5. jalankan statistik klasik pada NVG_10E untuk AU1.

catat rata-rata normal.

6. Jika dikehendaki, ulangi proses diatas untuk blok-
blok ukuran 5 dan 25m yang menghadap ketimur. Ukuran
blok mana yang memiliki rata-rata keseluruhan paling
rendah?
7. Jika dikehendaki, jalankan Modelling  3D Blok 
Statistical pada data NVG_COMP. Tetapkan OBM field 1
untuk AU1; tetapkan blok centre awal dan blok spacing
pada 24900E, 15750N, 1300RL, dan 10m E, 25m N dan 10m
RL; tetapkan blok centre pada 2510E, 16050N, 1650RL.
Biarkan MICROMINE menghitung jumlah blok. Buat file
yang disebut PROP_EFF dengan field MEAN, AT_DEV,
Median.
8. Jika dikehendaki, jalankan Stats  Regreesion /
Correlation  Siple Linear pada file PROP_EFF. Tetap-
kan X-field ke ST_DEV dan Y-Field ke MEAN. Apakah ada
hubungan yang kuat antara kedua parameter tersebut?

Variografi dan Kriging akan dianggap sebagai modul

pelatihan terpisah.

Model Cell Blok Kosong

Baru-baru ini proses interpolasi grade dalam MICROMINE
didisain dalam cara dimana model blok dibuat pada waktu
yang sama saat grade terinterpolasi.

Ukuran Model Cell

Ukuran model Cell yang harus dipilih tergantung pada
parameter-parameter dibawah ini:
 Densitas drilling;
 Variabilitas grade;
 Resolusi yang diinginkan;
 Ukuran model akhir.
Umumnya, ukuran cell seharus mendekati sama atau
sedikit lebih kecil dari setengah ukuran drilling grid.
Saat ukuran model blok dipilih dan tingkat model di-
hitung, model cell blok dibuat menggunakan Modelling 
3D Blok estimate  Inverse Distance Weighted (Buat
tiket OBM Kosong)

Flagging
Jika wireframe solid dan DTM’ telah dimodelkan, kedua-
nya harus digunakan untuk menandai [mengidentifikasi]
model blok. Fragging harus dilakukan dengan cara yang
sama seperti yang sebelumnya telah dijelaskan. Satu-
satunya perbedaan muncul saat sub-bloking dibutuhkan.
Saat model blok ditandai untuk semua domain/zona/
orebody dll., cell-cell yang lain (yang tidak ditandai)
harus dihapus dari model untuk mengurangi ukuran file
dan jumlah record (File  Filter  Delete). Ini juga
akan membantu untuk mengontrol proses interpolasi.
Proses tersebut tidak membutuhkan lebih drai beberapa
jam.

Checklist
 Model seharusnya tidak memiliki terlalu banyak cell.
Rata-rata model blok memiliki beberapa ratus ribu
cell.
 Buat sub-blok untuk merepresentasikan volume dengan
lebih akurat.
 Buat sebanyak field-field baru yang diperlukan untuk
flag, karena banyak tipe wireframe/string/outline
yang digunakan untuk flagging. Mudah untuk meng-
gabungkan tipe-tipe tersebut jika diperlukan.

Interpolasi Grade
Interpolasi
Model blok dibuat secara simultan dengan interpolasi
grade. Ini berarti cara berikut harus digunakan:
 1Spesifikasi semua parameter input, file, cari
parameter ellipse dan variogram dalam Modelling  3D
Blok estimate  Inverse Distance Weighted atau salah
satu dari pilihan Modelling  3D Blok Estimate  ...
Krigging. Jalankan interpolasi.
 2Buatlah model blok yang kini seharusnya ditandai
untuk domain dll., menggunakan wireframe atau outline
(seperti yang dijelaskan dalam 8.2).
 3Semua cell-cell yang tidak ditandai (di atas
permukaan, di luar wireframe dll) harus di keluarkan
(File  Filter  Delete)
 4Semua cell-cell yang ditunjuk [ditandai] harus di-
periksa apakah telah mengalokasikan grade atau belum
(Stats atau Model input/Max).
 5Jika tidak semua grade dialokasikan, ulangi langkah-
langkah dari 1 hingga 4 dengan parameter pencarian
yang diubah (ditingkatkan) hingga semua cell memiliki
grade. Buat RUN NUMBER field dalam filr model output.
 6Secara bersamaan tambahkan semua model-model yang
dibuat dalam satu cara dimana model-model sebelumnya
akan memperbarui model-model sesudahnya (File Merge
MM)
 7Ulangi semua langkah dari 1 hingga 6 untuk semua
domain dan untuk semua elemen.
Proses interpolasi dapat membutuhkan beberapa jam
hingga beberapa hari.

Checklist
 Aplikasikan top cut jika diperlukan;
 Interpolasikan grade-grade menggunakan beberapa
metode untuk validasi;
 Semua cell-cell dalam model Resource seharusnya
mengalokasikan grade;
 Jika menggunnakan Kriging, jalankan validasi cross
untuk memeriksa apakah variogram tepat/sesuai. Jalankan
model variogram yang menghasilkan estimasi yang baik
dengan kesalahan kriging paling rendah;
 Jika menggunakan MIK, interpolasi yang dijalankan
seharusnya sama dengan: No of elements x No of domain x
No of interpolation volumes x No of Interpolation
methods. Adalah ide bagus untuk menyimpan semua program
ini dan dijalankan dalam sebuah macro.

Validasi Model Blok

Membuat model grade harus divalidasi dengan hati-hati
untuk kemungkinan kesalahan. Ada beberapa langkah:
 Display visual model blok. Bandingkan grade-grade
blosk dengan grade sampel drillhole;
 Bandingkan stats model blosk dengan stats sampel
kluster (rata-rata, plot-plot probabilitas dan
histogram).
 Memplot bagian-bagian (section) dan rencana (plan)
bersama-sama dengan outline geologis.
 Tren-tren umum dan kontinuitas mineralisasi yang
terinterpolasi seharusnya tidak terlalu berbeda dari
tren-tren yang diharapkan;
 Interpolasi grade menggunakan metode yang berbeda-
beda. Bandingkan figur-figur global antara metode-
metode interpolasi yang berbeda-beda (misalnya,
Kriging vs. IWD atau IWD2 vs. IWD3);
 Membandingkan figur-figur sumber dengan laporan-
laporan sebelumnya;
 Membandingkan volume Microsoft dengan volume model
blok.

Latihan 3.2: Membuah sebuah model blok

1. Buatlah sebuah model blok dengan memiliki Modelling
 3D Blok estimate  Inverse Distance Weighted.
Gunakan NVG_COMP sebagai file input; buat sebuah
filter untuk hanya mempertimbangkan sampel-sampel
yang ditandai sebagai ORE. Tetapkan OBM field 1 untuk
AU1 dan OBM field 2 untuk AG. Tetapkan definisi blok
untuk menyesuaikan seting-seting di atas. Tetapkan
metode Model untuk ANISTROPIC IDP.
2. Cari parameter-parameter yang merupakan faktor
penting saat membuat model-model blok. Ada sejumlah
cara untuk menspesifikasi ukuran search ellipsoid,
termasuk memeriksa drillhole dan sample spacing, atau
menggunakan range dari semivariogram. Selain itu,
anda harus menentukan orientasi search ellipsoid
menggunakan pengetahuuan anda tentang deposit. Jarak
terbalik seharusnya dipilih untuk merefleksikan
kontinuitas data anda; semakin tinggi kekuatannya,
semakin banyak penekanan yang ditempatkan pada
sampel-sampel tersebut.
3. Tetapkan parameter Data Search pada: Radius = 45;
Sectors = FOUR; Ellipsoid set; Azimuth = 10o; Plunge =
0o; Faktor azimut = 1; Dip = 70, Dip factor = 0,75;
Thick factor = 0,4.
4. Tetapkan jarak minimum hingga 0,5 dan buat Count
field yang disebut COUNT. Ini akan memungkinkan Count
reference field; tetapkan ini pada HOLE.
5. Memungkinkan data Display dan pilihan output.
6. Tambahkan 3 additional field, yang perrtama disebut
WFG dan yang kedua disebut OXIDE. Buat field tersebut
©haracter dengan Wodth 5. Namai field ketiga dengan
B_FACTOR dan dibuat (N)umeric Width 8 Decimals 3.
tetapkan file output pada NVG_OBM dan jalankan model
blok tersebut.
7. (Dalam kenyataan, anda akan menjalankan dua model
blok, satu untuk OX ore dan yang lainnya untuk
 FIREWALL ore, dengan filter-filter terpisah. Kemudian
anda akan menggabungkan kedua model blok.
8. Tandailah file NVG_OBM dengan OXIDE DTM sebagai data
NVG_ASSY awal.
9. Tandailah file NVG_OBM dengan wireframe ORE(NVG)
untuk data NVG_ASSY awal. Sebuah model blok,
memungkinkan pilihan Sub-blok. Tetapkan field Block
Factor pada B_FACTOR dan tetapkan sub-blok pada 5
untuk semua arah.
10. Tampilkan model blok (dalam bentuk titik) dalam 3D
Viewer, bersamaan dengan data drillhole awal anda,
OXIDEDTM, dan wireframe NVG ORE. Periksa validitas
model blok dengan mengaplikasikan berbagai filter dan
memeriksa hubungannya satu dengan yang lain.
11. Jalankan Modelling  Blok Reserves  Report.
Buatlah colour set yang sederhana dengan satu nilai
yaitu 99999 dan gunakan nilai tersebut dalam prompt
Colour set. Bandingkan volume yang dilaporkan dengan
volume dari hasil teknik wireframing.

Latihan 4:
Klasifikasi Sumberdaya dan Pelaporan
Bab ini menerangkan klasifikasi sumberdaya dan pelapor-
annya.

Klasifikasi
Tidak ada aturan dan prosedur standar tentang bagaimana
mengklasifikasikan sumberdaya tetapi, kode JORC mem-
berikan suatu pedoman klasifikasi. Pengguna (pengguna)
yang berbeda memiliki pendekatan yang berbeda pula.
Pendekatan yang paling umum digunakan adalah sebagai
berikut:
 Range variogram dapat digunakan untuk mengelompokkan
sumberdaya. Sebagai contoh, jika sel-sel dipopulasi-
kan menggunakan radius pencarian yang sama dengan 2/3
dari range variogram pendek dan lebih dari 3 sampel
yang digunakan, maka sel-sel tersebut diklasifikasi-
kan sebagai sumberdaya terukur apabila menggunakan
radius pencarian yang sama dengan range variogram
yang panjang dan lebih dari 1 sampel yang digunakan,
maka sel-sel tersebut dapat dikelompokkan sebagai
sumberdaya Tertunjuk (Indicated). Sel-sel yanglain
dikelompokkan sebagai sumberdaya Terreka (Inferred).
Jika pendekatan ini dapat diterima, interpolasi yang
 dijalankan sebenarnya akan menjadi kelas-kelas
sumberdaya.
 Kerapatan pemboran (Densitas Drilling) atau grid
eksplorasi dapat digunakan untuk mengklasifikasikan
sumberdaya. Beberapa pengguna menerima pendapat untuk
komoditas yang ada dan kompleksitas dari deposit,
sumberdaya dapat dikelompokkan berdasarkan grid
eksplorasi yang umumnya dapat diterima (misalnya
50x50m untuk sumberdaya Terukur (Measured Resources),
100x100m untuk sumberdaya Tertunjuk (Indicated) dan
250x250m untuk sumberdaya Terreka (Inferred). Jika
pendekatan ini dapat diterima, pengguna harus
mendigitasi outline-outline dalam plan atau section
untuk setiap kategori sumberdaya dan menggunakan
proses-proses Assign untuk mengelompokkan sel-sel
model. Jika diperlukan, wireframe solid untuk Resourc
Classes dapat dibuat dan digunakan untuk
mengalokasikan Categoy pada sel-sel model blok.
 Jika Kriging diaplikasikan untuk interpolasi grade,
varian kriging estimasi juga dapat digunakan untuk
klasifikasi sumberdaya. Jelasnya, varian yang di-
estimasi menunjukkan reliabilitas perkiraan grade
dalam setiap cell. Jika pendekatan ini diterima, maka
pengguna harus mendefinisikan range varian untuk
setiap Sumberdaya Category dan menjalankan File 
Field  Generate untuk mengalokasikan Categories.
Saat mengelompokkan sumberdaya, pengguna seharusnya
ingat bahwa paramater-parameter yang lain harus
dipertimbang-kan, diantaranya:
 Reliabilitas nilai-nilai densitas batu;
 Reliabilitas sampling dan data analitis;
 Metode dan reliabilitas data survey download;
 Akurasi lokasi-lokasi drillhole collar
 Ketersediaan dan efek yang potensial dari daerah
topografi;
 Hasil-hasil kunjungan tempat/lokasi;
 Parameter yang lain;
 Keyakinan dari interpretasi kontinuitas dan disain
mineralisasi.
 Keyakinan dalam total data input dari atas.

Checklist
 Tidak ada kelas sumberdaya yang diukur akan diumumkan
tanpa kunjungan tempat;
 Tidak ada kelas sumberdaya yang diukur akan diumumkan
jika ada bias atau masalah-masalah ketepatan ter-
identifikasi dalam analisis kualitas sampel;
 Menampilkan/memplot model yang diklasifikasi dan di-
bandingkan dengan harapan/perkiraan.

Grade-grade Cut-off dan Kurva Grade-

Tonasi
Saat Resourcec Class dialokasikan pada setiap cell
model blok, sumberdaya dapat dihitung dan dilaporkan
dalam bentuk ton, volume dan rata-rata grade (Modelling
 Blok Reserves  Raporrt). Bisanya sumberdayas
dilaporkan untuk berbagai grade cut-off untuk setiap
kategori sumberdaya secara terpisah (subdivisi-
subdividi yang lain mungkin bisa juga area, zona,
lense, ore bodies dll.) dan juga total figur.
Saat figur-figur dibuat untuk berbagai grade cut-off,
mereka dapat diimpor kedalam Excel dan digunakan untuk
membuat kurva grade-tonasi.

Checklist
 Totalsumberdayat dapat dibandingkan dengan estimasi-
estimasi sebelunya. Jika tidak, perbedaan tersebut
dijelaskan.
 Sumberdaya dihitung menggunakan hasil-hasil metode
interpolasi yang berbeda-beda dan dibandingkan. Total
figur harus ditutup.

Masalah-masalah Lain dan Bab-bab dalam

Sumberdaya Report
Dokumen ini tidak mencakup semua cara modelling
resources yang mungkin. Laporan akhir juga harus
memasukkan bab-bab berikut:
 Sampling Proses sampling haris direview dan dinilai.
 Drilling Metodologi drilling harus direview dan
dinilai.
 Geologi Geologi umum harus digambarkan.
 Densitas [kepadatan] batu Harus dijelaskan bagaimana
nilai-nilai SG ditetapkan.
 Analisis Resiko Resiko semua data input dan setiap
langkah resourcec modelling harus diestimasi.
 Kunjungan lokasi Tidak da sumberdaya yang diukur
dilaporkan tanpa kunjungan lokasi.
Bagan Resource Modelling
Persiapan data dan impor

Memperbaiki Error

Validasi data

Tabel
Statistika klasik
Grafik

String & Outline Interpretasi

String & Outline Wireframing

Mendapatkan Volume
Wireframe Referensi

Fragging Data Sampel

Mengkomposisikan
Sampel

Statistika Klasik Efek

Proporsional

Declustering
Mendapatkan Volume
Global Referensi

Variografi
BM Cell Kosong

BM Cell Kosong Fragging

IDW
Interpolasi Grade OK, MIK,
IDW

Klasifikasi Resource
Tabel

Resource Reporting Kurva Grade-Tonasi

Laporan