BAB IV

PERHITUNGAN CADANGAN DAN POTENSI ENERGI

PANASBUMI

Estimasi potensi energi panas bumi adalah cara untuk memperkirakan

besarnya potensi energi listrik di suatu daerah/lapangan panas bumi berdasarkan
hasil penyelidikan geologi, geokimia dan geofisika, karakteristik reservoir, serta
estimasi kesetaraan listrik.
4.1 Klasifikasi Sumberdaya dan Cadangan
4.1.1 Klasifikasi Sumberdaya
4.1.1.1 Kelas Sumber Daya Spekulatif
Kelas sumber daya spekulatif mempunyai tingkat kepastian yang paling
rendah dan dihitung hanya berdasarkan keberadaan manifestasi panas permukaan
dan tanda-tanda lainnya. Luas reservoar dihitung dari penyebaran manifestasi dan
batasan geologi, sedangkan temperatur dihitung dengan geotermometer. Daya per
satuan luas ditentukan dengan asumsi.
4.1.1.2 Kelas Sumber Daya Hipotetis
Pada kelas sumber daya hipotetis data dasar adalah hasil survei regional
geologi, geokimia dan geofisika. Luas daerah prospek ditentukan berdasarkan
hasil penyelidikan geologi/geokimia/geofisika sedangkan temperatur
diperkirakan berdasarkan data geotermometer (air, gas atau isotop).
Tabel IV-1. Contoh Asumsi Angka Parameter pada Kelas Sumberdaya
Hipotesis
(Wulandari, 2017)

164
 165

4.1.2 Klasifikasi Cadangan

Berdasarkan pada tingkat ketidakpastiannya, yaitu ditinjau dari kualitas
dan kuantitas data, sumberdaya, cadangan dan potensi listrik panas bumi
seringkali diklasifikasikan menjadi tiga, yaitu:
4.1.2.1 Kelas Terbukti (Proven)
Potensi terbukti mempunyai tingkat kepastian yang paling tinggi dan
dihitung dengan memasukan data dari paling sedikit satu sumur eksplorasi
(discovery well) dan dua sumur delineasi.
Tabel IV-2. Contoh Asumsi Angka Parameter pada Kelas Terbukti
(Wulandari, 2017)

4.1.2.2 Kelas Mungkin (Probable)

Potensi kelas mungkin mempunyai tingkat kepastian yang lebih rendah
dari potensi terbukti dan dihitung dengan memasukan data satu sumur eksplorasi
(discovery well).
4.1.2.3 Kelas Terduga (Possible)
Potensi terduga mempunyai tingkat kepastian yang lebih rendah lagi dan
dihitung hanya berdasarkan data survei geologi, geokimia dan geofisika.
 166

Tabel IV-3. Contoh Asumsi Angka Parameter pada Kelas Terduga

(Wulandari, 2017)

Tabel IV-4. Klasifikasi Penentuan Perkiraan Potensi

(Zarkasyi et al., 2015)

Parameter Spekulatif Hipotesis

Kompilasi dari hasil

penyelidikan 3G yang
terdiri dari :
1. Sebaran Manifestasi
1. Lingkungan geologi
2. Sebaran struktur geologi
(vulkanik/non vulkanik)
pengamatan dilapangan
2. Jenis dan penyebaran
3. Sebaran anomali gaya
Luas Area manifestasi
berat, tahanan jenis
3. Sebaran struktur geologi
(+MT), dan atau
berdasarkan analisis
magnetik
penginderaan jauh
4. Sebaran anomali
geokimia
5. Sebaran anomali
temperatur dangkal

1. Berdasarkan sifat tahanan

jenis dan gaya berat
2. Asumsi ketebalan
Ketebalan
- reservoir untuk daerah
Reservoir
jalur vulkanik Kuarter
2,5km dan 1km diluar
jalur vulkanik Kuarter
 167

Diperkirakan berdasarkan
Temperatu Diperkirakan berdasarkan data
data geotermometer (air dan
r geotermometer (air dan atau gas)
atau gas)

Estimasi
Metode Volumetric Stored
Sumber Metode Perbandingan
Heat
Daya

4.2 Ketersediaan Data

Ketersediaan data tergantung dari kegiatan/survei yang telah dilakukan di
daerah tersebut. Dengan meningkatnya kegiatan eksplorasi dan eksploitasi maka
data yang diperoleh semakin banyak dan semakin akurat sehingga hasil
perhitungan mempunyai tingkat kepastian semakin tinggi. Disamping data hasil
survey, juga banyak parameter yang tidak diketahui dengan pasti sehingga
biasanya diasumsikan.
4.2.1 Data Pada Tahap Eksplorasi Awal
Pada tahap eksplorasi awal, survei biasanya dilakukan dengan
menggunakan peralatan yang sederhana dan mudah dibawa, sehingga data yang
diperoleh masih sangat terbatas. Oleh karenanya pada tahap ini besarnya
sumberdaya sulit untuk diperkirakan. Perkiraann besar potensi pun bersifat
spekulatif. Karena sifatnya masih spekulatif tentunya tingkat kepastiannya masih
sangat rendah.
4.2.2 Data Pada Tahap Eksplorasi Lanjut
Pada eksplorasi lanjut disamping survei geologi dan geokimia secara rinci,
juga dilakukan survei geofisika. Pada akhir survei eksplorasi rinci, data yang
tersedia meliputi:
Hasil survei geologi menghasilkan data berupa peta penyebaran batuan,
karakteristik dan umur batuan, peta penyebaran batuan alterasi, data manifestasi
panas, pola struktur geologi, tektonik dan sejarah geologi termasuk sejarah
vulkanismenya. Dari data-data ini akan didapat gambaran umum mengenai
evolusi magmatik sampai terbentuk sistim panasbuminya, daerah prospek, batuan
penyusun reservoir, perkiraan permeabilitas secara kualitatif, umur terbentuknya
sistim panas bumi serta sumber panas.
 168

Survei geokimia akan menghasilkan data berupa kimia fluida dan gas dari
manifestasi panas serta kandungan gas dan unsur-unsur lainnya yang terkandung
didalam tanah (soil) dan aliran sungai di sekitar daerah prospek.Dari data-data ini
akan didapat gambaran mengenai daerah prospek, karakteristik fluida dalam
reservoir, sistim fluida, hidrologi dan temperatur reservoir.
Dari survei geofisika didapat data berupa peta tahanan jenis, profil struktur
tahanan jenis, peta anomali gravitasi dan magnetik beserta profil tegaknya, peta
seismisitas berikut besaran dan profil tegaknya dan data streaming potential. Dari
data-data ini akan didapat gambaran penyebaran daerah prospek, kedalaman
puncak reservoir, lapisan penudung, geometri reservoir, hidrologi bawah
permukaan, struktur batuan dasar dan konfigurasi sumber panas.
4.2.3 Data Setelah Pemboran Sumur
Setelah dilakukan pemboran sumur, data yang diperoleh semakin banyak
dan semakin akurat sehingga hasil perhitungan mempunyai tingkat kepastian
semakin tinggi. Pada tahap ini ketebalan dan temperatur reservoir dapat
diperkirakan dengan lebih pasti dari data hasil pengukuran di sumur.
4.3 Metode Perhitungan Potensi
4.3.1 Metode Volumetrik
Metoda yang umum digunakan untuk perhitungan sumberdaya panasbumi
(resources), banyaknya energi panas bumi yang dapat dimanfaatkan pada
kenyataannya (cadangan) dan besarnya energi listrik yang dapat dihasilkannya
(potensi listrik tenaga panas bumi) telah diuraikan oleh O’Sullivan (1986). Data
yang diperlukan untuk perhitungan adalah data luas daerah, ketebalan, temperatur
reservoir, porositas saturasi air dan uap, densitas batuan, daya hantar panas
batuan, densitas uap dan air, serta energi dalam uap dan air. Perhitungan
dilakukan berdasarkan kandungan energi panas didalam batuan dan didalam fluida
(uap dan air) sebagai berikut:
1. Panas yang Tersimpan Dalam Batuan
Panas yang terkandung di dalam batuan yang mempunyai massa m,
kapasitas panas c dan temperatur T, dapat ditentukan berdasarkan persamaan
dasar berikut:
 169

Q = m.c.T..........................................................................................................(4-1)

Apabila V adalah volume reservoir (bulk volume) φ, adalah porositas batuan dan
ρ adalah densitasnya, maka massa batuan adalah:
mr = V.(1-φ).ρr.................................................................................................(4-2)
Apabila A adalah luas reservoir dan h adalah ketebalannya maka persamaan di
atas menjadi:
mr = A.h.(1-φ).ρr..............................................................................................(4-3)
Apabila batuan mempunyai kapasitas panas cr, maka dengan mensubstitusikan
persamaan (4-3) ke persamaan (4-1) akan diperoleh persamaan yang menyatakan
panas yang terkandung di dalam batuan (Qr). Persamaan tersebut adalah:
Qr = A.h.(1-φ).ρr.cr.T....................................................................................(4-4)
2. Panas yang tersimpan dalam fluida
Energi yang terkandung di dalam air dan uap yang masing-masing
mempunyai massa mL dan mV, energi dalam uL dan uV, ditentukan berdasarkan
persamaan dasar berikut:
Qe = mL uL + mV uV....................................................................................(4-5)
Apabila volume reservoir (bulk volume) adalah V, porositas batuan adalaH φ,
saturasi air dan saturasi uap masing-masing SL dan Sv dan densitasnya adalah ρL
dan ρV maka massa air dan massa uap yang mengisi pori-pori batuan dapat
dinyatakan oleh persamaan berikut :
mL = v.φ.SL.ρL..............................................................................................(4-6)
mv = v.φ.Sv.ρv...............................................................................................(4-7)
Apabila A adalah luas reservoir dan h adalah ketebalannya maka kedua persamaan
diatas menjadi:
mL = A.h.φ.SL.ρL..........................................................................................(4-8)
mv = .h.φ.Sv.ρv..............................................................................................(4-9)
Apabila kedua persamaan tersebut disubstusikan akan diperoleh persamaan yang
menyatakan panas yang terkandung di dalam uap dan air (Qe) sebagai berikut:
Qe = A.h.φ.SL.ρL.uL + A.h.φ.Sv.ρv.uv.........................................................(4-10)
Persamaan diatas dapat dituliskan kembali sebagai berikut:
Qe = A.h.φ.(SL.ρL.uL + Sv.ρv.uv) ...............................................................(4-11)
 170

Dengan demikian kandungan energi panas didalam reservoir (di dalam batuan dan
fluida) adalah sebagai berikut:
He = A.h.[(1-φ) ρr cr T + φ (SL ρL uL + Sv ρv uv) .....................................(4-12)
Dimana:
He= kandungan energi panas (kJ)
A = luas daerah panas bumi (m2)
H = tebal reservoir (m)
T = temperatur reservoir (oC)
SL = saturasi air (fraksi)
Sv = saturasi uap (fraksi)
UL = energi dalam air (kJ/kg)
Uv = energi dalam uap (kJ/kg)
Φ = porositas batuan reservoir (fraksi)
Cr = kapasitas panas batuan (kJ/kg0C)
ρr = density batuan (kg/m3)
ρL = density batuan (kg/m3)
ρV = density batuan (kg/m3)

Besarnya energi panas yang dapat dimanfaatkan (cadangan) dan diubah

menjadi energi listrik (potensi listrik), dapat dihitung dengan prosedur sebagai
berikut:
1. Menghitung kandungan energi pada keadaan awal (initial) atau besarnya
sumberdaya panas bumi dengan persamaan sebagai berikut:
Hei = A.h.[(1-φ) ρr cr Ti + φ (SL ρL uL + Sv ρv uv)i] ..........................(4-13)
2. Menghitung kandungan energi pada keadaan akhir (T final):
Hef = A.h.[(1-φ) ρr cr Tf + φ (SL ρL uL + Sv ρv uv)f] .........................(4-14)
3. Menghitung maksimum energi yang dapat dimanfaatkan:
Hth = Hei – Hef.......................................................................................(4-15)
4. Menghitung energi panas bumi yang dapat dimanfaatkan pada kenyataanya
(besarnya cadangan bila dalam kJ)
Hde = Rf Hth...........................................................................................(4-16)
 171

5. Menghitung besarnya cadangan, yaitu energi panas yang dapat dimanfaatkan

untuk kurun waktu t tahun (biasanya 25-30 tahun) dengan persamaan berikut:

Hde
H thermal = ........................................................................(4-17)
t×365×24×3600
Hthermal mempunyai satuan MWthermal
6. Menghitung besarnya potensi listrik, yaitu energi listrik yang dapat
dibangkitkan untuk kurun waktu t tahun (MWe) dengan cara sebagai berikut:
H de η
H thermal = ........................................................................(4-18)
t×365×24×3600
atau:
Hel=η × H thermal ..........................................................................................(4-19)
dimana:
Ti = Temperatur reservoir pada keadaan awal (0C)
Tf = Temperatur reservoir pada keadaan akhir (energi panasbumi tidak
ekonomis lagi untuk dimanfaatkan sebagai pembangkit listrik), oC
Hei = Kandungan energi didalam batuan dan fluida pada keadaan awal, kJ
Hef = Kandungan energi di dalam batuan dan fluida pada keadaan akhir, kJ
Hth = Maksimum energi panas bumi yang dapat dimanfaatkan, kJ
Hde = Energi panas bumi yang dapat dimanfaatkan pada kenyataannya, kJ
Hth = Energi panas bumi yang dapat dimanfaatkan selama kurun waktu
tertentu,Mwe
Hel = Energi listrik yang dapat dibangkitkan selama kurun waktu
tertentu,Mwe
Rf = Faktor perolehan, %
t = Lama waktu (umur) pembangkitan listrik (tahun)
η = Faktor konversi listrik
Terdapat dua model pendekatan yang digunakan pada metode volumetrik
yaitu :
1. Model pendekatan dengan asumsi parameter reservoir yang seragam (lumped
parameter model).
 172

Pada pendekatan ini, reservoir diumpamakan sebagai sebuah tangki dengan

besaran besaran yang dianggap seragam.

Gambar 4.1. Gambaran Lump Parameter Model

(Zinan, 2010)
2. Model pendekatan dengan asumsi parameter reservoir yang heterogen
(distributed parameter model), dimana pemodelan dapat dilakukan dengan
membagi sistem menjadi beberapa block/grid, dimana block yang satu dengan
yang lainnya saling berhubungan. Pembagian block dilakukan dengan
mempertimbangkan beberapa faktor diantaranya letak sumur serta penyebaran
sumur dan arah mayoritas patahan maupun arah aliran recharge, dimana
pembuatan block diutamakan sejajar dengan arah rekahan dan tegak lurus
dengan arah aliran recharge.
 173

Gambar 4.2. Gambaran Distributed Parameter Model

(Zinan, 2010)
4.3.2 Metode Monte Carlo
Menurut Halton (1970), Monte Carlo didefinisikan untuk mewakili solusi
dari masalah sebagai parameter populasi hipotesis, dan menggunakan urutan
angka acak untuk membangun sebuah sampel dari populasi, dimana perkiraan
statistik dari parameter dapat diperoleh. Sedangkan simulasi adalah sebuah
metode analitik yang bertujuan untuk membuat “imitasi” dari sebuah sistem yang
mempunyai sifat acak, dimana jika digunakan model lain menjadi sangat
mathematically complex atau terlalu sulit untuk dikembangkan (Cahyo, 2008).
Oleh karena itu Simulasi Monte Carlo adalah metode untuk menganalisa
perambatan ketidakpastian, dimana tujuannya adalah untuk menentukan
bagaimana variasi random atau error mempengaruhi sensitivitas, performa atau
reliabilitas dari sistem yang sedang dimodelkan. Simulasi Monte Carlo
digolongkan sebagai metode sampling karena input dibangkitkan secara random
dari suatu distribusi probabilitas untuk proses sampling dari suatu populasi nyata.
Oleh karena itu, suatu model harus memilih suatu distribusi input yang paling
mendekati data yang dimiliki (Rubinstein, 1981)
Metode ini mencari distribusi besaran yang diamati (misalnya: potensi
reservoir) berdasarkan pengetahuan terhadap distribusi dari besaran-besaran yang
mempengaruhinya (misalnya: luas, ketebalan, temperatur, saturasi, dan lain-lain),
dengan mengetahui distribusi besaran yang diamati tersebut dapat diketahui
kelayakan termasuk resikonya.
Distribusi dari besaran dapat dinyatakan berdasarkan pengetahuan (data)
yang telah ada. Apabila hanya terdapat 2 data saja maka distribusinya akan
berbentuk segiempat, jika tersedia 3 data maka distribusinya akan berbentuk
segitiga (triangle), namun jika terdapat lebih dari 5 data maka distribusi data dapat
berbentuk distribusi normal, log normal, binomial, multinominal, dan lain-lain.
Metode Monte Carlo bertejuan untuk menentukan probablitas parameter-
parameter reservoir yang akan digunakan untuk menghitung besarnya potensi
secara volumetris dasar. Metode ini merupakan analisa yang membutuhkan suatu
 174

distribusi data yang akan diselesaikan secara teori statistik. Hal tersebut sangat
penting dilakukan untuk mendapatkan harga parameter tunggal yang representatif
dari suatu lapangan. Harga yang representatif tersebut dihitung dari data-data yang
bersifat random variable. Random variable merupakan suatu besaran yang tidak
dapat ditentukan dengan pasti.
Terdapat tiga langkah penting dalam melakukan Simulasi Monte Carlo,
antara lain (Sediawan, 2013):
1. Membangun distribusi populasi yang erat mewakili distribusi populasi dari
sistem nyata.
2. Menghasilkan nomor acak mengikuti distribusi populasi, untuk mewakili sifat
atau kondisi komponen yang membentuk sistem.
3. Memprediksi sifat sistem makroskopik didasarkan pada ekspektasi matematis
dari sistem yang disimulasikan.
4.3.2.1 Distribusi Probabilitas
Analisa resiko eksplorasi panasbumi merupakan salah satu konsep distribusi
dari probabilitas. Analisa resiko melalui simulasi merupakan penggambaran
semua parameter-parameter yang tidak pasti dalam prospek analisa seperti
distribusi. Oleh karena itu, hal mengenai distribusi meliputi cara membuatnya dari
data-data statistik dan penjelasan mengenai distribusi tersebut penting diketahui.
Variabel random merupakan suatu parameter atau variabel yang memiliki
lebih dari satu harga. Variabel random ini menggambarkan parameter-parameter
tersebut dengan suatu distribusi probabilitas. Distribusi probabilitas sendiri
merupakan penggambaran secara grafik dari deretan dan kemungkinan dari suatu
peristiwa dari harga-harga yang mungkin dari perolehan variabel random tersebut.
1. Distribusi Frekuensi Relatif
Distribusi yang diperoleh dari data statistik dapat disebut sebagai distribusi
frekuensi relatif dan histogram. Distribusi data statistik jika memiiki distribusi
frekuensi relatif, maka dapat dijalankan operasi seperti biasa seperti membaca
area dibawah kurva dan lain sebagainya.
Suatu cara adalah dengan membagi deretan harga-harga dan variabel
random ke dalam angka-angka dari kelompok atau interval-interval dan kemudian
 175

ditabulasi sehingga berbagai harga dari variabel masuk ke dalam setiap kelompok
atau interval.
2. Distribusi Frekuensi Kumulatif
Setiap distribusi dapat diekspresikan secara grafis yang biasa disebut
dengan distribusi frekuensi kumulatif. Distribusi ini dapat membaca beberapa
daerah dibawah distribusi probabilitas yang diinginkan tanpa harus kembali
mengintegralkan probabilitas yang ada. Daftar distribusi kumulatif ada dua
macam, yaitu sebagai berikut
1. Daftar distribusi kumulatif kurang dari (menggunakan tepi atas).
2. Daftar distribusi kumulatif lebih dari (menggunakan tepi bawah).
Tabel IV-5. Contoh Tabel Distribusi Kumulatif
(Harum, 2013)

4.3.2.2 Parameter-Parameter Harga Tunggal dari Distribusi

Melalui random variable akan didapatkan harga-harga khusus yang akan
memberitahu informasi yang penting mengenai suatu distribusi. Dibutuhkan
pertimbangan terhadap dua dari parameter-parameter harga tunggal dari distribusi,
yaitu:
1. Parameter yang menggambarkan kecenderungan sentral atau harga rata-rata
dari random variable.
Parameter yang menggambarkan kecenderungan sentral yaitu:
a. Mean yang merupakan harga rata-rata dari random variable.
b. Median yakni harga dari random variable yang membagi area
dibawah distribusi probabilitas menjadi dua bagian yang sama.
c. Mode yakni random variable yang paling sering muncul
 176

2. Parameter yang menggambarkan tentang apa yang dimaksud dengan fungsi

dari suatu peristiwa penghasilan dari suatu distribusi.
Kecenderungan sentral akan menjadi lebih berarti apabila dihubungkan dengan
penyebaran data. Data yang bersifat homogen memiliki penyebaran (dispersi)
kecil, sedangkan data yang bersifat heterogen seperti reservoir memiliki
penyebaran yang luas.
Standard deviation (simpangan baku) merupakan suatu ukuran yang
menunjukkan deviasi standar data observasi terhadap rata-ratanya.
4.3.2.3 Distribusi Data-Data yang Digunakan dalam Monte Carlo
Distribusi data-data yang dijelaskan meliputi:
1. Distribusi Normal
Distribusi normal merupakan distribusi kemungkinan yang mempunyai
bentuk simetris yang hampir sama.
2. Distribusi Log Normal
Distribusi log normal adalah sebuah distribusi probabilitas bersambung
yang menampilkan persamaan-persamaan dengan distribusi normal, kecuali
kemiringan pada salah satu sisi.
3. Distribusi Seragam
Distribusi seragam merupakan distribusi probabilitas bersambung yang
menggambarkan sebuah random variable dalam bentuk beberapa harga numerik
dari variabel kemungkinan yang sama terjadi didalam sebuah batas atas dan batas
bawah.
4. Distribusi Triangular
Distribusi Triangular merupakan distribusi probabilitas yang berlanjut terus
yang memiliki bentuk segitiga. Distribusi triangular secara sempurna diartikan
dengan pengkhususan harga minimum, harga maksimum, dan harga yang paling
mungkin (most likely).
5. Distribusi Eksponensial
Distribusi probabilitas eksponensial merupakan pengujian yang dilakukan
untuk melakukan perkiraan atau prediksi dengan hanya membutuhkan perkiraan
rata-rata populasi, karena distribusi eksponensial memiliki standar deviasi sama
 177

dengan rata-rata. Distribusi ini termasuk ke dalam distribusi kontinyu. Ciri dari
distribusi ini adalah kurvanya mempunyai ekor di sebelah kanan dan nilai x
dimulai dari 0 sampai tak hingga. 

Gambar 4.3. Jenis-jenis Distribusi Monte Carlo

(Eko Widi P. Dan Isma Wijaya)
4.3.2.4 Random Number
Salah satu kegunaannya adalah dalam Metode Monte Carlo (Nadinastiti,
2011). Nomor acak memainkan peran penting dalam simulasi komputer,
misalnya, salah satu masalah inti Metode Monte Carlo adalah untuk menghasilkan
serangkaian dari nomor acak sesuai dengan distribusi probabilitas yang
sebenarnya sebagai sumber data simulasi (Hu & Cui, 2010: 23).
Dalam perhitungan, kita menggunakan angka random yang dihasilkan oleh
algoritma komputer. Keuntungannya adalah dapat mempelajari sensivitas
perhitungan variasi perhitungan yang telah dipilih, dengan random number variasi
perbedaan antara hasil yang telah dihitung menggunakan nilai parameter
percobaan dengan menggunakan barisan angka random dapat dikurangi.
4.3.2.5 Pelaksanaan Simulasi
Menurut Wallson (1967) pada kenyataannya sangat sulit memperoleh data
lapangan yang cukup baik untuk membentuk kurva distribusi, sehingga diperlukan
keputusan dalam menentukan data. Akan tetapi dapat diperkirakan bentuk
 178

distribusi untuk parameter-parameter tertentu. Area dan tebal formasi misalnya

cenderung mengikuti distribusi segi empat, dan porositas cenderung mengikuti
distribusi segi tiga. Recovery factor, permeabilitas dan saturasi umumnya
bervariasi untuk setiap reservoir. Untuk ketiga parameter terakhir tersebut,
sebaiknya distribusi ditentukan berdasarkan data atau korelasi yang ada walaupun
sedikit.
1. Pengolahan Data
Data-data dari suatu parameter yang akan disimulasikan ditabelkan terlebih
dahulu, untuk melihat distribusi frekuensi pada parameter tersebut. Dalam
simulasi ini ada dua jenis distribusi frekuensi yang sering digunakan diantara
distribusi-distribusi yang lain, yaitu distribusi segitiga dan distribusi segiempat.
Pada distribusi segiempat, peng-input-an dilakukan dengan memasukkan data
minimum dan maksimum pada parameter tersebut. Sedangkan pada distribusi
segitiga, peng-input-an dilakukan dengan memasukkan data minimum,
maksimum, serta most likely.
2. Peng-input-an Rumus Perhitungan
Setelah mengetahui distribusi-distribusi yang digunakan, maka perhitungan
potensi dapat dilakukan menggunakan persamaan-persamaan volumetrik,
dimana perhitungan tersebut dilakukan berulang-ulang dengan mengambil
bilangan random.
3. Output
Proses perhitungan yang dilakukan pada simulasi ini akan menghasilkan suatu
bentuk probability curve dan summary statistic yang didapatkan setelah 100%
iterasi pada simulasi. Probability curve yang dihasilkan merupakan kurva
cumulative decline.
 179

Gambar 4.4. Gambaran Output Monte Carlo

(Popescu, Daniel., 2005)