Laporan Lengkap Metode Perhitungan Cadangan - Nindy Alam - r1d119053-2

ESTIMASI SUMBERDAYA DAN CADANGAN
MENGGUNAKAN METODE INVERSE DISTANCE

WEIGHTED (IDW), NEAREST NEIGHBOUR POINT (NNP)
DAN ORDINARY KRIGING (OK)
LAPORAN LENGKAP
DIAJUKAN UNTUK MEMENUHI SEBAGIAN PERSYARATAN

MELULUSI MATA KULIAH METODE PERHITUNGAN CADANGAN
DIAJUKAN OLEH:
NINDY ALAM
R1D119053
JURUSAN TEKNIK PERTAMBANGAN

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
UNIVERSITAS HALU OLEO
KENDARI
JULI 2022
KATA PENGANTAR
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.
Kendari, Januari 2022
Penulis,
Halaman Persetujuan
Laporan Lengkap Metode Perhitungan Cadangan
Estimasi Sumberdaya Dan Cadangan Menggunakan Metode Inverse

Distance Weighted (IDW), Nearest Neighbour Point (NNP) dan Ordinary
Kriging (OK)
Diajukan Oleh :
Nindy Alam
R1D119053
Telah disetujui oleh :
Asisten l Asisten ll
Hamza La Ode Ibrahim Prima

Elha
R1D118035 R1D118061
Dosen Pengampuh Mata Kuliah
Ir. Erwin Anshari,S.Si.,M.Eng

NIP. 19880628 201504 1 001
DAFTAR ISI
KATA PENGANTAR ii
HALAMAN PERSETUJUAN iii
DAFTAR ISI iv
DAFTAR GAMBAR vii
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 5
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
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 46
4.4 Estimasi Sumberdaya 49
4.4.1 Estimasi Sumberdaya Menggunakan Metode
Inverse Distance Weight (IDW) 49
Nearest Neighbor Point (NNP) 53
Ordinary Kriging (OK) 56
4.5 Penentuan Nilai Eror Dengan Menggunakan RMSE 59
4.6 Estimasi Cadangan 61
BAB V 64
PENUTUP 64
5.1 Kesimpulan 64
5.2 Saran 64
DAFTAR PUSTAKA 65
DAFTAR GAMBAR
Gambar 2. 1 Profil Endapan Nikel Laterit 6

Gambar 2. 2 Klasifikasi Cadangan dan Sumberdaya Mineral 8
Gambar 2. 3 Pengaruh power pada estimasi menggunakan metode
inverse distance power (IDW) 17
Gambar 2. 4 Ilustrasi Gambar Garis Regresi Linier 19
Gambar 3. 1 Peta Lokasi Studi 22

Gambar 3. 2 Diagram Alir Studi 28
Gambar 4. 1 Peta Citra Satelit Lokasi Studi 29
Gambar 4. 2 Peta Topografi lokasi studi 30
Gambar 4. 3 Peta Sebaran Titik Bor Lokasi Studi 33
Gambar 4. 4 Solid Model Zona Limonit 34
Gambar 4. 5 Solid Model Zona Saprolit 34
Gambar 4. 6 Solid Model Zona Bedrock 35
Gambar 4. 7 Solid Model Laterit 35
Gambar 4. 8 Histogram Kadar Ni Limonit 36
Gambar 4. 9 Histogram Kadar Fe Limonit 36
Gambar 4. 10 Histogram Kadar Ni Saprolit 38
Gambar 4. 11 Histogram Kadar Fe Saprolit 38
Gambar 4. 12 Histogram Kadar Ni Bedrock 39
Gambar 4. 13 Histogram Kadar Fe Bedrock 40
Gambar 4. 14 Primary Variogram map zona limonit 41
Gambar 4. 15 Secondary Variogram map zona limonit 42
Gambar 4. 16 Major Axis Zona Limonit 42
Gambar 4. 17 Semi-Major Axis Zona Limonit 43
Gambar 4. 18 Minor Axis Zona Limonit 43
Gambar 4. 19 Primary Variogram map zona saprolit 44
Gambar 4. 20 Secondary Variogram map zona saprolit 45
Gambar 4. 21 Major Axis Zona Saprolit 45
Gambar 4. 22 Semi-Major Axis Zona Saprolit 45
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 47
Gambar 4. 26 Major Axis Zona Bedrock 47
Gambar 4. 27 Semi-Major Axis Zona Saprolit 48
Gambar 4. 28 Minor Axis Zona Saprolit 48
Gambar 4. 29 Sebaran Kadar Ni Pada Zona Limonit Metode IDW 50
Gambar 4. 30 Sebaran Kadar Ni Pada Zona Limonit Metode IDW 50
Gambar 4. 31 Sebaran Kadar Ni Pada Zona Saprolit Metode IDW 51
Gambar 4. 32 Sebaran Kadar Fe Pada Zona Saprolit Metode IDW 51
Gambar 4. 33 Sebaran Kadar Ni Pada Zona Bedrock Metode IDW 52
Gambar 4. 34 Sebaran Kadar Fe Pada Zona Bedrock Metode IDW 52
Gambar 4. 35 Sebaran Kadar Ni Pada Zona Limonit Metode NNP 53
Gambar 4. 36 Sebaran Kadar Fe Pada Zona Limonit Metode NNP 53
Gambar 4. 37 Sebaran Kadar Ni Pada Zona Saprolit Metode NNP 54
Gambar 4. 38 Sebaran Kadar Fe Pada Zona Saprolit Metode NNP 54
Gambar 4. 39 Sebaran Kadar Ni Pada Zona Bedrock Metode NNP 55
Gambar 4. 40 Sebaran Kadar Fe Pada Zona Bedrock Metode NNP 55
Gambar 4. 41 Sebaran Kadar Ni Pada Zona Limonit Metode OK 56
Gambar 4. 42 Sebaran Kadar Fe Pada Zona Limonit Metode OK 56
Gambar 4. 43 Sebaran Kadar Ni Pada Zona Saprolit Metode OK 57
Gambar 4. 44 Sebaran Kadar Fe Pada Zona Saprolit Metode OK 57
Gambar 4. 45 Sebaran Kadar Ni Pada Zona Bedrock Metode OK 58
Gambar 4. 46 Sebaran Kadar Fe Pada Zona Bedrock Metode OK 58
Gambar 4. 47 Kurva Data Testing Estimasi Metode IDW 60
Gambar 4. 48 Kurva Data Testing Estimasi Metode NNP 60
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 62
Gambar 4. 52 Sebaran cadangan Metode OK 63
DAFTAR TABEL
Tabel 2 1 Tabel Dasar Pemilihan Metode Estimasi 11

Tabel 3 1 Instrumen studi yang digunakan dalam praktikum 23
Tabel 4.1 Data Assay 31
Tabel 4 2 Data Collar 31
Tabel 4.3 Data Survey 32
Tabel 4.4 Data Geologi 32
Tabel 4.5 Hasil Analisis Statistik Dasar Kadar Ni dan Fe Zona Limonit 37
Tabel 4.6 Hasil Analisis Statistik Dasar Kadar Ni dan Fe Zona Saprolit 39
Tabel 4.7 Hasil Analisis Statistik Dasar Kadar Ni dan Fe Zona Bedrock 40
Tabel 4.8 Nilai Parameter Hasil Analisis Geostatistik Zona Limonit 44
Tabel 4.9 Nilai Parameter Hasil Analisis Geostatistik Zona Saprolit 46
Tabel 4.10 Nilai Parameter Hasil Analisis Geostatistik Zona Bedrock 49
Tabel 4.11 Hasil Estimasi Sumberdaya Zona Metode IDW 52
Tabel 4.12 Hasil Estimasi Sumberdaya Metode IDW 55
Tabel 4.13 Hasil Estimasi Sumberdaya Metode OK 58
Tabel 4.14 Perbandingan Hasil Estimasi Sumberdaya Metode
IDW, NNP & OK 59
Tabel 4.15 Nilai Koefisien Korelasi dan RMSE Hasil Estimasi 61
Tabel 4.16 Perbandingan Hasil Estimasi Cadangan Metode IDW, NNP & OK 63
BAB I
PENDAHULUAN
1.1 Latar Belakang

Endapan nikel laterit di Sulawesi Tenggara terbentuk akibat dari proses
pelindian pada batuan ultrabasa. Air hujan yang mengandung CO2 dari udara
meresap ke bawah sampai ke permukaan air tanah sambil melindi mineral primer
yang tidak stabil sperti olivin/serpentin, dan piroksen. Air tanah meresap secara
perlahan dari atas ke bawah sampai ke batas antara zona limonit dan zona saprolit,
kemudian mengalir secara lateral dan selanjutnya lebih banyak didominasi oleh
transportasi larutan secara horisontal. Pelindian mengakibatkan unsur-unsur tak
mudah larut (immobile) tetap bertahan di tempatnya, sedangkan unsur yang
mudah larut (mobile) terlapukkan dan terbawa oleh air tanah menuju lapisan
bawahnya.
Untuk mengetahui layak atau tidaknya bijih nikel laterit ditambang, maka
terlebih dahulu dilakukan perhitungan cadangan sebagai bagian dari kegiatan
eksplorasi. Dalam perhitungan cadangan banyak metode yang digunakan, namun
metode apapun yang digunakan dalam perhitungan cadangan harus diperhatikan
beberapa parameter antara lain ; ketebalan, kadar, luas penyebaran, dan berat jenis
dari endapan tersebut.
Studi ini merupakan salah satu kegiatan yang dilakukan untuk mengetahui
potensi cadangan nikel laterit, yaitu dengan melakukan analisis estimasi parameter
dan perhitungan cadangan nikel. Parameter yang ditaksir adalah kadar Ni dan
kadar Fe.
Penaksiran parameter dapat dilakukan dengan beberapa metode, antara lain
nearest point, inverse distance, dan kriging. Dalam studi ini, penaksiran parameter
blok dilakukan dengan menggunakan metode nearest neighborhood point (NNP),
inverse distance weight (IDW) dan ordinary kriging (OK). Setelah hasil taksiran
parameter didapatkan, perhitungan cadangan dilakukan dengan menggunakan
parameter hasil penaksiran tersebut. Kemudian hasil-hasil perhitungan cadangan
tersebut dibandingkan satu sama lain.
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).
1.3 Rumusan Masalah

Berdasarkan tolak ukur dari latar belakang di atas, dapat dirumuskan
masalah yaitu Berapa hasil estimasi sumberdaya dan cadangan menggunakan
software Surpac 6.6.2 dengan menggunakan metode Nearest Neighbourhood
Point (NNP), Inverse Distance Weight (IDW) dan Ordinary Kriging (OK)?
1.4 Tujuan Praktikum

Adapun tujuan dari praktikum ini adalah mampu menghitung estimasi
sumberdaya dan cadangan menggunakan software Surpac 6.6.2 dengan
menggunakan metode Inverse Distance weighted (IDW), ), Nearest Neigbour
Point NNP), dan Ordinary Kriging (OK).
1.5. Manfaat Praktikum

Dengan adanya kegiatan praktikum mata kuliah ini maka dapat membantu
dalam proses untuk memperoleh data estimasi sumberdaya dan cadangan dengan
menggunakan metode Inverse Distance weighted (IDW), Nearest Neigbour Point
NNP), dan Ordinary Kriging (OK) dan dapat dijadikan bahan referensi
praktikum-praktiku yang akan datang agar praktikum dari estimasi cadangan
dapat terus berkembang terutama pada proses estimasi cadangan pada komoditas
nikellaterit.
2
BAB II
TINJAUAN PUSTAKA
2.1 Nikel laterit

Endapan nikel laterit dapat dibagi menjadi dua jenis: nickel ferrous
ferugineous dan nickel silicate (nikel laterit silika). Nikel laterit pertama
memiliki kandungan besi 40% Fe dan Ni ±1%. Dan nikel laterit silika
mempunyai kandungan besi < 35 % Fe, dan Ni mencapai 1,5%, terdapat pada
nikel garnierit, terbentuk di bagian zona saprolit. Endapan nikel laterit silika
merupakan endapan yang terbentuk oleh proses residual silika bijih nikel yang
berasosiasi dengan batuan ultramafik dunit, peridotit, serpentinit-harzburgit pada
lingkungan tropis-subtropis berumur Mesozoikum Kuarter. Keterdapatan nikel di
Indonesia umumnya sebagai endapan nikel laterit silika hasil pelapukan residual
batuan dasar Komplek Ofiolit/Ultramafik, yang terakumulasi pada batuan
peridotit serpentinit dan hazburgit. (Nursahan dkk., 2013)
Pengkayaan nikel pada profil laterit dikontrol oleh beberapa faktor
yakni komposisi batuan dasar, tatanan tektonik, geomorfologi dan topografi,
iklim, air tanah dan unsur organik serta struktur geologi. daerah dengan tingkat
kerapatan kekar tinggi, memiliki kadar nikel laterit tinggi. Pengukuran struktur
kekar di daerah penelitian dimaksudkan untuk menganalisis nilai densitas kekar
kaitannya dengan nilai kadar Ni dan Fe pada endapan nikel laterit di daerah
tersebut. Kadar nikel tertinggi berada di sepanjang zona-zona kekar yang
intensif. Kekar menjadi salah satu media yang cukup penting dalam
mempercepat pelapukan melalui infiltrasi air ke dalam rekahan sehingga air akan
lebih mudah masuk ke dalam tanah dan membantu mempercepat pelapukan
batuan dasar.
Selain itu air yang membawa unsur Ni akan terendapkan pada zona-zona
rekahan dalam bentuk vein. Kadar nikel (Ni) pada lapisan saprolit area dengan
intensitas kekar yang sedang – tinggi memiliki nilai kadar Ni yang tinggi.
Sedangkan area dengan intensitas kekar yang rendah memiliki nilai kadar yang
rendah. (Hasria dkk., 2019)
3
Berdasarkan hasil analisis ketebalan, maka diperoleh bahwa pada daerah
yang curam atau tinggi tingkat persen kelerengannya maka ketebalan lateritnya
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 :
2.1.1 Zona Limonit

Menurut Lintjewas dkk (2019) zona limonit berwarna coklat kekuningan
– coklat kehitaman, berbutir halus sampai dengan kasar, kekerasan lunak sampai
sedang, dijumpai adanya mineralisasi, dengan tingkat elastisitas yang lebih tinggi
dibandingkan dengan Zona lainnya. Pada zona limonit sering dijumpai adanya
fragmen batuan asal dengan mineral utama berupa mineral gutit, mineral
lempung magnetit, kromit, dan hematite. Pada sub zona yellow limonite atau
incremental limonit - saprolit porositas perlapisan buruk-sedang, sedangkan
densitas material relatif tinggi. Sementara pada bagian bawah sub zona yellow
limonite atau incremental limonit-Saprolit disebut sebagai sub zona intermediate
(zona transisi) atau dikatakan sebagai limonite ore zone. Pada bagian sub zona
ini kandungan kadar besi relatif tinggi di bagian atas sedangkan pada bagian
bawah relatif lebih rendah. Umumnya alumina ditandai dengan adanya mineral
lempung (soft smecite clays dan silika). Sementara Cr hadir dalam kadar yang
relatif tinggi namun bisa juga kandungannya relatif sedikit. Sementara unsur Mn
dan Co terlarut diendapkan pada zona limonit bagian bawah (transition zone).
Sedangkan kandungan SiO2 dan MgO kadar rendah terbentuk. Porositas
perlapisan pada sub zona intermediate (zona transisi) atau dikatakan sebagai
limonite ore zone. Sisa tekstur batuan masih dapat teramati yang menunjukkan
proses pelapukan.
4
2.1.2 Zona Saprolit
Zona ini berada di atas batuan dasar (bedrock), umumnya boulder
sebagian atau seluruhnya telah mengalami pelapukan, dimana proses pelapukan
tersebut 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 Fe3 +¿¿, 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.
2.1.3 Zona Batuan dasar (Bedrock)

Zona batuan dasar atau bedrock berada pada bagian bawah profil,
merupakan batuan batuan ultramafik yang belum mengalami proses pelapukan.
Komposisi kimia batuan memiliki kemiripan terhadap komposisi kimia bedrock
yang tidak teralterasikan. Terdapat struktur joints dan fracture terjadi seiring
5
terjadinya tekanan hydrostatic pada batuan. Sementara sirkulasi air permukaan
meresep melalui joints dan fracture.
Gambar 2. 1 Profil Endapan Nikel Laterit (Hernandi dkk., 2017)
2.2 Sumberdaya dan Cadangan

2.2.1 Klasifikasi Sumberdaya dan Cadangan
Sumberdaya mineral adalah suatau konsentrasi atau keterdapatan dari
material yang memilki nilai ekonomi pada atau di atas kerak bumi, dengan
bentuk kualitas, kuantitas tertentu yang memiliki keprospekan yang beralasan
yang akhirnya dapat diekstraksi secara ekonomis. Lokasi, kualitas, kadar,
karakteristik geologi dan kemenerusan dari sumberdaya mineral harus diketahui
diestimasi dan diintepretasikan berdasarkan bukti – bukti dan pengetahuan
geologi yang spesifik. Sumberdaya mineral dikelompokkan lagi berdasarkan
tingkat keyakinan geologinya dalam kategori Tereka, Terunjuk dan Terukur
KCMI (2011) Sumberdaya terbagi menjadi 4 yaitu :
a. Sumberdaya Mineral Hipotetik (Hypothetical Mineral Resource) adalah
sumberdaya mineral yang kuantitas dan kualitasnya diperoleh berdasarkan
perkiraan pada tahap Survey Tinjau.
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
1. Tingkat keyakinan geologi, ditentukan oleh 3 tahap eksplorasi, yaitu:
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)
Gambar 2. 2 Klasifikasi Cadangan dan Sumberdaya Mineral
8
Menurut Herlina (2011), keterdapatan sumberdaya mineral adalah suatu
indikasi pemineralan yang dinilai untuk dieksplorasi lebih jauh. Istilah
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.
2.2.2 Analisis statistik dasar

Analisis statistik dasar dan evaluasi distribusi kadar merupakan tahap
analisis pertama yang dilakukan untuk mendapatkan laporan sebaran data,
dimana analisis yang dilakukan berupa menghitung nilai kadar rata-rata, varians,
standar deviasi serta nilai coeffisient of variance dan mempresentasikan
distribusi sebaran dari kadar nikel.
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 =
n
(1)
Keterangan:
X̄ = Rata-Rata
n = Jumlah Sampel
9
b. Ukuran variasi (Dispersi) yang menyatakan variasi suatu data terhadap
rata- rata atau data lainya yang diperoleh dengan persamaan:
∑ xi−x̄
S 2=
n−1
(2)
Keterangan:
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=√ S 2 (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
Pemilihan metode estmasi berdasarkan geometri endapan dan nilai

coefficient of variance (Selection of destination method based on deposit
geometry and variability) SME Mining Engineering Handbook dapat dilihat
pada tabel dibawah berikut:
10
Tabel 2 1 Tabel Dasar Pemilihan Metode Estimasi
CV Rendah CV Sedang CV Tinggi

(COV < 0,25) (COV 0,25-0,75) (CV ˃ 0,75)
Geometri Sederhana
Deskrips Kadar dan Tabular, ukuran bijih Tabular, bijih kecil.
i ketebalan yang besar. Kadar tersebar Highly variable
Endapan menerus. Dip sedang grade.
stabil atau
konstan
Contoh · Gamping · Stratiform copper · Emas veins
Endapan · Batubara · Mississippi valley · Emas placers
lead
· Sedimentary · Simple porphyry · New Mexico
iron copper, molybdenum. uranium
· Intan alluvial
Metode Menggunakan Memakai metode Memakai metode
Estimasi metode 2d : inverse distance Inverse distance
polygon, isoline. weighting. Memakai weighting. Metode
Polygon or cross- Polygon dengan
sectional dengan 15%-35% dilusi.
mempertimbangkan 5%
to 15 % dilusi
Geometri Sedang
Deskrips Sederhana, Geometri sederhana 3- Geometri sederhana
i kadar seragam D.Kelas variabel sedang 3-D 2-D dengan ore
Endapan tapi yang lebih sedikit
ketebalannya dan tidak menentu,
tidak menentu, lipatan sederhana,
lipatan dan patahan.
patahan yang
sederhana
Contoh · Bauxite · Porphyry copper · Stockwork and
Endapan (variable carling-type gold
thickness)
· Nikel laterit · Porphyry · Volcanogenic
(variable molybdenum base metals.
thickness)
· Salt dome · Nikel Laterit (variable
11
thickness)
Metode Menggunakan · Metode IDW atau Inverse distance
Estimasi metode 2-D. kriging dengan weighting atau
tetapi Harus pengontrol yang kriging
mendefinisikan mendefinisikan bentuk
struktur geologi dan arah sebaran kadar.
(patahan dan Metode polygonal dan
lipatan ) cross-sectional dapat
variabilitas digunakan namun
ketebalan yang memerlukan koreksi
mungkin sulit di koreksi volume dan
prediksi dilusi
Geometri Rumit
Deskrips Endapan yang Endapan yang memiliki
Endapan dengan
i memiliki lipatan lipatan dan patahan yang
varians tinggi,
Endapan 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 sulit.
Estimasi sectional dengan dengan inputan rinci Ukuran, bentuk dan
mendeskripsikan untuk menggambarkan 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.
Pernyataan deskripsi unvarian yang umum digunakan adalah tabel

frekuensi dan histogram. Tabel frekuensi merupakan suatu pernyataan distribusi
suatu data kedalam beberapa kelas dan kemudian menentukan banyaknya data
yang termasuk dalam suatu kelas (frekuensi). Hasil dari frekuensi tersebut dapat
digambarkan dalam suatu histogram.
12
Histogram adalah grafik yang menampilkan frekuensi variabel dalam
interval nilai tertentu (biasanya interval seragam). Histogram merupakan
metode yang sederhana dan efektif untuk menampilkan beberapa atribut dari
nilai-nilai kadar. Bentuk-bentuk distribusi (skewness negatif, simetris atau
skewness positif) 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.
2.2.3 Estimasi sumberdaya dan cadangan

Estimasi sumberdaya adalah estimasi potensi dari endapan mineral bijih
yang terletak di permukan bumi untuk mengetahui apakah endapan tersebut
layak untuk dilanjutkan keproses penambangan selanjutnya yaitu perhitungan
cadangan. Estimasi sumberdaya adalah estimasi dari bijih endapan mineral yang
mana bagian dari perhitungan cadangan yang merupakan hal yang paling vital
sebelum dilanjutkan ketahap selanjutnya yaitu perhitungan cadangan yang mana
akan dievaluasi apakah endapan mineral tersebut layak untuk dilanjutkan
ketahap eksplorasi selanjutnya (Rafsanjani, dkk., 2016).
Penaksiran perlu dilakukan untuk menentukan nilai data pada titik-titik
lokasi (grid) yang belum memiliki nilai, dengan menggunakan distribusi
nilai pada titik-titik data disekitarnya, melalui suatu pembobotan. Pembobotan
ini pada umumnya didasarkan pada:
a. Jarak antara grid yang akan ditaksir dengan grid penaksir
b. Kecenderungan penyebaran data
c. Posisi antara grid yang ditaksir dengan grid penaksir dalam ruang.
Dalam estimasi sumberdaya bahan galian biasanya mempertimbangkan
beberapa parameter dan faktor sehingga bahan galian sudah dianggap bijih
untuk logam, kadar/kualitas ekonomis untuk bahan galian selain logam atau
bahan galian yang sudah dianggap berharga. Selain itu persoalan yang dihadapi
dalam estimasi sumberdaya antara lain cara perhitungan berbeda tergantung
13
pada pola (pattern) test pit/ lubang bor, variasi sebaran, kadar/kualitas, dan luas
daerah yang dinyatakan cadangan.
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
14
– 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
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
∑ t1 g1
i=1
ğ= n (5)
∑ t1
i =1
Keterangan :
15
ğ = Nilai komposit
t 1= 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. 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 :
n
Z =∑ wi Z i
¿
(6)
i−1
Keterangan :
¿
Z = Kadar yang ditaksir
w i= Faktor bobot (weighted) dari titik i
Zi = Kadar dari titik i
Dimana untuk mencari faktor bobot (weighted) dirumuskan sebagai
berikut :
h−i p
w i= n
(7)
∑ h−p
i
i=1
Keterangan :
hi = Jarak dari titik i ke titik yang ingin ditaksir
p = Faktor eksponen (power)
16
Untuk mencari jarak antara titik i ketitik yang ingin ditaksir dapat
menggunakan rumus :
hi = √ ( x−x i ) +( y − y i) (8)
Keterangan :
x,y = Koordinat titik yang ingin ditaksir
x i, y i = Koordinat titik i
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)
2.3.2 Metode Ordinary Kriging dan Point Kriging

Kriging adalah suatu metode geostatistik yang digunakan untuk menaksir
besarnya nilai karakteristik pada titik lokasi yang tidak tersampel berdasarkan data
titik yang tersampel di sekitarnya, dengan mempertimbangkan korelasi spasial
yang ada dalam data tersebut.Penggunaan metode kriging dilakukan dalam dua
tahap yaitu tahap pertama menghitung nilai variogram atau semivariogram dan
fungsi covarian.Tahap kedua melakukan penaksiran lokasi yang tidak tersampel.
17
Ordinary kriging adalah metode kriging paling sederhana yang terdapat
pada geostatistik. Pada metode ini diasumsikan bahwa rata-rata (mean) tidak
diketahui dan bernilai konstan. Pada metode ordinary kriging, nilai-nilai sampel
yang diketahui dijadikan kombinasi linier untuk menaksir titik-titik di sekitar
daerah (lokasi) sampel. Dengan kata lain, untuk menaksir sembarang titik yang
tidak tersampel dapat menggunakan kombinasi linier dari peubah acak dan nilai
bobot kriging masing-masing (Faisal, 2013)
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)
2.3.3 Metode Nearest Neighbor Point (NNP)

Alogaritma yang digunakan pada interpolasi ini bekerja dengan mencari
titik – titik yang berdekatan dengan titik sampel dan mengaplikasikan bobot
(weight) pada titik – titik tersebut. Metode ini dikenal juga sebagai interpolasi
Sibson atau Area Stealing. Sifat dasar dari interpolasi ini adalah lokal, dimana
hanya menggunakan sampel yang berada disetiap titik yang ingin diinterpolasi,
dan hasil yang diperoleh akan mirip dengan ketinggian titik sampel yang
digunakan sebagai masukan proses interpolasi
Setiap titik dalam metode nearest neighbor point adalah titik – titik yang
dihubungkan dengan diagram voronoi (Thiessen Poligon). Proses pertama yang
terjadi adalah membangun poligon untuk semua titik – titik masukkan yang
digunakan dalam interpolasi. Berikutnya thiessen poligon yang baru akan dibuat
dari sekitar titik – titik interpolasi. Metode interpolasi nearest neighbor point
mirip dengan metode inverse distance weighted dalam menentukan pembobotan
(weight) untuk data dengan nilai yang berbeda – beda.(Pasaribu & Haryani, 2012)
18
2.4 Regresi Linier Sederhana
Menurut Yuliara I Made (2016) Persamaan regresi linier sederhana
merupakan suatu model persamaan yang menggambarkan hubungan satu variabel
bebas/ predictor (X) dengan satu variabel tak bebas/ response (Y), yang biasanya
digambarkan dengan garis lurus
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 :
a = ¿¿ (10)
b = n¿¿ (11)
keterangan :
n = jumlah data
2.5 Cross Validation

Cross validation atau dapat disebut estimasi rotasi adalah sebuah teknik
validasi model untuk menilai bagaimana hasil statistik analisis akan
menggeneralisasi kumpulan data independen. Teknik ini utamanya digunakan
untuk melakukan prediksi model dan memperkirakan seberapa akurat sebuah
model prediktif ketika dijalankan dalam praktiknya (Azis dkk., 2020)
19
Proses perhitungan cross validation dilakukan dengan cara pengambilan
satu data sampel dari suatu set data secara bergantian untuk tidak diikutsertakan
dalam proses interpolasi. Selanjutnya nilai sampel yang dipindahkan tadi
dibandingkan dengan hasil penaksiran yang dihasilkan dari proses interpolasi
pada titik tersebut dengan menggunakan seluruh sisa data yang tidak diambil.
Selisih antara nilai data sampel yang diambil dengan nilai hasil penaksiran
merupakan nilai kesalahan (error) dari penaksiran di lokasi tersebut. (Purnomo,
2018)
2.6 Root Mean Square Error (RMSE)

Root mean square error (RMSE) ini digunakan untuk membandingkan
akurasi antara dua atau lebih model dalam analisis spasial. Semakin kecil nilai
RMSE suatu model menandakan semakin akurat model tersebut.(Rodhita, 2012).
Menurut (Respatti dkk., 2014)root mean square error (RMSE) dirumuskan
sebagai berikut :
√
n
RMSE = ∑ (Ŷ i−Y i )2
i=1
n
(12)
Keterangan :
Ŷ i = Hasil estimasi
Y i = Hasil prediksi regresi linear
n = Jumlah data
20
BAB III
METODE STUDI PRAKTIKUM
3.1 Waktu dan Lokasi Studi Praktikum

Praktikum ini telah dilakukan dalam kurun waktu ± 2 minggu. Lokasi
praktikum berada di Fakultas Ilmu dan Teknologi Kebumian. Sedangkan lokasi
studi berada di Kabupaten Konawe Utara, yang secara administratif terletak di
Kecamatan Lasolo Kabupaten Konawe Utara Provinsi Sulawesi Tenggara.
3.2 Jenis Studi Praktikum

Pada tahap ini jenis data yang digunakan adalah praktikum secara kuantitatif
karena praktikum akan berfokus pada aspek pengukuran terhadap objek. Jenis
praktikum kuantitatif merupakan investigasi sistematis mengenai sebuah
fenomena dengan mengumpulkan data yang dapat diukur menggunakan teknik
statistik, matematika, atau komputasi.
Tujuan dari praktikum ini adalah untuk mengembangkan dan menggunakan
model-model matematis, teori-teori dan hipotesis yang berkaitan dengan
fenomena alam.
3.3 Bahan atau Materi Studi Praktikum

Studi praktikum ini hanya menggunakan data sekunder. Data sekunder
adalah data yang sudah ada, baik yang bersumber dari studi literatur , hasil
studi sebelumnya ataupun instansi yang memberikan penjelasan atau gambaran
umum mengenai lokasi studi dan informasi-informasi yang terkait dengan
permasalahan dalam studi ini, data-data sekunder antara lain :
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
21
22
Gambar 3. 1 Peta Lokasi Studi

3.4 Instrumen Studi Praktikum
Adapun instrumen praktikum yang akan dipergunakan dalam praktikum dapat
dilihat pada tabel 3.1 berikut:
Tabel 3 1 Instrumen studi yang digunakan dalam praktikum
Nama
No. Jumlah Kegunaan
Alat/instrument
Sebagai tempat untuk
1 Laptop 1 buah
mengolah data
Software Microsoft Sebagai alat untuk membuat
2 1 unit
Office 2016 dan mengolah database
Sebagai alat mengestimasi
Software Surpac
3 1 unit sumberdaya dan cadangan dari
6.6.2
data yang ada
Software ArcGIS
4 1 unit Sebagai alat pembuatan peta
10.4
Software Global Sebagai alat untuk mengolah
5 1 unit
Mapper 2018 data topografi
Software SASPlanet Sebagai alat untuk mengolah
6 1 unit
2022 data citra satelit
3.5 Prosedur Studi Praktikum

3.5.1 Pengolahan data
Pada Tahap ini dilakukan pengolahan data terhadap data yang telah
dikumpulkan. Tahapan proses ini mencakup :
3.5.1.1 Pemrosesan Data Topografi

Pada kegiatan ini dilakukan proses pembuatan DTM (Digital Terrain
Model) topografi lokasi studi dengan menggunakan perangkat lunak Global
Mapper 2018 dengan membuat countur terlebih dahulu, dari data yang ada yang
berupa data Digital Elevation Model Nasional (DEMNAS).
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.
3.5.1.3 Membuat Geological Modelling

Pemodelan geologi endapan nikel laterit dilakukan berdasarkan hasil
validasi pada geology database yang terbagi menjadi tiga zona/ layer yaitu zona
limonit, zona saprolit dan batuan dasar (bedrock). Dari hasil validasi dilakukan
pemodelan dan analisis bentuk geometri sebaran endapan nikel laterit.
3.5.1.4 Membuat Komposite Data

Database yang telah diproses selanjutnya akan membuat komposite database
per 1 meter sesuai pada persamaan (1) untuk mengindari adanya interval yang
loss atau pembacaan kadarnya tidak sampai 1 meter. Sehingga nanti akan
mempermudah pembacaan kadar pada blok model dalam mengestimasi
menggunakan perangkat lunak surpac 6.6.2
3.5.1.5 Melakukan Analisis Statistik Dasar dan Analisis Geostatistik

Analisis statistik dasar dilakukan untuk melihat sebaran data pada
masing- masing domain, analisa yang dilakukan berupa sebaran distribusi kadar,
nilai kadar rata-rata, varians, standar deviasi, dan coefficient of variance pada
tiap-tiap domain atau litologi. Analisis statistik yang dilakukan menggunakan
data hasil composite pada setiap yang telah di validasi berdasarkan setiap
perubahan kadar Ni dan Fe.
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.
3.5.1.6 Membuat Blok Model

Membuat model 3 dimensi (3D) dengan cara membentuk model blok
dengan ukuran cell yang telah ditentukan yaitu 5m x 5m x 1m. Selanjutnya
pembuatan constraint dan atribut block model berupa data density dan data
litologi untuk tiap litologi yaitu limonit, saprolite dan bedrock. Hal ini agar
memudahkan perhitungan daerah pengaruh atau estimasi dengan menggunakan
menggunakan metode IDW, NNP dan OK.
3.5.1.7 Estimasi Menggunakan Metode IDW, NNP dan OK

Melakukan estimasi sumberdaya dan cadangan dengan menggunakan
metode Inverse Distance Weight (IDW), Nearest Neighbour Point (NNP) dan
Ordinary Kriging (OK) menggunakan perangkat lunak Surpac 6.6.2. Setelah
dilakukan estimasi sumberdaya, dilakukan pengelompokkan sesuai COG (Cut Of
Grade) agar dapat diketahui bentukan penyebaran nikel laterit dan juga dapat
dihitung jumlah cadangannya.
3.5.1.8 Menghitung Nilai Prediksi Menggunakan cross validasi, regresi

Linear dan Uji Error Menggunakan RMSE
Menentukan data testing pada kelompok data komposite kadar ni dan hasil
estimasi kadar ni menggunakan metode IDW, NNP dan OK yang memiliki
koordinat yang sama. Kemudian melakukan hitungan regresi linear pada tiap data
tersebut untuk mencari nilai prediksi dimana nilai komposite ni menjadi variabel
independen dan kadar dari tiap metode estimasi menjadi variabel dependennya.
Setelah itu Menggunakan persamaan (6) dan (7) untuk mencari nilai konstanta
25
dari 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.
3.5.2 Analisis data

Dari hasil pengolahan data, maka analisa data yang dilakukan adalah
penentuan perubahan sumberdaya menjadi cadangan. Lalu estimasi sumberdaya
dan cadangan nikel laterit dengan menggunakan metode Inverse Distance Weight
(IDW), Nearest Neighbour Point (NNP) dan Ordinary Kriging (OK)
menggunakan perangkat lunak Surpac 6.6.2. Kemudian dilakukan
pengelompokkan berdasarkan nilai COG sehingga terbentuk penyebaran nikel
laterit dan juga jumlah cadangannya. Kemudian hasil estimasi dari tiap metode
dianalisis menurut nilai errornya lalu memilih estimasi yang memiliki nilai error
paling kecil untuk menjadi data penyebaran dan jumlah cadangannya.
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
Gambar 3. 2 Diagram Alir Studi
28
BAB IV
HASIL DAN PEMBAHASAN
Daerah lokasi studi terdapat di kecamatan Lasolo Kabupaten Konawe Utara

Provinsi Sulawesi Tenggara. Dengan luasan blok sekitar 4,5 hektar. Letak lokasi
studi pada citra satelit dapat dilihat pada gambar berikut :
Gambar 4. 1 Peta Citra Satelit Lokasi Studi
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
29
batas zonasi yang lain dimana dalam penentuan batas zona limonit tidak boleh
melewati dari topografi tersebut
Gambar 4. 2 Peta Topografi lokasi studi
4.1 Database dan Logging Bor

Dalam kegiatan estimasi sumberdaya dan cadangan, database adalah dasar
dari perhitungan atau estimasi sumberdaya dan cadangan. Database berasal dari
data logging bor yang merupakan data yang diambil pada saat kegiatan eskplorasi.
Data logging bor menampilkan koordinat, kedalaman, zonasi, kadar permeter,
identitas lubang bor dan juga elevasi. Dari data – data yang terdapat pada data
logging bor akan dipisahkan menjadi empat data yang nantinya menjadi database
dan menjadi dasar mengestimasi cadangan. Empat data tersebut adalah data assay,
data collar, data survei dan juga data geologi. Data – data tersebut dikelompokkan
dan disesuaikan berdasarkan pembacaan format database pada software surpac
6.6.2 sebagai alat untuk mengestimasi cadangan dengan menggunakan metode
Inverse Distance Weighted (IDW), Nearest Neighbour Point (NNP) dan Ordinary
Kriging (OK).
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
Samp_i
ID_Hole d From (M) To (M) Ni Fe
TBC301E 0 1 1,17 36,35
TBC301E 1 2 1,23 27,97
TBC301E 2 3 0,71 11,68
TBC301E 3 3,6 0,32 6,56
TBC301E 3,6 4 0,88 11,48
... ... ... ... ... ...
TBC390E 7 8 0,65 7,54
TBC390E 8 9 0,39 7,18
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
Northing Easting Elevatio Depth Hole_pat

ID_Hole
(UTM) (UTM) n (UTM) (M) h
TBC301E 9627318 417585,2 52,527 22,5 LINEAR
TBC301E 9627320 417635 56,791 8 LINEAR
TBC301E 9627319 417684,2 55,767 13 LINEAR
TBC301E 9627319 417735 61,774 9 LINEAR
... ... ... ... ... ...
TBC389E 9627322 417658,7 55,981 26 LINEAR
TBC390E 9627399 417709,6 58,274 9 LINEAR
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
ID_Hole Depth (M) Dip Azimuth

TBC301E 22,5 -90 0
TBC302E 8 -90 0
TBC303E 13 -90 0
TBC304E 9 -90 0
... ... ... ...
TBC389E 26 -90 0
TBC390E 9 -90 0
Data geologi adalah data yang menampilkan atau menggambarkan zonasi

nikel laterit dari logging bor. Data ini berisikan identitas lubang bor, identitas
sampel, kedalaman awal, kedalaman akhir serta zonasi nikel laterit yang berupa
limonit, saprolit, dan bedrock.
Tabel 4.4 Data Geologi
ID_Hole samp_id From (M) To (M) Lithology

TBC301E 0 1 LIM
TBC301E 1 2 SAP
TBC301E 2 3 SAP
TBC301E 3 3,6 SAP
TBC301E 3,6 4 SAP
... ... ... ... ...
TBC390E 7 8 BRK
TBC390E 8 9 BRK
Setelah dikelompokkan, empat data tersebut yang menjadi database untuk

estimasi cadangan menggunakan software surpac 6.6.2 pada lokasi studi dengan
32
Logging bor sebanyak 73 titik dengan jarak antar titik bor kurang lebih 25 meter.
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.
Gambar 4. 3 Peta Sebaran Titik Bor Lokasi Studi

4.1.2 Geological Modeling
Bentuk sebaran endapan nikel laterit merupakan hasil pelapukan dari batuan
beku ultrabasa, kemudian mengalami proses laterisasi dengan perlapisannya
terdiri dari lapisan limonit dan lapisan saprolit. Bentuk dari perlapisan endapan
nikel laterit umumnya mengikuti bentuk dari keadaan morfologi pada lokasi
studi yaitu memiliki geomorfologi bukit bergelombang. Dalam melakukan
pemodelan bentuk geometri sebaran endapan nikel laterit. Langkah pertama
yang dilakukan adalah verifikasi data pada geology database lokasi studi
dengan menggunakan bantuan software surpac v.6.6.2. Dari hasil verifikasi data
tersebut didapatkan jumlah titik bor yang berhasil terverifikasi adalah 73
titik bor.
33
Pemodelan seabaran endapan nikel laterit dilakukan berdasarkan hasil
validasi pada geology database yang terbagi menjadi tiga zona/ layer yaitu zona
limonit, zona saprolit dan batuan dasar (bedrock). Dari hasil validasi tersebut
maka 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.
Gambar 4. 4 Solid Model Zona Limonit
Gambar 4. 5 Solid Model Zona Saprolit
34
Gambar 4. 6 Solid Model Zona Bedrock
Gambar 4. 7 Solid Model Laterit
4.2 Analisis Statistik Dasar

Analisis statistik dalam praktikum ini hanya dilakukan pada saprolit dan
limonit dari profil nikel laterit. Hal ini dikarenakan praktikum ini bertujuan untuk
mengetahui sumberdaya nikel yang ada, dimana limonit saprolit dan bedrock
memiliki kandungan nikel yang berpotensi untuk dieksploitasi. Mengingat
karakteristik yang berbeda dari ketiganya, maka analisis statisti terhadap
keduanya kemudian dibagi lagi menjadi dua, yaitu analisis terhadap kadar Ni dan
kadar Fe. Hal ini dikarenakan kedua parameter inilah yang nantinya digunakan
untuk keperluan penaksiran dan perhitungan sumberdaya dan cadangan nikel
35
laterit. 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
4.2.1 Analisis Statistik Dasar Zona Limonit

Dari data komposit kadar Ni dan Fe Limonit yang ada, dibuat histogram kadar
Ni dan Fe Limonit yang dapat di lihat pada gambar dibawah ini.
Gambar 4. 8 Histogram Kadar Ni Limonit
Gambar 4. 9 Histogram Kadar Fe Limonit
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 0.19 0.13
variation
Skewness 0.67 -4.12
Kurtosis 4.27 25.21
4.2.2 Analisis Statistik Dasar Zona Saprolit

Dari data komposit kadar Ni dan Fe Limonit yang ada, dibuat histogram kadar
Ni dan Fe Limonit yang dapat di lihat pada gambar dibawah ini.
37
Gambar 4. 10 Histogram Kadar Ni Saprolit
Gambar 4. 11 Histogram Kadar Fe Saprolit

Dari analisis terhadap 483 data komposit kadar Ni zona Saprolit,
didapatkan beberapa parameter statistic dari kadar Ni saprolit. Rata-rata kadar Ni
saprolit adalah sebesar 1,34% dan median sebesar 1,31%. Sebaran data kadar Ni
saprolit cenderung normal namun dengan skewness positif sebesar 0,35. Varians
analisis terhadap 483 data komposit kadar Fe zona Saprolit, didapatkan beberapa
parameter statistic dari kadar Fe saprolit. Rata-rata kadar Fe saprolit adalah
sebesar 19,70% dan median sebesar 18,65%. Sebaran data kadar Fe saprolit
cenderung normal dengan skewness positif sebesar 0,48. Varians data terhitung
statistik dasar terhadap kadar Ni dan Fe zona saprolit dapat dilihat pada tabel
berikut.
38
Tabel 4.6 Hasil Analisis Statistik Dasar Kadar Ni dan Fe Zona Saprolit
Variabel Ni Fe
Mean 1.34 19.70
Median 1.31 18.65
Variance 0.21 49.03
Coefficient of variation 0.34 0.35
Skewness 0.35 0.48
Kurtosis 3.04 2.91
4.2.3 Analisis Statistik Dasar Zona Bedrock

Dari data komposit kadar Ni dan Fe Bedrock yang ada, dibuat histogram kadar
Ni dan Fe Bedrock yang dapat di lihat pada gambar dibawah ini.
Gambar 4. 12 Histogram Kadar Ni Bedrock
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
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
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
Mean 0.45 7.74
Median 0.36 7.020
Variance 0.05 6.11
Coefficient of variation 0.54 0.31
Skewness 2.11 3.70
40
Kurtosis 8.76 19.58
4.3 Analisis Geostatistik
Hasil analisis statistik sebelumnya yang dilakukan terhadap kadar Ni untuk

setiap zona tidak memperhatikan posisi sebaran data tersebut. Untuk dapat
mengetahui pola penyebaran kadar Ni untuk masing-masing zona dapat digunakan
analisis geostatitik dengan bantuan perangkat lunak Surpac 6.6.2 untuk
mendapatkan jarak pengaruh/rangr dari kadar Ni untuk setiap Zona. Pada studi
ini, analisis geostatistik dilakukan variogram eksperimental berupa primary
variogram map, secondary variogram map dan anisotrophy ellipsoid untuk
mendapatkan parameter efektif pada saat penaksiran parameter blok model yang
akan digunakan untuk melakukan perhitungan sumberdaya.
Sama halnya dengan analisis statistic, analisis geostatistik juga dilakukan

secara terpisah untuk setiap zona litologi. Selain itu, analisis geostatistik terhadap
setiap zona litologi hanya untuk kadar Ni yang bersumber dari data komposit
kadar.
4.2.3 Analisis Geostatistik Zona Limonit

Dari data kadar Ni limonit yang ada, dibuat suatu variogram eksperimental
yang hasilnya dapat dilihat pada gambar berikut.
Gambar 4. 14 Primary Variogram map zona limonit
41
Gambar 4. 15 Secondary Variogram map zona limonit
Untuk parameter anisotropy ellipsoid dapat dilihat pada gambar berikut
Gambar 4. 16 Major Axis Zona Limonit
42
Gambar 4. 17 Semi-Major Axis Zona Limonit
Gambar 4. 18 Minor Axis Zona Limonit

Dari hasil fitting yang dilakukan terhadap eksperimental variogram diatas
didapatkan nilai jarak pengaruh/range dari kada Ni limonit adalah sebesar 30,6 m,
dengan nugget 0,20 dan sill 0,8.
Analisis geostatistik dilakukan untuk menentukan faktor anisotrophy
ellipsoid serta mencari nilai parameter lainnya dalam melakukan estimasi, karena
ketika mengestimasi blok model, nilai dan arah anisotropi ini memiliki pengaruh
yang besar untuk hasil estimasi. Parameter nilai yang diperoleh dari hasil analisis
geostatistik kadar limonit dapat dilihat pada table berikut.
43
Tabel 4.8 Nilai Parameter Hasil Analisis Geostatistik Zona Limonit
Angles Of Rotation Of Th Major Axis Nilai

Bearing 22.15
Dip Angle 0.46
Titl Angle 21.99
Anisotropy Factors Nilai
Semi-Major Axis 1
Minor Axis 1
Other Interpolation Parameters Nilai
Max Search Distance Of Major Axis 30,6
Max Vertical Search Distance 1
Max Number Of Samples Used Per Block 25
Min Number Of Samples Used Per Block 3
4.2.3 Analisis Geostatistik Zona Saprolit

Dari data kadar Ni saprolit yang ada, dibuat suatu variogram
eksperimental yang hasilnya dapat dilihat pada gambar berikut.
Gambar 4. 19 Primary Variogram map zona saprolit
44
Gambar 4. 20 Secondary Variogram map zona saprolit
45
Gambar 4. 21 Major Axis Zona Saprolit
Gambar 4. 22 Semi-Major Axis Zona Saprolit
Gambar 4. 23 Minor Axis Zona Saprolit
46
dengan nugget 0,25 dan sill 0,74.
Tabel 4.9 Nilai Parameter Hasil Analisis Geostatistik Zona Saprolit

Bearing 337.40
Dip Angle -0.40
Titl Angle 67.73
Semi-Major Axis 1
Minor Axis 1
4.2.3 Analisis Geostatistik Zona Bedrock

Dari data kadar Ni bedrock yang ada, dibuat suatu variogram
eksperimental yang hasilnya dapat dilihat pada gambar berikut.
47
Gambar 4. 24 Primary Variogram map zona bedrock
Gambar 4. 25 Secondary Variogram map zona bedrock

48
Gambar 4. 26 Major Axis Zona Bedrock
Gambar 4. 27 Semi-Major Axis Zona Saprolit
Gambar 4. 28 Minor Axis Zona Saprolit
49
dengan nugget 0,28dan sill 0,72.
Tabel 4.10 Nilai Parameter Hasil Analisis Geostatistik Zona Bedrock

Bearing 338.10
Dip Angle -0.73
Titl Angle 23.46
Semi-Major Axis 1
Minor Axis 1
4.4 Estimasi Sumberdaya

Pada penelitian ini estimasi dilakukan menggunakan blok model 5 x 5 x 1
(panjang x lebar x tinggi) dengan menggunakan 3 metode estimasi. Dihasilkan
tiga model blok zona laterisasi yaitu zona limonit, zona saprolit dan zona bedrock
yang telah diestimasi kadarnya menggunakan 3 metode estimasi.
Dalam mengestimasi sumberdaya dilakukan dengan menggunakan bantuan
software surpac 6.6.2 dalam bentuk block model tiga dimensi yang
mengikuti bentuk geometri sebaran endapan nikel laterit pada lokasi studi.
Proses estimasi dilakukan berdasarkan parameter dari hasil analisis geostatistik
yang telah dilakukan sebelumnya.. Dalam perhitungannya, density material
50
menggunakan nilai density untuk zona limonit sebesar 1,55 ton/m, nilai density
untuk zona saprolit sebesar 1,60 ton/m dan nilai density untuk zona bedrock
sebesar 1,65 ton/m.
4.4.1 Estimasi Sumberdaya Menggunakan Metode Inverse Distance Weight

(IDW)
Penaksiran kadar bijih nikel pada setiap zona litologi terhadap blok model
yang dibuat menggunakan metode inverse distance weight memiliki keberagaman
kadar setelah dilakukan estimasi. Hasil estimasi untuk zona limonit dapat dilihat
pada gambar berikut.
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 29 Sebaran Kadar Ni Pada Zona Limonit Metode IDW
Range Kadar Fe (%)

0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 30 Sebaran Kadar Ni Pada Zona Limonit Metode IDW
51
Hasil estimasi untuk zona saprolit dapat dilihat pada gambar berikut.
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 31 Sebaran Kadar Ni Pada Zona Saprolit Metode IDW
52
Range Kadar Fe (%)
0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 32 Sebaran Kadar Fe Pada Zona Saprolit Metode IDW
Hasil estimasi untuk zona bedrock dapat dilihat pada gambar berikut.
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 33 Sebaran Kadar Ni Pada Zona Bedrock Metode IDW
53
Range Kadar Fe (%)
0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 34 Sebaran Kadar Fe Pada Zona Bedrock Metode IDW

Adapun hasil estimasi sumberdaya menggunakan metode inverse distance weight
dapat dilihat pada table berikut.
Tabel 4.11 Hasil Estimasi Sumberdaya Zona Metode IDW
Litolog Volume Tonase Kadar Kadar

y (m3) (WMT) Ni (%) Fe (%)
Limonit 85,200.00 132,060.00 0.47 18.77
Saprolit 297,175.00 475,480.00 1.16 17.32
Bedrock 131,800.00 217,470.00 0.15 2.71
54
4.4.2 Estimasi Sumberdaya Menggunakan Metode Nearest Neighbor Point
(NNP)
yang dibuat menggunakan metode nearest neighbor point memiliki keberagaman
kadar setelah dilakukan estimasi. Hasil estimasi untuk zona limonit dapat dilihat
pada gambar berikut.
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 35 Sebaran Kadar Ni Pada Zona Limonit Metode NNP
Range Kadar Fe (%)

0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 36 Sebaran Kadar Fe Pada Zona Limonit Metode NNP
55
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 37 Sebaran Kadar Ni Pada Zona Saprolit Metode NNP
Range Kadar Fe (%)

0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 38 Sebaran Kadar Fe Pada Zona Saprolit Metode NNP
56
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 39 Sebaran Kadar Ni Pada Zona Bedrock Metode NNP
Range Kadar Fe (%)

0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 40 Sebaran Kadar Fe Pada Zona Bedrock Metode NNP

Adapun hasil estimasi sumberdaya menggunakan metode nearest neighbor point
dapat dilihat pada tabel berikut.
Tabel 4.12 Hasil Estimasi Sumberdaya Metode IDW

y (m3) (WMT) Ni (%) Fe (%)
Limonit 85,200.00 132,060.00 0.89 35.01
Saprolit 297,175.00 475,480.00 1.33 19.76
Bedrock 131,800.00 217,470.00 0.36 6.44
57
4.4.3 Estimasi Sumberdaya Menggunakan Metode Ordinary Kriging (OK)
yang dibuat menggunakan metode ordinary kriging memiliki keberagaman kadar
setelah dilakukan estimasi. Hasil estimasi untuk zona limonit dapat dilihat pada
gambar berikut.
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 41 Sebaran Kadar Ni Pada Zona Limonit Metode OK
Range Kadar Fe (%)

0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 42 Sebaran Kadar Fe Pada Zona Limonit Metode OK
58
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 43 Sebaran Kadar Ni Pada Zona Saprolit Metode OK
Range Kadar Fe (%)

0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 44 Sebaran Kadar Fe Pada Zona Saprolit Metode OK
59
Range Kadar Ni (%)
0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 45 Sebaran Kadar Ni Pada Zona Bedrock Metode OK
Range Kadar Fe (%)

0 -> 10
10 -> 20
20 -> 30
30 -> 40
>2,0
Gambar 4. 46 Sebaran Kadar Fe Pada Zona Bedrock Metode OK

Adapun hasil estimasi sumberdaya menggunakan metode ordinary kriging dapat
dilihat pada tabel berikut.
Tabel 4.13 Hasil Estimasi Sumberdaya Metode OK

y (m3) (WMT) Ni (%) Fe (%)
Limonit 85,200.00 132,060.00 0.47 18.74
Saprolit 297,175.00 475,480.00 1.16 17.49
Bedrock 131,800.00 217,470.00 0.15 2.68
60
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
Kadar NI (%) Kadar Fe (%)

Litolog Volume Tonase
y (m3) (WMT) Ni Ni Ni Fe Fe Fe
IDW NNP OK IDW NNP OK
Limonit 85,200.00 132,060.00 0.47 0.89 0.47 18.77 35.01 18.74
Saprolit 297,175.00 475,480.00 1.16 1.33 1.16 17.32 19.76 17.49
Bedrock 131,800.00 217,470.00 0.15 0.36 0.15 2.71 6.44 2.68
4.5 Penentuan Nilai Eror Dengan Menggunakan RMSE

Estimasi cadangan dilakukan dengan menggunakan metode IDW, NNP dan
OK. Setelah diestimasi, untuk menentukan nilai error untuk tiap metode estimasi
dilakukan perhitungan prediksi data dengan menggunakan teknik cross validation
dimana data komposite ni dari database menjadi variabel independen (bebas) dan
data estimasi dari setiap metode IDW, NNP dan OK menjadi data dependen
(terikat). Data yang memiliki koordinat yang sama dibandingkan untuk melihat
hasil error dari tiap estimasi. Data tersebut di jadikan data testing untuk melihat
error dari estimasi. Untuk melihat besaran error dari estimasi dilakukan
perhitungan regresi linier untuk mencari data prediksi dari data testing tersebut.
61
Kurva Perbandingan Kadar Nilai Komposite Ni dan Nilai Estimasi
Ni IDW
2.5
2
Estimasi Ni IDW
1.5 f(x) = 0.812679491526372 x − 0.0379745499107441

R² = 0.400154318594532
1
0.5
0
0 0.5 1 1.5 2 2.5
Komposite Ni
Data Testing Linear (Data Testing)
Gambar 4. 47 Kurva Data Testing Estimasi Metode IDW
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
Kurva Perbandingan Kadar Nilai Komposite Ni dan

Nilai Estimasi Ni NNP
2.5
2
Estimasi Ni NNP
f(x) = 0.937214029779018 x + 0.0661679758551073

1.5 R² = 0.815532474733243
1
0.5
0
0 0.5 1 1.5 2 2.5
Komposite Ni
Gambar 4. 48 Kurva Data Testing Estimasi Metode NNP
62
Pada metode NNP diketahui untuk nilai variabel a yaitu 0,0662 dan nilai
variabel b adalah 0,9372 sehingga rumus untuk mencari nilai prediksi dengan
regresi linier adalah y = 0,9372x + 0,07
Kurva Perbandingan Kadar Nilai Komposite Ni dan Nilai Estimasi

Ni OK
2.5
2
Estimasi Ni OK
1.5 f(x) = 0.767078868126154 x + 0.0112781346228307

R² = 0.372512601571081
1
0.5
0
0 0.5 1 1.5 2 2.5
Komposite Ni
Gambar 4. 49 Kurva Data Testing Estimasi Metode OK

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 :
Tabel 4.15 Nilai Koefisien Korelasi dan RMSE Hasil Estimasi
No Metode Koefisien Korelasi RMSE

1 IDW 0.4002 0.00009987
2 NNP 0.8155 0.00047725
3 OK 0.3725 0.00124273
4.6 Estimasi Cadangan

Parameter yang digunakan dalam estimasi cadangan adalah nilai cut off
grade sebesar 1,2 % Ni. Bentuk sebaran cadangan bijih nikel laterit pada lokasi
studi dapat dilihat pada gambar dibawah ini.
63
Hasil estimasi cadangan dengan cut off grade sebesar 1,2 % Ni dengan metode
Inverse Distance Weight (IDW)
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 50 Sebaran cadangan Metode IDW
Nearest Neighbor Point (NNP)
Range Kadar Ni (%)

0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 51 Sebaran cadangan Metode NNP

Ordinary Kriging (OK)
64
Range Kadar Ni (%)
0,00 -> 0,50
0,51 -> 1,00
1,01 -> 1,50
1,51 -> 2,00
>2,0
Gambar 4. 52 Sebaran cadangan Metode OK
Perbandingan hasil estimasi cadangan menggunakan metode inverse distance

weight, nearest neighbor point dan ordinary kriging dapat dilihat pada tabel
berikut.
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.
65
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
66
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
Bupati Konawe Utara. (2016). Peraturan Daerah Kabupaten Konawe Utara

Nomor 6 Tahun 2016 tentang Rencana Pembangunan Jangka Menengah
Daerah Tahun 2016-2021. February, 2016.
Faisal, F. (2013). Metode Ordinary Kriging Blok pada Penaksiran Ketebalan

Cadangan Batubara ( Studi Kasus : Data Ketebalan Batubara pada Lapangan
Eksplorasi X ). Kumpulan Makalah Seminar Semirata, 1(1), 203–209.
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., Muliddin;, Restele;, L. O., & Zulkifli;, L. O. M. (2019).

Pengaruh Struktur Geologi Terhadap Sebaran Kadar Nikel (Ni) dan Besi
(Fe) Pada Endapan Nikel Laterit Zona Saprolit PT. Manunggal Sarana
Surya Pratama, Kecamatan Lasolo Kepulauan, Kabupaten Konawe Utara,
Sulawesi Tenggara. Jurnal Riset Teknologi Pertambangan (J-Ristam), 6(1),
38–45.
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
Mustika, R. (2016). ESTIMASI SUMBERDAYA NIKEL LATERIT DENGAN

METODE INVERSE DISTANCE WEIGHTING (IDW) PADA PT. VALE
INDONESIA, Tbk. . KECAMATAN NUHA PROVINSI SULAWESI
SELATAN. Jurnal Geomine, 1(1), 63–68. .
https://doi.org/10.33536/jg.v1i1.11
Nursahan, I., Snaniawardhani, V., & Sulaksana, N. (2013). PENENTUAN

KAWASAN PERTAMBANGAN BERBASIS SEKTOR KOMODITAS
UNGGULAN SUMBERDAYA NIKEL KABUPATEN KONAWE DAN
KONAWE UTARA PROVINSI SULAWESI TENGGARA (Vol. 6).
Pasaribu, J. M., & Haryani, N. S. (2012). Perbandingan Teknik Interpolasi DEM

SRTM dengan Metode Inverse Distance Weighted (IDW), Natural Neighbor
dan Spline (Comparison of DEM SRTM Interpolation Techniques Using
Inverse Distance Weighted (IDW), Natural Neighbor and Spline Method).
Jurnal Penginderaan Jauh, 9(2), 126–139.
Purnomo, H. (2018a). APLIKASI METODE INTERPOLASI INVERSE
DISTANCE WEIGHTING DALAM PENAKSIRAN SUMBERDAYA
LATERIT NIKEL (Studi kasus di Blok R, Kabupaten Konawe-Sulawesi
Tenggara) Hendro. Jurnal IImiah Bidang Teknologi, ANGKASA, X(1), 49–
60.
Purnomo, H. (2018b). APLIKASI METODE INTERPOLASI INVERSE

DISTANCE WEIGHTING DALAM PENAKSIRAN SUMBERDAYA
LATERIT NIKEL (Studi kasus di Blok R, Kabupaten Konawe-Sulawesi
Tenggara). Angkasa: Jurnal Ilmiah Bidang Teknologi, 10(1), 49.
https://doi.org/10.28989/angkasa.v10i1.221
Rafsanjani, M. R., Djamaluddin, & Bakri, H. (2016). Estimasi sumberdaya bijih

nikel laterit dengan menggunakan metode idw diprovinsi sulawesi tenggara.
Jurnal Geomine, 04(1), 19–22.
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.
Rodhita, M. (2012). Rasionalisasi Jaringan Penakar Hujan Di Das Kedungsoko

Kabupaten Nganjuk. Jurnal Pengairan, 3, 185.
https://jurnalpengairan.ub.ac.id/index.php/jtp/article/view/163
Standar Nasional Indonesia 4726. (2011). SNI 4726:2019 tentang Pedoman

pelaporan, sumberdaya, dan cadangan mineral.
Tama, A. S., Nurkhamim, & Rafuddin. (2019). Perhitungan Sumberdaya Nikel

Laterit Area Of Influence dan Inverse Distance Weighting Pada PT Tanjung
Putia Kabupaten Morowali Provinsi Sulawesi Tengah.
PROSIDING,Seminar Teknologi Kebumian Dan Kelautan (SEMITAN 1).
Yuliara I Made. (2016). Modul Regresi Linier Sederhana. Fakultas Matematika

Dan Ilmu Pengetahuan Alam Universitas Udayana, 1–10.
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

Laporan Lengkap Metode Perhitungan Cadangan - Nindy Alam - r1d119053-2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Lengkap Metode Perhitungan Cadangan - Nindy Alam - r1d119053-2

Diunggah oleh

Hak Cipta:

Format Tersedia

ESTIMASI SUMBERDAYA DAN CADANGAN

MENGGUNAKAN METODE INVERSE DISTANCE

DIAJUKAN UNTUK MEMENUHI SEBAGIAN PERSYARATAN

JURUSAN TEKNIK PERTAMBANGAN

Kendari, Januari 2022

Estimasi Sumberdaya Dan Cadangan Menggunakan Metode Inverse

Telah disetujui oleh :

Hamza La Ode Ibrahim Prima

Dosen Pengampuh Mata Kuliah

Ir. Erwin Anshari,S.Si.,M.Eng

Gambar 2. 1 Profil Endapan Nikel Laterit 6

Gambar 3. 1 Peta Lokasi Studi 22

Tabel 2 1 Tabel Dasar Pemilihan Metode Estimasi 11

1.1 Latar Belakang

1.3 Rumusan Masalah

1.4 Tujuan Praktikum

1.5. Manfaat Praktikum

2.1 Nikel laterit

2.1.1 Zona Limonit

2.1.3 Zona Batuan dasar (Bedrock)

Gambar 2. 1 Profil Endapan Nikel Laterit (Hernandi dkk., 2017)

2.2 Sumberdaya dan Cadangan

Gambar 2. 2 Klasifikasi Cadangan dan Sumberdaya Mineral

2.2.2 Analisis statistik dasar

d. Untuk nilai koefisien variasi (Coefficient of variation), diperoleh dengan

Pemilihan metode estmasi berdasarkan geometri endapan dan nilai

CV Rendah CV Sedang CV Tinggi

Pernyataan deskripsi unvarian yang umum digunakan adalah tabel

2.2.3 Estimasi sumberdaya dan cadangan

2.3 Metode Estimasi Cadangan

Gambar 2. 3 Pengaruh power pada estimasi menggunakan metode inverse

2.3.2 Metode Ordinary Kriging dan Point Kriging

2.3.3 Metode Nearest Neighbor Point (NNP)

Gambar 2. 4 Ilustrasi Gambar Garis Regresi Linier

2.5 Cross Validation

2.6 Root Mean Square Error (RMSE)

3.1 Waktu dan Lokasi Studi Praktikum

3.2 Jenis Studi Praktikum

3.3 Bahan atau Materi Studi Praktikum

Gambar 3. 1 Peta Lokasi Studi

3.5 Prosedur Studi Praktikum

3.5.1.1 Pemrosesan Data Topografi

3.5.1.3 Membuat Geological Modelling

3.5.1.4 Membuat Komposite Data

3.5.1.5 Melakukan Analisis Statistik Dasar dan Analisis Geostatistik

3.5.1.6 Membuat Blok Model

3.5.1.7 Estimasi Menggunakan Metode IDW, NNP dan OK

3.5.1.8 Menghitung Nilai Prediksi Menggunakan cross validasi, regresi

3.5.2 Analisis data

Gambar 3. 2 Diagram Alir Studi

Daerah lokasi studi terdapat di kecamatan Lasolo Kabupaten Konawe Utara

Gambar 4. 1 Peta Citra Satelit Lokasi Studi

Gambar 4. 2 Peta Topografi lokasi studi

4.1 Database dan Logging Bor

Northing Easting Elevatio Depth Hole_pat

ID_Hole Depth (M) Dip Azimuth

Data geologi adalah data yang menampilkan atau menggambarkan zonasi

ID_Hole samp_id From (M) To (M) Lithology

Setelah dikelompokkan, empat data tersebut yang menjadi database untuk

Gambar 4. 3 Peta Sebaran Titik Bor Lokasi Studi

Gambar 4. 4 Solid Model Zona Limonit

Gambar 4. 5 Solid Model Zona Saprolit

Gambar 4. 7 Solid Model Laterit