LAPORAN PRAKTIKUM GEOSTATISTIKA

PENGGUNAAN SOFTWARE GS+ UNTUK MENGETAHUI TINGKAT

KEAKURATAN METODE IDW DAN METODE KRIGING

Dosen Pengampu: Dewi Ayu Kusumaningsih, S.T., M.Sc.

Disusun Oleh:

Rafi Noufal Dwi Sutrisno (11200980000008)

Sri Widyati (11200980000009)
Talitha Hasna Fauzi (11200980000012)
Aulia Putri Apriliani (11200980000018)

PROGRAM STUDI TEKNIK PERTAMBANGAN

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGRI SYARIF HIDAYATULLAH
JAKARTA
2022 M/1444 H

1
 LEMBAR PENGESAHAN
LAPORAN PRAKTIKUM GEOSTATISTIKA

Oleh :
Rafi Noufal Dwi Sutrisno (11200980000008)
Sri Widyati (11200980000009)
Talitha Hasna Fauzi (11200980000012)
Aulia Putri Apriliani (11200980000018)

Teknik Pertambangan
Universitas Islam Negeri Syarif Hidayatullah
Jakarta

Menyetujui
Dosen Mata Kuliah
Jumat, 28 Desember 20222

Dosen Pengampu I Dosen Pengampu II

Dewi Ayu Kusumaningsih,S.T., M.Sc. Murni Sulastri ,S.T., M.T.

NIDN: 2014088903 NIDN: 9920113951

2
 KATA PENGANTAR

Puji syukur saya panjatkan kehadirat Allah SWT, atas rahmat-Nya dan karunia-Nya
saya dapat menyelesaikan tugas besar ini singkat tepat pada waktunya. Adapun topik bahasan
dari tugas besar mata kuliah praktikum geostatistika ini Penggunaan Software GS+ untuk
Mengetahui Tingkat Keakuratan Metode Idw dan Metode Kriging

Pada kesempatan kali ini, kami mengucapkan banyak terima kasih kepada dosen mata
kuliah praktikum geostatistika, yakni Ibu Dewi Ayu Kusumaningsih, S.T. M.Sc dan Murni
Sulastri, S.T., M.T yang telah membimbing kami selama bimbingan dalam menyelesaikan
laporan ini. Selain itu, saya juga ingin mengucapkan terima kasih kepada teman-teman
kelompok saya yang telah membantu dan bersedia bekerja sama dalam belajar bersama
memahami laporan mata kuliah praktikum geostatistika ini.
Saya menyadari bahwa dalam penulisan tugas besar praktikum geostatistika ini masih
jauh dari kata sempurna. Oleh karena itu, kritik dan saran yang membangun diharapkan dapat
membuat tugas besar praktikum geostatistika ini menjadi lebih baik serta bermanfaat bagi
penulis dan pembaca.

Jakarta, 28 Desember 2022

Penulis

3
 ABSTRAK
Metode Inverse Distance Weighting (IDW) merupakan metode penaksiran cadangan
yang memperhitungkan adanya hubungan letak ruang, dari titik-titik data yang berada
disekitarnya. Sedangkan kriging merupakan metode pembobotan yang dilakukan berdasarkan
jarak dan korelasi spasial (spatial correlation) antar titik contoh. Dilakukan analisis metode
IDW dan Kriging menggunakan data lubang bor sebanyak 100 titik dalam sebaran endapan
mineral Cu. Dalam penentuan metode terbaik antara dua metode yang dianalisis diperlukan
bantuan software rocsware GS+ yang dapat menghasilkan block model dan parameter yang
diperlukan secara akurat. GS+ adalah program Analisis geostatistik yang memungkinkan
mengukur dan mengilustrasikan hubungan spasial dengan mudah dalam data referensi
geografis. GS+ menganalisis data spasial untuk autokorelasi dan kemudian menggunakan
informasi ini untuk membuat peta area sampel yang optimal dan ketat secara statistik. Secara
keseluruhan pemilihan model variogram spherical dengan arah anisotropi menggunakan teknik
estimasi ordinary kriging tipe diskritisasi block kriging merupakan metode paling baik
dibandingkan model variogram lain berdasarkan parameter hasil regresi. dan dapat diterapkan
pada lokasi penelitian.

Kata Kunci : Kriging, IDW, Variogram, Semivariogram, Akurasi, Tembaga

4
 DAFTAR ISI

LEMBAR PENGESAHAN ..................................................................................................... 2

KATA PENGANTAR .............................................................................................................. 3
DAFTAR ISI............................................................................................................................. 4
DAFTAR GAMBAR ................................................................................................................ 5
DAFTAR TABEL .................................................................................................................... 6
BAB I PENDAHULUAN ......................................................................................................... 9
1.1 Latar Belakang ............................................................................................................... 9
1.2 Rumusan Masalah .......................................................................................................... 9
1.3 Tujuan ............................................................................................................................ 9
1.4 Batasan Masalah ............................................................................................................ 9
1.5 Sistematika Penulisan .................................................................................................. 10
BAB II TINJAUAN PUSTAKA ......................................................................................... 11
2.1 Mineral Tembaga (Cu) .................................................................................................. 11
2.2 Pengertian Estimasi ....................................................................................................... 11
2.3 Metode Estimasi IDW................................................................................................... 13
2.4 Metode Kriging ..............................................................................................................!6
2.5 Pengenalan Software GS+ ............................................................................................ !6
BAB III LANGKAH KERJA ............................................................................................... 19
3.1 Alat dan Bahan .............................................................................................................. 19
3.2 Diagram Alir ................................................................................................................. 20
BAB IV HASIL DAN PEMBAHASAN ............................................................................... 21
BAB V KESIMPULAN DAN SARAN ................................................................................ 26
5.1 Kesimpulan .................................................................................................................... 26
5.2 Saran ............................................................................................................................... 26
DAFTAR PUSTAKA ............................................................................................................. 27

5
 DAFTAR TABEL
Tabel 4.1 Hasil Estimasi Sumberdaya Nikel laterit Metode IDW ........................................... 18
Tabel 4.2 Hasil Estimasi Material Waste dan Ore Metode IDW ............................................. 18

6
 DAFTAR GAMBAR
Gambar 3.1 Fitting Variogram Isotropic Spherical Model Cu ................................................ 16
Gambar 4.1 Fitting Variogram Isotropic Spherical Model Cu ................................................ 17
Gambar 4.2 Fitting Variogram Anisotropic Spherical Model Cu............................................ 17
Gambar 4.3 Block Model pada Pemboran Lokasi Endapan Mineral Cu ................................. 19
Gambar 4.4 Grafik Plot Frequency Non Transformed Endapan Mineral Cu ......................... 19
Gambar 4.5 Hasil Analisis Interpolasi Metode Kriging Isotropic ........................................... 20
Gambar 4.5 Hasil Analisis Interpolasi Metode Kriging Anisotropic ...................................... 20
Gambar 4.7 Hasil Analisis Interpolasi Metode Inverse Distance Weighting .......................... 21

7
 DAFTAR LAMPIRAN
Lampiran 1 Data Endapan Mineral Cu .................................................................................... 25
Lampiran 2 Grafik Analisis Variogram ................................................................................... 25
Lampiran 3 Semmivariance Endapan Mineral Cu ................................................................... 25

8
 BAB I

PENDAHULUAN

1.1 Latar Belakang

` Penaksiran sumberdaya memuliki peranan penting menentukan jumlah kualitas dan

kemudahan secara komersial dengan metode perhitungan yang sesuai dengan kondisi geologi
nikel, genesa, dan mineralisasi. Metode Inverse Distance Weighting (IDW) dan Metode
Kriging merupakan metode estimasi yang umunya sering digunakan.

Metode Inverse Distance Weighting (IDW) merupakan metode penaksiran cadangan

yang memperhitungkan adanya hubungan letak ruang, dari titik-titik data yang berada
disekitarnya. Sedangkan kriging merupakan metode pembobotan yang dilakukan berdasarkan
jarak dan korelasi spasial (spatial correlation) antar titik contoh (Bergawa, 2018).

Penggunaan metode estimasi sumberdaya metode IDW dan metode Kriging diharapkan
dapat diketahui tingkat akurasi dari kedua metode tersebut sehingga dapat direkomendasikan
metode estimasi yang terbaik.

1.2 Tujuan Penulisan

Tujuan penulsan laporan ini adalah untuk mengetahui tingkat keakuratan metode
estimasi IDW dan kriging berdasarkan pengolahan data dan parameter yang terdapat pada
software GS+.

1.3 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan sebelumnya, dapat dirumuskan

beberapa masalah yakni sebagai berikut:

1. Bagaimana pengolahan data pada software GS+ dalam melakukan estimasi ?

2. Metode apakah yang memiliki tingkat keakuratan tinggi berdasarkan hasil pengolahan data
pada software?

1.4 Batasan Masalah

Berdasarkan identifikasi masalah yang telah dijelaskan, maka diperlukan pembatasan

terdahap masalah yang dikaji. Pembatasan masalah bertujuan untuk memfokuskan dengan
perhatian pada penelitian dengan memperoleh kesimpulan yang tepat. Adapun batasan masalah

9
dalam penulisan laporan ini adalah metode estimasi yang digunakan, yakni metode IDW dan
Kriging dalam pengolahan data pada software GS+.

1.5 Sistematika Penulisan

Sistematika penulisan laporan tugas besar ini terdiri dari 5 Bab, anatara lain:

1. Bab I Pendahuluan

Pada bagian ini dijelaskan mengenai latar belakang masalah, rumusan masalah, tujuan, batasan
masalah, sistematika penulisan dari laporan.

2. Bab II Tinjauan Pustaka

Pada bagian ini dijelaskan mengenai mineral nikel,pengertian estimasi, metode estimasi IDW
dan Kriging, pengenalan software GS+

3. Bab III Langkah Kerja

Pada bagian ini dijelaskan mengenai alat dan bahan yang diperlukan beserta diagram alir
pengolahan data pada software GS+.

4. Bab IV Hasil dan Pembahasan

Pada bagian ini akan dipaparkan mengenai secara singkat mengenai proses pengelolaan data
software GS+ beserta analisis hasil yang diperoleh dari software tersebut.

5. Bab V

Pada bagian ini dijelaskan mengenai kesimpulan dari laporan ini beserta saran terhadap laporan
agar menjadi lebih baik kedepannya.

10
 BAB II

TINJAUAN PUSTAKA

2.1 Mineral Tembaga (Cu)

Tembaga merupakan logam dasar non-besi dan rata-rata konsentrasi dikerak bumi
yakni sekitar 50 ppm. Rata-rata kadar minimum penambangan untuk deposit copper adalah
0.4% . Tembaga relative tidak keras (2.5-3.0 pada Skala Kekerasan Moh’s). Mineral tembaga
dapat dibagi menjadi tiga kelompok. Kelompok pertama adalah mieral utama atau hypogen
yang berhubungan dengan proses hidrotermal termasuk bornite, calcopirit, dan enargit.
Kelompok kedua merupakan copper oksida, tebentuk dari pelapukan tembaga sulfida termasuk
cuprite, malachite, chysocolla dan covelit. Kelompok ketigaa adalah sulfida sekunder seperti
tembaga yang tercuci dari dekat permukaan sulfida (British Geological Survey, 2008)

2.2 Pengertian Estimasi

Estimasi sumberdaya merupakan penaksiran dari bijih endapan mineral yang di mana
bagian dari perhitungan cadangan merupakan bagian yang paling esensial sebelum dilanjutkan
ke tahap berikutnya yakni perhitungan cadangan yang mana akan dievaluasi apakah endapan
mineral tersebut layak untuk dilanjutkan ke tahap eksplorasi berikutnya (Widayat, 2005).

Sumber daya mineral adalah konsentrasi atau kemunculan suatu zat bernilai ekonomi
di dalam atau di atas kerak bumi dalam bentuk, kualitas, dan kuantitas tertentu dengan prospek
yang wajar untuk akhirnya menjadi ekonomis. Lokasi, tonase, kadar, kenampakan geologis dan
kontinuitas Sumber Daya Mineral harus dipahami, diestimasi atau diinterpretasikan
berdasarkan bukti dan pengetahuan geologis tertentu. Sumber daya mineral selanjutnya
dikelompokkan ke dalam kategori perkiraan, label dan pengukuran berdasarkan keyakinan
geologis (KCMI, 2011).

2.3 Metode Estimasi IDW

Metode Inverse Distance Weighting (IDW) Weighted (IDW) merupakan salah satu
metode estimasi yang menggunakan pendekatan model blok sederhana dengan
mempertimbangkan titik di sekitarnya. Premis dari metode ini adalah bahwa nilai interpolasi
lebih mirip pada data sampel yang lebih dekat daripada yang lebih jauh. Bobot bervariasi secara
linear dengan jarak dari data sampel. Bobot ini tidak bergantung pada lokasi data sampel.

11
Metode ini umum digunakan di industri pertambangan karena kemudahan penggunaannya.
Memilih kekuatan akan sangat mempengaruhi hasil interpolasi. Nilai daya yang tinggi
memberikan hasil seperti menggunakan interpolasi nearest neighbor di mana nilai yang
diperoleh merupakan nilai dari data point yang terdekat (NCGIA, 2007).

Secara kasar metode ini adalah sebagai berikut (Latif, 2008):

1. Data yang lebih dekat dengan titik estimasi diberi bobot lebih tinggi, dan data yang
lebih jauh dari titik estimasi diberi bobot lebih rendah. Bobot berbanding terbalik
dengan jarak data dari titik estimasi.
2. Pemilihan pangkat yang digunakan (ID1, ID2, ID3) mempengaruhi hasil estimasi yang
digunakan. Semakin tinggi pangkat, semakin dekat hasilnya dengan nilai yang
sebenarnya.

Metode Inverse Distance Weighting (IDW) Weigthing dapat dapat dijelaskan pada
persamaan berikut. Dimana jika d adalah jarak titik yang ditaksir, z adalah titik data yang dicari,
maka faktor pembobotan w adalah :

1. (“Inverse Distance Weighting (IDW)”)

Persamaan matematis (“Inverse Distance Weighting (IDW)”):

𝑛 𝑍 𝑛 1
Wi = 𝚺𝑖=1 (𝐷𝑖 )/ 𝚺𝑖=1 (𝐷 )
𝑖 𝑖

2. (“Inverse Distance Weighting (IDW) Square”)

Persamaan matematis untuk (“Inverse Distance Weighting (IDW) Square”)

𝑛 𝑍 𝑛 1
Wi = 𝚺𝑖=2 (𝐷𝑖 )/ 𝚺𝑖=2 (𝐷 )
𝑖 𝑖2

3. (“Inverse Distance Weighting (IDW) Cubic”)

Persamaan matematis untuk (“Inverse Distance Weighting (IDW) Cubic”):

𝑛 𝑍 𝑛 1
Wi = 𝚺𝑖=3 (𝐷𝑖 )/ 𝚺𝑖=3 (𝐷 )
𝑖 𝑖2

Hasil taksiran Z adalah:

𝑖
Z=𝚺𝑖=1 Wi Zi

12
Keterangan:

Wi = Faktor bobot

Di = Jarak antar titik i dengan titik yang ditaksir

n = Faktor eksponen

Kerugian dari metode IDW adalah metode ini menggunakan rata-rata dari data sampel
sehingga nilainya tidak bisa lebih kecil dari minimum atau lebih besar dari data sampel. Selain
itu, untuk mendapatkan hasil yang baik, sampel data yang digunakan harus rapat yang
berhubungan dengan variasi lokal. Jika sampelnya agak jarang dan tidak merata, hasilnya
kemungkinan besar tidak sesuai dengan yang diinginkan (Pramono, 2008).

2.4 Metode Kriging

Kriging adalah metode analisis data geostatistik yang memperkirakan besarnya nilai
yang mewakili titik yang tidak disuplai berdasarkan titik sampel yang mengelilinginya
menggunakan model struktural semivariogram. Kriging juga merupakan metode yang
menekankan pada metode khusus yang meminimalkan varian hasil estimasi (Fridayani et al.,
2012).

Teknik pembobotan kriging dilakukan berdasarkan pada jarak dan korelasi spasial
(spatial correlation) antar titik contoh. Korelasi spasial ditunjukan oleh variogram, kovariansi,
dan korelogram. Jadi variogram berfungsi sebagai alat (tool) untuk mengkuantifikasi tingkat
kemiripan (juga variabilitas) antar dua contoh yang terpisah oleh jarak tertentu (h). Teknik
kriging dibedakan menjadi dua yakni kriging linear dan kriging non linier. Salah satu contoh
kriging linear adalah ordinary kriging dan salah satu contoh kriging non linear adalah indicator
kriging (indikator kriging) dan sebagainya (Bergawa, 2018).

Analisis spasial (ruang) adalah analisis yang dilakukan berdasarkan informasi yang
diwakili oleh lokasi geografis (titik, garis, dan bidang) objek yang terkait dengan lokasi,
bentuk, dan hubungan di antaranya dalam ruang Bumi. Informasi lokasi dapat berupa informasi
diskrit atau kontinu, dan juga dapat memiliki informasi lokasi biasa atau tidak teratur (tidak
teratur). Data spasial dikatakan memiliki lokasi beraturan jika lokasi saling berdekatan lokasi
beraturan berjarak sama sedangkan dikatakan tidak beraturan jika lokasi saling berdekatan satu
dengan yang lainnya lokasi tidak beraturan (Cressie, 1993).

13
 Variogram merupakan grafik variansi terhadap jarak (lag) sedangkan semivariogram
adalah setengah kuantitas dari 2𝛾 ℎ (Cressie, 1993). Secara umum terdapat dua macam
semivariogram, yaitu semivariogram isotropik dan semivariogram anisotropik. Bila
semivariogram dihitung dalam berbagai arah dan setiap arah memberikan nilai parameter yang
sama maka disebut isotropik. Artinya semivariogram hanya bergantung pada jarak h. Apabila
semivariogram bergantung pada jarak dan arah, maka disebut anisotropik. Semivariogram
didefinisikan sebagai berikut (Erizal et al., 2014):

𝛾 (ℎ) = 0,5𝐸 [𝑍 𝑥+ℎ −𝑍 (x)2]

Beberapa parameter yang diperlukan untuk mendeskripsikan semivariogram adalah:

1. Efek nugget (C0)

Efek nugget merupakan pendekatan nilai semivariogram pada jarak nol
2. Sill (𝐶)
Sill adalah nilai semivariogram pada saat tidak terjadi peningkatan yang signifikan (saat
semivariogram cenderung mencapai nilai yang stabil) Pada umumnya, nilai sill sama
dengan nilai variansi dari data.
3. Range (𝑎)
Range merupakan jarak ℎ dimana nilai mencapai sill atau jarak maksimum dimana
masih terdapat korelasi antar data. Namun pada dasarnya hanya akan ditaksir dua nilai
parameter utama, yaitu sill dan range.

Adapun langkah-langkah yang harus diikuti saat menyiapkan model semivariogram.

Langkah pertama adalah membuat semivariogram eksperimental yang merupakan
semivariogram yang diperoleh dari data yang diketahui. Untuk keperluan analisis lebih lanjut
semivariogram eksperimental harus diganti dengan semivariogram teoritis. Terdapat beberapa
macam model semivariogram teoritis. Model pertama adalah model spherical yang Modelnya
linier untuk jarak pendek di sekitar pusat, tetapi lurus untuk jarak jauh, dan memberikan sill
pada 𝑎. Selanjutnya pada model eksponensial, semivariogram yang sangat curam memiliki
kemiringan yang secara asimtotik mencapai ambang batas. Selain itu, terdapat metode Gauss
merupakan bentuk kuadrat dari eksponensial sehingga menghasilkan bentuk parabolik pada
jarak yang dekat (Bargawa, 2020).

Ordinary kriging dikenal sebagai teknik kriging linier karena menggunakan kombinasi
linier terbobot dari data yang tersedia untuk proses estimasi. Metode ordinary kriging memiliki
asumsi bahwa variabel teregional 𝑍 (𝑥) adalah stasioner dan nilai rata-rata tidak diketahui dan
14
bernilai konstan. Pada metode ordinary kriging untuk menaksir sembarang titik yang tidak
tersampel (𝑥0 ) dapat menggunakan kombinasi linier dari variabel acak 𝑍(𝑥𝑖) dan nilai bobot
kriging 𝜆𝑖 masing-masing, yang secara matematis dapat dituliskan sebagai berikut (Erizal et
al., 2014):

𝑍(𝑥0 )= ∑𝑛𝑖=1 𝜆𝑖 𝑍(𝑥𝑖)

Keterangan:

bobot dari 𝑍(𝑥𝑖) = nilai pengamatan ke-i

𝜆𝑖 = bobot dari Z(𝑥𝑖) untuk i = 1,2,.. n

Dengan: ∑𝑛𝑖=1 𝜆𝑖 = 1

Selain Ordinary Kriging, juga terdapat Metode Block Kriging. Metode ini merupakan
metode perhitungan estimasi nilai data di titik-titik dalam suatu. Block kriging cocok
digunakan untuk menganalisis data yang tidak memiliki kecenderungan tertentu dan data
dengan rata-rata populasi tidak diketahui. Sistem kriging blok sama dengan sistem kriging titik.
Perbedaan hanya pada kovarian matrik D, dan kovariansi antara blok dengan titik (Bargawa,
2020).

2.5 Pengenalan Software Geostatistic

GS+ adalah program Analisis geostatistik yang memungkinkan Anda mengukur dan
mengilustrasikan hubungan spasial dengan mudah dalam data referensi geografis. GS+
menganalisis data spasial untuk autokorelasi dan kemudian menggunakan informasi ini untuk
membuat peta area sampel yang optimal dan ketat secara statistik. Peta dapat dibuat di GS+
atau di program pemetaan lain atau sistem informasi geografis. GS+ menyediakan analisis
autokorelasi spasial: Analisis semivarians menghasilkan variogram dan berbagai jenis model
variogram, termasuk variogram isotropik dan anisotropic (Robertson, 2008).

15
 BAB III

LANGKAH KERJA

3.1 Alat dan Bahan

Analisis ini menggunakan data primer berupa titik bor sebanyak 100 titik Pemboran
dilakukan dengan pola grid dengan jarak rata rata antar titik bor 50 m. Total jumlah bor adalah
100 titik. Di area yang tidak dilakukan pemboran atau tidak ada datanya, nilai kadar Cu
ditentukan dengan menggunakan metode interpolasi Ordinary Cokriging (OCK) dan Inverse
Distance Weighting (IDW). Data hasil interpolasi tersebut selanjutnya digunakan untuk
memetakan sebaran variabilitas kadar Cou dengan bantuan Software Rocware GS+ pada zona
yang dianalisis

Gambar 3.1 Peta Sebaran Titik Bor

3.2 Diagram Alir

Dalam melakukan analisis data spasial metode interpolasi sebaran endapan tembaga
menggunakan metode krigging dan IDW diperlukan langkah pengerjaan sebagai berikut.

16
 Pemetaan spasial kadar
tembaga

Penentuan Metode
Interpolasi

Pengumpulan dan
Pengolahan Data

Penginputan Data pada Pembuatan Block Model

Software Rockware GS+ Sebaran Titik Bor Endapan Cu

Didapatkan hasil nilai min,

max, mean, std dev, sample Dibagi menjadi dua variogram
variance, skewness, kurtosis, type dan dua cross variogram
dan n

Dilakukan analisis data berupa

perhitungan pemetaan spasial
kadar metode Krigging dan Invers
Distance Weighting (IDW)

Didapatkan hasil berupa block

model dari metode kriging dan IDW

Dilakukan penyusunan laporan

praktikum

17
 BAB IV
PEMBAHASAN

Analisis statistik dilakukan terhadap data kadar Cu (tembaga). Analisis ini bertujuan
untuk mengetahui karakteristik data. Hasil disajikan pada tabel 4.1.

Tabel 4.1 Deskripsi Analisis Statistik Kadar Cu

No Elemen Nilai Pada Mineral Cu

1 Nilai Minimun 0.00
2 Nilai Maximum 55.00
3 Rerata (mean) 19.100
4 Standard Deviasi 9.865
5 Sample Variance 97.26263
6 Skewness (se) 0.55 (0.24)
7 Kurtosis (se) 0.79 (0.48)
8 n 100

Tabel 4.2 Data Cross Variogram Variabel Cu

No Variogram Type Cross Variogram RSS R2

1 Isotropic Spherical Model 552 0.613
2 Anisotropic Gaussian Model 41123 0.644

Gambar 4.1 dan 4.2 menunjukkan hasil dari fitting variogram model Spherical dan
Gaussian. Sedangkan gambar 4.3 merupakan visualisasi block model dalam peta 3D yang
dihasilkan oleh masing-masing model variogram dalam penaksiran memakai teknik kriging
blok 2x2. Gambar 4.4 Grafik Plot Frequency Non Transformed Endapan Mineral Cu

18
 Gambar 4.1 Fitting Variogram Isotropic Spherical Model Cu

Gambar 4.1 Fitting Variogram Anisotropic Gaussian Model Cu

19
 Gambar 4.3 Block Model pada Pemboran Lokasi Endapan Mineral Cu

Gambar 4.4 Grafik Plot Frequency Non Transformed Endapan Mineral Cu

20
 Gambar 4.5 Hasil Analisis Interpolasi Metode Kriging Isotropic

Gambar 4.6 Hasil Analisis Interpolasi Metode Kriging Anisotropic

21
 Gambar 4.7 Hasil Analisis Interpolasi Metode Inverse Distance Weighting (IDW)

Validasi secara grafis dilakukan secara visual dengan tampilan peta 3D berdasarkan
hasil estimasi di sekitar sebaran titik bor. Validasi secara grafis ini memiliki 15 trend warna
yang memiliki rentang kadar masing-masing pada tampilan 3D untuk setiap model variogram.
Pada Gambar 4.5 – 4.7 menunjukkan distribusi kadar 3D disertai letak lubang bor. Model
variogram spherical dengan arah isotropi memiliki nilai regression coefficient mendekati satu,
nilai Y-intercept mendekati nol dan kurva berhimpitan dengan garis regresi.

Secara keseluruhan pemilihan model variogram spherical dengan arah anisotropi

menggunakan teknik estimasi ordinary kriging tipe diskritisasi block kriging merupakan
metode paling baik dibandingkan model variogram lain berdasarkan parameter hasil regresi.
dan dapat diterapkan pada lokasi penelitian. Selain itu, metode kriging memiliki hasil output
yang lebih akurat

22
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan hasil penelitian ini yaitu simulasi model variogram diperlukan untuk
menentukan model yang paling cocok untuk diterapkan pada data di daerah penelitian.
Berdasarkan penentuan diskritisasi block kriging 2x2 model variogram spherical paling baik
untuk diterapkan dengan nilai regression coeficient. Berdasarkan simulasi model variogram
dan arah orientasi diperoleh model terbaik yaitu spherical dengan arah orientasi anisotropi.

5.2 Saran

Penulis menyadari masih banyak kekurangan dalam pembuatan laporan ini. Perlu
dilakukan pemahaman yang lebih matang untuk menganalisis lebih lanjut mengenai metode
estimasi sebaran endapan mineral terbaik

23
 DAFTAR PUSTAKA

Bergawa, W. S. (2018). Geostatistik . Yogyakarta: Kilau Book

Bargawa, W. S. (2020). Simulasi perubahan model variogram untuk estimasi memakai teknik
block kriging. 6, 1–6.

British Geological Survey. (2008). Mineral Profile: Copper. International Monetary Fund
(IMF), June, 24. http://www.bgs.ac.uk/mineralsuk/home.html

Cressie, N. A. C, 1993, Statistics for Spatial Data, Resived Edition, John Willey & Sons, Inc.
New York.

Erizal, R., Rito, G., & Sri, W. (2014). Perbandingan Metode Ordinary Kriging dan Inverse
Distance Weighting (IDW) Weighted untuk Estimasi Elevasi pada Data Topografi.
Eksponensial, 5(2), 163–170.

Fridayani, N. M. S., Kencana, P. E. N., dan Sukarsa, K. G. (2012). Perbandingan Interpolasi

Spasial Dengan Metode Ordinary dan Robust Kriging pada Data Spasial Berpencilan
(Studi Kasus: Curah Hujan di Kabupaten Karangasem). E-Jurnal Matematika. 1(1): 68-
74.

KCMI.(2011).Kode Pelaporan Hasil Eksplorasi, Sumberdaya Mineral dan Cadangan Bijih

Indonesia.

Latif, A. A., 2008. Studi Perbandingan Metode Nearest Neighbourhood Point (NNP), Inverse
Distance Weighting (IDW) Weighted (IDW) dan Kriging pada Perhitungan Cadangan
Nikel Laterit

National Center for Geographic Information and Analysis. 2007. Interpolation: Inverse
Distance Weighting (IDW) Weighting.

Pramono, GH, 2008. Akurasi Metode IDW dan Kriging Untuk Interpolasi Sebaran Sedimen
Tersuspensi di Maros, Sulawesi Selatan

Robertson, G. P. (2008). GS+: Geostatistics for the environmental sciences. In Gamma Design
Software.

Widayat, A.H.(2005).Modul Responsi TE, 323, Metode Perhitungan Cadangan.

24
 LAMPIRAN

Lampiran 1. Data Summary Endapan Mineral Cu

Lampiran 2. Grafik Analisis Variogram

Lampiran 3. Semivariance Endapan Mineral Cu

25