sangat diharapkan demi kesempurnaan laporan
ini.

Padang, 3 Juni 2015

Penulis
 DAFTAR ISI

HALAMAN JUDUL
KATA PENGANTAR ....................................................................................... i
DAFTAR ISI .................................................................................................... ii
DAFTAR TABEL .......................................................................................... iii
DAFTAR GAMBAR ........................................................................................ iv

BAB I. BASIS DATA

A. Data Assay ............................................................................................ 1
B. Data Collar ............................................................................................ 4
C. Data Survey ........................................................................................... 5

BAB II. LANDASAN TEORI

A. Pentingnya Permodelan dan Estimasi Sumberdaya .............................. 6
B. Basis Data Komputer dan Konsep Model Blok .................................... 8
C. Statistik Univarian ................................................................................ 10
D. Statistik Bivarian .................................................................................. 15
E. Metode Estimasi Sumberdaya .............................................................20
BAB III. PEMBAHASAN
A. Penyusunan Basis Data Assay .............................................................. 24
B. Analisis Statistik Deskriptif Ketebalan secara keseluruhan ................. 26
C. Analisis Statistik Univarian................................................................... 32
D. Analisis Statistik Bivarian ..................................................................... 37
E. Pemodelan Badan Bijih ......................................................................... 40
F. Estimasi Sumberdaya Nikel ................................................................. 42

BAB IV. PENUTUP

A. Kesimpulan .......................................................................................... 43
B. Saran ..................................................................................................... 43
 BAB I
BASIS DATA

A. Data Assay
Data Assay merupakan data yang memuat informasi kedalaman penembusan
(from and to) beserta kadar pada setiap penembusan bor inti atau interval
sampling pada bijih.

BHID FROM TO NI FE CO SIO2 CAO MGO LITHOLOGY

PA 0224 0 2 1.32 47.94 0.13 4.73 0.08 0.48 Limonit
PA 0224 2 14 1.82 25.95 0.14 27.13 0.52 14.03 HSOZ
PA 0224 14 25 1.13 9.08 0.03 40.13 2.04 29.27 Bedrock
PA 0225 0 8 1.13 39.11 0.13 13.87 0.07 1.23 Limonit
PA 0225 8 22 1.74 32.05 0.19 24.3 0.14 3.06 LSOZ
PA 0225 22 26 0.88 9.23 0.03 41.45 0.36 31.42 Bedrock
PA 0226 0 4 1.23 32.44 0.16 26.62 0.26 6.15 Limonit
PA 0226 4 12 1.88 22.58 0.12 32.77 0.4 13.33 HSOZ
PA 0226 12 25 0.7 8.67 0.02 41.63 2.49 29.35 Bedrock
PA 0227 0 4 1.22 38.23 0.26 14.87 0.12 1.54 Limonit
PA 0227 4 13 1.47 14.78 0.05 41.63 0.41 20.54 LSOZ
PA 0227 13 23 0.76 8.18 0.02 41.11 2.1 30.34 Bedrock
PA 0228 0 3 0.83 36.43 0.09 12.89 0.08 0.44 Limonit
PA 0228 3 4 1.15 29.01 0.1 17.34 0.55 4.8 LSOZ
PA 0228 4 17 1.8 11.24 0.04 37.2 1.18 22.06 HSOZ
PA 0228 17 19 0.51 7.22 0.02 39.2 2.27 29.93 Bedrock
PA 0231 0 2 1.26 36.46 0.18 17.76 0.09 5.08 Limonit
PA 0231 2 25 2.38 16.84 0.06 34.21 0.46 21.64 HSOZ
PQN 0232 0 2 1.05 37.35 0.13 15.57 0.11 2.98 Limonit
PQN 0232 2 3 1.45 36.64 0.19 17.75 0.13 2.73 LSOZ
PQN 0232 3 8 1.85 32.68 0.13 23.15 0.22 4.9 HSOZ
PQN 0232 8 25 0.97 11.89 0.03 43.59 1.18 25.49 Bedrock
PA 0233 0 3 1.23 35.05 0.1 18.26 0.1 4.95 Limonit
PA 0233 3 10 1.52 35.25 0.21 18.98 0.08 2.52 LSOZ
PA 0233 10 25 2.46 18.87 0.07 36.99 0.41 17.21 HSOZ
PA 0234 0 1 1.18 36.55 0.15 12.8 0.19 4.89 Limonit
PA 0234 1 13 2.75 20.46 0.11 28.53 1.26 13.6 HSOZ
PA 0234 13 17 0.83 7.08 0.02 38.02 1.83 33.34 Bedrock
PA 0235 0 4 0.72 38.67 0.1 8.34 0.04 1.18 Topsoil
PA 0235 4 6 1.15 22.46 0.09 21.51 0.88 15.27 Limonit
PA 0235 6 13 1.83 14.66 0.05 34.27 1.46 20.5 HSOZ
PA 0235 13 15 0.86 9.36 0.03 36.19 1.93 29.92 Bedrock
PA 0241 0 3 1.05 29.14 0.16 26.48 0.15 3.86 Limonit
PA 0241 3 12 1.51 11.22 0.04 43.17 1.66 19.53 LSOZ
PA 0241 12 14 2.15 10.99 0.04 42.16 1.51 21.71 HSOZ
PA 0241 14 19 0.67 6.05 0.01 41.3 0.49 35.48 Bedrock
PA 0242 0 3 1.38 36.76 0.19 14.47 0.18 2.49 Limonit
PA 0242 3 17 2.01 31.76 0.26 18.24 0.59 7.73 HSOZ
PA 0242 17 25 0.97 8.8 0.03 38.04 2.59 27.53 Bedrock
PA 0243 0 3 1.12 40.39 0.16 11.09 0.1 1.99 Limonit
PA 0243 3 8 2.39 16.46 0.09 40.04 1.25 17.3 HSOZ
PA 0243 8 23 0.85 10.34 0.03 49.15 2.81 22.52 Bedrock
PA 0244 0 3 1.39 41.23 0.13 5.46 0.08 0.43 Limonit
PA 0244 3 5 1.48 39.26 0.12 8.54 0.07 0.5 LSOZ
PA 0244 5 26 1.73 20.15 0.09 28.44 1.46 13.86 HSOZ
PA 0245 0 6 1.05 39.48 0.1 8.91 0.07 0.49 Limonit
PA 0245 6 14 1.6 37.97 0.18 7.86 0.07 0.49 LSOZ
PA 0245 14 26 2.86 21.98 0.08 27.54 0.85 11.87 HSOZ
PA 0256 0 12 1.23 33.45 0.2 23.01 0.08 3.12 Limonit
PA 0256 12 16 1.48 35.5 0.2 17.19 0.08 1.92 LSOZ
PA 0256 16 26 1.24 16.36 0.15 39.44 0.25 12.72 Bedrock
PA 0257 0 1 1.14 34.65 0.16 20.82 0.14 4.67 Limonit
PA 0257 1 3 1.54 31.69 0.4 15.89 0.34 4.77 LSOZ
PA 0257 3 27 1.85 12.19 0.04 40.28 1.71 20.27 HSOZ
PA 0257 27 29 0.57 7.11 0.02 39.59 0.3 35.4 Bedrock
PA 0258 0 4 1.22 39.08 0.14 14.73 0.12 2.86 Limonit
PA 0258 4 8 1.82 35.29 0.21 16.86 0.13 2.25 LSOZ
PA 0258 8 19 2.13 11.53 0.04 42.13 0.94 28.76 HSOZ
PA 0258 19 25 0.54 9.15 0.03 48.8 2.28 26.38 Bedrock
PA 0259 0 5 1.42 40.97 0.16 6.82 0.07 1.94 Limonit
PA 0259 5 10 1.55 32.43 0.24 16.47 0.08 1.72 LSOZ
PA 0259 10 29 2.08 29.68 0.13 18.73 0.5 7.5 HSOZ
PA 0259 29 30 0.2 3.42 0 10.84 1.1 22.09 Bedrock
PA 0260 0 3 0.72 37.86 0.1 9.96 0.06 1.7 Topsoil
PA 0260 3 4 1.19 36.41 0.14 11.61 0.05 1.44 Limonit
PA 0260 4 5 1.68 37.6 0.21 11.81 0.06 1.9 LSOZ
PA 0260 5 23 2.06 21.63 0.17 26.42 0.99 15.27 HSOZ
PA 0260 23 25 1.11 15.83 0.06 33.6 1.23 19.66 Bedrock
PA 0266 0 1 0.84 23.2 0.12 37.54 0.17 2.45 Topsoil
PA 0266 1 11 2.08 16.37 0.06 33.36 1.54 21.44 HSOZ
PA 0266 11 15 0.68 6.85 0.01 37.45 2.38 35.98 Bedrock
PA 0267 0 1 1.3 37.79 0.24 10.6 0.26 2.55 Limonit
PA 0267 1 3 1.56 38.12 0.18 11.27 0.09 1.9 LSOZ
PA 0267 3 16 2.54 21.97 0.12 27.98 0.62 15.21 HSOZ
PA 0267 16 20 0.73 7.51 0.02 37.03 2.33 34.28 Bedrock
PA 0268 0 1 1.16 38.35 0.1 11.97 0.12 3.13 Limonit
PA 0268 1 3 1.6 36.97 0.28 10.85 0.11 2.15 LSOZ
PA 0268 3 22 2.05 17.34 0.09 32.87 1.54 20.96 HSOZ
PA 0268 22 23 0.38 7.05 0.02 35.83 2.7 34.71 Bedrock
PA 0269 0 4 1.23 40.96 0.12 6.46 0.08 2.05 Limonit
PA 0269 4 12 1.54 36.32 0.19 11.52 0.08 1.62 LSOZ
PA 0269 12 20 2.29 20.89 0.11 25.58 0.92 15.19 HSOZ
PA 0269 20 25 1.09 10.79 0.03 35.83 2.04 21.09 Bedrock
PA 0270 0 4 1.14 39.79 0.13 7.92 0.07 0.43 Limonit
PA 0270 4 7 1.58 37.89 0.23 10.1 0.08 0.66 LSOZ
PA 0270 7 24 2.27 18.27 0.1 30.39 0.85 16.48 HSOZ
PA 0270 24 25 0.78 11.53 0.04 34.5 1.94 22.46 Bedrock
PA 0273 0 1 1.18 38.62 0.25 12.97 0.16 2.14 Limonit
PA 0273 1 16 1.94 15.99 0.05 38.71 1.14 16.12 HSOZ
PA 0273 16 19 0.83 6.94 0.02 39.8 3.31 32.17 Bedrock
PA 0274 0 1 1.21 37.16 0.17 15.55 0.09 4.92 Limonit
PA 0274 1 18 2.81 18.5 0.07 32.97 0.94 16.52 HSOZ
PA 0274 18 20 0.67 7.17 0.02 36.02 2.55 33.81 Bedrock
PA 0275 0 2 1.15 37.92 0.1 9.57 0.16 2.06 Limonit
PA 0275 2 5 1.63 37.5 0.24 8.64 0.12 2.22 LSOZ
PA 0275 5 19 2.55 12.89 0.04 29.75 1.53 23.08 HSOZ
PA 0275 19 21 0.97 7.82 0.02 23.38 1.84 27.98 Bedrock
PA 0276 0 1 1.02 39.22 0.1 8.07 0.16 3.35 Limonit
PA 0276 1 4 1.46 43.16 0.16 4.24 0.07 1.04 LSOZ
PA 0276 4 24 2.16 21.23 0.09 23.95 0.83 15.67 HSOZ
PA 0276 24 25 0.58 7.43 0.02 29.79 2.39 34.55 Bedrock
PA 0277 0 1 0.86 40.39 0.11 6.95 0.04 4.89 Topsoil
PA 0277 1 16 1.31 34.97 0.17 13.4 0.03 1.61 Limonit
PA 0277 16 18 1.74 31.19 0.23 17.13 0.03 1.49 LSOZ
PA 0277 18 25 2.15 34.6 0.24 13.58 0.06 1.9 HSOZ
PA 0281 0 1 1.14 37 0.17 14.76 0.15 1.95 Limonit
PA 0281 1 15 2.58 11.8 0.04 40.13 1.05 21.59 HSOZ
PA 0281 15 19 0.37 5.45 0.01 32.66 1.75 35.72 Bedrock
PA 0282 0 24 2.53 12.49 0.04 39.13 1.34 21.01 HSOZ
PA 0282 24 25 1.17 8.23 0.02 46.03 1.66 25.24 Bedrock
PA 0283 0 1 1.27 40.9 0.17 8.82 0.1 1.49 Limonit
PA 0283 1 6 1.53 37.38 0.23 11.68 0.1 2.25 LSOZ
PA 0283 6 21 2.06 26.19 0.1 20.57 1.08 11.62 HSOZ
PA 0283 21 25 0.89 9.2 0.03 29.98 2.36 30.89 Bedrock
PA 0284 0 3 1.3 44.78 0.17 3.56 0.07 1.68 Limonit
PA 0284 3 14 1.69 40.61 0.18 8.52 0.06 1.07 LSOZ
PA 0284 14 29 2.42 28.87 0.17 18.53 0.36 9.55 HSOZ
PA 0284 29 30 1.18 9.41 0.03 32.66 1.08 32.87 Bedrock
PA 0285 0 5 1.35 42.32 0.13 3.7 0.07 0.44 Limonit
PA 0285 5 14 1.69 42.58 0.18 2.32 0.06 0.36 LSOZ
PA 0285 14 29 2.7 29.06 0.13 20.37 0.37 6.12 HSOZ
PA 0285 29 30 1.24 9.81 0.03 33.81 2.69 24.53 Bedrock
PA 0293 0 1 1.37 38.54 0.28 12.45 0.18 2.09 Limonit
PA 0293 1 3 1.7 35.94 0.24 16.08 0.11 1.93 LSOZ
PA 0293 3 11 2.31 21.54 0.07 29.72 0.83 13.9 HSOZ
PA 0293 11 25 0.8 10.31 0.03 39.26 2.12 26.88 Bedrock
PA 0294 0 1 1.09 36.08 0.14 16.93 0.12 5.73 Limonit
PA 0294 1 18 1.64 28.09 0.12 25.38 0.61 9.01 LSOZ
PA 0294 18 32 1.14 9.55 0.03 44.9 1.72 23.58 Bedrock
PA 0295 0 1 1.32 40.17 0.19 6.93 0.1 1.51 Limonit
PA 0295 1 14 1.6 38.05 0.17 10.93 0.07 1.18 LSOZ
PA 0295 14 25 4.13 19 0.07 28.94 0.95 14.85 HSOZ
PA 0296 0 2 1.32 41.82 0.17 3.85 0.06 0.83 Limonit
PA 0296 2 16 1.58 41.47 0.19 6.22 0.06 0.98 LSOZ
PA 0296 16 23 1.95 26.77 0.15 21.55 0.68 8.95 HSOZ
PA 0296 23 25 1.2 12.12 0.04 41.92 1.99 17.7 Bedrock
PA 0297 0 4 0.92 41.97 0.13 4.2 0.04 2.05 Limonit
PA 0297 4 11 1.49 42.13 0.22 3.3 0.04 1.68 LSOZ
PA 0297 11 25 2.16 23.19 0.13 26.51 0.38 13.96 HSOZ
PA 0304 0 2 1.17 35.27 0.21 21.32 0.16 3.45 Limonit
PA 0304 2 16 2.56 17.95 0.07 33.02 0.62 17.93 HSOZ
PA 0304 16 26 0.93 8.59 0.02 38.31 1.68 31.63 Bedrock
PA 0305 0 4 1.19 31.22 0.21 25.23 0.08 2.32 Limonit
PA 0305 4 17 1.97 16.36 0.06 34.85 1.42 18.44 HSOZ
PA 0305 17 26 0.54 8.06 0.02 38.87 2.07 31.54 Bedrock
PA 0306 0 1 1.35 39.78 0.19 9.15 0.06 0.92 Limonit
PA 0306 1 2 1.5 39.36 0.14 10.58 0.06 1.06 LSOZ
PA 0306 2 27 2.35 25.81 0.2 19.35 0.64 12.19 HSOZ
PA 0307 0 2 1.25 44.41 0.12 4.46 0.07 0.84 Limonit
PA 0307 2 9 1.58 38.74 0.15 10.77 0.06 0.89 LSOZ
PA 0307 9 16 2.24 15.21 0.05 40.04 0.81 13.27 HSOZ
PA 0307 16 25 0.56 10 0.03 46.23 0.86 20.7 Bedrock
PA 0308 0 2 1.2 44.61 0.24 2.76 0.07 1.02 Limonit
PA 0308 2 21 1.51 39.23 0.22 11.64 0.07 1.28 LSOZ
PA 0308 21 29 2.25 24.04 0.1 26.3 0.91 12.98 HSOZ
PA 0308 29 30 0.86 8.47 0.02 34.53 1.73 34.01 Bedrock
PA 0317 0 6 2.09 15.23 0.05 37.53 1.27 19.23 HSOZ
PA 0317 6 17 0.52 7.93 0.02 40.55 1.54 31.81 Bedrock
PA 0318 0 2 2.89 17.35 0.06 35.08 1.17 14.67 HSOZ
PA 0318 2 16 0.81 9.62 0.03 41.68 1.47 27.02 Bedrock
PA 0319 0 3 1.27 38.03 0.28 10.81 0.09 2.6 Limonit
PA 0319 3 27 2.45 20.95 0.1 31.33 0.62 12.41 HSOZ
PA 0319 27 38 0.9 8.5 0.02 37.08 1.61 32.03 Bedrock
PA 0321 0 1 1.34 45.01 0.12 3.83 0.07 0.77 Limonit
PA 0321 1 4 1.59 45 0.13 4.53 0.07 1.4 LSOZ
PA 0321 4 30 2.23 30.03 0.15 21.56 0.9 7.15 HSOZ
PA 0331 0 1 1.29 46.74 0.15 5.26 0.09 0.93 Limonit
PA 0331 1 10 1.72 44.05 0.22 5.26 0.08 1.17 LSOZ
PA 0331 10 30 1.9 23.05 0.1 29.71 1.57 12.12 HSOZ
PA 0332 0 11 2.57 20.13 0.08 31.84 0.52 15.37 HSOZ
PA 0332 11 17 0.75 7.97 0.02 39.51 2.18 31.63 Bedrock
PA 0333 0 4 1.92 13.85 0.04 37.64 0.9 22.05 HSOZ
PA 0333 4 21 0.45 8.01 0.02 45.45 1.92 27.07 Bedrock
PA 0334 0 1 1.17 42.76 0.1 4.81 0.11 0.84 Limonit
PA 0334 1 4 1.61 44.57 0.15 3.23 0.06 0.87 LSOZ
PA 0334 4 25 2.22 34.83 0.15 14.15 0.48 5.35 HSOZ
PA 0335 0 6 1.31 45.02 0.16 3.85 0.06 0.64 Limonit
PA 0335 6 30 1.56 40.81 0.18 10.56 0.06 0.94 LSOZ
PA 0336 0 15 1.28 45.3 0.15 4.72 0.07 0.9 Limonit
PA 0336 15 19 1.54 38.72 0.17 12.88 0.08 0.81 LSOZ
PA 0336 19 28 2.4 29.83 0.11 25.8 0.43 5.05 HSOZ
PA 0336 28 30 1.3 10.03 0.03 35.69 2.83 27.58 Bedrock
PA 0346 0 2 1.21 13.34 0.04 38.97 0.77 23.48 Limonit
PA 0346 2 4 1.8 9.69 0.03 40.6 0.73 27.2 HSOZ
PA 0346 4 11 0.59 7.01 0.02 39.79 1.53 34.27 Bedrock
PA 0347 0 2 1.66 41.09 0.24 9.24 0.11 2.71 LSOZ
PA 0347 2 8 2.85 18.09 0.06 36.66 1.14 13.7 HSOZ
PA 0347 8 20 0.53 8.27 0.02 40.75 2.23 30.13 Bedrock
PA 0348 0 3 1.23 44.45 0.17 2.68 0.07 0.96 Limonit
PA 0348 3 18 1.75 43.14 0.2 3.83 0.06 0.97 LSOZ
PA 0348 18 30 2.22 30.64 0.16 17.54 0.38 10.21 HSOZ
PA 0349 0 1 1.23 44.11 0.11 3.28 0.07 1.19 Limonit
PA 0349 1 11 1.61 44.78 0.15 3.34 0.07 1.7 LSOZ
PA 0349 11 30 2.52 34.1 0.15 14.87 0.26 5.42 HSOZ
PA 0350 0 13 1.34 48.18 0.15 2.94 0.08 1.09 Limonit
PA 0350 13 16 1.63 40.24 0.2 11.12 0.07 1.01 LSOZ
PA 0350 16 18 2.4 16.49 0.06 34.38 1.18 15.85 HSOZ
PA 0350 18 25 0.49 8.46 0.02 38.03 2.3 30.13 Bedrock
B. Data Collar
Data Collar merupakan data yang memuat informasi koordinat X, Y, dan Z
(collar) dari drillhole.

BHID XCOLLAR YCOLLAR ZCOLLAR

PA 0224 -700.66 -225.63 164.89
PA 0225 -700.65 -200.35 168.81
PA 0226 -699.87 -175.23 167.89
PA 0227 -699.79 -149.87 164.02
PA 0228 -699.95 -126.21 154.03
PA 0231 -673.84 -224.82 165.7
PQN 0232 -674.23 -199.98 170.7
PA 0233 -675.54 -175.21 171.18
PA 0234 -674.14 -149.58 167.94
PA 0235 -675.3 -125.01 158.77
PA 0241 -649.91 -225.12 167.4
PA 0242 -650.2 -200.02 172.87
PA 0243 -650.18 -175.18 175.44
PA 0244 -649.49 -149.69 172.73
PA 0245 -648.38 -125.98 166.98
PA 0256 -624.21 -224.76 170.45
PA 0257 -624.95 -200.03 175.64
PA 0258 -625.2 -175.07 178.5
PA 0259 -624.81 -150.48 176.76
PA 0260 -625.14 -124.99 171.17
PA 0266 -599.98 -224.88 172.55
PA 0267 -600.69 -200.01 178
PA 0268 -600.34 -175.16 181.13
PA 0269 -599.51 -149.99 181.22
PA 0270 -599.58 -125.08 175.3
PA 0273 -574.98 -224.87 175
PA 0274 -575.46 -199.91 180.74
PA 0275 -574.86 -175.06 184.09
PA 0276 -576.13 -149.83 184.62
PA 0277 -575.13 -125.1 179.46
PA 0281 -549.5 -224.95 177.86
PA 0282 -549.81 -199.99 183.91
PA 0283 -549.99 -175.04 187.35
PA 0284 -550.44 -149.3 188.39
PA 0285 -549.3 -124.82 187.72
PA 0293 -525.04 -225.07 180.23
PA 0294 -525.04 -199.98 186.15
PA 0295 -525.05 -174.91 190.77
 PA 0296 -525.55 -149.97 191.87
PA 0297 -525.12 -124.92 193.91
PA 0304 -499.63 -225.15 180.19
PA 0305 -499.82 -199.99 187.7
PA 0306 -500.98 -175.49 192.91
PA 0307 -500.59 -149.83 195.65
PA 0308 -500.07 -125.03 197.75
PA 0317 -473.76 -225.23 173.67
PA 0318 -474.89 -200.01 187.46
PA 0319 -476.14 -175.52 194.46
PA 0321 -474.93 -149.97 198.88
PA 0331 -474.97 -124.94 202.38
PA 0332 -450.35 -225.24 168.62
PA 0333 -449.88 -199.97 185.01
PA 0334 -451.26 -175.47 195.59
PA 0335 -451.65 -150.96 200.76
PA 0336 -450.19 -125.15 204.03
PA 0346 -425.59 -225.03 167.64
PA 0347 -424.87 -199.98 184.17
PA 0348 -425.5 -175.4 194.99
PA 0349 -426.42 -151.23 200.76
PA 0350 -424.94 -125 202.71

C. Data Survey
Data Survey merupakan data yang memuat informasi bearing atau dip
direction, dip, daaan deviasi lubang bora tau trench.

BHID AT BEARING DIP

PA 0350 0 0 90
PA 0349 0 0 90
PA 0348 0 0 90
PA 0347 0 0 90
PA 0346 0 0 90
PA 0336 0 0 90
PA 0335 0 0 90
PA 0334 0 0 90
PA 0333 0 0 90
PA 0332 0 0 90
PA 0331 0 0 90
PA 0321 0 0 90
PA 0319 0 0 90
PA 0318 0 0 90
PA 0317 0 0 90
PA 0308 0 0 90
PA 0307 0 0 90
PA 0306 0 0 90
PA 0305 0 0 90
PA 0304 0 0 90
PA 0297 0 0 90
PA 0296 0 0 90
PA 0295 0 0 90
PA 0294 0 0 90
PA 0293 0 0 90
PA 0285 0 0 90
PA 0284 0 0 90
PA 0283 0 0 90
PA 0282 0 0 90
PA 0281 0 0 90
PA 0277 0 0 90
PA 0276 0 0 90
PA 0275 0 0 90
PA 0274 0 0 90
PA 0273 0 0 90
PA 0270 0 0 90
PA 0269 0 0 90
PA 0268 0 0 90
PA 0267 0 0 90
PA 0266 0 0 90
PA 0260 0 0 90
PA 0259 0 0 90
PA 0258 0 0 90
PA 0257 0 0 90
PA 0256 0 0 90
PA 0245 0 0 90
PA 0244 0 0 90
PA 0243 0 0 90
PA 0242 0 0 90
PA 0241 0 0 90
PA 0235 0 0 90
PA 0234 0 0 90
PA 0233 0 0 90
PQN 0232 0 0 90
PA 0231 0 0 90
PA 0228 0 0 90
PA 0227 0 0 90
PA 0226 0 0 90
PA 0225 0 0 90
PA 0224 0 0 90
 BAB II
LANDASAN TEORI

A. Pentingnya Permodelan dan Estimasi Sumberdaya

Pemodelan merupakan tahap awal untuk melakukan estimasi kadar yang
berlanjut ke estimasi sumberdaya. Hasil dari estimasi sumberdaya tersebut akan
dapat dijadikan sebagai cadangan jika memenuhi beberapa ketentuan. Metode
perhitungan yang digunakan harus memberikan hasil yang dapat diuji ulang atau
diverifikasi. Setelah perhitungan sumberdaya selesai, yang harus dilakukan adalah
memeriksa atau mengecek taksiran kualitas blok yang dibuat setelah proses
pemodelan. Hal ini dilakukan dengan menggunakan data pemboran yang ada di
sekitarnya. Satu aspek penting yang harus sangat diperhatikan sebelum dan
setelah pemodelan dan estimasi selesai yaitu model dan taksiran kadar dari model
sumberdaya tersebut harus dicek ulang kualitas dan kuantitasnya yang disebut
dengan verifikasi data. Suatu data dapat dikatan valid / benar jika di dalam
verifikasi data tersebut tidak terdapat adanya kesalahan, sehingga hasil dari
pemodelan dan estimasi yang dilakukan mendekati nilai yang sesungguhnya.

Estimasi sumberdaya mineral diperlukan karena :

1. Kandungan logam dalam cebakan mineral sedikit, hanya dalam ppm atau
% kecil sehingga harus ditentukan nilai kadar sekitarnya untuk
menentukan jumlah sumberdaya (volume dan tonase).
2. Adanya keterbatasan data dalam sampling untuk analisis kadar maupun
interpretasi geologi.
3. Belum ada prosedur yang tepat untuk menghitung kadar dan volume.

Pentingnya pemodelan dan estimasi sumberdaya bermanfaat untuk hal-hal berikut

ini :
1. Memberikan perkiraan bentuk 3 dimensi dari endapan bahan galian serta
distribusi ruang (spatial) dari nilainya. Hal ini penting untuk menentukan
sumberdaya ke tahap cadangan dan selanjutnya menentukan urutan
/tahapan penambangan, yang pada giliranya akan memepengaruhi
pemilihan peralatan.
2. Memberikan besaran kuantitas (tonase) dan kualitas terhadap suatu
endapan bahan galian.
3. Jumlah sumberdaya menentukan umur tambang setelah diklasifikasi ke
cadangan. Hal ini penting dalam perancangan pabrik pengolahan dan
kebutuhan infrastruktur lainnya.
4. Batas-batas kegiatan penambangan (pit limit) ke tahap cadangan dibuat
berdasrkan sumberdaya.
Dalam melakukan estimasi sumberdaya bijih harus memperhatikan persyaratan
tertentu, antara lain :
1. Suatu taksiran sumberdaya harus mencerminkan secara tepat kondisi
geologi dan karakter / sifat dari endapan bahan galian.
2. Selain itu harus sesuai dengan tujuan evaluasi. Suatu model sumberdaya
yang akan digunakan untuk perancangan tambang harus konsisten dengan
metode penambangan dan teknik perencanaan tambang yang akan
diterapkan.
3. Taksiran yang baik harus didasarkan pada data actual yang diolah
/diperlakukan secara objektif. Keputusan dipakai tidaknya suatu data
dalam penaksiran harus di ambil dengan pedoman yang jelas dan
konsisiten. Tidak boleh ada pembobotan data yang berbeda dan harus
dilakukan dengan data yang kuat dan akurat.

B. Basis Data Komputer dan Konsep Model Blok

1. Basis Data Komputer
Pembuatan Suatu Model sumberdaya / cadangan yang representatif dan
cukup detail tentunya membutuhkan tingkat ketelitian yang tinggi dan waktu
pengerjaan yang lama. Dengan adanya teknologi komputer pada saat ini maka
sangat membantu untuk mempermudah pekerjaan tersebut dalam
pengolahan,klasifikasi,dan interpretasi data. Data Pada umumnya bisa diperoleh
dari populasi cebakan bijih dengan cara pengeboran, surface sampling , dan
tunne/stope sampling dengan berbagai metode percontohan batuan . Pada awal
pekerjaan pemodelan yang harus dilakukan adalah mengolah data-data awal dari
proses percontohan ke dalam suatu basis data komputer sebagai input data dalam
pemodelan sumberdaya secara komputerisasi. Pada tahap ini dibutuhkan ketelitian
dan waktu yang cukup lama dalam pemasukan data. Pengecekan data / verifikasi
dilakukan setelah semua data dimasukkan ke dalam file perangkat lunak.
Data data awal ini meliputi :
a. Data collar, memberikan informasi koordinat XYZ dari lokasi
pengambilan data
b. Data assay, memuat informasi nilai kadar pada penembusan/interval
tertentu
c. Data survey, memuat data azimuth, dip dan deviasi arah pengambilan data
 2. Model Geologi.
Sebelum membuat model badan bijih hal yang harus diperhatikan adalah
kondisi geologi badan bijih tersebut yang disebut model geologi. Model geologi
yang berupa penampang geologi sangat diperlukan dalam pembuatan kerangka
badan bijih sehingga wilayah penaksiran dapat dibatasi pada daerah mineralisasi.
Badan bijih inilah yang nantinya akan dibagi dalam blok blok yang lebih kecil
untuk keperluan estimasi sumberdaya.
Tahapan pertama dari pemodelan geologi sebuah cebakan bijih adalah
membuat plot penampang potong data geologi yang diperoleh dari setiap lubang
bor. Interpretasi geologi dilakukan pada penampang potong tersebut untuk
mempresentasikan data geologi ke dalam komputer.

Diagram Alir Tahapan Pembuatan Model Geologi dengan Prinsip Blokmodel

 3. Model Topografi.
Pada penerapan sistem penambangan terbuka maka topografi harus
dimasukkan pada model blok sebagai batas atas penambangan. Batas dari model
bijih plot pada peta topografi tersebut. Garis kontur topografi didigitasi sehingga
setiap titik memiliki data koordinat permukaan berupa northing, easting, dan
elevasi. Hasil model yang dibuat akan dioverlay dan dismoothing terhadap model
topografi yang bertujuan untuk menggambarkan kondisi badan bijiih yang
sebenarnya

C. Statistik Univarian
Analisis statistik univarian adalah statistik berdasarkan hubungan antar data
dalam satu populasi, tanpa memperhatikan lokasi dari data-data tersebut. Dalam
analisis univarian teknis analisis data dilakukan terhadap satu variabel secara
mandiri, tiap variabel dianalisis tanpa dikaitkan dengan variabel lainnya.
Analisis univarian bertujuan menggambarkan kondisi dari fenomena yang
dikaji.dari hasil univarian, kita dapat mengetahui banyaknya data, kadar minimum
dan maksimum dari masing-masing data, nilai rata-rata kadar pada masing-masing
lapisan, standar deviasi skewness dan kurtosis. Hasil analisis univarian ini
menunjukkan benar atau tidaknya data yang kita masukkan dalam perhitungan
estimasi, sehingga nilai data yang tidak berkaitan dapat dihilangkan.
- Rata-rata sampel merupakan parameter lokasi dimana terpusat dengan
cara jumalah semua nilai data yang diamati dibagi dengan banyaknya data
yang diamati.

- Median (med) adalah nilai tengah pada sekelompok data yang telah
duiurutkan dari yang terkecil hingga yang terbesar.

- Modus (mod) adalah nilai dari sekelompokm data yang

memiilikifrekuensi tertinggi atau nilai yang sering muncul.
- Quartil bawah tengah atas (25 %, 50%, 75% percentiles) .Jika memiliki
n buah data yang telah diurutkan ,maka quartil bawah ( 25% percentiles
)adalah data yang terletak pada urutan (n/4) quartil tengah adalah median
,dan quartil atas adalah yang terletak pada urutan (3n/4).
- Nilai jarak (range) merupakan selisih antara nilai data terbesar dengan
nilai data terkecil.
- Variansi adalah ukuran sebaran data.
- Simpangan baku (standart deviation ) adalah nilai yang mengukur
selisih individu data terhadap nilai rata-rata hitung dalam suatu populasi.

- Histogram, Suatu populasi data dapat disajikan dalam bentuk tabel

frekuensi dan histogram. Dalam tabel frekuensi, populasi data dibagi ke
dalam beberapa kelas, yang kemudian ditentukan jumlah data yang berada
dalam tiap kelas (frekuensi). Hasil dari tabel frekuensi kemudian
digambarkan dalam suatu histogram.

Lebar kelas umumnya ditentukan:

Dimana k merupakan banyaknya kelas.
Bayaknya kelas dapat ditentukan dengan menggunakan rumus :
K = 1 + 3,322 log n (H.A. Sturgers, 1926)
Dimana k merupakan banyaknya kelas dan n merupakan banyaknya data.

- Ukuran kemiringan kurva (skewness,a), menyatakan simetris atau

tidaknya suatu kurva histogram. Suatu histogram dikatakan negative
skewness jika med > dan positive skewness jika med <

Gambar. 1 Skewness dari Beberapa Kurva Histogram

- Ukuran keruncingan kurva (kurtosis), menggambarkan ukuran
keruncingan kurva histogram> Dari tingkat keruncingan, kurva dapat di
bedakan menjadi: leptokurtis (meruncing), platykurtis (mendatar), dan

mesokurtis (normal). Kurva distribusi dikatakan normal jika nilai kurtosis

mendekati 3.

- Pencilan (Outlier) adalah salah suatu data yang jauh berbeda dibandigkan
terhadap keseluruhan data. Data yang jauh berbeda ini disebabkan oleh
kesalahan pada saat sampling, analisis, atau terjadi pemfilteran. Dengan
kata lain data pencilan juga dapat dianggap sebagai data dengan populasi
yang berbeda terhadap populasi keseluruhan data. Dengan demikian data
pencilan akan menggangu dalam proses analisis data dan harus dihindari
dalam banyak hal. Dalam statistic ruang. Data pencilan harus dilihat
terhadap posisi dan sebaran data lainnya sehingga akan dapat dievaluasi
apakah data pencilan tersebut dapat dihilangkan atau tidak. Terdapat
beberapa metode untuk menentukan batasan pencilan dalam suatu analisis.
Salah satu metode yang paling umum adalah dengan mempergunakan niali
kuartil dan jangkauan.
Kuartil 1,2 dan 3 akan membagi sebuah urutan data menjadi empat bagian.
Jangkauan (IQR, Interquartile Range) didefenisikan sebagai selisih antara
kuartil 1 terhadap kuartil 3, sehingga IQR = Q3 Q1. Nilai pencilan dapat
ditentukan yaitu nilai yang kurang dari 1,5 X IQR terhadap kuartil 1 dan
nilai yang lebih dari 1,5 X IQR terhadap kuartil 3.
D. Statistik Bivarian
Analisis statistik bivarian adalah analisis statistik berdasarkan hubungan antar
data dalam satu populasi data yang berbeda pada lokasi yang sama atau
berdekatan. Metode statistik bivarian yang biasa digunakan adalah diagram pencar
(scatter plot) yang merupakan penggambaran dua peubah dalam satu grafik X-Y.
Kedua variable tersebut disebut memiliki hubungan positif jika kedua nilai
berbanding lurus, negatif jika kedua peubah tersebut cenderung menunjukkan
nilai yang berbanding terbalik, dan tidak memiliki hubungan apabila persebaran
data kedua peubah cenderung acak.
Metode statistik dapat juga digunakan untuk menganalisis distribusi dua
buah kumpulan peubah yang berbeda tetapi terletak pada lokasi yang sama.
Metode statistik bivarian yang biasa digunakan adalah diagram pencar (scatter
plot), yaitu penggambaran dua peubah dalam satu grafik X-Y. Kedua peubah
mempunyai hubungan positif jika kedua peubah tersebut cenderung memiliki nilai
berbanding lurus. Jika kedua peubah tersebut cenderung menunjukan nilai yang
berbanding terbalik, maka kedua peubah tersebut mempunyai hubungan negatif.
Apabila penyebaran data kedua peubah cenderung acak, maka kedua peubah
tersebut dikatakan tidak mempunyai hubungan.

Gambar.2 Diagram pencar beberapa pasangan data yang menunjukan

Hubungan yang terjadi antara dua peubah pada analisis statistik bivarian
dinyatakan pada koefisien korelasi () yang didefenisikan sebagai:
( )( )
=
Keterangan: n = Jumlah data
Xi.,,,Xn = Nilai data peubah X
Yi,,,,Yn = Nilai data peubah Y
= Nilai rata-rata peubah X
= Nilai rata-rata peubah Y
= Simpangan baku peubah X
= Simpangan baku peubah Y
Selain itu, untuk menggambarkan hasil diagram pencar dapat juga dilihat melalui
nilai kovarians (Cxy) yang didefenisikan sebagai berikut:

Cxy = ( )( )

Sedangkan untuk memperkirakan hubungan antara dua peubah dan untuk

mengestimasi nilai dari suatu data (populasi) yang saling berhubungan yang sulit
dinyatakan dengan metode matematis sebagai berikut:

Y= X + b
=
b=
Keterangan:
= kemiringan garis regresi
b= perpotongan garis regresi

E. Metode Estimasi Sumberdaya

Penaksiran perlu dilakukan untuk menentukan nilai data pada titik-titik
lokasi (grid) yang belum memiliki nilai,dengan menggunakan distribusi nilai pada
titik-titik data disekitarnya, melalui suatu pembobotan. Pembobotan ini pada
umumnya didasarkan pada :
1. Jarak antara grid yang akan ditaksir dengan grid penaksir.
2. Kecenderungan penyebaran data.
3. Posisi antara grid yang ditaksir dengan grid penaksir dalam ruang.

Metode Seperjarak (Inverse Distance Method)

Pada metode ini faktor pembobotan berbanding terbalik terhadap jarak
antara grid yang ditaksir dengan grid penaksir disekitarnya (gambar
3.1), sehingga grid penaksir yang terdekat akan memiliki bobot yang
lebih besar dibandingkan grid penaksir yang lebih jauh.

Dimana :
wj : faktor bobot data grid j (grid penaksir)
dj : Jarak antara grid j dengan grid yang ditaksir
n : faktor eksponen
 Gambar 1. Metode Penaksiran Seperjarak

Dari persamaan diatas dapat dilihat bahwa semakin besar pangkat

yang digunakan maka semakin besar pula bobot titik data terdekat, sehingga
untuk n yang sangat besar akan menghasilkan metode penaksiran jarak
terdekat. Batasan dari metode ini antara lain hanya memperhatikan faktor
jarak, belum memperhatikan faktor spasial antar titik data, sehingga data
dengan jarak yang sama akan menghasilkan nilai penaksiran yang sama
walaupun pola sebenarnya berbeda.

Contoh perhitungan Inverse Distance Squared (IDS)/lingkaran :

 BAB III
PEMBAHASAN

A. Penyusunan Basis Data Assay

Basis data assay berisi informasi-informasi dari data eksplorasi rinci yang
akan menjadi input file assay dan drillhole pada Studio 3 Datamine berupa data-
data dalam file Microsoft Excel dengan format *.csv (comma delimitted)
sebanyak 4 macam file. Informasi dasar basis data assay diperoleh dari kegiatan
pemboran eksplorasi. Basis data ini harus dilakukan verifikasi terlebih dahulu
sebelum dilakukan pengolahan data lebih lanjut, hal ini sangat penting karena di
dalam proses pemodelan dan estimasi sumberdaya bersumber dari basis data assay
ini. Data assay tersebut meliputi :
File Collar, memuat informasi koordinat x, y, z permukaan dari drillhole.
File Survey, memuat informasi bearing/dip direction, dip, dan deviasi
lubang bor/trench/stope sampling. Dalam penelitian ini data survey tidak
digunakan karena pemboran untuk eksplorasi nikel adalah pemboran
tegak.
File Assay, memuat informasi kedalaman penembusan (from and to)
beserta kadar Ni, Fe, MgO, caO, Co dan pada tiap penembusan bor
inti atau interval sampling pada bijih.
Basis-basis data di atas dijadikan satu basis data yang memuat informasi \
drillholes data dan assay data (data kadar) beserta koordinat dan elevasi serta
kedalaman lubang bor. Termasuk juga basis data Lithologi. Basis data tersebut
digunakan dalam penentuan horizon/zona nikel. Paramater yang digunakan
meliputi unsur-unsur seperti pada table berikut.

Tabel 1. Batasan Kandungan Fe dan Ni dalam penentuan Horizon Laterit

(Sumber : Geomin PT. Antam Tbk)

Batasan yang digunakan pada tabel tersebut dapat berubah tergantung dari
kebutuhan user/perusahaan dan berdasarkan kondisi pangsa pasar logam.
B. Analisis Statistik Deskriptif Ketebalan secara keseluruhan
1. Top Soil

Pada gambar diatas,data yang dihasilkan dari microsoft excel diperlihatkan

bahwa kecendrungan ketebalan setiap horizon top soil. Tebal minimum dari
topsoil yaitu 3 meter dan ketebalan maksimum adalah 4 meter. Histrogram
ini memiliki nilai skewness positif yang berarti cederung ke kiri.

Data Analisis Top Soil

Mean 3.5
Standard 0.5
Error
Median 3.5
Standard 0.7071
Deviation 06781
Sample 0.5
Variance
Range 1
Minimum 3
Maximum 4
Sum 7
Count 2
2. Data Limonit

Pada gambar diatas,data yang dihasilkan dari microsoft excel diperlihatkan

bahwa kecendrungan ketebalan setiap horizon Limonite. Tebal minimum
dari limonite yaitu 2 meter dan ketebalan maksimum adalah 15 meter.
Histrogram ini memiliki nilai skewness positif yang berarti cederung ke kiri.

Data Analisis Limonit

Mean 7.555555556
Standard Error 1.573311362
Median 6
Standard Deviation 4.719934086
Sample Variance 22.27777778
Kurtosis -1.369964828
Skewness 0.505024775
Range 13
Minimum 2
Maximum 15
Sum 68
Count 9
3. Data LSOZ

Pada gambar diatas,data yang dihasilkan dari microsoft excel diperlihatkan

bahwa kecendrungan ketebalan setiap horizon Lsoz. Tebal minimum dari
Lsoz yaitu 4 meter dan ketebalan maksimum adalah 31 meter. Histrogram
ini memiliki nilai skewness positif yang berarti cederung ke kiri.

Data Analisis LSOZ

Mean 10.73333333
Standard Error 1.628515733
Median 10
Standard 6.307214312
Deviation
Sample Variance 39.78095238
Kurtosis -0.265939957
Skewness 0.515655956
Range 22
Minimum 2
Maximum 24
Sum 161
Count 15
4. Data HSOZ

Pada gambar diatas,data yang dihasilkan dari microsoft excel diperlihatkan

bahwa kecendrungan ketebalan setiap horizon Hsoz. Tebal minimum dari
Hsoz yaitu 2 meter dan ketebalan maksimum adalah 24 meter. Histrogram
ini memiliki nilai skewness positif yang berarti cederung ke kiri. Kurva
tersebut memiliki skewness mendaki 0 sehingga ditribusinya mendekati
normal.

Data Analisis HSOZ

Mean 15.39130435
Standard Error 1.549880947
Median 15
Standard 7.432967904
Deviation
Sample Variance 55.24901186
Kurtosis -0.749912926
Skewness 0.281823038
Range 27
Minimum 4
Maximum 31
Sum 354
Count 23
5. Data Bedrock

Pada gambar diatas,data yang dihasilkan dari microsoft excel diperlihatkan

bahwa kecendrungan ketebalan setiap horizon badrock. Tebal minimum dari
badrock yaitu 2 meter dan ketebalan maksimum adalah 17 meter.
Histrogram ini memiliki nilai skewness positif yang berarti cederung ke kiri.

Data Analisis Bedrock

Mean 9.066666667
Standard Error 1.185092589
Median 9
Standard 4.589843861
Deviation
Sample Variance 21.06666667
Kurtosis -1.043102067
Skewness 0.09376784
Range 15
Minimum 2
Maximum 17
Sum 136
Count 15
C. Analisis Statistik Univarian
1. Histogram
Histogram sangat berguna untuk mengetahui bentuk secara grafik dari
sebaran atau distribusi suatu data. Apakah data tersebut terdistribusi secara
merata dari kadar rendah sampai kadar tinggi, atau hanya mengelompok
pada kadar rendah dan kadar tinggi saja. Selain itu, dapat juga
mengelompok pada kadar rendah dan kadar tingi secara bersamaan.
Sehingga berdasarkan analisis terhadap kurva histogram, dapat diketahui
mengenai karakteristik penyebaran data dan berguna sebagai informasi awal
untuk kegiatan pengolahan data tersebut.

Berdasarkan histogram kadar Ni untuk Nikel Laterit maka kita dapat

diketahui informasi sebagai berikut:
Histogram kadar Ni menunjukan bahwa data kadar Ni pada nikel laterit
memiliki distribusi taksimetri (skewness) positif artinya bahwa data kadar
Ni pada endapan nikel laterit cenderung mengelompok kearah kiri/ kadar
relatif rendah.Kemudian nilai variansi yag relatif kecil menunjujkan ekor
histogram yang pendek,jika ekor histogram panjang maka memiiki nilai
variansi yang besar.
Histogram kadar Fe menunjukan bahwa data kadar Fe pada nikel laterit memiliki
distribusi taksimetri (skewness) Negatif artinya bahwa data kadar Fe pada endapan
nikel laterit cenderung mengelompok pada kadar relatif tinggi.
Histogram kadar Co menunjukan bahwa data kadar Co pada nikel laterit memiliki
distribusi taksimetri (skewness) Positif artinya bahwa data kadar Co pada endapan
nikel laterit cenderung mengelompok pada kadar relatif rendah.
Histogram kadar CaO menunjukan bahwa data kadar CaO pada nikel laterit
memiliki distribusi taksimetri (skewness) Positif artinya bahwa data kadar CaO
pada endapan nikel laterit cenderung mengelompok pada kadar relatif rendah.
Histogram kadar SiO2 menunjukan bahwa data kadar SiO2 pada nikel laterit
memiliki distribusi taksimetri (skewness) Positif artinya bahwa data kadar SiO2
pada endapan nikel laterit cenderung mengelompok pada kadar relatif rendah.
Histogram kadar MgO menunjukan bahwa data kadar MgO pada nikel laterit
memiliki distribusi taksimetri (skewness) Positif artinya bahwa data kadar MgO
pada endapan nikel laterit cenderung mengelompok pada kadar relatif rendah.
D. Analisis Statistik Bivarian
Metode statistik bivarian digunakan untuk menganalisis 2 (dua) kelompok
data yang berbeda tetapi terletak pada lokasi yang sama, dimana dalam kasus ini
data yang dianalisis yaitu data kadar Ni dan data kadar Fe serta data kadar Mgo
yang terdapat pada lokasi yang sama yaitu pada masing-masing block pemodelan.
Adapun metode statistik bivarian yang umum digunakan yaitu dengan scatter plot.

Diagram Scatter Plot Kadar Data Fe dan MgO.

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar Fe Mgo
mempunyai nilai korelasi sebesar -0,95 termasuk dalam kelompok korelasi
negative kuat yang berarti setiap penurunan nilai kadar Mgo akan di ikuti dengan
kenaikan nilai kadar Fe.
 Diagram scatter plot kadar data Fe dan SiO2

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar Fe-SiO2
mempunyai nilai korelasi sebesar -0,938 termasuk dalam kelompok korelasi
negative kuat yang berarti setiap penurunan nilai kadar SiO2 akan di ikuti dengan
kenaikan nilai kadar Fe.
 Diagram scatter plot data kadar Ni-Fe

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar Ni-
Fe mempunyai nilai korelasi sebesar 0,116 termasuk dalam kategori tidak
korelasi antara kedua variable karena nilai koefisien korelasi mendekati 0.
 Diagram scatter plot data kadar Ni-MgO

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar
Ni-MgO mempunyai nilai korelasi sebesar -0,234 termasuk dalam kategori
tidak korelasi antara kedua variable karena nilai koefisien korelasi
mendekati 0.
 Diagram scatter plot data kadar MgO-SiO2

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar MgO-
SiO2 mempunyai nilai korelasi sebesar 0,863 termasuk dalam kelompok
korelasi positif kuat yang berarti setiap kenaikan nilai kadar Mgo akan di
ikuti dengan kenaikan nilai kadar SiO2.
E. Pemodelan Badan Bijih
Data assay dan collar yang telah di inputkan menjadi satu file assay di
dalam studio 3 datamine digunakan untuk korelasi badan bijih berdasarkan data-
data geologi geologi dan penampang inti bor tembus zona bijih yang dibuat dari
setiap section/penampang dan divisualisasikan dalam bentuk warna yang berbeda-
beda dari setiap zona. Visualisasinya dapat dilihat pada gambar dibawah.

Korelasi diatas dilakukan disetiap penampang / section bor yang ditarik

dari arah barat- timur . kemudian dari korelasi tersebut dihasilkan model badan
bijih awal berupa wireframe (kerangka) badan bijih tiga dimensi. Seperti pada
gambar berikut.
Kerangka model badan bijih yang berupa jaring-jaring wireframe tiga dimensi ini
menjadi batas pengisian model blok kosong yang belum memiliki nilai kadar
logam pada masing-masing zona bijih. Model blok sumberdaya pada blok
endapan nikel laterite ini dibuat dengan dimensi blok dalam X x Y x Z= Jarak
spasi antar titik bor (1/2 x 25 m),Y = Jarak spasi Antar titik bor (1/2 x 25) dan Z
= 2m (berdasarkan konvensi) untuk klasifikasi sumberdaya terukur. Pembuatan
model blok tersebut berdasarkan pada titik acuan koordinat awal pada tabel
berikut.

Tabel Batasan Koordinat Acuan Model Blok

Field Minimum Maximum Range

XP -410,422 -1713,985 48,57006
YP -101,769 -247,165 23,2633
ZP 211,1263 128,2936 13,253232
Blok model ini sebenarnya ditentukan berdasarkan dari kemampuan dan kapasitas
alat penambangan. Oleh karena itu asumsi model blok yang diambil dalam
penelitian ini adalah berdasarkan unit penambangan terkecil.

F. Estimasi Sumberdaya Nikel

Berdasarkan hasil estimasi sumberdaya endapan nikel laterit menggunakan
software Datamine Studio 3 (Inverse Distance Method), didapatkan hasil sebagai
berikut :

Volume (N) Tonnes (N) Density (N) Kadar NI (N)

177.265,625 283.625 1.6 1.5356
 BAB IV
PENUTUP

A. Kesimpulan
Berdasarkan hasil laporan ini, dapat disimpulkan beberapa hal mengenai
pemodelan dan evaluasi cadangan berdasarkan pengolahan data Datamine Studio
3, yaitu :
1. Data penginput untuk menganalisis sumberdaya dan cadangan suatu
endapan bahan galian terdiri dari data assay , collar,dan survey.
2. Analisis kadar endapan nikel laterit dapat dilakukan dengan pendekatan
statistik, yaitu dengan analisis statistik univarian menggunakan
histogram, dimana histogram disini sangat berguna untuk mengetahui
bentuk secara grafik dari sebaran atau distribusi suatu data setiap
endapan terhadap nilai nilainya. Yang kedua yaitu dengan metode
statistik bivarian, hasil data yang ada dianalisis terhadapa 2 (dua)
kelompok data yang berbeda tetapi terletak pada lokasi yang sama
dengan memperhitungkan nilai nilai yang saling mempengaruhi atau
tidak.
3. Berdasarkan data volume endapan nikel laterit yang didapat melalui
estimasi perhitungan software Datamine studio 3, maka didapatkan
tonase sbg:

Volume (N) Tonnes (N) Density (N) Kadar NI (N)

177.265,625 283.625 1.6 1.5356

B. Saran
Berdasarkan kesimpulan laporan, maka kami merekomendasikan berupa
saran-saran sebagai berikut:
1. Disarankan untuk Pemodelan lebih lanjut dapat dilakukan untuk
mencari model dalam pengambilan keputusan untuk melihat suatu
cadangan dan sumberdaya.