Anda di halaman 1dari 46

# TUTORIAL SURPAC 6

GEOSTATISTIC v1

MINETECH INDONESIA
MEI 2020
Tutorial Surpac 6 – Geostatistic 2020

DAFTAR ISI

1. PENGANTAR ....................................................................................................................................... 1
2. KONSEP DASAR .................................................................................................................................. 1
2.1. Memahami Domain ....................................................................................................................... 1
2.2. Validasi Input Data ......................................................................................................................... 1
2.3. Memahami Metode Estimasi dan Parameternya ........................................................................ 2
2.4. Validasi Output dari Blok Model ................................................................................................... 2
3. DOMAIN ............................................................................................................................................. 2
4. STATISTIK DASAR ................................................................................................................................ 2
4.1. Histogram ....................................................................................................................................... 2
4.2. Regresi Linear dan Korelasi Pearson ............................................................................................. 8
5. OUTLIERS .......................................................................................................................................... 14
6. ANISOTROPHY .................................................................................................................................. 17
6.1. Isotropy vs Anisotropy ................................................................................................................. 17
6.2. Estimasi Geostatistik Menggunakan Isotropy ............................................................................ 18
6.3. Estimasi Geostatistik Menggunakan Anisotropy ....................................................................... 19
6.4. Ellipsoid Visualiser ....................................................................................................................... 21
7. KONSEP VARIOGRAM ...................................................................................................................... 25
7.1. Konsep Dasar Variogram ............................................................................................................. 25
7.2. Nugget .......................................................................................................................................... 25
7.3. Sill.................................................................................................................................................. 26
7.4. Range ............................................................................................................................................ 26
7.5. Perhitungan Variogram................................................................................................................ 27
7.6. Omnidirectional Variogram ......................................................................................................... 30
7.7. Directional Variogram .................................................................................................................. 30
8. MODELLING VARIOGRAM ............................................................................................................... 31
8.1. Peta Variogram Utama (Primary Variogram Map) ..................................................................... 31
8.2. Peta Variogram Kedua (Secondary Variogram Map) ................................................................. 42
8.3. Perhitungan Parameter Anisotrophy Ellipsoid ........................................................................... 44

## Minetech Indonesia Page i

Tutorial Surpac 6 – Geostatistic 2020

## TUTORIAL SURPAC – GEOSTATISTIC

1. PENGANTAR
Geostatistik digunakan dalam berbagai bidang seperti pertambangan, kehutanan, hidrologi, dan
meteorology, memahami geostatistik adalah bagaimana kita memahami bagaimana nilai data
berubah dari jarak tertentu. Penggunaan geostatistik umumnya digunakan untuk melakukan
estimasi seperti kadar unsur tertentu pada suatu area, dimana kita memiliki berapa nilai disekitar
diarea tersebut.
2. KONSEP DASAR
Didalam melakukan estimasi sumberdaya maupun cadangan mineral, kita menginginkan hasil yang
paling akurat sehingga memudahkan didalam perencanaan teknis maupun ekonomis tambang. Oleh
karena itu, untuk mengurangi tingkata kesalahan dari suatu estimasi ada beberapa hal yang harus
kita perhatikan antra lain :
- Memahami domain
- Validasi input data
- Memahami metode estimasi dan parameternya
- Validasi output dari blok model
2.1. Memahami Domain
Ini merupakan hal yang penting untuk memahami dan memisahkan suatu area atau domain dalam
suatu blok model. Setelah kita mengidentifikasi misalnya ada beberapa domain didalam pemodelan
atau estimasi yang akan kita lakukan. Maka sebaiknya kita kelompokkan data (mis: data assay lubang
bor) sesuai dengan domain yang ada. Setelah dikelompokkan sesuai dengan domain yang ada,
selanjutnya kita dapat melakukan analysis atau estimasi terpisah pada masing – masing domain
tersebut.
2.2. Validasi Input Data
Mungkin kita pernah mendengar kalimat “Garbage in = Garbage out” dalam Geostatistik, dan hal itu
merupakan kenyataan. Dalam hal ini, teknik pengambilan sampel dan quality control di laboratorium
merupakan hal yang sangat penting dan akan berpengaruh terhadap kualitas hasil estimasi dari data
yang kita gunakan.
“Garbage in = Garbage out” memiliki arti kurang lebih, jika data yang kita gunakan tidak bagus atau
kurang representative, maka hasil dari estimasinyapun akan kurang akurat, walaupun dibantu
dengan perangkat lunak muktahir dan metode estimasi yang beragam.
Kita berasumsi data yang kita miliki sudah bagus, ada setidaknya dua karakteristik potensi bahaya
dari data yang kita punya dan harus kita pahami yaitu : “bimodalism” dan “outliers”. Kita bisa melihat
ke dua karakteristik ini pada kurva histogram. Sekelompok data dapat dikatakan sebagai “unimodal”
menunjukkan dua puncak data, maka itu kita sebut sebagai “bimodal”. Jika kita menggunakan Teknik

## Minetech Indonesia Page 1

Tutorial Surpac 6 – Geostatistic 2020

estimasi untuk membuat model berdasarkan distribusibimodal padahal data yang kita miliki adalah
unimodal, maka kemungkinan kita akan menjumpai kesalahan estimasi pada model yang kita buat.
Berikutnya “outlier” atau nilai secara signifikan sangat tinggi atau rendah dari data pada umumnya,
juga bisa menyebabkan kesalahan saat melakukan proses estimasi, jika kita tidak mengeliminasi data
tersebut.
2.3. Memahami Metode Estimasi dan Parameternya
Terdapat berbagai macam teknik estimasi serta berbagai macam parameternya pada masing masing
metode. Sebelum kita menggunakan salah satu dari metode estiamsi tersebut, kita wajib memahami
background dasar statistic serta prinsip dasar geostatistik.
Menggunakan geostatistik dapat dianalogikan seperti terbang menggunakan pesawat jet, dimana
kita bisa menggunakan mode “autopilot” dimana kita hanya meng klik beberapa kali lalu sesuatu
akan terbentuk, ini sangat penting bahwa pilot harus mengerti teori aerodinamika untuk memahami
apa yang akan terjadi jika kita menggunakan suatu fungsi tertentu terhadap hasil akhirnya.
2.4. Validasi Output dari Blok Model
Pada metode akhir, kita harus mengecek kualitas atau akurasi dari hasil estimasi blok model serta
meluangkan waktu untuk memeriksa hasilnya. Kita dapat membuat kurva histogram dari hasil
estimasi, membuat contour, penampang blok model, diberi warna sesuai kode, diputar 3 dimensi
adalah beberapa cara kita untuk melakukan verifikasi hasil dari output blok model

3. DOMAIN
Salah satu aspek penting dalam Geostatistik adalah meyakinkan bahwa data – data yang kita miliki
telah diklasifikasi dengan tepat kedalam suatu domain yang homogen. Domain merupakan area 2D
atau 3D dimana data – data tersebut saling berhubungan.
Percampuran data dari domain yang berbeda atau tidak diklasifikasikan dengan tepat dapat
menyebabkan kesalahan dalam melakukan estimasi.

4. STATISTIK DASAR
4.1. Histogram
Dalam analisis statistic dasar ini, kita coba untuk menampilkan kurva histogram dari unsur atau
senyawa yang ada didalam tabel database assay.

## Minetech Indonesia Page 2

Tutorial Surpac 6 – Geostatistic 2020

## Akan muncul window aplikasi Basic Statistic

Buka file yang mau dianalisis, File > Load data from string files

## Minetech Indonesia Page 3

Tutorial Surpac 6 – Geostatistic 2020

Muncul window Basic statistics, Open a file > sample_composite.str > Open

## Minetech Indonesia Page 4

Tutorial Surpac 6 – Geostatistic 2020

Pada kolom D Field : D1; Name : Ni_Comp; Histogram Bins Width : 0.1 > Apply

## Kurva histogram nilai Ni dari file sample_composite.str

Untuk menampilkan kurva distribusi normalnya, klik Display normal distribution curve

## Minetech Indonesia Page 5

Tutorial Surpac 6 – Geostatistic 2020

## Untuk menampilkan nilai grafik, bisa klik Display/Hide graphed values

Untuk melihat laporan basic statistic dengan cara menu Statistic > Report

Muncul window Statistic report, Output Report File Name : rep_stat_basic_ni_comp; Output
Report File Format : .not > Apply

## Minetech Indonesia Page 6

Tutorial Surpac 6 – Geostatistic 2020

## Minetech Indonesia Page 7

Tutorial Surpac 6 – Geostatistic 2020

## 4.2. Regresi Linear dan Korelasi Pearson

Dalam statistika, regresi linear adalah sebuah pendekatan untuk memodelkan hubungan antara
variable terikat Y dan satu atau lebih variable bebas yang disebut X. Salah satu kegunaan dari regresi
linear adalah untuk melakukan prediksi berdasarkan data-data yang telah dimiliki sebelumnya.
Hubungan di antara variable - variabel tersebut disebut sebagai model regresi linear.

Sedangkan Korelasi Pearson merupakan salah satu ukuran korelasi yang digunakan untuk mengukur
kekuatan dan arah hubungan linier dari dua veriabel. Dua variabel dikatakan berkorelasi apabila
perubahan salah satu variabel disertai dengan perubahan variabel lainnya, baik dalam arah yang
sama ataupun arah yang sebaliknya. Harus diingat bahwa nilai koefisien korelasi yang kecil (tidak
signifikan) bukan berarti kedua variabel tersebut tidak saling berhubungan.

Pada baris 1 tetap menggunakan D Field D1 yaitu nilai Ni, tambahkan pada baris ke 2 dengan
menambahkan nilai D2 yaitu nilai Fe.

## Minetech Indonesia Page 8

Tutorial Surpac 6 – Geostatistic 2020

## Minetech Indonesia Page 9

Tutorial Surpac 6 – Geostatistic 2020

## Kurva histogram nilai Fe dari file sample_composite.str dengan width of bins 2

Untuk menghitung regresi dan korelasinya dengan cara dari menu Display > XY Scatter diagram

## Minetech Indonesia Page 10

Tutorial Surpac 6 – Geostatistic 2020

Pilih X Variable = Fe_Comp dan Y Variable = Ni_Comp, cek list pada kotak Linear Regression > Apply

Hasil scatter diagram antara nilai Ni dan Fe, dimana hasilnya menunjukkan :
Regresi Linear : Ni_Comp = 0.0099 Fe_Comp + 0.8904
Koefisien Korelasi : r = 0.3083
Koefisien korelasi = 0.3083 menunjukkan hubungan yang positif antara nilai Ni dan Fe dalam arti jika
nilai Ni naik maka nilai Fe juga akan naik, namun hubungan diantara keduanya tidaklah terlalu kuat
karena hanya bernilai 0.3083, dimana jika bernilai 1 maka hubungannya sangat kuat sedangkan jika
bernilai 0 maka tidak ada hubungan diantara keduanya.

Selanjutnya coba kita bandingkan dengan nilai SiO2, tambahakan D Field D7 pada baris ke 3 dan
tuliskan Name : SiO2_Comp > Apply

## Minetech Indonesia Page 11

Tutorial Surpac 6 – Geostatistic 2020

## Rubahlah Width of bins = 2 > Apply

Kurva histogram nilai SiO2 dari file sample_composite.str dengan width of bins 2

## Minetech Indonesia Page 12

Tutorial Surpac 6 – Geostatistic 2020

Lalu pilih X Variable = SiO2_Comp dan Y Variable = Ni_Comp, cek list pada kotak Linear Regression
> Apply

Hasil scatter diagram antara nilai Ni dan SiO2, dimana hasilnya menunjukkan :
Regresi Linear : Ni_Comp = -0.0075 SiO2_Comp + 1.3603
Koefisien Korelasi : r = -0.2887
Koefisien korelasi = -0.2887 menunjukkan hubungan yang negatif antara nilai Ni dan Fe dalam arti
jika nilai Ni naik maka nilai Fe akan turun atau sebaliknya, namun hubungan diantara keduanya
tidaklah terlalu kuat karena hanya bernilai -0.2887, dimana jika bernilai -1 maka hubungan
negatifnya sangat kuat sedangkan jika bernilai 0 maka tidak ada hubungan diantara keduanya.

## Minetech Indonesia Page 13

Tutorial Surpac 6 – Geostatistic 2020

5. OUTLIERS
Outliers merupakan nilai anomaly suatu data yang sangat tinggi atau sangat rendah jika
dibandingkan dengan data lainnya pada domain yang sama. Untuk beberapa alasan, ada baiknya kita
memotong nilai anomaly tersebut kearah atas atau bawah atau bisa juga kita tidak gunakan data
atau nilai tersebut.
Sebagai contoh pada data dibawah ini, nilai 236 merupakan contoh nilai “outliers”
1; 3; 5; 5; 8; 8; 8; 236
Nilai outliers dapat menyebabkan “noise” pada analisis variogram dimana akan menjadi sulit untuk
dilakukan pemodelan. Selain itu, jika nilai tersebut tetap digunakan untuk melakukan suatu estimasi,
maka dapat menghasilkan suatu nilai yang tidak realistis
Salah satu teknik yang digunakan untuk mengurangi dampak outlier adalah menerapkan "cutoff",
atau "topcut" kepada data yang memiliki nilai anomaly tinggi. Pada contoh diatas, maka nilai 236
dapat diganti dengan nilai 9.
1; 3; 5; 5; 8; 8; 8; 9
Metode untuk menentukan nilai topcut ada beberapa cara antara lain : histogram, confidence
interval, percentile dan experience.
Histogram : dari kurva histogram kita bisa menetukan nilai topcut dengan melihat bentuk dari kurva
kumulatif frekuensinya, dimana jika terlihat kurvanya sudah mendatar, maka nilai tersebut dapat
digunakan sebagai nilai topcut.
Contoh dibawah ini nilai topcut Ni = 2.48 pada frekwensi sampel 4,937 dari 4,978 total sampel.

Confidence Interval : atau interval kepercayaan adalah kisaran nilai yang diperkirakan memungkinan
akan mencakup persentase tertentu dari nilai data, dengan asumsi bahwa distribusi datanya normal.
Contoh untuk perhitungan untuk batas atas 95% interval kepercayaan (CI) adalah sebagai berikut :

## Minetech Indonesia Page 14

Tutorial Surpac 6 – Geostatistic 2020

## 95% CI = Mean + (1.96 * Standard Deviation)

Berdasarkan contoh nilai Ni_Comp maka Mean = 1.1834 dan Standard Deviation = 0.4615, maka :
95% CI = 1.1834 + (1.96 * 0.4615)
95% CI = 2.0879
Percentile : atau persentil adalah bahwa nilai data di mana persentase tertentu dari semua nilai data
lainnya berada di bawah. berapapun yang diberikan nilai persentil dapat dipilih sebagai “cutoff”
outlier, seperti 90, 95, atau 97.5 persentil. Sebagai contoh kita bisa memilih salah satu nilai cutoff
dari contoh data Ni_Comp :
90.0 Percentile = 1.7500
95.0 Percentile = 1.9800
97.5 Percentile = 2.1900
Experience : atau pengalaman penentuan nilai “cutoff” berdasarkan pengetahuna atau pengalaman
dari suatu deposit didaerah tersebut. Sebagai contoh dibagian lain deposit yang sudah ditambang,
informasi dari sample grade control dan studi rekonsiliasi merupakan ide yang bagus untuk
menetapkan berapa nilai kadar maksimum yang ditambang.
Untuk menerapkan “cutoff” atau “topcut” pada data assay yang kita miliki bisa dengan cara File
tools > String math

## Minetech Indonesia Page 15

Tutorial Surpac 6 – Geostatistic 2020

## Muncul window String maths

Pilih Define the files to be processed, Location : sample_composite; ID range : - ; Define the files
to be created : sample_composite_cut; Field : D1; Expression : iif (d1>2.2,2.2,d1) > Apply

Dalam contoh diatas kita gunakan angka “cutoff” Ni = 2.2, jika nilai Ni pada file sample_composite.str
> 2.2 maka akan diganti menjadi nilai 2.2, sedangkan nilai dibawahnya tetap atau tidak ada
perubahan.

## Minetech Indonesia Page 16

Tutorial Surpac 6 – Geostatistic 2020

6. ANISOTROPHY
Aspek penting dalam melakukan analisis geostatistik adalah memahami bagaimana suatu data atau
nilai dapat berubah seiring terhadap perubahan arah, makna dari anisothrophy adalah berhubungan
dengan konsep ini.
6.1. Isotropy vs Anisotropy
Isotropy : kondisi dianggap isotropic bila memiliki nilai yang sama ketika diukur dalam arah yang
berbeda.
Anisotrophy : kondisi dianggap anisotropic bila memiliki nilai yang berbeda ketika diukur dalam arah
yang berbeda.
Ketika kita melakukan estimasi blok model, nilai dan arah dari anisotrophy dapat menghasilkan
perubahan yang signifikan pada hasil akhirnya. Seperti contoh dibawah ini, dimana ada 3 model yang
dibuat dari data yang sama namun berbeda nilai dan arah anisotrophy nya.

## Minetech Indonesia Page 17

Tutorial Surpac 6 – Geostatistic 2020

## 6.2. Estimasi Geostatistik Menggunakan Isotropy

Pada estimasi geostatistik (Inverse Distance Weight, Ordinary Kriging, Indicator Kriging dll), beberapa
sample yang merepresentasikan lokasi sampel digunakan untuk estimasi suatu nilai pada lokasi
dimana tidak ada nilai atau sampelnya, seperti contoh dibawah ini.
sama. Diasumsikan kita akan melakukan estimasi suatu blok model (pada koordinat Y=0, X=0)
dibantu dengan 2 titik sampel dengan jarak yang sama 3 m dari blok model. Jika kita menganggap
proses estimasi, atau dengan kata lain “weight” yang diaplikasikan pada ke 2 sampel tersebut adalah
sama.

## Nilai Blok = (Nilai Sampel 1 * Weight 1) + (Nilai Sampel 2 * Weight 2)

Nilai Blok = (20 * 0.5) + (10 * 0.5) = 15
Pada tutorial ini, kita asumsikan total dari weight = 1, dengan kata lain Weight 1 + Weight 2 = 0.5 +
0.5 = 1
Ketika kita asumsikan bahwa tidak ada “directional continuity” pada data sampel, maka dapat kita
katakana bahwa kondisi ini adalah kondisi “Isotrophy”.
Dalam contoh di bawah ini, sekali lagi dengan asumsi bahwa semua data ada di bidang datar XY,
semua sampel lokasinya berada di dalam lingkaran yang ditunjukkan di gambar berikut ini akan
diberi bobot yang sama dengan sampel lainnya untuk mengestimasi nilai blok model.

## Minetech Indonesia Page 18

Tutorial Surpac 6 – Geostatistic 2020

Pada contoh di atas, karena semua lokasi sampel memiliki jarak yang sama dari blok centroid,
semuanya sampel akan diberi bobot yang sama. Perhitungan nilai blok adalah :
Nilai Blok = (20 * 0.25) + (10 * 0.25) + (25 * 0.25) + (5 * 0.25) = 17.5
Seperti yang sudah dibahas sebelumnya, jumlah dari weight harus = 1, maka weight dari contoh
diatas = 0.25 + 0.25 + 0.25 + 0.25 = 1.

## 6.3. Estimasi Geostatistik Menggunakan Anisotropy

suatu nilai atau data akan berbeda pada arah yang berbeda pula. Kondisi anisotropy dapat
disebabkan oleh kondisi geologi suatu endapan atau mineralisasi seperti yang disebabkan oleh pola
rekahan, jenis fluida pembentuk mineralisasinya ataupun lingkungan pengendapannya. Sebagai
contoh dalam plan view, korelasi atau kemiripan dari nilai sampel urat kuarsa mengandung emas
sepanjang arah strike akan lebih berhubungan jika dibandingkan dengan arah memotong strike.
Seberapa besar kehadiran anisotrophy sangatlah penting, penentuan besaran anisotrophy suatu
kumpulan data dapat dilakukan secara kualitatif maupun kuantitatif. Sebagai contoh, seorang
geologist yang telah cukup berpengalaman dengan model deposit perak yang terdiri dari beberapa
vein vertical berarah Barat – Timur (Strike 90°, Dip 90°) dan kemudian dia berkata bahwa “ deposit
tersebut sekitar 3 x lebih panjang searah strike (on strike) dibandingkan memotong strike (dip)”.
Pernyataan sepert itu sepertinya tidak memiliki dasar, padahal hal tersebut seringkali digunakan
dalam geostatistik. Pada contoh ini rasio anisotropy nya 3:1 pada bidang horizontal (YX). Arah
kemenerusan maksimum disebut “major axis”, pada contoh deposit perak diatas, arah dari major
axisnya adalah 90° atau 270° keduanya adalah sama dalam geostatistik. Dalam 2D, kita dapat
merepresentasikan anisotropy ratio 3:1 dah arah major axis 90° adalah seperti gambar dibawah ini.

## Minetech Indonesia Page 19

Tutorial Surpac 6 – Geostatistic 2020

Ketika kita menggunakan anisotropy ratio sewaktu melakukan estimasi, maka arah dari blok model
yang akan di estimasi dari titik sampel data adalah sangat penting. Pada contoh diatas sampel nilai
10 dengan jarak 1 m dari blok model dan sampel nilai 20 dengan jarak 3 m memiliki weight yang
sama dikarenakan “anisotropy distance” digunakan pada contoh ini dan arah sumbu major axis 90°
Sampel Value Sampel Bearing Actual Distance Anisotropy Factor Anisotropy Distance Weight
10 000 1 3 3 0.5
20 090 3 1 3 0.5

## Nilai Blok = (10 * 0.5) + (20 * 0.5) = 15

Jika nilai sampel 10 kita geser kearah Utara koordinat Y=3, X=0, dengan nilai anisotropy ratio tetap
3:1, maka perhitungan nilai blok nya akan menjadi :
Sampel Value Sampel Bearing Actual Distance Anisotropy Factor Anisotropy Distance Weight
10 000 3 3 9 0.75
20 090 3 1 3 0.25

## Minetech Indonesia Page 20

Tutorial Surpac 6 – Geostatistic 2020

Kita asumsikan geologist tadi memiliki opini tambahan yaitu bidang vein kearah strike sekita 2 x lebih
panjang disbanding arah vertikalnya, hal tersebut bisa kita katakan bahwa rasio anisotropy nya 2:1
pada bidang vertical (YZ), gabungan dari kedua anisotropy ratio tersebut dalam bentuk 3 dimensi
disebut sebagai “ellipsoid”.
Sekarang kita punya anisotropy ratio 3:1 pada bidang YX dan anisotropy ratio 2:1 pada bidang YZ,
dengan begitu kita bisa membedakan ratio tersebut menjadi 3 sumbu yaitu : Major axis, Semi-major
Semi-major axis adalah sumbe yang tidak terlalu Panjang dan Minor axis adalah sumbu terpendek.
Dan ketiga sumbu tersebut saling tegak lurus.

Rasio atau perbandingan antara panjang sumbu Major axis dan Semi-major axis disebut sebagai
Major/Semi-major Anisotropy Ratio dan perbandingan antara Panjang sumbu Major axis dan Minor
axis disebut sebagai Major/Minor Anisotropy Ratio.

## 6.4. Ellipsoid Visualiser

Dengan menggunakan contoh sebelumnya dimana kita memiliki nilai Major/Minor Anisotropy Ratio
= 3, dan Major/Semi-major Anisotropy Ratio = 2, tapi kita perlu menetapkan arah atau orientasi dari
ellipsoid tersebut. Contoh tersebut menggunakan metode “Surpac” yang mencakup 3 istilah berikut
:
Term Min Max Description
Bearing of major axis 0 360 Azimuth of major axis
Plunge of major axis -90 90 Dip above or below horizontal plane
Dip of semi-major axis -90 90 Rotation of semi-major axis around major axis

Ellipsoid visualiser merupakan tools dari Surpac yang dapat membantu kita untuk menggambarkan
dan memahami dari orientasi anisotropy ellipsoid.

## Minetech Indonesia Page 21

Tutorial Surpac 6 – Geostatistic 2020

Untuk membuat ellipsoid nya kita bisa menggunakan menu Block model > Geostatistics > Ellpisoid
visualiser

## Minetech Indonesia Page 22

Tutorial Surpac 6 – Geostatistic 2020

## Masukan parameter seperti pada contoh sebelumnya dimana :

Bearing of major axis 90

## Minetech Indonesia Page 23

Tutorial Surpac 6 – Geostatistic 2020

## Minetech Indonesia Page 24

Tutorial Surpac 6 – Geostatistic 2020

## Tampilan anisotropy ellipsoid Long Section view (view arah Timur/Barat)

7. KONSEP VARIOGRAM
7.1. Konsep Dasar Variogram
Variogram merupakan aspek penting dalam melakukan analisis geostatistik karena merupakan
untuk memahami perilaku bagaimana nilai suatu nilai data berubah terhadap jarak dan arah
tertentu. Variogram merupakan grafik yang membandingkan antara nilai sampel dan jarak.
7.2. Nugget
Jika kita membagi sampel menjadi dua dan mengirimnya ke dua laboratorium yang berbeda,
seringkali kita akan mendapatkan hasil assay yang berbeda. Dengan demikian pada jarak pemisahan
sampel = 0 namun terdapat perbadaan nilai, maka perbedaan tersebut yang kita sebut sebagai
“nugget”. Jadi, nugget merupakan perbedaan nilai suatu karakteristik sampel pada jarak = 0.

## Minetech Indonesia Page 25

Tutorial Surpac 6 – Geostatistic 2020

Istilah “nugget” berawal dari suatu kondisi yang seringkali terjadi pada suatu sampel core drilling
yang mengandung butiran emas namun saat core sampel tersebut dibagi menjadi 2 bagian,
seringkali satu sisi memiliki kandungan butiran emas yang banyak, sedangkan sisi sebaliknya sedikit
atau tidak terdapat butiran emasnya. Hal ini bisa terjadi karena kesalahan manusia, kesalahan
sampling atau di laboratorium bisa juga salah melakukan input data.
7.3. Sill
Jika kita membandingkan dua sampel pada jarak tertentu, kita akan berharap bahwa perbedaan nilai
dari kedua sampel tersebut akan semakin membesar seiring dengan semakin menjauhnya jarak
kedua sampel tersebut. Bagian dari grafik variogram yang naik kearah atas kanan dari titik nugget
Pada jarak tertentu perbedaan nilai kedua sampel tersebut tidak dapat membesar lagi. Sebagai
contoh nilai maksimum sampel dikurang nilai minimum sampel akan memberikan kita nilai
perbedaan sampel terbesar. Pada variogram, perbedaan nilai maksimum ini terlihat sebagai gambar
lurus pada grafik. Dua nilai dimana menggambarkan titik dimana variogram mencapai nilai
maksimum disebut sill dan range.

7.4. Range
Range merupakan jarak dimana nilai sill mencapai titik maksimum, maka jarak tersebut disebut
sebagai range.

## Minetech Indonesia Page 26

Tutorial Surpac 6 – Geostatistic 2020

## 7.5. Perhitungan Variogram

Untuk menghitung variogram, sekelompok data dikelompokkan menjadi berpasangan (“pairs”),
yang dipisahkan oleh sebuah jarak (“lag”).
Sebagai gambaran akan kita coba menghitung dengan contoh data dibawah ini, asumsi bahwa
masing – masing sampel memiliki jarak 1 m sepanjang arah Utara – Selatan.
Untuk memilih pasangan atau “pair” data pada masing – masing jarak atau “lag”, bias dilihat pada
data dan ilustrasi dibawah ini :
3
Lag=1
3 Lag=2
Lag=3
4 Lag=4
Lag=5
6
7
5
5
3
Untuk membuat grafik variogram “Distance vs Difference” kita harus menghitung dulu difference
dari masing – masing pasangan data, squared difference atau kuadrat dari difference, sum atau
jumlah dari keseluruhan squared difference serta gamma(h) pada masing – masing lag.
Gamma(h) = sum squared difference / (2 * number of pair)
Lag = 1
Squared
Pair Pair Value Difference Difference
1 3–3 0 0
2 3–4 -1 1
3 4–6 -2 4
4 6–7 -1 1
5 7–5 2 4
6 5–5 0 0
7 5–3 2 4
sum : 14
gamma (h): 1.0

Lag = 2
Squared
Pair Pair Value Difference Difference
1 3–4 -1 1
2 3–6 -3 9
3 4–7 -3 9
4 6–5 1 1
5 7–5 2 4

## Minetech Indonesia Page 27

Tutorial Surpac 6 – Geostatistic 2020

6 5–3 2 4
sum : 28
gamma (h): 2.3

Lag = 3
Squared
Pair Pair Value Difference Difference
1 3–6 -3 9
2 3–7 -4 16
3 4–5 -1 1
4 6–5 1 1
5 7–3 4 16
Sum : 43
gamma (h): 4.3

Lag = 4
Squared
Pair Pair Value Difference Difference
1 3–7 -4 16
2 3–5 -2 4
3 4–5 -1 1
4 6–3 3 9
Sum : 30
gamma (h): 3.8

Lag = 5
Squared
Pair Pair Value Difference Difference
1 3–5 -2 4
2 3–5 -2 4
3 4–3 1 1
Sum : 9
gamma (h): 1.5

1 1.0
2 2.3
3 4.3
4 3.8
5 1.5

## Minetech Indonesia Page 28

Tutorial Surpac 6 – Geostatistic 2020

## Hasil dari kurva variogram seperti contoh dibawah ini

5.0
4.5
4.0
gamma (difference)

3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
1 2 3 4 5
Lag (distance)

gamma(h) (difference)

Gambar dibawah ini merupakan hasil pemodelan variogram (garis biru) dimana hasilnua adalah :
Nugget = 0.2
Sill = 4
Range = 3
Nugget / Sill ratio = 0.2 / (0.2 + 4) = 0.05

5.0
4.5
4.0
gamma (difference)

3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
1 2 3 4 5
Lag (distance)

gamma(h) (difference)

## Minetech Indonesia Page 29

Tutorial Surpac 6 – Geostatistic 2020

## 7.6. Omnidirectional Variogram

Omnidirectional variogram adalah dimana pasangan sampel akan terpilih tidak mengacu pada arah
atau orientasi tertentu namun hanya berdasarkan jarak antar sampel atau lag. Pada contoh dibawah
ini kita dapat melihat bagaimana pasangan data dapat terpilih. Semua sampel terletak pada grid 1 x
1 dan nilai lag yang digunakan adalah 1, 2 dan 3.

contoh : pasangan sampel 1 – 2 memiliki orientasi 90° atau 270° dan pasangan sampel 1 – 4 memiliki
orientasi 0° atau 180 °, dan kedua pasangan sampel tersebut dapat terpilih sebagai pasangan data.
Untuk contoh gambar diatas, yang terpilih sebagai pasangan data jika mengaplikasikan
omnidirectional variogram adalah sebagai berikut :
Lag = 1 Lag = 2 Lag = 3
1–2 1–3 1–6
1–4 1–5 3–4
2–3 2–4
2–5 2–6
3–6 3–5
4–5 4–6
5–6

## 7.7. Directional Variogram

umumnya, sekelompok data memiliki banyak orientasi pasangan data. Pada directional variogram,
perangkat lunak misalnya dalam hal ini Surpac, akan hanya memilih pasangan data yang memiliki
orientasi pada arah tertentu saja, dengan sedikit toleransi plus minus besaran sudut tertentu yang
Contoh dibawah ini menunjukkan bagaimana pasangan data akan terpilih dengan menggunakan
arah orientasi 45° dengan plus minus sudut spread 22.5° pada masing – masing sisi arah tersebut.
Hal tersebut berarti pasangan sampel yang berada pada dalam orientasi 22.5° – 67.5° atau 202.5° -
247.5° akan dikutsertakan dalam perhitungan.

## Minetech Indonesia Page 30

Tutorial Surpac 6 – Geostatistic 2020

Semua sampel terletak pada grid 1 x 1 dan nilai lag yang digunakan adalah 1,2 dan 3. Maka pasangan
data yang akan terpilih dengan bantuan perangkat lunak dapat dilihat pada contoh gambar dibawah
ini.

Pada directional variogram, orientasi dari pasangan sampel adalah sangat penting. Sebagai contoh :
pasangan sampel 1 – 2 dan 1 – 4 terletal pada lag 1, namun kedua pasangan tersebut tidak akan
termasuk sebagai pasangan sampel jika kita mengaplikasikan directional variogram dengan orientasi
45° ± 22.5°. Sehingga pada contoh gambar diatas, yang terpilih sebagai pasangan data adalah sebagai
berikut :
Lag = 1 Lag = 2 Lag = 3
2–4 3–4
3–5

8. MODELLING VARIOGRAM
8.1. Peta Variogram Utama (Primary Variogram Map)
Untuk membuat peta variogram utama, menu Database > Analysis > Variogram modelling window

## Minetech Indonesia Page 31

Tutorial Surpac 6 – Geostatistic 2020

## Minetech Indonesia Page 32

Tutorial Surpac 6 – Geostatistic 2020

## Minetech Indonesia Page 33

Tutorial Surpac 6 – Geostatistic 2020

## Pada tab basic, pilih file Location : sample_composite_cut.str > Open

Pada tab Basic, Location : sample_composite_cut.str; Id range : - ; String range : 2,3; D field : D1;
Plane dip : 0; Dip direction : 0; Number of variogram : 24; Search type : Cone; Spread : 15; Spread
limit : -; Lag : 1; Maximum distance : 100; Output report file name : rep_var_map_calc_ni; Output
report file format : .not

## Minetech Indonesia Page 34

Tutorial Surpac 6 – Geostatistic 2020

Pada tab Advance, Minimum : 1; Maaximum : 20.0; Increment : 0.2 > Apply

## Minetech Indonesia Page 35

Tutorial Surpac 6 – Geostatistic 2020

Akan terlihat beberapa tab grafik mulai dari azimuth 0° sampai 165° dimana pada masing – masing
arah memiliki spread 2 x 15°

## Minetech Indonesia Page 36

Tutorial Surpac 6 – Geostatistic 2020

Keluarkan semua orientasi pada satu tab grafik, Display > All orientation chart

Muncul tab grafik baru berisi grafik semua arah pada satu tab, masing – masing warna dan symbol
mewakili satu arah tertentu.

Rubahlah nilai Lag secara bertahap sehingga terlihat salah satu grafik akan membentuk suatu kurva
standar variogram.

## Minetech Indonesia Page 37

Tutorial Surpac 6 – Geostatistic 2020

Pada lag 14.4 terlihat grafik arah 60° terlihat sudah terlihat membentuk kurva standar variogram.

## Minetech Indonesia Page 38

Tutorial Surpac 6 – Geostatistic 2020

## Kemudian kita buat model variogramnya, Variogram > Model

Kemudian akan muncul kurva variogram model warna merah dan titik biru berupa structure
(Nugget, Sill dan Range), coba himpitkan antara kurva variogram data assay dengan kurva modelnya
semaksimal mungkin bisa saling berhimpit.

Setelah sudah maksimal saling berhimpit, maka kita bisa melihat nilai Nugget, Sill dan Range pada
variogram utama. Disini terliha bahwa nilai Nugget = 0.1985 ; Sill = 0.7250 dan Range = 46.629

## Minetech Indonesia Page 39

Tutorial Surpac 6 – Geostatistic 2020

Kurva variogram utama unsur Ni dengan Azimuth = 60°; Plunge = 0° ; Dip = 0° ; Nugget = 0.1985 ;
Sill = 0.7250 dan Range = 46.629

Setelah mendapatkan nilai untuk variogram utama, kita simpan hasil kurva pemodelan
variogramnya, File > Save > Experimental variogram and model

## Minetech Indonesia Page 40

Tutorial Surpac 6 – Geostatistic 2020

## Mincul window Save variogram

Beri nama file untuk variogram experimental : var_exp_ni_060_00 dan variogram model :
var_mod_ni_060_00

Lalu kita simpan pula angka struktur variogramnya (Nugget, Sill dan Range)

## Minetech Indonesia Page 41

Tutorial Surpac 6 – Geostatistic 2020

## 8.2. Peta Variogram Kedua (Secondary Variogram Map)

Selesai pembuatan model untuk variogram utama, selanjutnya kita membuat variogram kedua.
Variogram kedua ini melanjutkan dari variogram utama dimana pada variogram utama arah sumbu
major axisnya adalah 60° dan oleh karena itu arah sumbu keduanya atau semi-major axisnya adalah
tegak lurus dari arah major axisnya yaitu 60° + 90° = 150°.

Kita lihat tab grafik variogram arah 150°, geserlah titik struktur biru tersebut kearah kiri sehingga
semaksimal mungkin berhimpit antara kurva variogram model dengan kurva data variogram assay
Ni nya.

## Minetech Indonesia Page 42

Tutorial Surpac 6 – Geostatistic 2020

Setelah maksimal berhimpit, kemudian kita simpan pula angka struktur variogramnya (Nugget, Sill
dan Range)

## Minetech Indonesia Page 43

Tutorial Surpac 6 – Geostatistic 2020

## 8.3. Perhitungan Parameter Anisotrophy Ellipsoid

Anisotrophy ellipsoid dapat dihitung dari perbandingan range variogram utama (major axis) dan
variogram kedua (semi-major axis), dimana range variogram utama = 49.816 ; range variogram
kedua = 33.674, sehingga anisotrophy ratio = 49.816 / 33.674 = 1.479 ≈ 1.5

## Minetech Indonesia Page 44

### Dapatkan aplikasi gratis kami

Hak cipta © 2022 Scribd Inc.

### Dapatkan aplikasi gratis kami

Hak cipta © 2022 Scribd Inc.