BAB I

PENDAHULUAN

1.1 Latar Belakang

Geostatistik adalah ilmu yang mempelajari aplikasi dan teori mengenai
variable terregional (Variabel Berubah ) pada berbagai fenomena gejala
alam,terutama untuk menentukan volume bahan galian.Landasan dari
pembelajaran geostatistik adalah "The Theory of Regionalised
Variabels",dimana data dari titik-titik sampel mempunyai korelasi satu sama
lain sesuai dengan karakteristik penyebaran endapan mineral.
Analisis dari geostatistik merupakan teknik geostatistik yang terfokus
pada variabel spasial,yaitu hubungan antara variabel yang diukur pada titik
tertentu dengan variabel yang sama pada titik dengan jarak tertentu dari titik
pertama.Geostatistik dapat digunakan padang bidang-bidang industry
pertambangan juga perminyakan lingkungan
meteorology,geofisika,pertanian dan perianan,elautan,ilmu tanah,fisika
media heterogen,Teni sipil,akuntansi dan astrofisia.
Dalam praktikum kali ini kami menggunaan metode geostatistik dalam
menghitung lingkar pohon dan melihat litologi disekitarnya,pada daerah
faperta dan seitarnya Universitas Islam Riau.Dari pengambilan data yang
kami lakukan,akan dihasilkan peta sebaran lingar pohon,peta post map,dan
peta sebaran litologi di area faperta Universitas Islam Riau dengan
menggunakan metode kriging dan applikasi surfer.

1.2 Rumusan Masalah

1.2.1 Bagaimana variasi lingkar pohon pada kawasan Fakultas Pertanian
dan sekitarnya, Universitas Islam Riau?
1.2.2 Bagaimana pola sebaran litologi pada kawasan Fakultas Pertanian
dan sekitarnya, Universitas Islam Riau?

1
1.3 Maksud dan Tujuan
Maksud dari pembuatan laporan ini adalah untuk bisa mengetahui
bagaimana penggunaan metode krigging
Adapun tujuan dari dibuatnya laporan ini adalah :
1.3.1 Untuk mengetahui bagaimana variasi lingkar pohon pada
kawasan Fakultas Pertanian dan sekitarnya, Universitas Islam
Riau.
1.3.2 Untuk mengetahui sebaran litologi pada kawasan Fakultas
Pertanian dan sekitarnya, Universitas Islam Riau.
1.3.3 Memahami penggunaan metode krigging pada geostatistik.
1.3.4 Sebagai salah satu syarat lulus praktikum geostatistika.

1.4 Kesampaian Wilayah

Penelitian dilakukan pada wilayah Fakultas Pertanian Universitas Islam
Riau, lokasi ini berjarak 15 Km dari pusat kota Pekanbaru, wilayah penelitian
memiliki akses yang mudah dan tidak terlalu sulit untuk pengambilan data.

Gambar 1.1 Lokasi Penelitian

2
1.5 Manfaat Penelitian
Penelitian ini dapat memberikan informasi mengenai sebaran litologi
dan variasi lingkar pohon yang ada di kawasan Fakultas Pertanian
Universitas Islam Riau dengan menggunakan metode krigging.

3
 BAB II
TINJAUAN PUSTAKA

2.1 Geostatistika
Geostatistik adalah metode statistik yang digunakan untuk melihat
hubungan antar variabel yang diukur pada titik tertentu dengan variabel yang
sama diukur pada titik dengan jarak tertentu dari titik pertama (data spasial)
dan digunakan untuk mengestimasi parameter di tempat yang tidak diketahui
datanya (Oliver and Carol,2005).
Sifat khusus dari data spasial ini adalah ketakbebasan dan keheterogenan.
Ketakbebasan disebabkan oleh adanya perhitungan galat pengamatan dan hasil
yang diteliti dalam satu titik ditentukan oleh titik yang lainnya dalam sistem
dan keheterogenan disebabkan adanya perbedaan wilayah.
2.1.1 Teori peubah acak wilayah
Peubah acak wilayah adalah peubah acak yang tersebar dalam
ruang. Diberikan data spasial { Z(s1 ),...,Z(sn ) } pada lokasi spasial {s1
,..., sn }. Jika dua peubah acak sembarang Z(s) dan Z(s + h) saling
berautokorelasi dan bergantung secara parsial pada verktor h dalam
jarak dan arah, maka ragam antara nilai - nilai Z di lokasi s dan s+h
adalah Var[Z(s)-Z(s+h)]. Ragam ini dalam statistik analisis deret waktu
dan fungsi struktur peluang disebut sebagai Beda Kuadrat Tengah
(Cressie,1993;Ricci1997).
Jika E[Z(s)] = m, dan untuk semua himpunan peubah acak Z(s)
dan Z(s+h) terdapat kovarians dan hanya bergantung pada vector h, dan
Cov[Z(s),Z(s+h)]=C(h) untuk semua s dan h, maka Z(s) disebut second
order stasionary. Jika Z(s) adalah second order stasionary maka
E[Z(s)-Z(s+h)] = 0 dan Var[Z(s)-Z(s+h)] = E[{Z(s)-Z(s+h)}2].
Jika {Z(s)|s D} memenuhi E[Z(s)] = µ dan Var[Z(s1),Z(s2)] = 2
(s1 – s2) dan var[Z(s1)-Z(s2)] = E[{Z(s)-Z(s+h)}2] , maka Z() disebut
intrinsic stasionary. Dan jika 2 (s1 – s2) = 2 (||s1 – s2||) hanya berupa
fungsi ||s1 – s2||, maka 2 () disebut isotropik.

4
2.1.2 Autokorelasi Spasial
Autukorelasi spasial mendeskripsikan hubungan antara satu
variabel dengan variabel lainnya. Salah satu alat yang digunakan
untuk mendeskripsikan kontinuitas spasial adalah h-scatterplot.
h-scatterplot menunjukkan semua pasangan nilai-nilai data yang
lokasinya dipisahkan oleh jarak tertentu dalam arah umum. Lokasi
untuk sembarang titik dapat digambarkan dengan suatu vektor yang
memisahkan antara dua titik sembarang. Jadi, notasi vektor ini
menggambarkan sepasang nilai yang dipisahkan oleh jarak tertentu
dalam arah umum.

Gambar 2.1. Notasi Vektor Jarak

Pada gambar 1, lokasi titik di (xi, yi) dapat dilambangkan dengan ti

dan lokasi titik di (xj, yj) dapat juga dilambangkan dengan tj. Jarak
antara titik i dan titik j adalah tj-ti yang dapat juga digambarkan
sebagai pasangan koordinat (xj-xi, yj-yi). Simbol hij menunjukkan
arah vektor dari titik i ke titik j dan hji sebagai vektor dari titik j ke i.
Pada kenyataannya, banyaknya titik-titik yang dipisahkan secara
tepat oleh vektor h mungkin akan lebih kecil atau tak ada sama sekali.
Oleh karena itu, sebuah jarak dan torelansi arah diberikan untuk
memasukkan titik-titik data lebih banyak di dalam perhitungan h. Pada
gambar di bawah ini, semua titik data yang akan digunakan berada
dalam area berwarna abu-abu.

5
 Gambar 2.2. Contoh Vector h dengan Toleransi Arah

Komponen jarak h disebut sebagai lag. Torelansi yang

berasosiasi dengan lag dinamakan torelansi lag. Torelansi yang
berasosiasi dengan arah disebut sebagai torelansi sudut (Deutsch and
Journel, 1992).
Selain dalam h-scatterplot, autokorelasi spasial dapat dianalisis
dengan fungsi kovarian (autokovarians), fungsi korelasi (correlogram),
dan variogram atau semivariogram.
Fungsi kovarians atau autokovarians, adalah hubungan antara
kovarians h-scatterplot dan h. Fungsi kovarians, C(h) dapat dihitung
dari persamaan sebagai berikut

atau

Hubungan antara koefisien korelasi h-scatterplot dengan h

dinamakan fungsi korelasi atau correlogram. Fungsi korelasi ini
bergantung pada nilai h yang merupakan vektor antara jarak dengan
arah. Fungsi korelasi, adalah fungsi kovarian yang distandarkan
oleh simpangan baku.

6
 = simpangan baku semua nilai data yang lokasinya adalah +h
jauhnya dari beberapa lokasi data yang lain.

Moment inersia dapat dihitung dari persamaan berikut ini.

Moment inersia adalah ½ beda kuadrat rata-rata antara koordinat

x dan y untuk setiap pasangan titik-titik pada h-scatterplot, faktor ½
adalah konsekuensi dari fakta bahwa suatu jarak titik-titik tersebut
tegak lurus terhadap garis 45 derajat.
Variogram didefinisikan sebagai hubungan vektor h = s1 – s2 atau
hubungan jarak dengan sudut arah h = (L,θ), dengan L adalah lag.
Fungsi variogram untuk s1 – s2 adalah sebagai berikut.

Semivariogram, , merupakan ½ beda kuadrat rata – rata antara

sepasang nilai data.

Nilai - nilai , C(h), dan tak berpengaruh apabila

kooedinat i dan j ditukar arahnya pada persamaan sebelumnya. Sebagai
contoh persamaan (2.5) akan menjadi

7
2.1.3 Komponen Variogram atau Semivariogram
Komponen dalam variogram atau semivariogram adalah sebagai
berikut.
1. Range
Menurut Isaaks dan Srivastava (1989), range adalah jarak
dimana variogram adalah sebuah dataran tinggi atau sebuah masa
stabil. Jarak dimana variogram mencapai nilai sill. Sedangkan
menurut Dorsel dan Breche (1997), range adalah jarak antara lokasi-
lokasi dimana pengamatan-pengamatannya terlihat independen,
yakni ragamnya tidak mengalami suatu kenaikan. Dalam grafik
variogram range dinyatakan dengan lambang “a” yaitu jarak pada
sumbu horizontal mulai dari titik nol sampai titik proyeksi perubahan
variogram dari miring ke mendatar. Pada jarak range ini Variabel
dipengaruhi oleh posisi. Dalam batas range, antara nilai Z(s) dengan
nilai lain akan terdapat korelasi. Besarnya korelasi dari satu nilai ke
nilai lain akan berkurang sesuai dengan bertambah jaraknya. Dalam
praktek, range akan mempengaruhi korelasi spasialnya.
2. Sill
Menurut Isaaks dan Srivastava (1989), masa stabil suatu
variogram yang mencapai rangenya disebut dengan sill. Menurut
Dorsel dan Breche (1997), sill mendeskripsikan dimana
variogramnya menjadi suatu wilayah yang datar, yakni ragamnya
juga tidak mengalami suatu kenaikan.
3. Nugget Effect
Kediskontinuan pada pusat variogram terhadap garis vertikal
yang melompat dari nilai 0 pada pusat ke nilai variogram pada
pemisahan jarak terkecil disebut dengan nugget effect. Rasio nugget
effect terhadap sill seringkali disebut sebagai nugget effect relative
dan biasanya dinyatakan dalam persen (Isaaks and Srivastava, 1989).
Nugget effect dapat berupa kesalahan sistematis atau biasanya

8
kesalahan yang dibuat oleh manusia, kesalahan membaca alat,
kesalahan sampling, dll disebut dengan nugget effect.

Gambar 2.3. Semivariogram

9
 BAB III
METODE PENELITIAN

Pengambilan data dilakukan di lingkungan kampus UIR yakni Fakultas

Pertanian dan sekitarnya. Metode penelitian meliputi pengambilan data lingkar
pohon dan juga litologi di daerah penelitian. Data diambil untuk melihat hubungan
data antara lingkar pohon dengan litologi yang berada di sekitar pohon.
Pengambilan data dilakukan 10 meter setiap pohonnya. Pengolahan data dilakukan
dengan menggunkan metode krigging. Metode krigging ini menjadi metode yang
paling cocok digunakan untuk melihat sebaran data lingkar pohon dan litologi.
Pengolahan data dilakukan dengan menggunakan software Surfer 13.

3.1 Metode Penelitian

3.1.1 Orientasi lapangan
Metode ini dilakukan dengan cara langsung melalukan pengambilan
data dilapangan dengan cara mengambil data lingkar pohon beserta
litologi yang ada disekitar pohon.

3.1.2 Metode Krigging

Kriging adalah metode geostatistik yang digunakan untuk
mengestimasi nilai dari sebuah titik atau blok sebagai kombinasi linier
dari nilai contoh yang terdapat disekitar titik yang akan diestimasi.
Bobot kriging diperoleh dari hasil variansi estimasi minimum dengan
memperluas penggunaan semi-variogram. Estimator kriging dapat
diartikan sebagai variabel tidak bias dan penjumlahan dari keseluruhan
bobot adalah satu. Bobot inilah yang dipakai untuk mengestimasi nilai
dari ketebalan, ketinggian, kadar atau variabel lain.
Istilah kriging diambil dari nama seorang ahli, yaitu D.G. Krige,
yang pertama kali menggunakan korelasi spasial dan estimator yang
tidak bias. Istilah kriging diperkenalkan oleh G. Matheron untuk

10
menonjolkan metode khusus dalam moving average terbobot (weighted
moving average) yang meminimalkan varians dari hasil estimasi.
kriging adalah suatu metode geostatistika yang memanfaatkan
nilai spasial pada lokasi tersampel dan variogram untuk memprediksi
nilai pada lokasi lain yang belum dan/atau tidak tersampel dimana nilai
prediksi tersebut tergantung pada kedekatannya terhadap lokasi
tersampel . Pada penerapannya, kriging dibawah asumsi kestasioneran
dalam ratarata (μ) dan varians (σ2), sehingga jika asumsi kestasioneran
tersebut dilanggar maka kriging menghasilkan nilai prediksi yang
kurang presisif. Selain itu, sebagaimana pada semua metode analisis
data nonspatial (crosssectional, time series, panel, dll.), kriging juga
dapat menghasilkan nilai prediksi kurang presisif jika di antara data
yang ada terdapat pencilan (outlier). Outlier didefinisikan sebagai nilai
yang ekstrim dari nilai amatan lainnya yang kemungkinan dapat
disebabkan oleh kesalahan pencatatan, kalibrasi alat yang tidak tepat
atau kemungkinan lainnya. Kriging sebagai interpolasi spasial
optimum dapat menghasilkan nilai prediksi kurang presisif jika di
antara data yang ada terdapat pencilan (outlier). Outlier didefinisikan
sebagai nilai yang ekstrim dari nilai amatan lainnya yang kemungkinan
dapat disebabkan oleh kesalahan pencatatan, kalibrasi alat yang tidak
tepat atau kemungkinan lainnya. Pengembangan ordinary
kriging (kriging klasik) adalah robust kriging yang mentransformasi
bobot variogram pada variogram klasik sehingga menjadi variogram
yang robust terhadap outlier.
Data yang digunakan dalam penelitian ini adalah data spasial
yang mengandung outlier dan memenuhi asumsi kriging klasik. Hasil
analisis menunjukkan bahwa robust kriging jauh lebih presisif
dibandingkan dengan ordinary kriging dalam mengestimasi nilai dari
titik-titik spasial untuk data yang mengandung pencilan. Hal tersebut
ditunjukkan dengan nilai cross validation (MAE dan RMSE)

11
dari robust kriging jauh lebih kecil dibandingkan dengan ordinary
kriging.
Ada beberapa model kriging yang umum digunakan di antaranya
adalah ordinary kriging dan universal krigingyang notabenenya tidak
mengakomodir adanya outlier. Lebih lanjut, pengembangan ordinary
kriging adalah robust kriging yang mentransformasi bobot variogram
pada variogram klasik sehingga menjadi variogram yang robust
terhadap outlier.
Kriging memberikan lebih banyak bobot pada contoh dengan
jarak terdekat dibandingkan dengan contoh dengan jarak lebih jauh,
kemenerusan dan anisotropi merupakan pertimbangan yang penting
dalam kriging, bentuk geometri dari data dan karakter variabel yang
diestimasi serta besar dari blok juga ditaksir.
Sifat-sifat Kriging :
1. Struktur dan korelasi variabel melalui fungsi γ(h)
2. Hubungan geometri relatif antar data yang mencakup hal
penaksiran dan penaksiran volume melalui (Si,Sj) (hubungan
antar data) dan sebagai (Si,V) (hubungan antara data dan
volume)
3. Jika variogram isotrop dan pola data teratur, maka sistem
kriging akan memberikan data yang simetri
4. Dalam banyak hal hanya contoh-contoh di dalam blok dan di
sekitar blok memberikan estimasi dan mempunyai suatu
faktor bobot masing-masing nol
5. Dalam hal ini jangkauan radius contoh yang pertama atau
kedua pertama tidak memengaruhi (tersaring).
6. Efek screen ini akan terjadi, jika tidak ada nugget effect atau
kecil sekali ε = C0/C
7. Efek nugget ini menurunkan efek screen
8. Untuk efek nugget yang besar, semuai contoh mempunyai
bobot yang sama.

12
 9. Contoh-contoh yang terletak jauh dari blok dapat
diikutsertakan dalam estimasi ini melalui harga rata-ratanya
3.2 Alat

Gambar 3.1. GPS Garmin 64s Gambar 3.2. Meteran 50 m

Gambar 3.3. Komparator Batuan Sedimen

3.3 Pengambilan data

3.3.1 Pengambilan data dilakukan dengan mengambil koordinat X dan Y
dengan menggunakan GPS pada setiap pohonnya.
3.3.2 Melakukan pengambilan data lingkar tiap pohon yang di ambil
koordinatnya
3.3.3 Lalu mendeskripsikan litologi disekitar pohon

13
 BAB IV
PEMBAHASAN

Dalam penelitian ini dilakukan pengambilan data untuk menganalisa

bagaimana sebaran lingkar pohon dan litologi pada kawasan Fakultas Pertanian
Universitas Islam Riau, pada penelitan kami menggunakan sebanyak 70 Pohon
sebagai acuan data dan data diambil setiap jarak 10 m.

14
 Gambar 4.1 Ploting pohon pada kawasan Fakultas Pertanian Universitas Islam Riau

Tabel 4.1 Data Lingkar Pohon dan Litologi

Lingkar
NO Stasiun Latitude Longitude Litologi Besar Butir
Pohon (cm)
1 PH1 0.445044444 100.4583583 175 Pasir Halus 0.125
2 PH2 0.445047222 100.458475 75 Pasir Halus 0.125
3 PH3 0.445080556 100.4584 78 Pasir Halus 0.125
4 PH4 0.445102778 100.4583417 65 Pasir Halus 0.125
5 PH5 0.445161111 100.4582583 59 Pasir Halus 0.125
6 PH6 0.445236111 100.4583 52 Pasir Halus 0.125
7 PH7 0.445297222 100.4583556 270 Pasir Halus 0.125
8 PH8 0.445377778 100.4582389 50 Pasir Halus 0.125
9 PH9 0.445422222 100.4583278 71 Pasir Halus 0.125
10 PH10 0.445333333 100.4585194 37 Pasir Halus 0.125
11 PH11 0.445266667 100.4586306 62 Pasir Halus 0.125
12 PH12 0.445213889 100.4587278 73 Pasir Halus 0.125
13 PH13 0.445127778 100.4588278 79 Pasir Halus 0.125
14 PH14 0.444986111 100.4587028 59 Pasir Halus 0.125
15 PH15 0.444886111 100.4586889 78 Pasir Halus 0.125
16 PH16 0.44475 100.4586639 39 Pasir Halus 0.125
17 PH17 0.444613889 100.4585889 76 Pasir Halus 0.125
18 PH18 0.444427778 100.4585139 79 Pasir Sangat Halus 0.0625
19 PH19 0.444322222 100.4584361 54 Pasir Sangat Halus 0.0625
20 PH20 0.444358333 100.4583306 95 Pasir Sangat Halus 0.0625
21 PH21 0.444394444 100.4582278 80 Pasir Sangat Halus 0.0625
22 PH22 0.444372222 100.4580972 65 Pasir Sangat Halus 0.0625
23 PH23 0.444547222 100.4579694 52 Pasir Halus 0.125
24 PH24 0.444641667 100.4578806 42 Pasir Halus 0.125
25 PH25 0.444841667 100.4579361 28 Pasir Halus 0.125
26 PH26 0.445030556 100.458025 26 Pasir Halus 0.125
27 PH27 0.44515 100.4579306 24 Pasir Sangat Halus 0.0625
28 PH28 0.445436111 100.4577722 19 Pasir Sangat Halus 0.0625
29 PH29 0.445316667 100.4577806 60 Pasir Sangat Halus 0.0625
30 PH30 0.445441667 100.4579 40 Pasir Sangat Halus 0.0625
31 PH31 0.445416667 100.4581028 30 Pasir Halus 0.125
32 PH32 0.445577778 100.4582833 50 Pasir Sangat Halus 0.0625
33 PH33 0.445791667 100.4580833 65 Pasir Halus 0.125
34 PH34 0.445897222 100.4579306 49 Lempung 0.0039062
35 PH35 0.445988889 100.4580111 54 Lempung 0.0039062

15
36 PH36 0.446188889 100.4580778 69 Lempung 0.0039062
37 PH37 0.446402778 100.4581667 64 Lempung 0.0039062
38 PH38 0.446675 100.4582806 61 Lempung 0.0039062
39 PH39 0.446858333 100.4583639 55 Lempung 0.0039062
40 PH40 0.447041667 100.458425 69 Lempung 0.0039062
41 PH41 0.445877778 100.4575472 79 Pasir Halus 0.125
42 PH42 0.446338889 100.4568083 58 Pasir Halus 0.125
43 PH43 0.446597222 100.4563083 64 Pasir Halus 0.125
44 PH44 0.447 100.4554917 600 Pasir Halus 0.125
45 PH45 0.447247222 100.4558861 76 Pasir Halus 0.125
46 PH46 0.447122222 100.4561 52 Pasir Halus 0.125
47 PH47 0.447044444 100.4565556 190 Pasir Halus 0.125
48 PH48 0.446894444 100.4568194 220 Pasir Halus 0.125
49 PH49 0.446655556 100.4552083 190 Pasir Halus 0.125
50 PH50 0.446561111 100.4553 42 Pasir Halus 0.125
51 PH51 0.446136111 100.4570861 78 Lempung 0.0039062
52 PH52 0.446455556 100.4565417 80 Lempung 0.0039062
53 PH53 0.446558333 100.456 45 Lempung 0.0039062
54 PH54 0.446766667 100.45545 65 Lempung 0.0039062
55 PH55 0.447313889 100.4563417 98 Lempung 0.0039062
56 PH56 0.447508333 100.4563194 130 Lempung 0.0039062
57 PH57 0.447172222 100.4568 64 Pasir Sangat Halus 0.0625
58 PH58 0.446838889 100.4565861 43 Pasir Sangat Halus 0.0625
59 PH59 0.446533333 100.4550806 44 Pasir Sangat Halus 0.0625
60 PH60 0.446369444 100.4550194 125 Pasir Sangat Halus 0.0625
61 PH61 0.447086111 100.4570083 113 Pasir Sangat Halus 0.0625
62 PH62 0.446477778 100.4558083 102 Pasir Sangat Halus 0.0625
63 PH63 0.446988889 100.4559167 44 Pasir Halus 0.125
64 PH64 0.447438889 100.4557444 56 Pasir Halus 0.125
65 PH65 0.447280556 100.4553389 76 Pasir Halus 0.125
66 PH66 0.446930556 100.4553417 156 Pasir Halus 0.125
67 PH67 0.4471 100.4552611 180 Pasir Halus 0.125
68 PH68 0.446877778 100.4551833 55 Pasir Halus 0.125
69 PH69 0.446416667 100.4554444 32 Pasir Halus 0.125
70 PH70 0.4463 100.4553278 59 Pasir Halus 0.125

16
 4.1 Analisa Peta Sebaran Lingkar Pohon

Gambar 4.2 Peta Sebaran Lingkar Pohon pada kawasan Fakultas Pertanian Universitas
Islam Riau

Berdasarkan data yang telah diambil pada kawasan Fakultas Pertanian

Universitas Islam Riau terdapat beberapa variasi ukuran lingkar pohon,
data kemudian diolah menggunakan metode krigging pada software Surfer
(Gambar 4.2). Berdasarkan peta yang telah dibuat dapat dilihat sebaran
lingkar pohon pada kawasan Fakultas Pertanian Universitas Islam Riau
bahwa semakin warna mengarah ke warna biru maka lingkar pohon
semakin kecil, dan semakin warna mengarah ke warna merah maka lingkar

17
 pohon semakin besar. Berdasarkan data lingkar pohon paling kecil
berukuran 20cm dan lingkar pohon paling besar berukuran 600 cm,
berdasarkan hasil penelitian, kawasan Fakultas Pertanian Universitas Islam
Riau didominasi dengan lingkar pohon berukuran 60 – 140 cm.

4.2 Analisa Peta Sebaran Litologi

Gambar 4.3 Peta Sebaran litologi pada kawasan Fakultas Pertanian Universitas Islam
Riau

Berdasarkan data yang telah diambil pada kawasan Fakultas Pertanian

Universitas Islam Riau terdapat beberapa variasi litologi yang tersebar, data
kemudian diolah menggunakan metode krigging pada software Surfer
(Gambar 4.3). Berdasarkan peta yang telah dibuat dapat dilihat sebaran

18
litologi pada kawasan Fakultas Pertanian Universitas Islam Riau bahwa
semakin warna mengarah ke warna biru maka ukuran butiran pada batuan
semakin kecil, dan semakin warna mengarah ke warna merah maka ukuran
butiran pada batuan semakin besar. Berdasarkan data data yang telah
dianalisa, litologi yang terdapat pada kawasan Fakultas Pertanian
Universitas Islam Riau ialah batulempung, batupasir sangat halus, dan
batupasir halus. Berdasarkan hasil penelitian, kawasan Fakultas Pertanian
Universitas Islam Riau didominasi oleh batupasir sangat halus.

19
 BAB V
KESIMPULAN

Berdasarkan penelitian yang telah dilakukan, dapat disimpulkan bahwa

terdapat banyak variasi lingkar pohon dan litologi pada kawasan Fakultas Pertanian
Universitas Islam Riau. Berikut beberapa kesimpulan yang dapat ditarik dari hasil
penelitian yaitu :
1. Range lingkar pohon pada kawasan Fakultas Pertanian Universitas Islam
Riau memiliki nilai terkecil 20 cm dan nilai paling besar 600 cm,
berdasarkan hasil penelitian, kawasan Fakultas Pertanian Universitas Islam
Riau didominasi dengan lingkar pohon berukuran 60 – 140 cm.
2. Litologi yang terdapat pada kawasan Fakultas Pertanian Universitas Islam
Riau ialah batuulempung, batupasir sangat halus, dan batupasir halus.
Berdasarkan hasil penelitian, kawasan Fakultas Pertanian Universitas Islam
Riau didominasi oleh batupasir sangat halus.

20
 DAFTAR PUSTAKA

http://digilib.unila.ac.id/1234/9/BAB%20II.pdf

https://id.wikipedia.org/wiki/Kriging

http://zaihooiz.blogspot.co.id/2012/05/pengertian-dan-model-kriging.html

21
LAMPIRAN

22
23
24
25