LAPORAN LENGKAP
DIAJUKAN OLEH:
NINDY ALAM
R1D119053
Segala puji bagi Allah SWT yang telah memberikan rahmat dan karunia
kepada penulis, sehingga penulis dapat menyelesaikan laporan lengkap mata kuliah
Metode Perhitungan Cadangan yang berjudul “Estimasi Sumberdaya Dan
Cadangan Menggunakan Metode Inverse Distance Weighted (IDW), Nearest
Neighbour Point (NNP) dan Ordinary Kriging (OK)” dengan baik. Shalawat serta
salam tercurah kepada nabi besar Rasulullah SAW mengantarkan manusia dari
zaman kebodohan ke jalan yang terang - benderang seperti saat ini. Penyusunan
laporan ini untuk memenuhi syarat melulusi mata kuliah Metode Perhitungan
Cadangan.
Penulis menyadari bahwa laporan ini masih jauh dari sempurna karena
terbatasnya pengalaman dan pengetahuan yang dimiliki penulis. Oleh karena itu,
penulis mengharapkan segala bentuk saran serta masukan dan kritik yang
membangun dari berbagai pihak. Semoga laporan ini dapat bermanfaat bagi para
pembaca dan semua pihak khususnya dalam bidang pertambangan.
Penulis,
ii
Halaman Persetujuan
Laporan Lengkap Metode Perhitungan Cadangan
Diajukan Oleh :
Nindy Alam
R1D119053
Asisten l Asisten ll
iii
NIP. 19880628 201504 1 001
DAFTAR ISI
KATA PENGANTAR ii
HALAMAN PERSETUJUAN iii
DAFTAR ISI iv
DAFTAR GAMBAR vi
DAFTAR TABEL ix
BAB I 1
PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Batasan Masalah 2
1.3 Rumusan Masalah 2
1.4 Tujuan Praktikum 2
1.5. Manfaat Praktikum 2
BAB II 3
TINJAUAN PUSTAKA 3
2.1 Nikel laterit 3
2.1.1 Zona Limonit 4
2.1.2 Zona Saprolit 4
2.1.3 Zona Batuan dasar (Bedrock) 5
2.2 Sumberdaya dan Cadangan 6
2.2.1 Klasifikasi Sumberdaya dan Cadangan 6
2.2.2 Analisis Statistik Dasar 9
2.2.3 Estimasi sumberdaya dan cadangan 13
2.3 Metode Estimasi Cadangan 14
2.3.1 Metode Inverse Distance Weighted (IDW) 14
2.3.2 Metode Ordinary Kriging dan Point Kriging 17
2.3.3 Metode Nearest Neighbor Point (NNP) 18
2.4 Regresi Linier Sederhana 18
2.5 Cross Validation 19
2.6 Root Mean Square Error (RMSE) 20
BAB III 21
iv
METODE STUDI PRAKTIKUM 21
3.1 Waktu dan Lokasi Studi Praktikum 21
3.2 Jenis Studi Praktikum 21
3.3 Bahan atau Materi Studi Praktikum 21
3.4 Instrumen Studi Praktikum 23
3.5 Prosedur Studi Praktikum 23
3.5.1 Pengolahan data 23
3.5.2 Analisis data 26
3.6 Diagram Alir Penelitian Studi Praktikum 27
BAB IV 29
HASIL DAN PEMBAHASAN 29
4.1 Database dan Logging Bor 30
4.1.1 Pembuatan Database 31
4.1.2 Geological Modeling 33
4.2 Analisis Statistik Dasar 35
4.2.1 Analisis Statistik Dasar Zona Limonit 36
4.2.2 Analisis Statistik Dasar Zona Saprolit 37
4.2.3 Analisis Statistik Dasar Zona Bedrock 39
4.3 Analisis Geostatistik 41
4.2.3 Analisis Geostatistik Zona Limonit 41
4.2.3 Analisis Geostatistik Zona Saprolit 44
4.2.3 Analisis Geostatistik Zona Bedrock 47
4.4 Estimasi Sumberdaya 50
4.4.1 Estimasi Sumberdaya Menggunakan Metode
Inverse Distance Weight (IDW) 50
4.4.2 Estimasi Sumberdaya Menggunakan Metode
Nearest Neighbor Point (NNP) 54
4.4.3 Estimasi Sumberdaya Menggunakan Metode
Ordinary Kriging (OK) 57
4.5 Penentuan Nilai Eror Dengan Menggunakan RMSE 60
4.6 Estimasi Cadangan 62
BAB V 65
PENUTUP 65
5.1 Kesimpulan 65
v
5.2 Saran 65
DAFTAR PUSTAKA 66
DAFTAR GAMBAR
vi
Gambar 4. 21 Major Axis Zona Saprolit 45
Gambar 4. 22 Semi-Major Axis Zona Saprolit 46
Gambar 4. 23 Minor Axis Zona Saprolit 46
Gambar 4. 24 Primary Variogram map zona bedrock 47
Gambar 4. 25 Secondary Variogram map zona bedrock 48
Gambar 4. 26 Major Axis Zona Bedrock 48
Gambar 4. 27 Semi-Major Axis Zona Saprolit 49
Gambar 4. 28 Minor Axis Zona Saprolit 49
Gambar 4. 29 Sebaran Kadar Ni Pada Zona Limonit Metode IDW 51
Gambar 4. 30 Sebaran Kadar Ni Pada Zona Limonit Metode IDW 51
Gambar 4. 31 Sebaran Kadar Ni Pada Zona Saprolit Metode IDW 52
Gambar 4. 32 Sebaran Kadar Fe Pada Zona Saprolit Metode IDW 52
Gambar 4. 33 Sebaran Kadar Ni Pada Zona Bedrock Metode IDW 53
Gambar 4. 34 Sebaran Kadar Fe Pada Zona Bedrock Metode IDW 53
Gambar 4. 35 Sebaran Kadar Ni Pada Zona Limonit Metode NNP 54
Gambar 4. 36 Sebaran Kadar Fe Pada Zona Limonit Metode NNP 54
Gambar 4. 37 Sebaran Kadar Ni Pada Zona Saprolit Metode NNP 55
Gambar 4. 38 Sebaran Kadar Fe Pada Zona Saprolit Metode NNP 55
Gambar 4. 39 Sebaran Kadar Ni Pada Zona Bedrock Metode NNP 56
Gambar 4. 40 Sebaran Kadar Fe Pada Zona Bedrock Metode NNP 56
Gambar 4. 41 Sebaran Kadar Ni Pada Zona Limonit Metode OK 57
Gambar 4. 42 Sebaran Kadar Fe Pada Zona Limonit Metode OK 57
Gambar 4. 43 Sebaran Kadar Ni Pada Zona Saprolit Metode OK 58
Gambar 4. 44 Sebaran Kadar Fe Pada Zona Saprolit Metode OK 58
Gambar 4. 45 Sebaran Kadar Ni Pada Zona Bedrock Metode OK 59
Gambar 4. 46 Sebaran Kadar Fe Pada Zona Bedrock Metode OK 59
Gambar 4. 47 Kurva Data Testing Estimasi Metode IDW 60
Gambar 4. 48 Kurva Data Testing Estimasi Metode NNP 61
Gambar 4. 49 Kurva Data Testing Estimasi Metode OK 61
Gambar 4. 50 Sebaran cadangan Metode IDW 62
Gambar 4. 51 Sebaran cadangan Metode NNP 63
vii
Gambar 4. 52 Sebaran cadangan Metode OK 63
viii
DAFTAR TABEL
ix
BAB I
PENDAHULUAN
1
1.2 Batasan Masalah
Nikel laterit terbentuk dari pelapukan batuan ultrabasa oleh air tanah,
mengalami proses pengkayaan di zona supergen. Ketebalan dan kadar endapan di
tiap-tiap titik studi ternyata tidak sama (bervariasi), diketahui dari hasil pengeboran.
Dengan demikian diperlukan uji metode untuk mengetahui metode manakah yang
lebih mendekati dalam proses pemodelan dan perhitungan cadangannya. Studi ini
dilakukan untuk mendapatkan metode yang memiliki ketelitian yang lebih baik
berdasarkan perbandingan beberapa metode perhitungan. Dalam studi ini, metode
yang digunakan dibatasi hanya tiga metode yaitu : Nearest Neighbourhood Point
(NNP), Inverse Distance Weight (IDW) dan Ordinary Kriging (OK).
2
BAB II
TINJAUAN PUSTAKA
3
semakin tipis, sebaliknya semakin rendah tingkat persen kelerengan maka
semakin tebal tingkat ketebalan lateritnya. Hal ini dikarenakan pada daerah yang
datar atau landai maka akan mengakibatkan air yang berada di atas permukaan
akan bergerak perlahan – lahan sehingga akan mempunyai kesempatan penetrasi
lebih dalam hingga ke bawah permukaan. Pada daerah yang tingkat kelerangannya
besar secara teoritis jumlah air yang meluncur akan lebih banyak dibandingkan
jumlah air yang meresap sehingga dapat menyebabkan pelapukan yang kurang
intensif. (Hasria dkk., 2019)
Profil endapan nikel laterit terbagi atas 3 yaitu :
4
terjadi pada joint dan fracture boulder. Tekstur atau fragment batuan masih
dikenali dan proses pelapukan belum berlangsung dengan sempurna. Pada batuan
dengan tingkat terserpentinisasi yang tinggi proses pelapukan tidak hanya
berlangsung pada joint dan fracture, tetapi terjadi pada masa batuan keseluruhan
yang disebabkan lunaknya batuan yang memungkinkan muka air tanah terlibat
sebagai agen pelapukan. Porositas perlapisan pada zona saprolit sedang sampai
baik, sedangkan densitas material relatif rendah. Proses pelapukan pada boulder
terus berlangsung meningkat dimulai dari bagian dalam hingga batas terluar
batuan. Sedangkan MgO, 𝑆𝑖𝑂2 dan alkali akan tercuci atau hilang, menyisakan
besi 𝐹𝑒 3+ , 𝐴𝑙2 𝑂3, Cr dan Mn. Vertikal profil menunjukkan bahwa kandungan Fe
pada bagian atas lebih tinggi dibandingkan pada bagian bawah dan rata - rata
cenderung memiliki kadar Fe yang rendah. Pada zona saprolit, Ni merupakan
produk residual, namun umumnya merupakan hasil proses pengayaaan yang
kedua. Hal ini disebabkan ketika alkanitas muka air tanah yang bersifat asam pada
bagian atas tiba-tiba meningkat menyebabkan terpisahnya olivin dan terlepasnya
magnesia, sehingga Ni pada bagian atas terlarutkan dan diendapkan pada zona
saprolit. Keterdapatan mineral garnierite umumnya pada zona saprolit,
merupakan zona dimana silika sebagai vein atau silica boxwork terdapat. Bijih
umumnya terdapat pada zona saprolit dan tidak semua profil secara vertikal
memiliki kadar Ni yang relatif merata. Hasil proses pengayaan Ni yang kedua pada
bagian bawah zona saprolit bukan merupakan bagian dari tubuh bijih dimana
secara gradual menunjukkan kadar yang lebih rendah.
5
Gambar 2. 1 Profil Endapan Nikel Laterit (Hernandi dkk., 2017)
6
b. Sumberdaya Mineral Tereka (Inferred Mineral Resource) adalah sumberdaya
mineral yang kuantitas dan kualitasnya diperoleh berdasarkan hasil tahap
prospeksi.
c. Sumberdaya Mineral Terunjuk (Indicated Mineral Resource) adalah
sumberdaya mineral yang kuantitas dan kualitasnya diperoleh berdasarkan
hasil tahap Eksplorasi Umum.
d. Sumberdaya Mineral Terukur (Measured Mineral Resource) adalah
sumberdaya mineral yang kuantitas dan kualitasnya diperoleh berdasarkan
hasil tahap Eksplorasi Rinci.
Sementara cadangan adalah bagian dari sumberdaya mineral terukur
dan/atau terunjuk yang dapat ditambang secara ekonomis. Hal ini termasuk
penambahan material dilusi ataupun material hilang, yang kemungkinan terjadi
ketika material tersebut ditambang. Pada klasifikasi ini pengkajian dan studi yang
tepat sudah dlakukan dan termasuk pertimbangan dan modifikasi dari asumsi yang
realistis atas faktor – faktor penambangan, pengolahan/pemurnian, ekonomi,
pemasaran, hukum, lingkungan sosial, dan peraturan pemerintah. Pengkajian ini
menunjukkan bahwa ekstraksi telah dapat dibenarkan (Reasonably be Justified)
cadangan mineral dipisahkan berdasarkan naiknya tingkat keyakinan menjadi
cadangan mineral terkira dan cadangan mineral terbukti.
Cadangan terbagi 2 yaitu :
a. Cadangan Terkira (Probable Reserve) adalah sumberdaya mineral terunjuk
dan sebagian sumberdaya mineral terukur yang tingkat keyakinan geologinya
masih lebih rendah, yang berdasarkan studi kelayakan tambang semua faktor
yang terkait telah terpenuhi, sehingga penambangan dapat dilakukan secara
ekonomik.
b. Cadangan Terbukti (Proved Recerve) adalah sumberdaya mineral terukur
yang berdasarkan studi kelayakan tambang semua faktor yang terkait telah
terpenuhi, sehingga penambangan dapat dilakukan secara ekonomik.
Klasifikasi sumberdaya mineral dan cadangan berdasarkan 2 kriteria yaitu
tingkat keyakinan geologi dan pengkajian layak tambang.
7
a) Prospeksi.
b) Eksplorasi umum.
c) Eksplorasi rinci.
Kegiatan dari a) ke c) menunjukkan makin rincinya penyelidikan, sehingga
tingkat keyakinan geologinya makin tinggi dan tingkat kesalahannya makin
rendah.
2. Pengkajian layak tambang
a. Pengkajian layak tambang meliputi faktor-faktor ekonomi, penambangan,
pemasaran, lingkungan, sosial, dan hukum/perundang - undangan. Untuk
endapan mineral bijih, metalurgi juga merupakan faktor pengkajian layak
tambang.
b. Pengkajian layak tambang akan menentukan apakah sumberdaya mineral
akan berubah menjadi cadangan atau tidak.
c. Berdasarkan pengkajian ini, bagian sumberdaya mineral yang layak
tambang berubah statusnya menjadi cadangan sedangkan yang belum
layak tambang tetap menjadi sumberdaya mineral. (Standar Nasional
Indonesia 4726, 2011)
8
keterdapatan mineral tidak ada hubungannya dengan volume/tonase atau
kadar/kualitas. Dalam mengidentifikasi keterdapatan mineral harus memiliki
syarat berupa sumberdaya yang dicari serta kegiatan eksplorasi yang dilakukan.
harus pula diingat bahwa perhitungan cadangan menghasilkan suatu kisaran.
Model cadangan yang dibuat adalah hasil pendekatan dari kondisi sebenarnya
yang diharapkan berdasarkan informasi yang diperoleh dari hasil eksplorasi.
Sehingga hasil dari perhitungan ini masih mengandung ketidakpastian.
Hasil analisis sebaran data akan menentukan tingkat analisis statistik, jika
sebaran data terdistribusi dengan normal maka analisis statistik yang dilakukan
adalah analisis statistik parametrik, begitu juga sebaliknya jika data tidak
terdistribusi dengan normal maka pendekatan statistik yang dilakukan adalah
analisis statistik non parametrik.
Dimana persamaan-persamaan statistik dasar dapat dilihat di bawah ini:
a. Ukuran yang sering digunakan adalah rata-rata (m) yang diperoleh
dari persamaan:
∑xi
X̄ = (1)
𝑛
Keterangan:
X̄ = Rata-Rata
n = Jumlah Sampel
b. Ukuran variasi (Dispersi) yang menyatakan variasi suatu data terhadap
rata- rata atau data lainya yang diperoleh dengan persamaan:
∑xi− x̄
S2 = (2)
𝑛−1
Keterangan:
9
S2 = Variasi
X̄ = Rata-rata
n = Jumlah Sampel
c. Simpangan baku (standar deviation), adalah nilai yang mengukur rata-
rata jarak (selisih) masing-masing nilai individu dari sekelompok nilai
terhadaprata-ratanya. Persamaanya adalah sebagai berikut:
𝑆 = √ S2 (3)
Keterangan:
S = Simpangan baku
S2 = Variasi
d. Untuk nilai koefisien variasi (Coefficient of variation), diperoleh dengan
menggunakan persamaan:
𝑆
CV = X̄ (4)
Keterangan:
CV : Coefficient of variation
S = Simpangan baku
X̄ = Rata-rata
10
Tabel 2 1 Tabel Dasar Pemilihan Metode Estimasi
11
variabilitas digunakan namun
ketebalan yang memerlukan koreksi
mungkin sulit di koreksi volume dan
prediksi dilusi
Geometri Rumit
Deskripsi Endapan yang Endapan yang memiliki
Endapan dengan
Endapan memiliki lipatan lipatan dan patahan yang
varians tinggi,
dan patahan sangat tidak beraturan
memiliki bentuk ore
yang sangat serta dikontrol dengan
yang rumit.
tidak beraturan mineralisasi.
Contoh · Talc · Tungsten skarns · Archean gold
Endapan deposits
· Gypsum (folding/faulting) · Roll-front
(terdeformasi) uranium
· Base metal skarns
(erratic shape)
· Copper porphyry
combined with local
skarns or replacement.
Metode Metode cross- Metode cross- sectional Estimasi sangat
Estimasi sectional dengan dengan inputan rinci sulit. Ukuran, bentuk
mendeskripsikan untuk menggambarkan dan grade tidak bisa
secara detail struktur geologi dan diprediksi Metode
struktur geologi zona bijih. Metode cross- sectional,
geostatistika mungkin area- outliine,
tepat tapi sulit indikator kriging
diimplementasikan berlaku. Kesalahan
dengan geometris secara 50% sampai 100%
kompleks. tidak biasa.
12
dapat terbaca langsung dari histogram. Demikian juga dengan ukuran-ukuran
kualitatif seperti pemusatan data, adanya satu atau lebih modus. Histogram adalah
alat yang sering digunakan dalam perhitungan cadangan untuk menampilkan
informasi-informasi tersebut. Setiap histogram harus dilengkapi dengan informasi
mengenai jumlah data, interval kelas, mean dan standar deviasi.
13
2.3 Metode Estimasi Cadangan
2.3.1 Metode Inverse Distance Weighted (IDW)
Metode Inverse Distance Weighted (IDW) memiliki asumsi setiap titik input
memiliki pengaruh yang bersifat lokal yang berkurang terhadap jarak. Metode IDW
umumnya dipengaruh oleh inverse atau jarak yang diperoleh dari persamaan
matematika. Pada metode interpolasi ini kita dapat menyesuaikan pengaruh dari
titik – titik sampel. Nilai power pada metode Inverse Distance Weighted (IDW) ini
menentukan pengaruh terhadap titik – titik masukan (input) dimana pengruh akan
lebih besar pada titik – titik yang lebih dekat sehingga menghasilkan permukaan
yang lebih detail. Pengaruh akan lebih kecil dengan bertambahnya jarak dimana
permukaan yang dihasilkan kurang detail dan terlihat lebih halus. Jika nilai power
diperbesar berarti nilai keluaran (output) sel menjadi terlokalisasi dan memiliki
nilai rata – rata yang rendah. Penurunan nilai power akan memberikan keluaran
dengan rata – rata yang lebih besar karena akan memberikan pengaruh area yag
lebih luas. Jika nilai power diperkecil, maka dihasilkan permukaan yang lebih
halus. Bobot yang digunakan adalah turunan fungsi jarak antara sampel dan titik
yang akan diinterpolasi (Pasaribu & Haryani, 2012).
Bobot ini tidak dipengaruhi oleh posisi atau letak dari data penaksir dengan
data penaksir yang lain. Faktor penting yang dapat mempengaruhi hasil penaksiran
antara lain adalah actor power dan radius disekitar (neighboring radius) atau
jumlah data penaksir. Actor utama yang mempengaruhi keakuratan hasil penaksiran
adalah nilai parameter power. Nilai parameter power yang umum digunakan
adalah: 1, 2, 3, 4 dan 5 (Purnomo, 2018)
Kelebihan dari metode interpolasi Inverse Distance Weighted (IDW) ini
adalah karakteristik interpolasi dapat dikontrol dengan membatasi titik – titik
masukan yang digunakan pada proses interpolasi. Titik – titik yang terletak jauh
titik sampel dan yang diperkirakan memiliki korelasi spasial yang kecil atau bahkan
tidak memiliki korelasi spasial yang dapat dihapus dari perhitungan. Titik – titik
yang digunakan dapat ditentukan secara langsung, atau ditentukan berdasarkan
jarak yang ingin diinterpolasi.
Kerugian dari metode IDW adalah nilai hasil interpolasi terbatas pada nilai
yang ada pada data sampel. Pengaruh dari data sampel terhadap hasil interpolasi
14
disebut sebagai isotropik. Dengan kata lain, karena metode ini menggunakan rata-
rata dari data sampel sehingga nilainya tidak bisa lebih kecil dari minimum atau
lebih besar dari data sampel. Jadi, puncak bukit atau lembah terdalam tidak dapat
ditampilkan dari hasil interpolasi model ini. 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 (Rafsanjani dkk., 2016)
Metode estimasi ini di awali dengan pembuatan database. Pembuatan
database merupakan suatu hal yang sangat penting dalam kegiatan estimasi
sumberdaya suatu bahan galian, karena database dapat digunakan sebagai input
data untuk mengetahui potensi bahan galian tersebut. Informasi data untuk
penelitian diperoleh dari kegiatan pemboran eksplorasi yang dilakukan. Database
yang digunakan dalam penelitian ini dibagi menjadi empat bagian, yaitu:
a) Data survei yang berisi data posisi/koordinat lubang bor berupa Northing,
Easting, dan elevasi.
b) Data assay yang berisi informasi mengenai kadar pada tiap-tiap interval
kedalaman tertentu sesuai dengan analisis kadar yang dilakukan.
c) Data geologi berisi informasi lithologi pada tiap titik bor.
d) Data collar berisi informasi mengenai total depth, dip, azimuth (Zibuka dkk.,
2016)
Menurut Purnomo, (2018) dalam perhitungan dengan cara dua dimensi
diperlukan data kadar dalam bentuk nilai komposit (nilai rata-rata tertimbang).
Persamaan untuk menghitung kadar komposit adalah sebagai berikut:
∑𝑛
𝑖=1 𝑡1 𝑔1
ğ= ∑𝑛
(5)
𝑖=1 𝑡1
Keterangan :
ğ = Nilai komposit
𝑡1 = Ketebalan (m)
𝑔1 = Kadar sampel interval i
Kemudian dilakukan pemodelan 3 dimensi laterit nikel dilakukan setelah
melakukan proses penentuan metode estimasi dalam hal ini IDW. Dalam penentuan
metode estimasi tersebut didapatkan satu jenis estimasi beserta gridding-nya.
15
Selanjutnya dibuat model 3 dimensi (3D) dengan cara membentuk model blok
dengan ukuran cell yang telah ditentukan yaitu: 5 x 5 x 1 𝑚3 (Rinawan dkk., 2014)
Secara garis besar metode ini adalah suatu cara penaksiran dimana harga rata-
rata titik yang ditaksir merupakan kombinasi linear atau harga rata-rata terbobot
(weighted average) dari data data lubang bor disekitar titik tersebut. Data didekat
titik yang ditaksir memperoleh bobot yang lebih besar, sedangkan data yang jauh
dari titik yang ditaksir bobotnya lebih kecil. Bobot ini berbanding terbalik dengan
jarak data dari titik yang ditaksir. (Rafsanjani dkk., 2016)
Menurut Mustika (2016) fungsi umum pembobotan adalah inverse dari
kuadrat jarak dan persamaan ini digunakan pada metode Inverse Distance Weighted
(IDW) yang dirumuskan dalam formula berikut ini :
𝒁∗ = ∑𝒏𝒊−𝟏 𝑤𝒊 𝑍𝒊 (6)
Keterangan :
𝒁∗ = Kadar yang ditaksir
𝑤𝒊 = Faktor bobot (weighted) dari titik 𝑖
𝑍𝒊 = Kadar dari titik 𝑖
Dimana untuk mencari faktor bobot (weighted) dirumuskan sebagai berikut
:
−𝑝
ℎ𝑖
𝑤𝑖 = ∑𝑛
−𝑝 (7)
𝑖=1 ℎ𝑖
Keterangan :
ℎ𝑖 = Jarak dari titik 𝑖 ke titik yang ingin ditaksir
p = Faktor eksponen (power)
Untuk mencari jarak antara titik 𝑖 ketitik yang ingin ditaksir dapat
menggunakan rumus :
ℎ𝑖 = √(𝑥 − 𝑥𝑖 ) + (𝑦 − 𝑦𝑖 ) (8)
Keterangan :
x,y = Koordinat titik yang ingin ditaksir
𝑥𝑖 , 𝑦𝑖 = Koordinat titik 𝑖
16
Gambar 2. 3 Pengaruh power pada estimasi menggunakan metode inverse
distance power (IDW)
Semakin rendah power maka semakin banyak nilai yang halus ke titik.
dimana menggunakan power yang sangat rendah akan menghasilkan hasil yang
hanya menyimpang sedikit dari rata-rata global data di sisi lain daya yang lebih
tinggi akan menghasilkan hasil yang mendekati interpolasi nnp dengan sampel yang
paling dekat dengan setiap blok yang menyumbang hampir semua bobot (Frank
dkk., 2014)
17
Metode point kriging merupakan bagian dari metode Ordinary Kriging (OK)
yang merupakan salah satu perhitungan geostatistik dalam menghasilkan prediksi
atau kesalahan minimum (variansi kriging) dari tiap-tiap titik data (sampel).
Metode ini menaksirkan suatu titik yang tidak tersampel berdasarkan titik-titik data
tersampel yang berada di sekitarnya dengan mempertimbangkan dari hasil korelasi
spasial. Metode point kriging merupakan metode interpolasi yang menghasilkan
prediksi atau estimasi tak bias yang disebut juga sebagai Best Linear Unbiased
Estimator (BLUE) (Guskarnali, 2016)
18
Gambar 2. 4 Ilustrasi Gambar Garis Regresi Linier
Y = a + bX (9)
Keterangan :
Y = garis regresi / variabel response
a = konstanta (intersep), perpotongan dengan sumbu vertikal
b = konstanta regresi (slope)
X = variabel bebas/ predictor
Menurut Hijriani dkk (2016) besarnya konstanta a dan b dapat ditentukan
menggunakan persamaan :
(∑ 𝑌𝑖 )−𝑏(∑ 𝑥𝑖 )
a= (10)
𝑛
𝑛(∑ 𝑋𝑖 𝑌𝑖 )− (∑ 𝑋𝑖 )(∑ 𝑌𝑖 )
b= 2 (11)
𝑛 ∑ 𝑋𝑖 2 − (∑ 𝑋𝑖 )
keterangan :
n = jumlah data
19
sampel yang diambil dengan nilai hasil penaksiran merupakan nilai kesalahan
(error) dari penaksiran di lokasi tersebut. (Purnomo, 2018)
∑𝑛
𝑖=1(Ŷ𝑖 −𝑌𝑖 )
2
RMSE = √ (12)
𝑛
Keterangan :
Ŷ𝑖 = Hasil estimasi
𝑌𝑖 = Hasil prediksi regresi linear
n = Jumlah data
20
BAB III
METODE STUDI PRAKTIKUM
21
22
23
3.5.1.2 Membuat Database Geology
Data spreedsheet berupa data logging bor yang sudah ada dipisahkan menjadi
empat data yang terdiri atas data collar, survei, assay dan geologi. Hal tersebut
dilakukan untuk membuat suatu basis data (database) logging bor (drillholes)
dengan format basis data yang telah dibuat terlebih dahulu dalam perangkat lunak
Surpac 6.6.2. Data collar berupa data koordinat bor yang memiliki data yang terdiri
atas: nama titik bor, koordinat titik bor (x, y, z), dan kedalaman level akhir titik bor.
Data survei berupa data arah kemiringan bor dan data kedalaman bor, data assay
berupa data beserta kandungan unsur tiap meter dari kedalaman total sebuah
logging bor. Kemudian data geologi yang berisi kedalaman tiap zonasi nikel laterit
yang terdiri dari limonit, saprolit, dan bedrock juga pembagian produk sesuai kadar
tiap meternya.
24
Analisis geostatistik dilakukan untuk melihat kecenderungan dan kontinuitas
ruang (spatial continuity) dimana dua buah data saling berdekatan mempunyai
probabilitas besar memiliki data yang mirip daripada dua buah data yang saling
berjauhan. Analisis geostatistik yang dilakukan berupa variogram modelling
(primary variogram, secondary variogram dan anisotrophy ellipsoid). Analisis
geostatistik yang dilakukan menggunakan data hasil composite pada setiap yang
telah di validasi berdasarkan setiap perubahan kadar Ni dan Fe. Dalam studi ini
hanya dibatasi pada pembuatan variogram eksperimental untuk mengetahui jarak
pencarian efektif data pada saat penaksiran.
25
regresi linear tersebut. Setelah itu digunakan persamaan (5), untuk mencari nilai
prediksi dari variabel dependennya dan persamaan (8) untuk mencari RMSE dari
tiap metode estimasi. Kemudian melihat data yang errornya paling kecil dari
metode IDW, NNP dan OK untuk menjadi data hasil estimasi sumberdaya dan
cadangan.
26
3.6 Diagram Alir Penelitian Studi Praktikum
Adapun diagram alir pada penelitian sebagai berikut:
Mulai
Studi Literatur
Pengumpulan Data
Data Sekunder
1) Data spreed shet logging bor
2) Data topografi lokasi studi
3) Data citra satelit lokasi studi
4) Nilai densitas lokasi studi
5) Nilai COG lokasi studi
Pengolahan Data
1. Pemrosesan Data Topografi
2. Membuat Database Geology
3. Membuat Geological Modelling
4. Membuat Komposite Data berdasarkan Persaman (5)
5. Melakukan Analisis Statistik Dasar dan Analisis Geostatistik
6. Membuatan Blok Model disertai constraint dan attribute-nya
7. Estimasi menggunakan metode Inverse Distance Weight (IDW),
Nearest Neighbour Point (NNP) dan Ordinary Kriging (OK) dengan
bantuan software Surpac 6.6.2
8. Melakukan Cross Validation dan Regresi linier menggunakan
persamaann (9) dan (10)
9. Mencari nilai prediksi dengan persamaan (11) dan mencari RMSE
menggunakan persamaan (12)
27
A
Analisis
Mengestimasi seumberdaya dan cadangan dari logging bor
dengan menggunakan metode Inverse Distance Weight
(IDW), Nearest Neighbour Point (NNP) dan Ordinary
Kriging (OK) dengan bantuan software surpac 6.6.2
kemudian menentukan nilai error dari setiap metode estimasi
Hasil
Bentuk sebaran dan jumlah sumberdaya dan
cadangan metode Inverse Distance Weight (IDW),
Nearest Neighbour Point (NNP) dan Ordinary
Kriging (OK)
Selesai
28
BAB IV
HASIL DAN PEMBAHASAN
Dari data citra satelit daerah sekitar titik bor sebagian wilayah dalam keadaan
virgin dan sebagian wilayah sudah dalam keadaan terbuka. Wilayah dalam keadaan
telah terbuka menunjukan bahwa daerah titik bor terindikasi prospek untuk
dilaksanakan proses penambangan. Maka dari itu perlu dilakukan proses estimasi
sumberdaya dan cadangan.
Topografi adalah data yang menggambarkan tinggi dan rendah suatu
permukaan bumi. Pada pembentukkan nikel laterit topografi sangat berperan
penting dalam proses pelindian atau leaching. Dikarenakan topografi yang landai
sangat baik dalam penyerapan air sehingga pengkayaan nikel laterit sangat baik
pada topografi yang landai. Pemrosesan topografi ini bertujuan untuk membuat
batas atas dari zonasi dan juga menjadi beberapa tolak ukur untuk pembuatan batas
29
zonasi yang lain dimana dalam penentuan batas zona limonit tidak boleh melewati
dari topografi tersebut
30
4.1.1 Pembuatan Database
Data assay adalah data yang menggambarkan atau menampilkan data
kandungan unsur pada sebuah logging bor. Data ini berisikan identitas lubang bor
atau yang biasanya disebut sebagai hole id, identitas sampel atau sample id,
kedalaman awal, kedalaman akhir dan juga kadar – kadar unsur ni dan fe
Tabel 4.1 Data Assay
Data collar adalah data yang menampilkan atau menggambarkan letak dan
kedalaman dari suatu logging bor. Data ini berisikan identitas lubang bor atau hole
id, letak dari logging bor atau koordinat titik bor ( x, y, z atau elevasi) serta
kedalaman dari logging bor tersebut
Tabel 4 2 Data Collar
31
Data survey adalah data yang menampilkan atau menggambarkan arah
pengeboran dari suatu logging bor. Data ini berisikan identitas bor, kedalaman dari
logging bor serta arah pengeboran (dip dan azimuth).
Tabel 4.3 Data Survey
32
Dari hasil analisis struktur, litologi dan morfologi sehingga lokasi studi memiliki
pengkayaan nikel yang sangat baik. Sehingga dengan jarak antar titik bor 25 meter
dapat dikategorikan menjadi cadangan.
33
dilakukan pemodelan dan analisis bentuk geometri sebaran endapan nikel laterit
pada lokasi studi menggunakan software surpac v.6.6.2 sehingga didapatkan total
volume sebesar 446.768 m3 dengan jumlah volume untuk lapisan limonit sebesar
20.747 m3, luas bukaan 45.932m2. Sedangkan jumlah volume untuk lapisan
saprolit (ore) adalah 295.932 m3 luas bukaan 45.932 m2. Model 3D sebaran
endapan nikel laterit pada lokasi studi dapat dilihat pada gambar dibawah ini.
34
Gambar 4. 6 Solid Model Zona Bedrock
35
Analisis statistik yang dilakukan menggunakan data hasil composite setiap zona
yang telah di validasi berdasarkan setiap perubahan kadar Ni dan Fe.
Parameter – parameter statistik yang digunakan dalam praktikum ini adalah:
- Jumlah data
- Nilai maksimum dan minimum
- Rata-rata, median dan modus
- Standar deviasi
- Variansi
- Skewness
36
Dari analisis terhadap 122 data komposit kadar Ni zona Limonit, didapatkan
beberapa parameter statistic dari kadar Ni limonit. Rata-rata kadar Ni limonit adalah
sebesar 1,01% dan median sebesar 0,95%. Sebaran data kadar Ni limonit cenderung
normal namun dengan skewness positif sebesar 0,67. Varians data terhitung sebesar
0,03 dan Koefisien variansi dengan nilai sebesar 0,19. Dari analisis terhadap 122
data komposit kadar Fe zona Limonit, didapatkan beberapa parameter statistic dari
kadar Fe limonit. Rata-rata kadar Fe limonit adalah sebesar 38,18% dan median
sebesar 39,38%. Sebaran data kadar Fe limonit cenderung normal namun dengan
skewness negatif sebesar -4,12. Varians data terhitung sebesar 25,51 dan Koefisien
variansi dengan nilai sebesar 0,13. Hasil analisis statistik dasar terhadap kadar Ni
dan Fe zona limonit dapat dilihat pada tabel berikut.
Tabel 4.5 Hasil Analisis Statistik Dasar Kadar Ni dan Fe Zona Limonit
Variabel Ni Fe
Number of samples 122 122
Minimum value 0.38 5.93
Maximum value 1.72 43.71
Mean 1.01 38.18
Median 0.95 39.38
Geometric Mean 0.98 37.48
Variance 0.03 25.51
Standard Deviation 0.19 5.05
Coefficient of variation 0.19 0.13
Skewness 0.67 -4.12
Kurtosis 4.27 25.21
37
Gambar 4. 10 Histogram Kadar Ni Saprolit
38
Tabel 4.6 Hasil Analisis Statistik Dasar Kadar Ni dan Fe Zona Saprolit
Variabel Ni Fe
Number of samples 483 483
Minimum value 0.29 6.76
Maximum value 2.84 41.9
Mean 1.34 19.70
Median 1.31 18.65
Geometric Mean 1.25 18.42
Variance 0.21 49.03
Standard Deviation 0.46 7.00
Coefficient of variation 0.34 0.35
Skewness 0.35 0.48
Kurtosis 3.04 2.91
39
Gambar 4. 13 Histogram Kadar Fe Bedrock
Dari analisis terhadap 214 data komposit kadar Ni zona bedrock, didapatkan
beberapa parameter statistic dari kadar Ni bedrock. Rata-rata kadar Ni bedrock
adalah sebesar 0,45% dan median sebesar 0,36%. Sebaran data kadar Ni limonit
cenderung normal namun dengan skewness positif sebesar 2,11. Varians data
terhitung sebesar 0,05 dan Koefisien variansi dengan nilai sebesar 0,54. Dari
analisis terhadap 214 data komposit kadar Fe zona bedrock, didapatkan beberapa
parameter statistic dari kadar Fe bedrock. Rata-rata kadar Fe bedrock adalah sebesar
7,74% dan median sebesar 7,020%. Sebaran data kadar Fe bedrock cenderung
normal dengan skewness positif sebesar 3,70. Varians data terhitung sebesar 6,11
dan Koefisien variansi dengan nilai sebesar 0,31. Hasil analisis statistik dasar
terhadap kadar Ni dan Fe zona bedrock dapat dilihat pada tabel berikut.
Tabel 4.7 Hasil Analisis Statistik Dasar Kadar Ni dan Fe Zona Bedrock
Variabel Ni Fe
Number of samples 214 214
Minimum value 0.21 5.85
Maximum value 1.69 23.46
Mean 0.45 7.74
Median 0.36 7.020
Geometric Mean 0.40 7.49
Variance 0.05 6.11
Standard Deviation 0.24 2.47
Coefficient of variation 0.54 0.31
Skewness 2.11 3.70
Kurtosis 8.76 19.58
40
4.3 Analisis Geostatistik
41
Gambar 4. 15 Secondary Variogram map zona limonit
Untuk parameter anisotropy ellipsoid dapat dilihat pada gambar berikut
42
Gambar 4. 17 Semi-Major Axis Zona Limonit
43
Tabel 4.8 Nilai Parameter Hasil Analisis Geostatistik Zona Limonit
44
Gambar 4. 20 Secondary Variogram map zona saprolit
Untuk parameter anisotropy ellipsoid dapat dilihat pada gambar berikut.
45
Gambar 4. 22 Semi-Major Axis Zona Saprolit
46
Tabel 4.9 Nilai Parameter Hasil Analisis Geostatistik Zona Saprolit
47
Gambar 4. 25 Secondary Variogram map zona bedrock
Untuk parameter anisotropy ellipsoid dapat dilihat pada gambar berikut
48
Gambar 4. 27 Semi-Major Axis Zona Saprolit
49
Tabel 4.10 Nilai Parameter Hasil Analisis Geostatistik Zona Bedrock
50
Range Kadar Ni (%)
0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
51
Hasil estimasi untuk zona saprolit dapat dilihat pada gambar berikut.
52
Hasil estimasi untuk zona bedrock dapat dilihat pada gambar berikut.
53
4.4.2 Estimasi Sumberdaya Menggunakan Metode Nearest Neighbor Point
(NNP)
Penaksiran kadar bijih nikel pada setiap zona litologi terhadap blok model yang
dibuat menggunakan metode nearest neighbor point memiliki keberagaman kadar
setelah dilakukan estimasi. Hasil estimasi untuk zona limonit dapat dilihat pada
gambar berikut.
54
Hasil estimasi untuk zona saprolit dapat dilihat pada gambar berikut.
55
Hasil estimasi untuk zona bedrock dapat dilihat pada gambar berikut.
56
4.4.3 Estimasi Sumberdaya Menggunakan Metode Ordinary Kriging (OK)
Penaksiran kadar bijih nikel pada setiap zona litologi terhadap blok model yang
dibuat menggunakan metode ordinary kriging memiliki keberagaman kadar setelah
dilakukan estimasi. Hasil estimasi untuk zona limonit dapat dilihat pada gambar
berikut.
57
Hasil estimasi untuk zona saprolit dapat dilihat pada gambar berikut.
58
Hasil estimasi untuk zona bedrock dapat dilihat pada gambar berikut.
59
Perbandingan hasil estimasi sumberdaya menggunakan metode inverse distance
weight, nearest neighbor point dan ordinary kriging dapat dilihat pada tabel
berikut.
Tabel 4.14 Perbandingan Hasil Estimasi Sumberdaya Metode IDW, NNP & OK
2
Estimasi Ni IDW
1.5
0.5
0
0 0.5 1 1.5 2 2.5
Komposite Ni
y = 0.8127x - 0.038
R² = 0.4002
Data Testing Linear (Data Testing)
60
Dari kurva tersebut dapat diketahui bahwa nilai variabel a untuk metode IDW
adalah 0,038 dan juga nilai variabel b yaitu 0,813 sehingga untuk mencari nilai
prediksi dari variabel terikat dengan menggunakan regresi linier adalah y = 0,813x
+ 0,038
2
1.5
1
0.5
0
0 0.5 1 1.5 2 2.5
Komposite Ni
y = 0.9372x + 0.0662
R² = 0.8155 Data Testing Linear (Data Testing)
2
Estimasi Ni OK
1.5
0.5
0
0 0.5 1 1.5 2 2.5
Komposite Ni
y = 0.7671x + 0.0113
R² = 0.3725
Data Testing Linear (Data Testing)
61
Kemudian pada metode OK nilai variabel a adalah 0,0113 dan b adalah
0,7671, sehingga rumus unuk mencari nilai prediksi dengan regresi linier adalah y
= 0,0113x + 0,77
Selisih dari data testing dengan regresi linier adalah error dari tiap data, dapat
diketahui nilai error tiap estimasi. Nilai regresi linear dan RMSE hasil estimasi
dengan menggunakan Metode IDW, NNP dan OK dapat dilihat pada tael berikut :
Hasil estimasi cadangan dengan cut off grade sebesar 1,2 % Ni dengan metode
Nearest Neighbor Point (NNP)
62
Range Kadar Ni (%)
0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
63
Tabel 4.16 Perbandingan Hasil Estimasi Cadangan Metode IDW, NNP & OK
Hasil Estimasi
Total Total
Metode Litologi Kadar Kadar
Volume Tonase Volume Tonase
Ni (%) Fe (%)
Limonit 3,875.00 6,006.25 1.27 39.17
IDW Saprolit 168,125.00 269,000.00 1.51 21.09 172,000.00 275,006.25
Bedrock - - - -
Limonit 11,425.00 17,708.75 0.65 20.52
NNP Saprolit 180,700.00 289,120.00 1.3 18.09 192,125.00 306,828.75
Bedrock - - - -
Limonit 3,725.00 5,773.75 1.26 39.23
OK Saprolit 172,775.00 276,440.00 1.48 21.06 176,500.00 282,213.75
Bedrock - - - -
Dari tabel di atas dapat dilihat bahwa estimasi dengan menggunakan metode
nearest neighbor point menghasilkan lebiha banyak jumlah cadangan
dibandingakan dengan metode inverse distance weight dan ordinary kriging.
64
BAB V
PENUTUP
5.1 Kesimpulan
Kesimpulan yang dapat diambil dari studi ini adalah bahwa estimasi
dengan menggunakan metode nearest neighbor point menghasilkan lebiha banyak
jumlah cadangan dibandingakan dengan metode inverse distance weight dan
ordinary kriging. Total estimasi cadangan menggunakan metode nearest neighbor
point adalah sebesar 192,125.00 m3 atau sebesar 306,828.75 WMT.
5.2 Saran
Saran yang dapat disampaikan penulis adalah agar dapat dilakukan
perhitungan dengan menggunakan metode yang lain atau membandingkan metode
IDW dengan metode estimasi yang lainnya
65
DAFTAR PUSTAKA
Azis, H., Purnawansyah, P., Fattah, F., & Putri, I. P. (2020). Performa Klasifikasi
K-NN dan Cross Validation Pada Data Pasien Pengidap Penyakit Jantung.
ILKOM Jurnal Ilmiah, 12(2), 81–86. .
https://doi.org/10.33096/ilkom.v12i2.507.81-86
Frank, B., Michael, H., Dean, O., Dmitry, P., Denis, S., & Serik, U. (2014).
Micromine Training Block Modelling (B. Frank (ed.)).
Guskarnali. (2016). metode point kriging untuk estimasi sumberdaya bijih besi (Fe)
menggunakan data Assay (3D) pada daerah Tanjung Buli Kabupaten
Halmahera Timur. Promine Journal, 4 (2)(December), 13–20.
Hasria, Anshari, E., & Rezky, T. B. (2019). Pengaruh Batuan Dasar dan
Geomorfologi Terhadap Laterisasi dan Penyebaran Kadar Ni dan Fe Pada
Endapan Nikel laterit PT . Tambang Bumi Sulawesi , Desa Pongkalaero ,
Kabupaten Bombana , Sulawesi Tenggara. Jurnal Geografi Aplikasi Dan
Teknologi, 3(1), 47–58.
Hernandi, D., Rosana, M. F., & Haryanto, A. D. (2017). Domain Geologi Sebagai
Dasar Pemodelan Estimasi Sumberdaya Nikel Laterit Perbukitan Zahwah,
Sorowako, Kabupaten Luwu Timur, Provinsi Sulawesi Selatan. Bulletin of
Scientific Contribution, 15(2), 111–122. .
https://www.researchgate.net/profile/Mega_Rosana/publication/325168959_
DOMAIN_GEOLOGI_SEBAGAI_DASAR_PEMODELAN_ESTIMASI_S
UMBERDAYA_NIKEL_LATERIT_PERBUKITAN_ZAHWAH_SOROW
AKO_KABUPATEN_LUWU_TIMUR_PROVINSI_SULAWESI_SELAT
AN/links/5afbc1b2458515c00b6e5c2d/DOMAIN
Lintjewas, L., Setiawan, I., & Kausar, A. Al. (2019). Profil Endapan Nikel Laterit
di Daerah Palangga, Provinsi Sulawesi Tenggara. RISET Geologi Dan
Pertambangan, 29(1), 91. .
https://doi.org/10.14203/risetgeotam2019.v29.970
Respatti, E., Goejantoro, R., Wahyuningsih, S., Program, M., Statistika, S.,
Program, S. P., & Unmul, F. (2014). Perbandingan Metode Ordinary Kriging
dan Inverse Distance Weighted untuk Estimasi Elevasi Pada Data Topografi
(Studi Kasus: Topografi Wilayah FMIPA Universitas Mulawarman)
Comparison of Ordinary Kriging and Inverse Distance Weighted Methods for
Estimation. Jurnal EKSPONENSIAL, 5(2), 163–170.
Rinawan, F., Nugroho, H., & Wibawa, R. (2014). Pemodelan Tiga Dimensi (3D)
Potensi Laterit Nikel Studi Kasus: Pulau Pakal, Halmahera Timur, Maluku
Utara. Jurnal Itenas Rekayasa, 18(1), 218860.
Zibuka, M. I., Widodo, S., & Budiman, A. A. (2016). Estimasi Sumberdaya Nikel
Laterit Dengan Membandingkan Metode Nearest Neighbour Point Dan.
Jurnal Geomine, 04(1), 44–49.
49