GEOSTATISTIK I Misal : pergeseran shg tdk stationer 6.

Drift
Distribusi Tdk Normal :
DEFINISI N PENGERTIAN Distribusi yg mpy populasi berbeda.
Statistik  Random (Acak)
Geostat  Teregional
Maksudnya segala sesuatu yg berhubungan dg
alam sgt cocok digunakan geostatistik. 7. Hole Effect
Pd Geostat data yg ada slg berhub 1 sama lain Stationer : Data naik turun/ tdk stabil.
(1 data dipengaruhi data sekelilingnya). 1. Titik X
Geostat dpt digunakan utk mengetahui perataan Nilai dr X = f(x) yg mewakili 1 blok = dlm 1
kdr scr ver n hor. blok + 1 blok lagi.
Geostat dipelajari krn : Jk ada jrk h mk :
-Bisa mengetahui PC (x+h)  f(x+h).
-Bisa mengetahui sifat struktur geologi B. Model Variogram
1. Model Semivariogram Tanpa Sill
MATERI a. Model Linear
1. Semivariogram
Utk mengetahui sifat struktur dr bhn gal. Pd
semivariogram dpt diketahui :
-Jrk optimum
-Arah penyebaran
-Penentuan pola penambangan
2. Krigging
PC yg terdpt dlm geostatistik. 2. X1 n X2 (2 ttk) γ(v) = P(h)
Statistik yg dipelajari utk persiapan ke arah Disebut juga CoVariance
Krigging: b. Model Logarithmic ( De Wijs Mode)
a. Univariant
Suatu perangkat utk mengetahui penyebaran
(gambaran btk suatu end) ttp hanya berpatokan
1 variabel.
a. Median = nilai tengah
b. Mode = data yg sering muncul
c. Mean = X = 1/n Σni=1 Xi
d. Variansi σ2 =Sx2= Σni=1 (Xi-X)2 γ(h) = 0  C = Sill γ(h) = 3α . log h + B
n-1 γ(h) = C (0) – C(h) 3α = Koef dispersi absolut yg menentukan uk
e. Standar Deviasi = σ = √Sx2 = √σ2 kenaikan variogram.
f. Koef Variansi = CV = σ/X SMU (smallest Mining Unit) dinyatakan utk B = Co + 3α (3/2 lod l )
g. Kovariansi = Sxy2 = Σni=1 (xi-x)(yi-y) besaran block Co = Nugget Variance
n-1 l = panjang conto
h. Koef Korelasi = r = Sxy/(Sx.Sy) Zone Pengaruh : Sill (C) = Varians (S2)
i. Interquartik : -Lower Jarak kemenerusan dr suatu endapan S2 = 1/n-1 ∑ (xi – x)2
-Upper (Q3-Q1) h<a  kemenerusan Rangg (u) = daerah pengaruh
Krigging = h>a  populasi biasa.
< 5  Krigging linear 2. Model Semivariogram Dgn Sill
5-1,5  Krigging Linear SEMIVARIOGRAM a. Model Speris (Bola)/ Model Matheron
>1,5  Krigging non linear A. Struktur variogram
1. Berdsrkan Struktur ttk awal
-Skewness (kemenangan) a. Tk homogenitas tinggi krn data ideal
Data byk homogen (teratur) contoh : data geostatistik
Jk smakin lancip mk
Nilai relatif sama. γ(h) = C [3/2 h/a-1/2(h/a)3] + Co  h<a
Cenderung nilai rata2. γ(h) = C +Co  h>a
-Swewness (-) γ(h) = Co  h=0
Data yg didptkan (data b. Model Eksponensial/ Model Formery
pemboran, geokim) b. Homogenitas sedang, biasanya tdp pd bjh.
menunjukan nilai yg
diatas rata2 lbh byk.
-Skewness (+)
Data yg diperoleh mnjkn c. Homogenitas rendah, daerah pengaruh
nilai rendah rata2 lbh tinggi.
byk.
γ(h) = C [1 – e .-h/a] + Co  h< 3a
γ(h) = C +Co
b. Bivariant γ(h) = Co
Perangkat utk mengetahui penyebaran dgn d. Daerah random (acak) hanya statistik biasa c. Model Gauss
menggunakan 2 peubah (x,y).
Rms Regresi linear = y = ax+b

e. Variagram yg ada variannya disebut Nugget

Adl diagram yg digunakan utk mngetahui tk
penaksiran data.
c. Ruang/Space
Perangkat utk mengetahui penyebaran dgn
menggunakan 3 peubah (x,y,z)
3. Statistik Klastik
Syarat Data Utk Geostatistik :
1. Data hrs terdistribusi normal/ Distribusi
Gaussian
Effect (Co).
2. Struktur Bersarang (Nested Structure)
Dimana terdpt 2/lbh endapan
Misal :
3. Nugget Variance N Structure Micro
diakibatkan h tertalu pjg
γ(h) = C [1 – e .-(h/a)2] + Co  h< 2a
γ(h) = C +Co
γ(h) = Co
Model Speris dan eksponensial, variogramnya
bersifat linear dekat dgn ttk awal.
Model Gauss variogramnya bersifat parabolis
dekat dgn ttk awal.
C. Perhitungan Semivariogram
1. γ(h) = ∑ [ Z (x+h) – Z (xi) ]
2. n (h)
-Utk h = a m, arah 90, 135, 0

2. Membuat tabel γ(h)

3. Ploting γ(h)
4. Anisotropi 4. Semivariogram eksperimen
5. Mencari model
6. Regresi Linear
7. Penentuan C, Co dan 2/3 a
8. Anisotropi
Cara Transformasi di distribusi tdk normal
normal :
-Log X -√X 5. Isotropi
-X2 -1/Xn
-Xn
2. Data hrs Stationer (pendataan menerus )
Stationer adl fenomena alam pd ta.
ESTIMASI CADANGAN AOI = istilah yg diterapkan pd varian estimasi 1. P,L,ttkhi
cadangan secara umum. 2. Sill n a  model semivariogram
a = istilah yg dijumpai pd geostational.
Keterangan :
1. (a) dan (b)  (b)>(a) kesalahan estimasi krn
pd (b) ada ttk2 yg berada didlm blok yg tdk
termasuk daerah pengaruh. Ada (h) mk ada aturan bahwa utk 2 dimensi
2. (b) dan (c) (b)>(c) krn daerah yg tdk didiskrit mjd segmen2 3x3
1. I terlalu besar/ kecil dikaitan dgn a = 200m terkena daerah pengaruh pd gb (b) lebih luas dr
 kecil c. Cara menghitung (W,W)
2. II terlalu besar/ kecil dikaitkan dgn a = 200m 3. (c) dan (d)  (c)>(d)
 kecil/pas 4. (a) dan (e)  (e)>(a)
3. Kesalahan I>II Besarnya diameter lb bor sgt berpengaruh pd
II<I var estimasi.

Tujuan Estimasi : Varian Volume Relation Ship 1. Ttk 2 dimensi didiskrit mjd 3x3
Mencari kadar rata2 pengganti terbaik suatu Vol estimator besar maka varian kecil dan 2. Msg2 gambar ditentukan pusatnya
blok. kebalikannya. 3. Msg2 Pst dipakai sbg pangkal vektor
BLUE = Best Linear Unbiased Estimation Misal :
= Estimasi tak bias terbaik 1. Suatu blok penambangannya ada 1 lb bor
ditengah
Estimasi : 2. Suatu blok penambangan ada 1 lb bor
Main goal : ditengah dan 1 lb bor didekatnya.
1. Kadar rata2 pengganti terbaik suatu blok Varians estuimasi besar mana?
2. Kesa;ahan estimasi = Varians estimator besar yg 1 krn vol estimasi < Matheron/Spheris :
sejauh [Xsesungguhnya-Xestimasi] pd keadaan 2, 2 lb bor tsb dianggap 1 lb bor yg γ(h) = Co + C [3 h – 1 h3 ]  h<0
3. Tonase ukurannya > jd vol estimasi akan >. 2 a 2 a3
γ(h) = Co +C  h>2
FUNGSI STRUKTUR SEMIVARIOGRAM
γ(h) = Co + C[1/2h]  h<2
γ(h) = Co + C h>0
γ(h) = C[1/2h] h<2
Krigging : γ(h) = C h>2
Utk mencari kadar rata2 pengganti terbaik blok
Berguna mengetahui struktur drift end min bhn penambangan. KRIGGING
galian (berlapis/tidak). Persamaan krigging diturunkan dr persamaan
Daerah Pengaruh : 1 2 = (5x20) + (10x2) varian estimasi.
Menyatakan menghilangnya korelasi antar 5Kg 10Kg 15 15 c2 = 2γ(w,W) –γ(w,w) –γ(W,W)
conto. 20ppm 2 ppm = 1 20 ppm + 2 2 ppm Yg diminimumkan dg lagrange multiplier 
Homogen = end relatif jauh 3 3 dgn persamaan krigging akan diperoleh :
Heterogen = end relatif dekat. -Bobot hrs diterima msg2 ttk estimator
Jk isotrop : smkn berat, mkn besar bobotnya. -2k / uraian krigging
Jk Anisotrop : utk sdt 45 mpy bobot > daerah Catatan :
pengaruh > dr pd sdt 135 -Utk memperoleh kondisi non biase thd proses
estimasi/ utk menjamin kondisi nonbiased
4 = 0,2 3=0,3 maka :
End reletif homogen sejajar dgn arah pantai. 10 ppm 10 ppm n i=1 I=1
Co menunjukan struktur mikronya, jk data -Proses estimasi itu sendiri pd dsrnya adl
sedikit cenderung lbh tinggi, n jk data banyak mencari kadar rata2 pengganti terbaik, oleh
cenderung mendekati nol. 1 = 0,3 2=0,2 sebab itu proses estimasi senantiasa mpy
Jarak conto relatif jauh  Co tinggi 10 ppm 10ppm kesalahan [z-z*]
Jarak conto relatif dekat Co rendah kadar rata2 pengganti terbaik:
Sill/varians ditunjukan oleh perbedaan data, (0,3.10)+(0,2.10)+(0,3.10)+(0,2.10) = Conto non biase
jk perbedaannya besar mk sill akan naik. 0,3+0,2+0,3+0,2
0,3x10 + 0,2x10 + 0,3x10 + 0,2x10
1 1 1 1

Jk kedalaman lb bor berbeda

-Mencerminkan genesa kesegala arah, Kdr rata2 = [5x20]+[15x10]
prosesnya sama shg kadarnya relatif. 5+15
-Isotrop tdk mesti dr segala arah mpy nilai
bobot 5 m atau 1 = 5/20 = 0,25
sama ttp mpy perbedaan yg sgt kecil (varian
bobot 15 m atau 2 = 15/20 = 0,75
kesil) shg dianggap sama.
Langkah2= IDS
1. Core diambil, core dibagi mjd segmen2
2. Analisa per segmen  kadar
3. Calculated Grade =
3mx5ppm+3mx3ppm+5mx10ppm+4mx1ppm
15 IDS = (1/10)2 . 10 + (1/20)2 . 8
= 6 ppm (1/10)2 + (1/20)2
bobot 10 ppm = (1/10)2
VARIANS ESTIMASI (1/10)2 + (1/20)2
Menyatakan sejauh mana kesalahan yg tjd bobot 8 ppm = (1/20)2
yaitu sejauh mana nilai rata2 pengganti terbaik (1/10)2 + (1/20)2
tsb berbeda dgn nilai sesungguhnya. Knp tdk bisa dijadikan bobot?
Krn jk kadar dijadikan bobot mk kondisi non
σc = 2γ(W,w) –γ(W,W) –γ(w,w) biase tdk tercapai. Kritik IDS = mengabaikan
PENERAPAN RANGE/ DAERAH
konfigurasi estimator thd pemberian bobot.
PENGARUH W = Block yg akan diestimasi
1. Dikaitkan dgn kesalahan estimasi w = Conto utk diestimasi
Misal : σc = Varian estimasi
γ(W,w) = nilai semivariogram rata2 apabila
pangkal vector melekat pd w dan ujung vector
bergerak pd blok W.
γ(W,W) = nilai semivariogram rata2 jk
Var estimasi = … e2 = … pangkal maupun ujung vector bergerak pd blok
Blok berada di dlm range (a) shg kesalahan W
estimasi sebesar II γ(w,w) = nilai semivariogram rata2 apabila
pangkal maupun ujung vector bergerak pd
conto w.

Cara Menghitung Gamma Bar

Var estimasi = … e2 = …
Kesalahan estimasi > krn ada ttk yg berada
diluar daerah pengaruh estimator.

2. Dikaitkan Posisi n jml conto thd variansi yg

dikaitkan pengertian daerah pengaruh. γ(W,w) = γ1+γ2 +γ3+γ4+γ5+γ6+γ7+γ8+γ9
9
Supaya dpt menghitung (hi)