PRAKTIKUM

GEOSTATISTIK DAN PEMODELAN SUMBERDAYA

Oleh:

NAMA: ANDRI VAN DENI

NIM: 17127120

TEKNIK PERTAMBANGAN
FAKULTAS TEKNIK
UNIVERSITAS NEGERI PADANG
2018
A. TUJUAN PRAKTIKUM
Adapun yang menjadi tujuan dari praktikum dan penulisan makalah ini
adalah:
1. Untuk memberikan pengetahuan pada mahasiswa untuk mengerti dalam
konsep dasar untuk menginterprestasikan kondisi lapangan yang diolah
menggunakan software.
2. Mengolah data mentah yang kemuadian diinterprestasikan melalui
perhitungan manual atau menggunakan aplikasi, untuk medapatkan
sebaran data secara variogram
3. Menghitung Komponen komponen dalam statistika dasar secara
komputasi.
4. Membuat sebaran data dan korelasi antar data melalui bivarians data, serta
variogram dari data
B. ALAT DAN DATA
1. Alat Praktikum
a. Komputer atau Laptop
b. Kalkulator
c. Buku dan alat tulis
2. Data Praktikum
Tabel 1. Data Batubara “Korelasi Kualitas Batubara”
X Y Z Thick Ash Sulphur CV
1 63664 2295 50.32 3.25 10.53 0.83 5064
2 63863 2225 42.93 1.75 6.19 0.89 6001
3 63722 2335 32.32 3.43 4.97 0.8 5592
4 63554 2101 49.38 3.35 4.7 1.03 5510
5 63614 2294 51.47 2.65 4.66 0.78 5594
6 64185 2443 26.5 2.65 4.43 1.26 5468
7 63878 2445 39.12 3.36 4.4 1.15 5618
8 63717 2295 46.53 3 4.3 0.88 5586
9 63993 2343 31.54 3.67 4.29 0.73 5578
10 63679 2257 50.65 3.55 4.22 0.79 5577
11 64035 2443 43.31 3.05 4.18 0.86 5539
12 63860 2250 43.53 3.3 4.18 0.88 5538
13 63969 2256 39.08 2.4 4.04 0.79 5768
14 63579 2407 44.95 3.62 3.82 0.88 5528
15 63940 2299 34.97 2.67 3.77 0.66 5393
16 63903 2293 34.36 3.22 3.75 0.76 5558
17 63510 2036 57.73 2.14 3.7 1.31 5530
18 63904 2416 44.22 3.34 3.65 1.03 5571
19 63907 2383 43.38 3.15 3.47 1.11 5565
20 63594 2197 53.31 3.15 3.46 0.74 5666
21 63502 2147 48.51 2.67 3.42 1.5 6378
22 64097 2460 42.94 3.59 3.29 1 5678
23 63985 2443 42.55 2.5 3.2 0.93 5626
24 63815 2167 38.61 3.62 3.11 0.82 5672
25 63775 2236 46.54 3.32 3.1 0.84 5534
26 64063 2489 37.77 2.97 3.03 0.9 5598
27 63821 2355 43.53 3.54 2.99 0.82 5667
28 63730 2248 48.59 3 2.93 1.01 5672
29 63960 2492 26.43 2.9 2.89 0.73 5563
30 63852 2295 32.12 3.17 2.88 0.85 5647
31 64136 2442 37.75 2.8 2.87 0.81 5630
32 63826 2242 43.64 3.03 2.87 0.81 5568
33 63932 2340 31.12 3.15 2.86 0.88 5591
34 63915 2256 42.23 2.82 2.84 0.81 5781
35 64023 2396 38.12 2.72 2.82 0.94 5561
36 63763 2306 45.98 3.12 2.78 0.74 5620
37 63960 2393 36.87 3.3 2.78 0.8 5654
38 63799 2303 41.44 2.87 2.76 0.78 5468
39 63853 2397 38.97 3.44 2.76 0.77 5712
40 63753 2201 46.14 2.07 2.72 0.78 5502
41 64008 2490 27.82 2.25 2.69 0.74 5581
42 63665 2169 42.33 3.21 2.67 0.83 5441
43 63675 2339 44.77 3.38 2.65 0.85 5749
44 63898 2224 37.31 2.77 2.58 0.68 5705
45 63636 2256 51.68 2.82 2.55 0.77 5584
46 63648 2203 42 3.09 2.54 0.95 5560
 47 63547 2155 49.91 2.88 2.49 0.82 5512
48 63567 2397 46.04 3 2.49 0.99 5484
49 63604 2124 45.89 2.9 2.41 0.72 5517
50 63692 2218 43.05 3.17 2.28 0.78 5536
51 63935 2442 42.58 2.9 2.25 0.72 5686
52 63576 2435 43.17 2.16 2.22 0.99 5838
53 63794 2200 44.65 3.21 2.17 0.72 5673
54 63504 2103 56.83 2.7 2.15 0.99 5669
55 63899 2349 41.14 3.46 2.14 0.98 5685
56 64160 2492 28.08 2.38 2.13 0.84 5685
57 63788 2354 45.21 3.13 2.13 0.81 5601
58 63600 2346 44.24 2.44 2.11 0.59 5463
59 63629 2341 39.92 3.35 2.07 0.76 5767
60 63918 2492 27.16 2.65 1.92 0.77 5646
61 63504 2067 58.54 2.6 0 1.01 0
62 63544 2084 51.16 2.8 0 0.89 0

C. LANGKAH KERJA
Dalam membuat suatu data atau sebaran data maka perlu diketahui
komponen kompone atau olahan awal dari data:
1. Menghitung besaran variabel dari setiap data melalui pendekatan
statistika dasar, diantaranya:
a. Jumlah atau Total keseluruhan data
b. Rata rata dari setiap data:, dengan persamaaan
∑𝒏𝒊=𝟏 𝑿𝒊 𝒙𝟏 + 𝒙𝟐 + ⋯ + 𝒙𝒏
𝑿 𝒓𝒂𝒕𝒂 𝒓𝒂𝒕𝒂 = =
𝒏 𝒏
c. Nilai median, modus, jangkauan quartile, persentil dari data.
Median merupakan nilai tengah dari suatu data: demana n=untuk
menghitungnya menggunakan persamaan:
𝟏
𝑴𝒆𝒅𝒊𝒂𝒏 = (𝒏 + 𝟏)
𝟐
Untuk Jangkauan Quartil dan Persentil menggunakan persamaan:
 𝟏
𝑸𝒖𝒂𝒓𝒕𝒊𝒍 𝒃𝒂𝒘𝒂𝒉 = (𝒏 + 𝟏)
𝟒
𝑸𝒖𝒂𝒓𝒕𝒊𝒍 𝑻𝒆𝒏𝒈𝒂𝒉 = 𝒎𝒆𝒅𝒊𝒂𝒏
𝟑
𝑸𝒖𝒂𝒓𝒕𝒊𝒍 𝒂𝒕𝒂𝒔 = (𝒏 + 𝟏)
𝟒
Untuk persentil maka pembagian kita ada pada nilai 100 dengan
persamaan:
𝒙
𝒑𝒆𝒓𝒔𝒆𝒏𝒕𝒊𝒍 𝒌𝒆 𝒙 = (𝒏 + 𝟏)
𝟏𝟎𝟎
d. Menghitung variansi, dan simpangan baku data
e. Menentukan banyak kelas dari setiap data. Didapat dengan persamaan:
𝒃𝒂𝒏𝒚𝒂𝒌 𝑲𝒆𝒍𝒂𝒔 = 𝟏 + 𝟑. 𝟑 × 𝐥𝐨𝐠 𝒏
Sedangkan untuk menghitung frekuensi maka perlu terlebih dahulu
untuk menghitung jarak atau range setiap data, diamana untuk
menentukan range tersebut menggunakan persamaan:
𝑹𝒂𝒏𝒈𝒆 = 𝒏𝒊𝒍𝒂𝒊 𝑴𝒂𝒙 − 𝒏𝒊𝒍𝒂𝒊 𝑴𝒊𝒏
Setelah mendapatkan nilai rang maka kita akan mencari lebar antar
kelas dengan memakai persamaan:
𝒓𝒂𝒏𝒈𝒆 ∆𝒙
𝑳𝒆𝒃𝒂𝒓 𝒂𝒏𝒕𝒂𝒓 𝑲𝒆𝒍𝒂𝒔 = =
𝒃𝒂𝒏𝒚𝒂𝒌 𝒌𝒆𝒍𝒂𝒔 𝒏
f. Menentukakan frekuensi atau banyak data setiap kelas
Dalam menentukan frekuensi data kita cukup menggunakan cara cepat
dei excel yaitu dengan memasukan persamaan:
= 𝑪𝑶𝑼𝑵𝑻𝑰𝑭𝑺(𝒅𝒂𝒕𝒂 𝒌𝒆 𝟏: 𝒅𝒂𝒕𝒂 𝒌𝒆 𝒏, "
> 𝒃𝒂𝒕𝒂𝒔 𝒂𝒕𝒂𝒔", 𝒅𝒂𝒕𝒂 𝒌𝒆 𝟏: 𝒅𝒂𝒕𝒂 𝒌𝒆 𝒏, " < 𝒃𝒂𝒕𝒂𝒔 𝒃𝒂𝒘𝒂𝒉")
2. Membuat sebaran data untuk menentukan cakupan dalam hitungan
variogram
3. Membuat olahan data variogram dengan langkah
a. Menentukan jarak antar masing masing titik ke titik lainya dengan
menggunakan rumus phitagoras.
 𝒁𝟐 = (𝑿𝟐 ) + (𝒀𝟐 )

𝒁 = √(𝑿𝟐 ) + (𝒀𝟐 )
b. Memasukan nilai “X” dan “Y” dalam membuat sebaran data secara
variogram. Degan mengunakan persamaan:
(𝒅𝒂𝒕𝒂 𝑿𝒏 − 𝒅𝒂𝒕𝒂 𝑿𝒏+𝟏 )𝟐
∝=
𝟐(𝒉)
D. PEMBAHASAN.
1. Dasar Teori
Istilah Geostatistik pertama kali digunakan secara luas oleh
Matheron (1963) dan didefinisikan sebagai aplikasi hubungan atau
turunan fungsi random dalam penelaahan dan memperkirakan gejala alam.
Gejala alam itu sendiri seringkali dapat dikenal variabelnya yang tertentu,
misalnya penyebaran dalam suatu ruang, bidang maupun garis.
Penyebaran variabel dalam suatu ruang, bidang atau garis disebut variabel
teregional atau dapat diartikan sebagai variabel yang diukur tergantung
pada nilai sekitar yang terdistribusi dalam ruang berdimensi dua atau tiga.
Variabel tersebut tidak lain adalah merupakan pengujian fungsi f(x) yang
menempati setiap titik (x) pada ruang.
Geostatistik adalah merupakan aplikasi teori variabel terregional
dalam mempelajari fenomena-fenomena gejala alam, terutama untuk
menentukan volume bahan galian. Landasan dari Geostatistik adalah “The
Theory of Regionalised Variables”, yang mana bahwa data dari titik-titik
sampel mempunyai korelasi satu sama lain sesuai dengan karakteristik
penyebaran endapan mineralnya.
Tahapan perhitungan cadangan dalam analisis geostatistik secara
umum meliputi : pengamatan data lapangan, variografi, dan perhitungan
variansi perkiraan dan variansi krigging.
 Variogram adalah suatu langkah dalam menghitung
cakupan/hubungan antara satu poin dengan poin lain.Sehingga didapatlah
penyebaran atau lokasi yang dipetakan dalam bentuk grid-grid.Analisis
variogram merupakan tahapan dalam perhitungan pada sejumlah lokasi &
melihat hubungan antar observasi pada berbagai lokasi yang diukur.
Proses yang dilakukan dalam analisis variogram adalah meregister
seluruh data, mengeksplorasi data, membuat model, melakukan dan
membandingkan pemodelan. Analisis mendalam dan terintegrasi dengan
geostatistik sangat diperlukan untuk dapat membuat model detail guna
analisa fasies dan peta porositas yang bertujuan determinasi dan input
pada model simulasi reservoir.
Salah satunya adalah melalui metode Variogram. Variogram
adalah serangkaian aktivitas mulai dari penelusuran data, pembuatan
model hingga laporan analisa.Berikut uraian dalam tahapan analisa:
a. Penelusuran Data
Penelusuran data dilakukan secara manual atau dengan
komputer. Jika data tersusun dalam grid/ spacing yang teratur dapat
dilakukan perhitungan secara langsung dengan arah horisontal,
vertikal ataupun diagonal.
b. Pembuatan dan Analisis Variogram Eksperimen
Variogram adalah suatu fungsi vektor yang dapat digunakan
untuk mengkuantifikasikan tingkat kemiripan atau variabilitas antara
dua conto yang terpisah oleh jarak tertentu dengan grafik x - y yang
dihasilkan dari plot jarak dan varians dari data yang berpasangan.
Variogram dilakukan untuk melakukan penaksiran kadar bijih
dengan tujuan kuantifikasi korelasi ruang antar conto menggunakan
suatu perangkat statistik. Sifat - sifat yang merupakan ciri khas dari
variabel terregional antara lain:
 1) Suatu variabel terregional terlokalisir (menempati lokasi tertentu),
dimana variasi terjadinya deposit, ukuran, dan orientasi tertentu.
2) Variabel terregional dapat mencerminkan variasi kontinuitas yang
relatif tinggi ataupun rendah.
3) Variabel terregional mencerminkan anisotropi, artinya tingkat
distribusi varians dari variabel berbeda pada masing-masing arah.

Di sisi lain, data variogram yang memiliki jarak antar conto tidak
teratur diperlukan suatu toleransi untuk kedua variabel tersebut. David
(1977) menjelaskan istilah angle classes (θ±α/2) dan distance classes
(h±∆h) sebagai toleransi untuk menghitung pasangan data dengan jarak
antar data yang tidak teratur. Semua titik conto atau data yang berada pada
search area yang didefinisikan dengan angle classes dan distance classes
akan dianggap sebagai titik-titik conto yang berjarak h dari titik x0 (titik
origin) pada arah yang dimaksud.

a. Eksplorasi Data
Pemahaman yang menyeluruh pada data yang ada sangat
diperlukan untuk dapat menganalisis geostatistik. Eksplorasi dari
pendistribusian data, melihat batasan-batasan secara global dan lokal,
melihat pola-pola global, memeriksa korelasi spasial, dan memahami
kovariasi dari berbagai data.
b. Pembuatan Model
Pada mulanya, geostatistik merupakan sinonim dari "kriging”,
namun dalam perkembangannya juga meliputi metode deterministik.
Metode deterministik tidak memiliki penilaian untuk kesalahan
prediksi, tidak ada asumsi untuk data. Sedangkan metode kriging
memiliki penilaian untuk kesalahan prediksi dan mengasumsikan data
 dari proses stokastik. Peta yang dihasilkan dapat berupa peta prediksi
(peta interpolasi), peta standar eror, peta Quantile, peta probability.
c. Melakukan Diagnostik
Dalam pemodelan geologi, khususnya pemodelan reservoir,
model yang baik kan memiliki satu kualitas yang sederhana yaitu:
harus menyediakan prediksi yang baik dari perilaku reservoir untuk
merespon keadaan. Prediksi yang baik harus memiliki prediksi mean
eror yang mendekati nol, RMS (root-mean-square) yang lebih kecil
lebih baik. Apabila estimasi rata – rata standar eror dibandingkan
dengan prediksi eror RMS sama maka prediksi bagus, apabila <1
maka overestimate dan apabila >1 maka underestimate.
d. Membandingkan Model
Beberapa model yang dihasilkan dari beberapa perlakuan harus
dibandingkan untuk melihat mana yang lebih baik. Penggunaan cross
validation statistic sangat membantu dalam pembandingan ini.

Korelasi Informasi Data Geologi Terhadap Variogram

Pada tahapan pemodelan karakterisasi reservoir diperlukan suatu

analisa hubungan spasial (spatial relationship) antara pasangan atau
beberapa pasangan data geologi untuk mengetahui geometri dan
kontinuitas properti reservoir.Salah satu analisa tersebut adalah analisa
variogram.Parameter utama variogram terdiri dari empat bagian yaitu ;
Major dan Minor trend (melihat penyebaran lapisan pada arah horizontal
dan vertikal), sill and Range, serta Nugget.Analisis variogram yang baik
adalah analisis yang memasukan atau menggabungkan data geologi pada
setiap penentuan parameter variogram.

Karakteristik (semi)variogram
a. Sill: harga / nilai semivarian pada bagian variogram teratas (level off),
dapat diartikan juga sebagai “amplitudo” suatu komponen tertentu dari
variogram.
b. Range: jarak lag ketika semivariogram (or semivariogram component)
mencapai sill. diartikan autocorrelation sama dengan nol pada jarak
tersebut.
c. Nugget: secara teori nilai awal semivariogram adalah nol. ketika lag
mendekati nol nilai semivariogram disebut sebagai nugget. Nugget
mewakili variasi pada jarak (lag) yang sangat kecil, atau lebih kecil
dari sample rate / spacing, termasuk eror dalam pengukuran
d. Trend
Secara empiris semivariogram menunjukkan nilai varian yang terus
naik secara stabil, seringkali didapati trend spasial dalam suatu
variable, yang mengakibatkan adanya korelasi negatif antara harga
variable yang dipisahkan oleh lags yang besar. Ada tiga pilihan yang
berhubungan dengan lag:
1) mencocokkan dengan suatu “trend surface” dan menggunakan
residuals dari trend.
2) mencoba menemukan arah yang bebas trend dan menggunakan
variogram pada arah tersebut
3) meng- ignore and menggunakan linear atau power (eksponen)
variogram untuk menentukan nilai variabel.
e. Anisotropi Geometri
Range korelasi dari data geologi seringkali berhubungan
dengan arah dan geometri, geometri anisotrop ini dapat dipengaruhi
oleh sistem pengendapan ataupun struktur geologi yang
mengakibatkan variasi pada arah tertentu dari suatu variabel (fasies,
kandungan shale, porositas permeabilitas, dll). sebagai contoh, beach
sand yang prograde ke arah laut, memiliki struktur laminasi yang
 menerus pada arah tegak lurus garis pantai namun sangat tidak
menerus pada arah sejajar pantai. Ketika memodelkan model geologi
anisotropi digambarkan sebagai ellipsoid yang memiliki azimuth, dip,
dan ukuran tertentu pada arah mayor, minor dan arah tegak lurus dip.
2. Pembahasan
a. Data Statistika Dasar

NAMA X Y Z THICK ASH SULFUR CV

sum 3955421 142901 2623 184.55 196.25 53.88 336748
average 63797.1 2304.8 42.31 2.99672 3.16532 0.86903 5431.42
max 64185 2492 58.54 3.67 10.53 1.5 6378
min 63502 2036 26.43 2.07 0 0.59 0
median 63807 2301 43.11 3.015 2.87 0.825 5588.5
modus 63504 2256 43.53 2.65 0 0.78 0
quartile 1 2.705 2.5025 0.7725 5534.5
quartile 2 3.015 2.87 0.825 5588.5
quartile 3 3.3 3.7375 0.9375 5671.25
desil 1 2.818 2.13 0.723 5464.5
desil 4 2.9 2.764 0.81 5568.6
P30 2.8 2.601 0.78 5544.7
P75 3.3 3.7375 0.9375 5671.25
Rentang 1.92 8.61 0.91 1314
Banyak
Kelas 7 7 7 7
Lebar 0.27956 1.25365 0.1325004 191.324
kelas 147 848 9 8835

b. Histogram
Berikut ini adalah gambar yang menunjukan persebaran jumlah
data masing masing variabel. Penyebaran data dalam histogram ini
diperoleh dengan mencari interval masing masing data, dengan
menentukan jumlah kelas dan frequensi masing masing kelas.
 18
16
14
12
10
8 KETEBALAN
6
4
2
0
2.03 2.31 2.59 2.87 3.15 3.43 3.71

Gambar 1. Histogram (Thick)

40
35
30
25
20
15 ASH
10
5
0
3.17 4.43 5.68 6.93 8.19 9.44 10.70

Gambar 2. Histogram (Ash)

 40
35
30
25
20
15
SULFUR
10
5
0
0.72 0.86 0.99 1.12 1.25 1.39 1.52

Gambar 3. Histogram (Sulfur)

40

35

30

25
Axis Title

20

15

10

0
5064 5255 5447 5638 5829 6021 6212

Gambar 4. Histogram (Calori Value)

c. Sebaran Data.
Sebaran data yang ada pada gambar berikutnya, merupakan
interprestasi dari data koordinat yang diperoleh dari hasil lapangan.
 Distribusi Spasial
2500

63918, 249263960, 2492 64008, 2490 64063, 2489 64160, 2492

2450 64097, 2460

63878, 2445 63935, 2442 63985, 2443 64035, 2443 64136, 2442 64185, 2443
63576, 2435

2400 63904, 2416

63579, 2407
63567, 2397 63853, 2397 63960, 2393 64023, 2396
63907, 2383

2350
63821, 2355
63788, 2354
63600, 2346 63899, 2349
63629, 2341 63675, 2339 63932, 2340 63993, 2343
63722, 2335

2300
63763, 2306
63799, 2303 63940, 2299
63614, 2294 63664, 2295 63717, 2295 63852, 2295 63903, 2293

2250
63636, 225663679, 2257 63915, 2256 63969, 2256
63730, 2248 63860, 2250
63826, 2242
63775, 2236
63863, 2225
63898, 2224
63692, 2218
2200
63648, 2203 63753, 2201
63794, 2200
63594, 2197

63665, 2169 63815, 2167

2150
63547, 2155
63502, 2147

63604, 2124
2100
63504, 2103 63554, 2101

2050

63510, 2036

2000
63450 63550 63650 63750 63850 63950 64050 64150 64250
 d. Bivarians
1) Abu dan Sulfur

Ash and Sulfur

1.6

1.4

1.2
SULFUR

y = 0.0185x + 0.8057
1
R² = 0.0228
0.8

0.6

0.4
0 2 4 6 8 10 12
ABU

Gambar 5. Hubungan antara “ASH” dengan “SULFUR”

2) Ash dan Calory Value

Ash - CV
6500

6000
CALORI VALUE

5500

y = -37.726x + 5735.9
5000
R² = 0.0931

4500

4000
0 2 4 6 8 10 12

Gambar 6. Hubungan antara “ASH” dengan “CALORY VALUE”

 3) Sulfur dan Calory Value

Sulphur - CV
6500

6000
CALORY VALUE

5500
y = 327.12x + 5329.1
R² = 0.1058
5000

4500

4000
0.5 0.7 0.9 1.1 1.3 1.5
SULFUR

Gambar 7. Hubungan antara “CALORY VALUE” dengan “SULFUR”

e. Tiga Dimensi Sebaran Data

z-value

z=0.81
0.8
z=0.9
z=0.4 0.6
0.4
0.2
z=0.12 z=0.2 y-value
z=0.014 -0.8
x-value z=0.18 -0.4
0
-0.3 0.4
0 0.8
0.3
0.6
0.9
 f. Variogram
Tabel 2: Data Perhitungan Variogram

(y-y) Jarak
87 90.24965 0.806450 2.67 3.22 37.48333 0.15125
44 68.88396 0.500000 3.22 2.82 38.89730 0.08
50 102.95630 0.101250 2.67 3.15 41.77320 0.1152
-40 94.84725 0.135200 2.67 2.82 49.73932 0.01125
3 61.07373 0.135200 3.15 3.15 49.73932 0
87 116.84605 0.361250 2.4 2.67 51.86521 0.03645
53 60.90156 0.451250 3.15 3.3 53.93515 0.01125
-50 59.90826 0.068450 2.4 2.82 54.00000 0.0882
-43 51.86521 0.036450 3.22 3.15 55.22681 0.00245
-37 75.66373 0.336200 3.67 3.3 59.90826 0.06845
-127 141.32586 0.281250 3.15 3.3 59.94164 0.01125
-84 91.78780 0.281250 3.67 2.72 60.90156 0.45125
0 54.00000 0.088200 3.67 3.15 61.07373 0.1352
140 150.05332 0.051200 2.72 3.3 63.07139 0.1682
-137 137.29530 0.405000 3.67 2.67 68.88396 0.5
6 37.48333 0.151250 2.4 3.22 75.66373 0.3362
-84 90.24965 0.115200 3.15 2.82 85.70298 0.05445
-41 41.77320 0.115200 3.22 3.15 90.08885 0.00245
43 49.73932 0.011250 3.67 2.4 90.24965 0.80645
97 127.66362 0.001250 2.67 3.15 90.24965 0.1152
94 96.10411 0.198450 2.4 3.15 91.78780 0.28125
90 90.08885 0.002450 3.67 3.15 94.84725 0.1352
47 55.22681 0.002450 2.67 3.3 96.10411 0.19845
-37 38.89730 0.080000 3.67 3.22 102.95630 0.10125
103 158.14234 0.125000 3.15 2.72 106.85036 0.09245
100 115.10430 0.003200 3.22 3.3 115.10430 0.0032
-43 49.73932 0.000000 3.15 2.72 116.72618 0.09245
-127 127.25172 0.054450 3.67 2.82 116.84605 0.36125
13 116.72618 0.092450 3.15 2.82 127.25172 0.05445
10 53.93515 0.011250 2.67 2.72 127.66362 0.00125
84 85.70298 0.054450 2.4 3.3 137.29530 0.405
56 106.85036 0.092450 2.4 3.15 141.32586 0.28125
53 59.94164 0.011250 2.82 3.3 144.20125 0.1152
140 176.81629 0.005000 2.4 2.72 150.05332 0.0512
 137 144.20125 0.115200 3.22 2.72 158.14234 0.125
3 63.07139 0.168200 2.82 2.72 176.81629 0.005

variogram
0.9

0.8

0.7

0.6
Axis Title

0.5

0.4

0.3

0.2 y = 0.0002x + 0.1359

R² = 0.0014
0.1

0
30.00000 130.00000
Axis Title

E. KESIMPULAN
Dari hasil pengolahan data maka dapat disimpulkan bahwa:
1. Data hasil peninjauan dilapangan yang kemuadian diolah menggunakan
perangkat lunak (software) pada prinsipnya menggunakan persamaan
sederhana dalam menghitung variogram data, serta proses interpolasinya.
2. Perhitungan data dalam software yang ada(Datamine, Surpac, Minescape,
Argis, Dll) menggunakan data perhitungan statistika dasar, dan data
univariat, serta bivariat.
F. DAFTAR PUSTAKA
Anang, Wibowo.2013. Galeri Soal Statistika.
Indra Prahmana, Rully Charitas. 2012. Modul Statistika Dasar. Program
Studi Pendidikan Matematika. Sekolah Tinggi Keguruan dan Ilmu
Pendidikan Surya. Tangerang.
Mukhaiyar, Utriweni. 2012. Semivariogram Eksperimental. Power Point.
Murdikah, Aidah. Statistika. Universitas Muhammadiah Tanggerang.