HALAMAN JUDUL

PERBANDINGAN METODE NEAREST NEIGBOUR POINT

(NNP) DAN METODE INVERSE DISTANCE WEIGHTING
(IDW) DALAM MENGESTIMASI SUMBERDAYA
BATUBARA DI PT X, KABUPATEN LAHAT,
SUMATERA SELATAN

SKRIPSI
Disusun sebagai syarat memperoleh gelar Sarjana
Program Studi Sarjana Teknik Pertambangan
Fakultas Teknologi Kebumian dan Energi, Universitas Trisakti

Oleh
I Putu Rama Aryawan
073001700028

PROGRAM STUDI SARJANA TEKNIK PERTAMBANGAN

FAKULTAS TEKNOLOGI KEBUMIAN DAN ENERGI
UNIVERSITAS TRISAKTI
2023

i
 COMPARASION OF NEAREST NEIGBOUR POINT (NNP)
AND INVERSE DISTANCE WEIGHTING (IDW) METHODS
IN ESTIMATING COAL RESOURCES IN PT X, LAHAT
REGENCY, SOUTH SUMATERA

FINAL ASSIGNMENT
Submitted as a requirement to obtain Undergraduate in study program of
Mining Engineering, Faculty of Earth Technology and Energy

By
I Putu Rama Aryawan
073001700028

MINING ENGINEERING DEPARTEMENT

FACULTY OF EARTH TECHNOLOGY AND ENERGY
UNIVERSITAS TRISAKTI
2023

ii
 LEMBAR PENGESAHAN
PERBANDINGAN METODE NEAREST NEIGBOUR POINT
(NNP) DAN METODE INVERSE DISTANCE WEIGHTING
(IDW) DALAM MENGESTIMASI SUMBERDAYA BATUBARA
DI PT X, KABUPATEN LAHAT, SUMATERA SELATAN

SKRIPSI
Disusun sebagai syarat memperoleh gelar Sarjana
Program Studi Sarjana Teknik Pertambangan
Fakultas Teknologi Kebumian dan Energi, Universitas Trisakti

Oleh
I Putu Rama Aryawan
073001700028

Foto
2x3

Menyetujui,
Pembimbing Utama Pembimbing Pendamping

Dr. Ir. Irfan Marwanza, M.T., IPM Ir. Taat Tri Purwiyono, M.T.
NIK: 2511/USAKTI NIK: 3412/USAKTI

Mengetahui,
Ketua Program Studi Sarjana Teknik Pertambangan

Dr. Ir. Irfan Marwanza, M.T., IPM

NIK: 2511/USAKTI

iii
 LEMBAR PERSETUJUAN

Skripsi yang berjudul “Perbandingan Metode Nearest Neigbour Point (NNP)

Dan Metode Inverse Distance Weighting (IDW) Dalam Mengestimasi
Sumberdaya Batubara Di PT X, Kabupaten Lahat, Sumatera Selatan”, telah
dipertahankan di depan tim penguji pada hari Selasa, tanggal 7 Februari 2023.

TIM PENGUJI
1. Dr. Ir. Masagus A. Azizi., S.T.,M.T. Ketua Penguji (.....................)

2. Dra. Wiwik Dahani, M.T. Pembimbing Akademik (.....................)

3. Dr. Ir. Irfan Marwanza, M.T., IPM Pembimbing Utama (.....................)

4. Ir. Taat Tri Purwiyono, M.T. Pembimbing Pendamping (.....................)

5. Dr. Edy Jamal Tuheteru, S.T.,M.T. Anggota Penguji (.....................)

6. Riskaviana Kurniawati, S.Pd.,M.Si. Anggota Penguji (.....................)

Mengetahui,
Ketua Program Studi Sarjana Teknik Pertambangan

Ir. Irfan Marwanza, M.T., IPM

NIK: 2511/USAKTI

iv
 HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Saya yang bertanda tangan dibawah ini:

Nama : I Putu Rama Aryawan

Nim : 073001700028
Program studi : Teknik Pertambangan
Fakultas : Fakultas Teknologi Kebumian dan Energi
Jenis Karya : Skripsi

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Trisakti Hak Bebas Royalti Non ekslusif (Non-exclusive-Royalty-Free-
Right) atas karya ilmiah saya yang berjudul:
Perbandingan Metode Nearest Neigbour Point (NNP) Dan Metode Inverse
Distance Weighting (IDW) Dalam Mengestimasi Sumberdaya Batubara Di PT
X, Kabupaten Lahat, Sumatera Selatan
beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non
ekslusif ini Universitas Trisakti berhak menyimpan, mengalih media/ formatkan,
mengelola dalam bentuk pangkalan data (database), merawat, dan menyebarkan
skripsi saya sesuai aturan, selama tetap mencantumkan nama saya sebagai
penulis/pencipta dan sebagai pemilik Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Jakarta, 7 Februari 2023

Yang membuat pernyataan

Materai
Rp 10.000-,

I Putu Rama Aryawan

v
 SURAT PERNYATAAN ORISINALITAS

Saya Mahasiswa Program Studi Sarjana Teknik Pertambangan, Fakultas

Teknologi Kebumian dan Energi, Usakti yang bertanda tangan di bawah ini:

Nama : I Putu Rama Aryawan

Nim : 073001700028

Menyatakan dengan sebenarnya bahwa skripsi dengan judul :

PERBANDINGAN METODE NEAREST NEIGBOUR POINT (NNP) DAN
METODE INVERSE DISTANCE WEIGHTING (IDW) DALAM
MENGESTIMASI SUMBERDAYA BATUBARA DI PT X, KABUPATEN
LAHAT, SUMATERA SELATAN

Adalah benar-benar merupakan hasil karya saya sendiri, bebas dari peniruan
terhadap karya dari orang lain. Kutipan pendapat dan tulisan orang lain ditunjuk
sesuai dengan cara-cara penulisan karya ilmiah yang berlaku.Apabila dikemudian
hari terbukti atau dapat dibuktikan bahwa dalam skripsi ini terkandung ciri-ciri
plagiat dan bentuk-bentuk peniruan lain yang dianggap melanggar peraturan, maka
saya bersedia menerima sanksi atas perbuatan tersebut.

Jakarta, 7 Februari 2023

Yang membuat pernyataan

Materai
Rp 10.000-,

I Putu Rama Aryawan

vi
 KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah Subhanahu wa Ta’ala atas

berkat, rahmat dan kuasaNya penulis dapat menyelesaikan skripsi ini, yang
merupakan salah satu syarat untuk memperoleh gelar Sarjana Teknik Fakultas
Teknologi Kebumian dan Energi Universitas Trisakti. Judul tugas akhir yang
penulis ajukan adalah ‘‘Perbandingan Metode Nearest Neigbour Point (NNP)
Dan Metode Inverse Distance Weighting (IDW) Dalam Mengestimasi
Sumberdaya Batubara Di PT X, Kabupaten Lahat, Sumatera Selatan”
Penulis menyadari bahwa pada penelitian skripsi ini masih jauh dari kata
sempurna dan memiliki beberapa hambatan serta kendala karena keterbatasan
pengetahuan yang dimiliki penulis. Penelitian ini tidak mungkin dapat dilalui tanpa
bantuan, bimbingan, dukungan dan doa dari berbagai pihak sehingga skripsi ini
dapat terselesaikan. Pada kesempatan ini penulis ingin mengucapkan terima kasih
yang sebesar – besarnya kepada:
1. Allah SWT yang telah menciptakan saya dan memberikan kesempatan saya
selaku penulis untuk menyelesaikan skripsi ini.
2. Nabi Muhammad Rasullah Shallallahu’alaihi Wasallam yang telah
mengajarkan arti sebuah kehidupan yang baik dan benar menurut ajaran syariat
Islamiyyah.
3. Kepada kedua orang tua dan adik saya yang telah memberikan doa dan
semangat.
4. Bapak Dr, Irfan Marwanza, S.T., M.T., selaku Ketua Jurusan Teknik
Pertambangan.
5. Bapak dan Ibu Dosen Teknik pertambangan yang sudah memberikan ilmu
kepada saya pada saat masa perkuliahan.
6. Pembimbing satu Dr, Irfan Marwanza, S.T., M.T.,. dan pembimbing dua Ir. Taat
Tri Purwiyono M.T, yang telah membimbing dan menasehati penulis sehingga
dapat menyelesaikan tugas akhir.
7. Ibu Dra. Wiwik Dahani, M.T selaku dosen wali yang telah bersedia untuk
membekali penulis dengan ilmu pengetahuan, menasehati dan menyemangati
penulis.

vii
8. Fashya Angelica Widodo yang telah senantiasa mendukung, meluangkan waktu
serta memberikan semangat penulis dalam menyelesaikan skripsi.
9. Keluarga HMTT (Himpunan Mahasiswa Teknik Tambang) yang telah
menemani dan memberikan semangat dari awal perkuliahan hingga lulus.
10. Keluarga Besar Presiden Mahasiswa (PRESMA) Universitas Trisakti yang
telah memberikan dukungan kepada penulis.
11. Semua Mahasiswa Teknik Pertambangan Universitas Trisakti yang tidak dapat
disebutkan satu persatu.
12. Team Kuliah Kerja Praktek (Yusuf, Arief, Bang Mulya, Putri dan Filani) yang
telah bersedia menjadi tempat untuk belajar selama masa kuliah kerja di timah.
13. Jarkom Rachma (Eriko, Daren, Rachma) yang telah membantu dalam
pembelajaran selama ini di trisakti.
14. Saudari Rachmaputri, Rani, Annisa yang telah membantu selama proses
peneletian ini.
Pada akhirnya penulis berharap semoga skripsi ini dapat bermanfaat bagi
pihak-pihak yang membutuhkan, oleh karena itu penulis mengharapkan kritik dan
saran yang membangun dari seluruh pihak demi kesempurnaan skripsi ini.

Jakarta, 7 Februari 2023

Penulis

I Putu Rama Aryawan

viii
 ABSTRAK

Perbandingan Metode Nearest Neigbour Point (NNP) Dan Metode

Inverse Distance Weighting (IDW) Dalam Mengestimasi
Sumberdaya Batubara Di PT X, Kabupaten Lahat, Sumatera
Selatan

I Putu Rama Aryawan

Nim: 073001700028

Program Studi Sarjana Teknik Pertambangan,

Fakultas Teknologi Kebumian dan Energi,
Universitas Trisakti, Jakarta, Indonesia

Penelitian estimasi sumber daya batubara ini dilakukan pada PT X di daerah

Pagar Gunung, Kabupaten Lahat , Sumatera Selatan yang terletakantara 103°31'
Bujur Timur hingga 103°32' Bujur Timur dan 3°54' Lintang Selatanhingga 3°55'
Lintang Selatan. Penelitian dilakukan untuk mengetahui model dan estimasi sumber
daya batubara. Penelitian dilakukan dengan menggunakan metode Inverse Distance
Weighting (IDW) menggunakan perangkat lunak software minitab17 dan software
Surfer, dengan setiap data berpengaruh terhadap hasil prediksi yangsesuai dengan
bobotnya. IDW digunakan untuk memprediksi suatu titik dengan perhitungan
matematis dari nilai titik dengan pertimbangan fungsi jarak. NNP digunakan untuk
mencari poligon contoh terdekat dari titik terdekat. Dari hasil perbandingan kedua
metode ini didapatkan metode IDW adalah metode yang lebih akurat berdasarkan
hasil nilai Root Mean Square Error (RMSE) yang lebih rendah didapatkan hasil
ketebalan , nilai kalori , dan sulfur batubara dengan nilai 0,618 point, 344,85 point,
dan 1,081 point. di banding metode NNP dengan hasil ketebalan, nilai kalori, dan
sulfur dengan nilai 0,716 point, 370,20 point , 1,53 point .

Kata kunci: Batubara, Estimasi, Sumberdaya, IDW, NNP, RMSE

ix
 ABSTRACT

Comparasion Of Nearest Neigbour Point (NNP) And Inverse

Distance Weighting (IDW) Methods In Estimatin Coal Resources In
PT X, Lahat Regency, South Sumatera

I Putu Rama Aryawan

Nim: 073001700028

Study Program of Mining Enginering, Faculty Of Earth

Technology and Energy, Universitas Trisakti, Jakarta, Indonesia

This coal resource estimation study was conducted at PT X in the Pagar

Gunung area, Lahat Regency, South Sumatera Province, which is located between
103°31' East Longitude to 103°32' East Longitude and 3°54' South Latitude to
3°55' South latitude. The study was conducted to determine the model and
estimation of coal resources. The research was conducted using the Inverse
Distance Weighting (IDW) method using software to predict a searched data, with
each data having an effect on the prediction results according to its weight. IDW is
used to predict a point by mathematical calculation of the value with consideration
of the distance function. NNP is used to find the nearest sample polygon from the
nearest points. From the results of a comparison of these two methods, it was found
that the IDW method was a more accurate method based on the results of lower
Root Mean Square Error (RMSE) values, obtained the results of thickness, calorific
value, and coal sulfur with values of 0.618 point, 344.85 point, and 1.081 point.
compared to the NNP method with the results of thickness, calorific value, and
sulfur with a value of 0.716 point, 370.20 point, 1.53 point.

Keyword: Coal, Estimates, Resources, IDW, NNP, RMSE

x
 DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

LEMBAR PENGESAHAN ................................................................................... iii
LEMBAR PERSETUJUAN................................................................................... iv
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS ............................................................... v
SURAT PERNYATAAN ORISINALITAS .......................................................... vi
KATA PENGANTAR .......................................................................................... vii
ABSTRAK ............................................................................................................. ix
ABSTRACT .............................................................................................................. x
DAFTAR ISI .......................................................................................................... xi
DAFTAR TABEL ................................................................................................ xiii
DAFTAR GAMBAR ........................................................................................... xiv
DAFTAR LAMPIRAN ........................................................................................ xvi
DAFTAR SINGKATAN DAN LAMBANG...................................................... xvii
BAB I PENDAHULUAN .................................................................................. 1
I.1 Latar Belakang .............................................................................. 1
I.2 Rumusan Masalah ......................................................................... 2
I.3 Maksud Dan Tujuan Penelitian ..................................................... 2
I.4 Batasan Masalah............................................................................ 2
I.5 Manfaat Penelitian ........................................................................ 3
I.6 Peneliti Terdahulu ......................................................................... 3
BAB II TINJAUAN UMUM............................................................................... 5
II.1 Lokasi Daerah Penelitian .............................................................. 5
II.2 Kesampaian Daerah ...................................................................... 5
II.3 Keadaan Geologi ........................................................................... 6
II.4 Iklim dan Cuaca ............................................................................ 8
II.5 Genesa Batubara............................................................................ 9
II.5.1 Bentuk Lapisan Batubara ................................................ 9
II.5.2 Peringkat Batubara ........................................................ 12
II.5.3 Kualitas Batubara .......................................................... 14
II.6 Eksplorasi Batubara .................................................................... 16
II.7 Permodelan Geologi Batubara .................................................... 17
II.7.1 Data Pemodelan Geologi Batubara ................................ 18
II.7.2 Tahapan Pemodelan Geologi Batubara .......................... 19
II.8 Statistika Dasar............................................................................ 20
II.9 Sumberdaya Batubara ................................................................. 26
II.10 Kompleksitas Geologi ................................................................. 26
II.11 Interpolasi .................................................................................... 27
II.12 Inverse Distance Weighting (IDW) ............................................. 28
II.13 Nearest Neighbour Point (NNP) ................................................. 31

xi
BAB III METODOLOGI PENELITIAN ........................................................... 32
III.1 Metodologi .................................................................................. 32
III.2 Tahapan Penelitian ...................................................................... 32
III.3 Preparasi Data ............................................................................. 33
III.4 Pengolahan Data.......................................................................... 33
III.5 Analisa Statistik Deskriptif ......................................................... 33
III.6 Diagram Alir ............................................................................... 41
BAB IV HASIL DAN PEMBAHASAN ............................................................ 42
IV.1 Data ............................................................................................. 42
IV.2 Persiapan, Pemilihan, Verifikasi dan Validasi Data ................... 42
IV.3 Verifikasi dan Validasi Data ....................................................... 42
IV.4 Analisis Statistik ......................................................................... 43
IV.5 Penampang 2D ............................................................................. 49
IV.6 Estimasi Inverse Distance Weighting (IDW)................................ 51
IV.7 Estimasi Nearest Neigbour Point (NNP)...................................... 52
IV.8 Cross Validation dan RMSE ........................................................ 54
IV.9 Hasil Estimasi NNP dan IDW ...................................................... 58
BAB V KESIMPULAN DAN SARAN ............................................................ 60
V.1 Kesimpulan ................................................................................. 60
V.2 Saran ............................................................................................ 60
DAFTAR PUSTAKA ........................................................................................... 61
LAMPIRAN .......................................................................................................... 63

xii
 DAFTAR TABEL

Tabel I.1 Penelitian Terdahulu ................................................................................ 3

Tabel II.1 Hasil Parameter Kualitas Batubara....................................................... 13
Tabel II.2 Peringkat Batubara berdasarkan Standar ASTM.................................. 13
Tabel II.3 Basis Batubara ...................................................................................... 15
Tabel II.4 Tipe Endapan Batubara berkaitan dengan Sedimentasi, Tektonik, dan
Variasi Kualitas ..................................................................................................... 27
Tabel II.5 Perhitungan Metode Inverse Distance Weighting ................................ 30
Tabel II.6 Perhitungan Metode Nearest Neigbour Point ...................................... 31
Tabel IV.1 Hasil Analisa Statistik......................................................................... 46
Tabel IV.2 RMSE Omnidirectional dan Directional Variogram ......................... 54
Tabel IV.3 Estimasi Metode NNP dan IDW ......................................................... 58

xiii
 DAFTAR GAMBAR

Gambar II.1 Peta Lokasi Daerah Penelitian ............................................................ 5

Gambar II.2 Peta Lokasi Kesampaian Daerah ........................................................ 6
Gambar II.3 Peta Geologi Regional ........................................................................ 8
Gambar II.4 Grafik Curah Hujan Daerah Lahat...................................................... 8
Gambar II.5 Proses Pembentukan Batubara ........................................................... 9
Gambar II.6 Bentuk Horse Black .......................................................................... 10
Gambar II.7 Bentuk Clay Vein .............................................................................. 10
Gambar II.8 Bentuk Pinch .................................................................................... 11
Gambar II.9 Bentuk Fault ..................................................................................... 11
Gambar II.10 Bentuk Burried Hill ........................................................................ 12
Gambar II.11 Bentuk Fold .................................................................................... 12
Gambar II.12 Grafik Skewnes .............................................................................. 22
Gambar II.13 Grafik Kurtoris ............................................................................... 23
Gambar II.14 Historigam ...................................................................................... 23
Gambar II.15 Probability Plot .............................................................................. 24
Gambar II.16 Boxplot ............................................................................................ 25
Gambar II.17 Hasil Root Mean Square Error ....................................................... 26
Gambar II.18 Grafik RMSE dan Power ................................................................ 29
Gambar II.19 Ilustrasi Metode Inverse Distance Weighting (IDW) ..................... 30
Gambar II.20 Ilustrasi Metode Nearest Neigbour Points (NNP) .......................... 31
Gambar III.1 Pilihan Boxplot ................................................................................ 34
Gambar III.2 Memilih Data Untuk Boxplot .......................................................... 34
Gambar III.3 Contoh Hasil Boxplot pada Minitab 17 ........................................... 34
Gambar III.4 Langkah Awal Statistik Dasar Minitab 17 ...................................... 35
Gambar III.5 Memasukan Data dan Parameter Statistik ....................................... 35
Gambar III.6 Contoh Hasil Statistik Dasar Pada Minitab 17 ................................ 36
Gambar III.7 Langkah Awal Pembuatan Grafik ................................................... 36
Gambar III.8 Pemilihan Jenis Grafik Minitab17................................................... 37
Gambar III.9 Memilih Data pada Grafik............................................................... 37
Gambar III.10 Memasukan data Pada Surfer ........................................................ 38
Gambar III.11 Report Data Statistik Surfer .......................................................... 38
Gambar III.12 Menentukan Power dan Jarak Pencarian ....................................... 39
Gambar III.13 Cross Validation............................................................................ 39
Gambar III.14 Peta Isopach................................................................................... 40
Gambar III.15 Diagram Alir ................................................................................. 41
Gambar IV.1 Boxplot Ketebalan Batubara............................................................ 43
Gambar IV.2 Boxplot Nilai Kalori Batubara......................................................... 44
Gambar IV.3 Boxplot Sulfur Batubara .................................................................. 44
Gambar IV.4 Penyebaran Data Bor ...................................................................... 45

xiv
Gambar IV.5 Grafik Histogram Nilai Kalori Batubara ......................................... 47
Gambar IV.6 Grafik Histogram Sulfur Batubara .................................................. 47
Gambar IV.7 Grafik Histogram Ketebalan Batubara ............................................ 47
Gambar IV.8 Grafik Probabilitas Ketebalan Batubara.......................................... 48
Gambar IV.9 Grafik Probabilitas Nilai Kalori Batubara....................................... 48
Gambar IV.10 Grafik Probabilitas Sulfur Batubara .............................................. 48
Gambar IV.11 Grafik Probabilitas Lognormal ..................................................... 49
Gambar IV.12 Peta Model Penampang 1 2D ........................................................ 50
Gambar IV.13 Peta Model Penampang 2 2D ........................................................ 50
Gambar IV.14 Estimasi IDW Ketebalan Batubara .............................................. 51
Gambar IV.15 Estimasi IDW Nilai Kalori Batubara ............................................ 52
Gambar IV.16 Estimasi IDW Sulfur Batubara ..................................................... 52
Gambar IV.17 Estimasi IDW Ketebalan Batubara .............................................. 53
Gambar IV.18 Estimasi IDW Nilai Kalori Batubara ............................................ 53
Gambar IV.19 Estimasi IDW Sulfur Batubara ..................................................... 54
Gambar IV.20 Cross IDW Validation Ketebalan Batubara .................................. 55
Gambar IV.21 Cross Validation IDW Nilai Kalori Batubara ............................... 56
Gambar IV.22 Cross Validation IDW Sulfur Batubara ........................................ 56
Gambar IV.23 Cross Validation NNP Ketebalan Batubara .................................. 57
Gambar IV.24 Cross Validation NNP Nilai Kalori Batubara ............................... 57
Gambar IV 25 Cross Validation NNP Sulfur Batubara ........................................ 58

xv
 DAFTAR LAMPIRAN

Lampiran A: Lampiran Data Lithologi ................................................................. 64

Lampiran B: Data Hasil Survei ............................................................................. 73

xvi
 DAFTAR SINGKATAN DAN LAMBANG

SINGKATAN Nama Pemakaian

pertama kali
pada halaman

PT Perusahaan 1
IDW Inverse Distance Weighting 1
NNP Nearest Neigbour Point 1
RMSE Root Mean Square Error 3
Kcal Kilokalori 3
Kg Kilogram 3
m Meter 3
mm Mili meter 8
ASTM American Standard Testing and Material 12
VM Volatile Mattter 14
FC Fixed Carbon 14
CoV Coefficient of Variotion 21

LAMBANG

± Kurang lebih 5
H Hidrogen 14
N Nitrogen 14
O Oksigen 14
C Karbon 14
S Sulfur 14
𝑥̅ Rata-rata suatu populasi 20
𝑛 Banyaknya data x dalam suatu populasi 20
𝑥̅𝑖 Nilai dari data (Variabel x) 20

𝐿𝑖 Batas bawah kelas dari kelas median 20

𝑓 𝑚𝑒𝑑 Frekuensi kelas median 20

xvii
 DAFTAR SINGKATAN DAN LAMBANG (lanjutan)

LAMBANG Nama Pemakaian

pertama kali
pada halaman

𝑐 Panjang interval kelas 21

∑ 𝑓𝑡
Keseluruhan frekuensi kelas 21
𝜎𝑥̅ Simpang Baku 21

𝑑𝑖 Jarak dari titik ke-I dengan titik yang 21

𝑝 diduga 21
𝑍̌0 Power (bilangan bulat) 21
𝑊𝑖 Nilai titik yang ditaksir 21
𝑍𝑖 Faktor bobot dari titik i 21
Nilai dari titik penaksir

xviii
 BAB I PENDAHULUAN

I.1 Latar Belakang

Indonesia merupakan negara yang terkenal dengan sumber daya alam yang
melimpah. Salah satu contohnya adalah sumber daya alam batubara. Penggunaan
batubara sebagai salah satu sumber pembangkit energi listrik yang dimana potensi
batubara sangatlah besar dalam peningkatan sumber daya cadangan. Demikian
diperlukannya kegiatan estimasi sumber daya untuk mendapat lokasi-lokasi dan
jumlah cadangan batubara tersebut.
PT X merupakan perusahaan yang bergerak dalam industri pertambangan
yang terletak di Kabupaten Lahat, Provinsi Sumatera Selatan. Daerah penelitian ini
termasuk dalam geologi moderat, dimana kondisi moderat ini ditandai dengan
adanya kualitas dan ketebalan batubara yang bervariasi tersebut, maka kualitas dan
ketebalan yang tidak dapat di jangkau oleh lubang pemboran tidak dapat
ditentukan kepastiannya. Maka diperlukan suatu metode yang dapat memberikan
estimasi suatu nilai yang belum diketahui kepastian datanya.
Metode yang dapat digunakan dalam perhitungan estimasi sumber daya ini
yaitu metode Inverse Distance Weighting (IDW) dan metode Nearest Neigbour
Point (NNP). Metode ini sering digunakan karena cukup sederhana dan mudah
difahami. Metode Inverse Distance Weighting (IDW) merupakan metode yang
menggunakan jenis data yang berada di sekitarnya untuk memprediksi suatu data
yang dicari. Setiap data berpengaruh terhadap hasil prediksi yang sesuai dengan
bobotnya. Dengan bobot data yang diberikan oleh jarak lokasi yang dicari.
Sedangkan metode Nearest Neigbour Point (NNP) merupakan metode poligon
contoh terdekat, yaitu dengan metode pengambilan nilai estomasi terhadap titik
berdasarkan pada pengaruh tiap titik mengikuti titik terdekat.
Dengan meningkatnya jumlah penggunaan batubara pada saat ini, dibutuhkan
juga eksplorasi secara meningkat agar tercapainya kebutuhan batubara diindonesia.
Dan juga batubara memiliki nilai ekonomis yang tinggi, karena merupakan sumber
pembangkit energi yang ada di Indonesia.

1
I.2 Rumusan Masalah
Rumusan masalah yang ada di dalam penelitian ini, yaitu:
1. Bagaimana pola persebaran batubara (ketebalan dan kualitas) dari hasil
perbandingan metode Inverse Distance Weighting (IDW) dan metode
Nearest Neigbour Point (NNP)?
2. Berapakah hasil klasifikasi sumberdaya yang terdapat di lokasi
penelitian?
3. Bagaimana persentase perbedaan metode dalam penelitian ini?
4. Bagaimana model sumberdaya batubara yang terdapat pada area
pemboran?

I.3 Maksud Dan Tujuan Penelitian

Adapun maksud dan tujuan yang terdapat dalam penelitian ini, yaitu:
1. Mengetahui pola persebaran batubara (ketebalan dan kualitas) di lokasi
penelitian dengan metode Inverse Distance Weigthing (IDW) dan metode
Nearest Neigbour Point (NNP).
2. Mengetahui hasil klasifikasi sumber daya berdasarkan pola
penyebarannya dan relatif error.
3. Mengetahui tingkat perbandingan presentase penelitian dengan metode
Inverse Distance Weigthing (IDW) dan metode nearest neigbour point
(NNP).
4. Mengetahui permodelan dari sumberdaya yang terdapat pada area
pemboran.

I.4 Batasan Masalah

Batasan masalah yang terdapat pada penelitian ini, yaitu:
1. Penelitian ini dilakukan di PT Quantus Consultans Indonesia dengan
sumber data sekunder dari hasil eksplorasi pengeboran batubara oleh PT
X.
2. Penelitian ini dilakukan dengan dengan meneliti data seam batubara
berdasarkan ketebalan, nilai kalori dan sulfur.

2
 3. Klasifikasi dan interpolasi menggunakan metode Inverse Distance
Weighting (IDW) dan metode Nearest Neigbour Point (NNP).
4. Permodelan dalam penelitian ini menggunakan proyeksi 2D.

I.5 Manfaat Penelitian

Manfaat penelitian yang terdapat di dalam penelitian, dengan harapan:
Dapat menjadi wawasan terbaru bagi pembaca dan penulis mengenai metode
Inverse Distance Weighting (IDW) dan metode Nearest NeigbourPoints (NNP) dan
juga bisa menjadi acuan bagi perusahaan dan peneliti selanjutnya dalam metode
tersebut.

I.6 Peneliti Terdahulu

Penelitian terdahulu merupakan acuan bagi penulis untuk membuat kajian
dalam penelitian ini dan untuk memperkaya landasan teori dan pemahaman
terhadap metode penelitian terkait penelitian ini adalah penelitian dalam bidang
geostatistik dan telah dilakukan beberapa penelitian terdahulu:

Tabel I.1 Penelitian Terdahulu

No Peneliti Judul Metode Hasil

1. Erricsson Perbandingan Metode Estimasi menggunakan

Nirwan Metode Kriging dan Kuantitatif metode Kriging lebih
(2020) Inverse Distance akurat dibandingkan
Weighting untuk dengan metode IDW
Estimasi Ketebalan berdasarkan nilai Root
dan Kualitas Mean Square Error
Batubara di (RMSE) yang lebih
Lapangan Sangatta, rendah pada data
Kalimantan Timur ketebalan, nilai kalori,
dan sulfur batubara
senilai 1,622 m, 71.504
Kcal/Kg, dan 0,138%.

3
2. Racmaputri Estimasi Metode Estimasi sumberdaya
Faidatulaila Sumberdaya Kuantitatif batubara dengan
(2021) Batubara menggunakan metode
menggunakan Kriging sebesar 278,6
Metode Juta Ton, serta
Geostatistika didaptkan nilai relative
(Kriging) di Area error sebesar 144,2
PT X Kabupaten Juta Ton pada tereka,
Kutai Kartanegara 75,1 Juta Ton pada
tertunjuk, dan 59,3 Juta
Ton pada terukur.

3. Sri Estimasi Sebaran Metode Sebaran nilai ash

Wahyuni, Kualitas Batubara Kuantitatif content menggunakan
dkk (2019) (Ash Content) metode IDW adalah
Menggunakan 3,67% dan total
Metode Inverse sumber daya batubara
Distance Weighted sebesar 26,62 juta ton
(IDW) dan Ordinary sedangkan dengan
Kriging (OK) di PT metode Kriging adalah
Kayan Putra Utama 3,62% dan total
Coal Site Separi, sumber daya batubara
Kalimantan Timur sebesar 26,63 juta ton.

4
 BAB II TINJAUAN UMUM

II.1 Lokasi Daerah Penelitian

Secara geografis, daerah penelitian pada PT X berada di Kecamatan Pagar
Gunung, Kabupaten Lahat, Provinsi Sumatera Selatan yang terletak antara 103°31'
Bujur Timur hingga 103°32’ Bujur Timur dan 3°54’ Lintang Selatan dan 3°55'
Lintang Selatan. Kabupaten Lahat, Provinsi Sumatera Selatan memiliki luas
wilayah 10,12 km² atau ± 1.011 Ha.

Gambar II.1 Peta Lokasi Daerah Penelitian

II.2 Kesampaian Daerah

Daerah penelitian terdapat pada batasan daerah administrasi dari Kabupaten
Lahat. Lokasi penelitian dapat di tempuh dengan menggunakan transportasi udara
dari Jakarta ke Palembang, melalui Bandara Internasional Soekarno-Hatta Jakarta
menuju Bandara Sultan Mahmud badaruddin II dengan jarak tempuh ± 1 jam 15
menit. Jarak dari Bandara ke Kabupaten Lahat ke PT X adalah sekitar 195 Km.
Dapat ditempuh dengan jalur darat ± 1 Jam 25 Menit.

5
 Sumber: Google Earth 2022

Gambar II.2 Peta Lokasi Kesampaian Daerah

II.3 Keadaan Geologi

Stratigrafi regional Cekungan Sumatera bagian selatan. Cekungan Sumatera
bagian Selatan terdiri dari Sumatera Timur yang dipisahkan dari cekungan
Sumatera bagian Tengah oleh Tinggian Asahan atau Pegunungan Tiga puluh di
Barat laut, membentang ke Selatan dengan dibatasi oleh pegunungan Bukit Barisan
dan daratan Pra-Tersier di sebelah Timurlautnya. Sedimentasi di Cekungan
Sumatera Selatan berlangsung terus menerus selama Zaman Tersier dengan
penurunan dasar cekungan,sehingga ketebalan sedimen mencapai 600 meter.
Urutan lapisan batubara dari tua sampai muda adalah lapisan Petai, lapisan
Suban, lapisan Manggus, dan tujuh buah lapisan gantung. Adapun penyebaran
batuan yang ada pada daerah ini terdiri dari empat satuan batuan, yaitu:
1. Formasi Muara Enim yang merupakan indikasi kandungan batubara(Coal
Measure) dengan ciri batu lempung dan batu pasir yang dominan.
2. Formasi Kasai yang dicirikan oleh tufa putih seperti yang tersingkap di
Suban dan Klawas.
Endapan tersier pada cekungan Sumatera Selatan dari yang tua sampai yang
muda dapat dipisahkan menjadi beberapa formasi, yaitu:
1) Formasi Lahat
Formasi lahat diendapkan tidak selaras di atas batuan Pra-tersier. Formasi
ini berumur oligosen bawah, yang tersusun oleh tufa breksi, lempung tufaan,

6
breksi dan konglomerat. Formasi ini diendapkan pada lingkungan darat. Di
tempat-tempat yang lebih dalam, fasiesnya berubah menjadi serpih, serpih
tufaan, batu lanau dan batu pasir dengan sisipan batubara. Ketebalan formasi
ini berkisar 0 sampai 300 meter.
2) Formasi Gumai
Formasi gumai diendapkan selaras di atas formasi baturaja yang berumur
miosen bawah sampai miosen tengah. Formasi gumai tersusun oleh serpih
dengan sisipan napal dengan batugamping di bagian bawah. Lingkungan
pengendapan formasi ini adalah laut dalam dengan ketebalan 300 sampai 2200
meter.
3) Formasi Muara Enim
Formasi muara enim, yaitu endapan yang selaras berada di atas formasi air
benakat. formasi ini berumur miosen atas yang tersusun oleh batu pasir
lempungan, batu lempung pasiran dan batubara. Formasi ini merupakan hasil
pengendapan lingkungan laut neritik sampai rawa
4) Formasi Kasai
Formasi kasai, yaitu endapan yang selaras di atas formasi muara enim.
Formasi ini tersusun oleh batu pasir, batulempung dan sisipan batubara tipis.
Lingkungan pengendapan ini adalah darat sampai transisi. Formasi muara enim
merupakan endapan rawa sebagai fasa akhir regresi yang menghasilkan
endapan batubara yang penting seperti yang terdapat di Bukit Asam.

7
 Gambar II.3 Peta Geologi Regional

II.4 Iklim dan Cuaca

Kabupaten Lahat termasuk dalam daerah yang memiliki iklim tropis, yaitu
musim kemarau dan musim hujan. Hal tersebut dapat di lihat dapat di lihat pada
curah hujan yang tidak merata pada setiap bulannya, curah hujan tertinggi terdapat
pada bulan April 2021 dengan jumlah 3716 mm dan jumlah hujan 14 hari dalam
sebulan. Sedangkan curah hujan terendah terdapat pada bulan Juni 2021 dengan
curah hujan 58 mm dan jumlah hujan 11 hari dalam sebulan (Badan Pusat Statistik,
2021).

Grafik Curah Hujan Daerah Lahat

4000
3500
3000
2500
2000
1500
1000
500
0

Sumber: Badan Pusat Statistika, 2021

Gambar II.4 Grafik Curah Hujan Daerah Lahat

8
II.5 Genesa Batubara

Batubara merupakan batuan Sedimen yang memiliki sifat mudah terbakar

yang terbentuk dari sisa-sisa tumbuhan dan terbentuk di area berawa yang
membentuk suatu lapisan yang di sebut dengan gambut.

Tahap penggambutan adalah fase biokimia dengan melibatkan perubahan

pada kimia dan biologi oleh mikroba didalamnya, sedangkan tahap
pembatubaraan disebut juga fase geokimia dengan melibatkan kimia dan fisika
yang membuat perubahan bentuk dari batubara tersebut berdasarkan lama
terbentuknya dengan batubara lignit sampai antrasit.

Sumber: Kentucky Geological Survey, 2012

Gambar II.5 Proses Pembentukan Batubara

II.5.1 Bentuk Lapisan Batubara

Dalam perlapisan batubara, hal-hal yang sangat berpengaruh dalam proses
penentuan dan perhitungan cadangan sumber daya serta pada proses
penambangannya adalah dimulai dari bentuk cekungan, proses geologi, proses
sedimentasi selama dan sesudah proses coalification. Pada umumnya perlapisan
batubara terdiri dari beberapa bentuk yaitu lapisan batubara berbentuk Horse Black,
lapisan batubara berbentuk Clay Vein, lapisan batubara berentuk Pinch, lapisan
batubara berentuk Fault, lapisan berentuk Burried Hill dan perlapisan batubara
berentuk fold.

9
1. Bentuk Horse Black
Lapisan batubara berbentuk Horse Black merupakan bentuk perlapisan
yang memiliki ciri-ciri melengkung ke arah atas untuk lapisan batubara yang
menutupinya. Perlapisan batubara yang berbentuk melengkung ke arah
atas seperti ini disebabkan karena akibat adanya gaya kompresi atau adanya
pengaruh tekanan. Bentuk ini mempunyai ketebalan lapisan batubara ke arah
lateral yang memiliki kemungkinan sama atau justru menjadi lebih kecil atau
menipis (Sukandarrumidi, 1995).

Sumber: Sukandarrumidi, 1995

Gambar II.6 Bentuk Horse Black

2. Bentuk Clay Vein

Bentuk Clay Vein merupakan perlapisan yang dicirikan oleh bentuknya
yang terdapat urat lempung di antara dua bagian deposit batubara. Bentuk Clay
Vein terjadi akibat suatu lapisan endapan batubara mengalami patahan,
kemudian pada bidang yang mengalami patahan tersebut memiliki rekahan
yang terbuka dan terisi oleh material lempung maupun pasir (Sukandarrumidi,
1995).

Sumber: Sukandarrumidi, 1995

Gambar II.7 Bentuk Clay Vein

10
3. Bentuk Pinch
Bentuk pinch merupakan bentuk perlapisan batubara yang dicirikan
memiliki penipisan pada bagian tengah dari endapan tersebut. Pada umumnya
dasar dari perlapisan berbentuk pinch ini merupakan endapan batuan yang
memiliki sifat plastis (Sukandarrumidi, 1995).

Sumber: Sukandarrumidi, 1995

Gambar II.8 Bentuk Pinch

4. Bentuk Fault
Bentuk Fault adalah bentuk perlapisan batubara yang terjadi akibat daerah
terdapatnya deposit batubara tersebut mengalami seri patahan. Kondisi seperti
ini yang sering membuat kesalahan dalam perhitungan cadanga. Hal ini
dikarenakan adanya perlapisan yang berpindah akibat pergeseran ke arah
vertikal (Sukandarrumidi, 1995).

Sumber: Sukandarrumidi, 1995

Gambar II.9 Bentuk Fault

5. Bentuk Burried Hill

Bentuk Burried Hill adalah bentuk perlapisan batubara yang terjadi jika
suatu daerah keterdapatan endapan batubara membentuk suatu kulminasi dan

11
 membuat lapisan batubara tersebut terintrusi (Sukandarrumidi, 1995).

Sumber: Sukandarrumidi, 1995

Gambar II.10 Bentuk Burried Hill

6. Bentuk Fold
Bentuk Fold merupakan bentuk yang terjadi akibat daerah terdapatnya
deposit batubara tersebut mengalami perlipatan. Perlipatan ini akan semakin
komplek seiring dengan keintensifitasan gaya yang berkerja pada perlipatan
(Sukandarrumidi, 1995).

Sumber: Sukandarrumidi, 1995

Gambar II.11 Bentuk Fold

II.5.2 Peringkat Batubara

Peringkat batubara merupakan tingkatan kematangan dari batubara yang
ditentukan berdasarkan temperatur, tekanan, dan waktu pengendapan. Ketiga faktor
tersebut tidak dapat dinilai secara satuan, namun harus dinilai sebagai faktor yang
saling berkesinambungan. Klasifikasi peringkat batubara dikutip dari ASTM
(American Standard Testing and Material) dijelaskan melalui Tabel II.1 dan Tabel
II.2 dibawah ini:

12
 Tabel II.1 Hasil Parameter Kualitas Batubara

TM IM ASH VM FC TS (% CV
(% adb) (% adb) (% adb) (% adb) (% db) db) (%db)

11.85912 16 31.41867 37.69953 38.3722 1.491859 5263

Tabel II.2 Peringkat Batubara berdasarkan Standar ASTM

Class Name Fixed Carbon Volatile CV (%Dry)

(%Dry) Matter (%Dry) (Kcal/Kg)

Anthracite Meta-anthracite >98 >2 7740

anthracite 92-98 2.0-8.0 8000

semianthracite 86-92 8.0-15 8300

Bituminous Low-volatile 78-56 14-22 8741

Medium volatile 89-78 22-31 8640

High-volatile A <69 >31 8160

High-volatile B 57 57 6750-8160

High-volatile C 54 54 7410-8375

6765-7410

Subbituminous Subbituminous A 55 55 6880-7540

Subbituminous B 56 56 6450-7230

Subbituminous C 53 53 5990-6860

Lignite Lignite A 52 52 4830-6360

Lignite B 52 52 <5250

Sumber: American Standard Testing and Material

13
 Pada Table II.1 didapatkan hasil dari parameter kualitas yang berasal dari uji
laboratorium oleh PT.X. pada table II.2 dimana didapatkan hasil dari peringkat
kualitas batubara dengan kualitas lignite. dimana didapatkan hasil dari fixed carbon
(FC) 38,3 %, volatile meter (VM) 37,6 %, nilai kalori batubara dari 4018 Kcal/kg
hingga 7715 Kcal/kg.

II.5.3 Kualitas Batubara

Kualitas batubara merupakan karakteristik dari batubara yang didasarkan
pada sifat kimia dan fisik dari batubara. Parameter tersebut digunakan dalam
penentuan nilai komersial dan kegunaan tertentu dari batubara. Oleh karena itu
penentuan kualitas batubara diperlukan serangkaian analisis dari unsur maseral dan
kandunganmineral dari batubara. Analisis yang dikenal dalam penentuan parameter
kualitas batubara adalah analisis proksimat dan analisis ultimat.
1. Analisis Proksimat
Menurut (Hamdani and Oktarini, 2014) analisis proksimat merupakan
analisis pengujian kimia untuk menentukan distribusi produk yang diperoleh
dari sampel batubara yang dipanaskan dibawah kondisi tertentu. Analisis
proksimat membagi produk ke dalam empat kelompok, yaitu:
1) Moisture
Moisture adalah molekul yang mengisi pori-pori ini yaitu sebagai total
moisture dan dipandang sebagai moisture bawaan di dalam sampel yang
dikumpulkan dalam keadaan segar. Sementara itu, inherent moisture
terdapat di dalam kapiler zat batubara dan berada dalam tekanan dari
kelembaban kapiler air permukaan. Untukitu banyak energi yang perlu
dikeluarkan untuk mengeluarkan air di dalam permukaan partikel
batubara (Hamdani and Oktarini, 2014).
2) Volatile matter (VM)
Volatile matter (VM) ialah banyaknya zat yang hilang bila sampel
batubara dipanaskan pada suhu dan waktu yang telah ditentukan (setelah
dikoreksi oleh kadar moisture). Volatile yang menguap terdiri atas
sebagian besar gas-gas yang mudah terbakar seperti hidrogen, karbon
monoksida, dan metan (Hamdani and Oktarini, 2014).
3) Fixed Carbon (FC)

14
 Fraksi non-volatile dari batubara, FC, menyatakan banyaknya
karbon yang terdapat dalam material sisa setelah volatile matter
dihilangkan. Kandungan inilah yang paling berperan dalam
menentukan besarnya heating value suatu batubara (Hamdani and
Oktarini, 2014). Semakin banyak fixed carbon, maka semakin besar
heating value-nya.
4) Kandungan Abu (Ash)
Kandungan abu (ash), merupakan jumlahresidu yang dihasilkan dari
pembakaran batubara. Kandungan abu berasal dari hasilsisa pembakaran
batubara. Keberadaan kandungan abu pada lapisan batubara
dikarenakan senyawa organik dan anorganik yang merupakan hasil dari
rombakan material di sekitarnya yang bercampur pada saat transportasi,
sedimentasi dan pembatubaraan (Hamdani and Oktarini, 2014).
2. Analisis Ultimat
Analisis ultimat adalah analisis elementer yang dilakukan untuk
menentukan kadar unsur karbon (C), hidrogen (H), oksigen (O), nitrogen (N),
dan sulfur (S) dalam batubara.
3. Basis Data
Untuk perbandingan antara satu hasil analisis dengan yang lain, maka
ditetapkan basis standar dengan persyaratan tertentu untuk setiap analisis
maupun uji yang dilakukan. Basis standar tersebut adalah:

Tabel II.3 Basis Batubara

Basis Unsur Kandungan Singkatan

As received basis Sama seperti saat diterima arb

Air dried Basis Dikeringkan dengan udara bebas adb

Dry basis Tidak ada kandungan air db

Dry, ash free Tidak ada kandungan air dan abu daf
basis
Pure Coal Basis Tidak ada kandungan air dan zat dmmf
mineral lain (dry mineral matter
free)

Sumber: Rahmad, 2017

15
 1) Air Dried Basis
Air dried basis menunjukkan bahwa uji dan analisis dilakukan dengan
menggunakan sampel uji yang telah dikeringkan pada udara terbuka, yaitu
sampel ditebar tipis pada suhu ruangan, sehingga terjadi kesetimbangan
dengan lingkungan ruangan laboratorium, sebelum akhirnya dilakukan
pengujian dan analisis.
2) Dry Basis
Dry basis menunjukkan bahwa hasil uji dan analisis dengan
menggunakan sampel uji yang telah dikeringkan di udara terbuka, lalu
dikonversikan perhitungannya untuk memenuhi kondisi kering.
3) Dry & Ash Free Basis
Dry & ash free basis merupakan suatu kondisi asumsi dimana batubara
sama sekali tidak mengandung air maupun abu. Adanya tampilan dry & ash
free basis menunjukkan bahwa hasil analisis dan uji terhadap sampel yang
telah dikeringkan di udara terbuka seperti di atas, lalu dikonversikan
perhitungannya sehingga memenuhi kondisi tanpa abu dan tanpa air.

4) Pure Coal ( Dry & Mineral Matter Free) Basis

Pure coal basis berarti batubara diasumsikan dalam keadaan
murni dan tidak mengandung air serta zat mineral lainnya. Kondisi ini
disebut pula dengan nama dry & mineral matter free basis.

II.6 Eksplorasi Batubara

Menurut (Standarisasi Nasional Indonesia, 2019) bahwa suatu kegiatan
eksplorasi merupakan suatu kegiatan yang bersifat teknis dalam rangka
penyelidikan umum dan prospeksi untuk mengetahui suatu indikasi adanya
batubara dan kondisi geologi secara regional dengan tujuan untuk memperoleh data
maupun informasi secara terperinci dan teliti tentang lokasi, sebaran, kualitas,
bentuk, dimensi dan sumber daya tertunjuk atau terukur dari suatu batubara.
Eksplorasi batubara dilaksanakan melalui beberapa tahap, yaitu survei tinjau,
prospeksi, eksplorasi pendahuluan, dan eksplorasi rinci.

16
 1. Survei Tinjau
Pada tahap ini melakukan studi geologi regional berupa pemetaan geologi
regional, penginderaan jauh, dan metode tak langsung yang lainnya dimana
ditarik kesimpulan berdasarkan ekstrapolasi dan/atau interpolasi dengan
melakukan inspeksi lapangan pendahuluan.
2. Prospeksi
Pada tahap ini dilakukan untuk mempersempit daerah yang dimana
mengandung endapan batubara dengan menggunakan metode pemetaan geologi
guna mengindentifikasikan suatu singkapan serta dapat dilakukan dengan
penyelidikan geofisika, penyelidikan geokimia, sumur uji, parit uji, pengeboran
serta pengambilan contoh atau sampel.
3. Eksplorasi Pendahuluan
Ekplorasi pendahuluan merupakan suatu kegiatan teknis dimana termasuk
prospeksi dan penyelidikan umum untuk dapat mengetahui bagaimana kondisi
geologi regional serta adanya indikasi mengandung batubara.
4. Eksplorasi Rinci
Eksplorasi rinci merupakan suatu kegiatan teknis untuk mendapatkan
informasi secara teliti dan rinci mengenai bentuk, lokasi, sebaran, dimensi,
kualitas, dan sumber daya tertunjuk dan/atau terukur batubara.

II.7 Permodelan Geologi Batubara

Pemodelan geologi adalah suatu penggambaran matematis yang
dilakukan dari suatu kondisi geologi guna mendapatkan interpretasi geologi
dari endapan batubara tersebut (SNI 5015: 2019). Pemodelan geologi terbagi
menjadi dua jenis yaitu pemodelan kualitas maupun pemodelan geometri
dengan berdasarkan hasil interpretasi geologi yang terdiri atas kualitas/kadar,
litologi/seam maupun struktur geologi. Beberapa hal yang perlu diperhatikan
dalam pemodelan geologi adalah berupa interpretasi geologi lokal dan
kerapatan serta distribusi data.
Dalam prosesnya, pembuatan model geologi dapat dilakukan dengan
menggunakan perangkat lunak dengan memasukkan data yang berkaitan
dengan data struktur, topografi, kuantitas dan kualitas batubara. Pemodelan

17
geologi juga dapat dilakukan secara manual. Prinsip yang digunakan untuk
pengoperasian perangkat lunak termasuk langkah-langkah yang dilakukan
untuk proses pemodelan dan penggambaran interpretasi geologi harus dipahami
secara benar.Pemodelan geologi pada umumnya terbagi menjadi beberapa
bagian berdasarkan keadaan distribusi data dan keadaan geologi. Parameter
untuk pemodelan geologi seperti distribusi data, interpretasi geologi lokal,
kerapatan data dan kecenderungan data harus tepat. Untuk kesesuaian
parameter tersebut harus dikonformasi kembali menggunaakan metode
kuantitatif.
Menurut SNI 5015 : 2019, Pertimbangan pemodelan dengan
menggunakan perangkat lunak terdiri dari :
1. Pemilihan algoritma pemodelan
2. Pemilihan tipe pemodelan
3. Ukuran grid mesh atau blok
4. Pencarian data di sekitarnya
5. Interpolasi antardata

II.7.1 Data Pemodelan Geologi Batubara

Pada umumnya, data yang digunakan untuk pemodelan geologi batubara
adalah terdiri dari :
1. Peta Topografi
2. Data penyebaran singkapan batubara
3. Data dan sebaran titik bor
4. Peta geologi lokal yang meliputi litologi, stratigrafi, dan stuktur geologi.
5. Peta situasi data seperti aliran sungai, jalan perkampungan, dan lain-lain.

Untuk mengetahui cropline batubara, data penyebaran singkapan sangat

diperlukan untuk mengetahui area penambangan tersebut akan dimulai. Kegiatan
pemboran menghasilkan data elevasi floor dan roof batubara. Sedangkan peta
situasi data seperti aliran sungai, jalan perkampungan akan berguna pada saat
menentukan batas perhitungan cadangan dan sumberdaya. Data-data tersebut
nantinya diolah untuk mendapatkan model endapan batubara yang berbentuk tiga
dimensi dan selanjutnya dilakukan proses perhitungan sumberdaya dan endapan

18
batubara. Data olahan ini berupa :

1) Peta Isopach
Peta isopach merupakan peta yang menggambarkan variasi untuk
menunjukkan kontur penyebaran ketebalan suatu batubara. Data ketebalan
ini didapat dari uji uritan, data bor, uji sumur, dan singkapan.
2) Peta Kontur Struktur
Peta kontur struktur merupakan peta yang berisi megenai kontur elevasi
dari top atau bottom batubara yang bertujuan untuk mengetahui arah seam
batubara. Perolehan elevasi top atau bottom batubara didapat dari data bor.

II.7.2 Tahapan Pemodelan Geologi Batubara

Untuk mengetahui suatu bentuk dan perlapisan batubara dari segi letak
maupun posisi, kimiringan, kedalaman, kemiringan dan jumlah lapisan batubara
yang terdapat pada daerah penelitian maka perlu untuk dilakukan pemodelan
geologi batubara. Hal-hal yang dilakukan terkait Permodelan batubara yaitu
mengkorelasi data pemboran yang terdiri dari ketebalan roof, elevasi dan floor.
Tahapan-tahapan permodelan batubara adalah sebagai berikut :
1. Penentuan Lapisan dan Kolerasi Batubara
Penentuan lapisan dan korelasi batubara didapatkan dari data pemboran
yang berisikan data survei koordinat, kedalaman total titik pemboran serta
elevasi. Selain itu, dilakukan pembuatan data litologi yang berisikan elevasi
roof, elevasi floor, penamaan lapisan batubara dan informasi ketebalan.
2. Pemprosesan Data Survei dan Litologi
Pemprosesan data survei dan litologi dengan bantuan software minescape
dengan menggunakan data topografi sebagai batas permodelan batubaranya.
3. Pemeriksaan Data Survei dan Litologi
Pemeriksaan data survei dan litologi maupun aturan pemodelan yang telah
ditentukan untuk hasil permodelan batubara yang telah dibuat. Adapun data-
data yang dibutuhkan dalam tahap pemodelan geologi adalah sebagai berikut:
a) Well Logging Geofisika
Well Logging adalah suatu parameter berupa fisika dan kimia

19
 batuan terhadap kedalaman suatu lubang bor. Adapun tujuan dari well
logging geofisika ini adalah agar memperoleh suatu data kedalaman dan
ketebalan serta kualitas dari batubara tersebut. Log geofisika yang
digunakan dalam proses eksplorasi batubara adalah berupa logging
sinar gamma dan logging densitas. Perbedaan antara log gamma ray dan
log density adalah berada pada jika log gamma ray menggunakan
prinsip pengukuran melalu perekaman radioaktif alami dari suatu
batuan sedangkan untuk log density adalah menggunakan sumber sinar
radioaktif untuk mengetahui densitas dari suatu batuan tersebut.

II.8 Statistika Dasar

Statistika adalah cara atau aturan-aturan yang berkaitan dengan metode,
teknik pengolahan data, mengumpulkan data, menganilisis data yang berbentuk
asumsi asumsi tertentu. Analisis statistik dasar (basic statistic) dalam geostatistik
menggunakan data yang akan dihitung Grid berasal dari data yang memiliki sifat
homogen. Analisis statistika yang digunakan adalah analisis statistika deskriptif
meliputi:
1. Rata-Rata (Mean)
Rata-rata (mean) merupakan nilai yang mewakili sifat tengah dari suatu
kumpulan nilai data.
∑𝑛
𝑖=1 𝑋𝑖
x̄ = (II.1)
𝑛
Keterangan:
𝑥̅̅ = Rata-rata suatu populasi
𝑛 = Banyaknya data x dalam suatu populasi
𝑥̅𝑖 = Nilai dari data (Variabel x)
2. Median
Median merupakan nilai tengah dari data-data yang telah disusun dari
nilai terkecil hingga nilai terbesar ataupun sebaliknya.
1) Median Untuk Data Ganjil
𝑛+1
𝑀𝑒𝑑𝑖𝑎𝑛 = 𝑥̅ (II.2)
2

2) Median Untuk Data Genap

20
 1 𝑛 𝑛
𝑀𝑒𝑑𝑖𝑎𝑛 = 2 (𝑥̅ ( 2) + 𝑥̅ ( 2 + 1) (II.3)

Keterangan:
x = Nilai data
n = Jumlah data

3. Modus
Modus merupakan nilai yang sering muncul dari data.
4. Simpangan Baku (Standard Deviation)
Simpangan baku menggambarkan besarnya perbedaan nilai sampel
terhadap rata-rata dari sampel.

∑𝑛 ̄2
𝑖=1(𝑥i−x)
𝜎=√ (II.4)
𝑛−1

Keterangan:
= Standar deviasi
𝑥̅̅ = Rata-rata
𝑥̅ = Nilai data ke-i
n = Jumlah data
5. Variasi
Variansi merupakan kuadrat dari simpangan baku yang berfungsi untuk
mengukur variabilitas dari kumpulan data tersebut.
𝑉𝑎𝑟𝑖𝑎𝑛𝑠 = 𝜎 2 (II.5)
6. Koefisien Variasi (Coefficient of Variotion / CoV)
Koefisien variasi merupakan ukuran persebaran data atau lebih dikenal
sebagai simpangan baku relatif. Nilai CoV < 0,5 maka data dianggap
berdistribusi normal sedangkan nilai CoV 0,5 dianggap distribusi lognormal
(Koch Jr and Link, 1971).
𝜎
𝐶𝑜𝑉 = x̅ 𝑥̅100% (II.6)

Keterangan:
𝜎 = Standar deviasi
𝑥̅̅ = Rata-rata variabel x
7. Skewness
Skewness merupakan penyimpangan dari kesimetrisan suatu kurva

21
distribusi, dimana bila kurva (distribusi data) miring ke kanan merupakan
kemiringan positif. Sedangkan, bila kurva distribusi miring ke kiri merupakan
kemiringan negatif. Distribusi data yang normal mempunyai nilai skewness ±1
(Oliver and Webster, 2015). Untuk menghitung nilai koefisien skewness
didefinisikan sebagai berikut (Oliver and Webster, 2015):
1 𝑛 ̄3
∑ (𝑥i−x)
𝑛 𝑖=1
𝐶𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡 𝑜𝑓 𝑆𝑘𝑒𝑤𝑛𝑒𝑠𝑠 = 3
(II.7)
𝜎

Keterangan:
𝑛 = Jumlah data
𝑥̅𝑖 = Nilai data ke – i
𝑥̅̅ = Rata-rata
𝜎𝑥̅ = Simpangan baku

Sumber: Bulmer, 1979

Gambar II.12 Grafik Skewnes

8. Kurtosis
Kurtosis merupakan titik puncak dari sebuah distribusi yang digunakan
untuk membandingkan dengan suatu distribsui normal. Kurva distribusi
kurtosis terdiri dari tiga jenis, diantaranya:
a. Leptokurtik, distribusi dengan puncak yang relatif tinggi
b. Platikurtik, distribusi dengan puncak yang mendatar
c. Mesokurtik, distribusi dengan puncak yang tidak tinggi dan tidak
mendatar

22
 Sumber: Harinaldi, 2005

Gambar II.13 Grafik Kurtoris

9. Histogram
Histogram merupakan distribusi data yang menunjukan frekuensi suatu
data muncul dalam data data yang berbeda dan disajikan dalam bentuk grafik.
Histogram memberikan gambaran secara visual frekuensi data yang bersifat
kontinu. Lebar dari batang histogram merupakan interval kelas, sedangkan
batas-batas tepi batang histogram merupakan tepi bawah dan tepi atas dari
kelasnya serta tinggi dari batang histogram menunjukkan frekuensi pada kelas
tesebut.

Sumber: Lorentz, 2014

Gambar II.14 Historigam

10. Probability Plot

Probability plot merupakan metode untuk menentukan apakah suatu
sekumpulan data berdistribusi normal atau tidak. Untuk mengetahui nilai

23
kenormalan data tersebut dengan menggunakan uji probability plot dengan
melihat penyebaran titik data terhadap garis linear. Suatu penyebaran data
dikatakan berdistribusi normal apabila penyebaran titik data mengikuti arah
diagonal, namun jika penyebaran titik data cenderung mengarah keatas atau
kebawah maka data tersebut berdistribusi tidak normal.

Sumber: Lorentz, 2014

Gambar II.15 Probability Plot

11. Boxplot
Boxplot merupakan salah satu cara dalam statistik deskriptif untuk
menggambarkan secara grafik dari data numerik melalui lima ukuran sebagai
berikut:
1) Nilai observasi terkecil.
2) Kuartil terendah atau kuartil pertama (Q1), yang memotong 25 %dari
data terendah.
3) Median (Q2) atau nilai tengah.
4) Kuartil tertinggi atau kuartil ketiga (Q3), yang memotong 25 %dari data
tertinggi.
5) Nilai observasi terbesar.

Dalam boxplot juga ditunjukan, jika terdapat nilai outlier dari observasi.
Dalam penggambarannya, boxplot dapat digambarkan secara horizontal
maupun vertikal. Variogram sensitif terhadap pencilan data. Boxplot adalahcara

24
ideal untuk mengindentifikasikan pencilan data. Semua pencilan data harus
diselidiki, dan dianggap sebagai nilai yang berpotensi salah sebelum pencilan
data tetap sebagai bagian dari kumpulan data (Oliver and Webster,2015).

Sumber: Michael Galarnyk, 2018

Gambar II.16 Boxplot

12. Root Mean Square Error (RMSE)

Root Mean Square Error (RMSE) adalah kuadrat dari rata-rata kesalahan.
Pengujian pada RMSE yang terkecil maka pengujian semakin baik (Novriyana
& Marpaung, 2020).
Rumus persamaan RMSE:
(𝑌 1 −𝑌)2
𝑅𝑀𝑆𝐸 = √∑ (II.8)
𝑛

Keterangan:
Y' = Nilai Prediksi
Y = Nilai Sejati
n = Jumlah Data

25
 Sumber: Surfer 2022
Gambar II.17 Hasil Root Mean Square Error

II.9 Sumberdaya Batubara

Endapan batubara yang memiliki bentuk dan kuantitas tertentu dan
mempunyai nilai keekonomisan atau prospek untuk ditambang disebut dengan
sumber daya (Standarisasi Nasional Indonesia, 2019). Hal-hal terkait yang perlu
diketahui atau diperkirakan untuk menentukan sebuah sumber daya terdiri
diantaranya lokasi, kuantitas, kualitas, karakteristik geologi, dan kemenerusan dari
lapisan batubara yang telah diinterpretasikan dari penelitian geologi sebelumnya.

II.10 Kompleksitas Geologi

Karakteristik geologi dapat dikelompokkan menjadi tiga kelompok akibat
proses tektonik dan proses sedimentasi diantaranya terdiri dari: kelompok geologi
sederhana, kelompok geologi moderat, dan kelompok geologi kompleks
(Standarisasi Nasional Indonesia, 2019). Dimana di lokasi penelitian ini terdapat
kompleksitas geologi sederhana dan moderat, dimana tidak terdapat sesar dan
lipatan yang berada di area penelitian, dengan variasi ketebalan yang sedikit,
kesinambungan antar lapisan hingga ratusan meter, dan ada beberapa percabangan.

26
 Tabel II.4 Tipe Endapan Batubara berkaitan dengan Sedimentasi, Tektonik, dan
Variasi Kualitas
Kondisi
Geologi
Parameter
Sederhana Moderat Kompleks

I. Aspek Sedimentasi

1. Variasi Ketebalan Sedikit bervariasi Bervariasi Sangat bervariasi

2. Kesinambungan Ribuan meter Ratusan meter Puluhan meter

3. Percabangan Hampir tidak ada Beberapa Banyak

II. Aspek Tektonik

1. Sesar Hampir tidak ada Jarang Rapat

2. Lipatan Hampir tidak Terlipat sedang Terlipat kuat

terlipat

3. Intrusi Tidak Berpengaruh Sangat

berpengaruh berpengaruh

4. Kemiringan Landai Sedang Curam

III. Aspek Kualitas

1. Variasi Kualitas Sedikit bervariasi Bervariasi Sangat bervariasi

Sumber: Standarisasi Nasional Indonesia (2019)

II.11 Interpolasi
Interpolasi adalah metode yang digunakan untuk melihat hubungan antar
variabel yang diukur pada titik tertentu dengan variabel yang sama, diukur pada
titik dengan jarak tertentu dari titik pertama (data spasial) dan digunakan untuk
mengestimasi parameter di tempat yang tidak diketahui datanya. Interpolasi
merupakan teknik untuk mencari nilai suatu variabel yang hilang pada rentang
data yang diketahui. Data lain yang didapat seringkali memiliki sejumlah pola.
Pola yang terbentuk dapat berupa polinomial atau mengelompok. Tiap pola akan
memiliki metode pendekatan yang berbeda-beda. Terdapat kemungkinan tak

27
terbatas dari pola data tersebut.

Pada penerapannya, interpolasi dapat optimal ketika data berdistribusi normal

dan stasioner (rata-rata dan variansi tidak berubah terlalu signifikan terhadap
ruang). Data dapat dikatakan stasioner apabila tidak memiliki trend atau fluktuasi
data berada dekat dengan nilai rata-rata maupun variansi yang konstan terhadap
ruang (Geoff Bohling, 2005).

II.12 Inverse Distance Weighting (IDW)

Inverse Distance Weighting (IDW) adalah suatu teknik interpolasi yang
memperhitungkan adanya hubungan letak suatu ruang (jarak), dan merupakan
kombinasi antara linier dan harga rata-rata bobot (weighted average) dari titik data
yang ada di tempat penelitian. Faktor dalam pengaruh nilai IDW adalah nilai
parameter power (p) (Isaak dan srivasatva, 1989). Dimana power memiliki
pengaruh dalam penentuan nilai sampel pada data perhitungan interpolasi yang
berfungsi untuk mengatur signifikasi terhadap pengaruh titik-titik yang ada di
sekitar lokasi pengambilan sampel. Di penelitian ini dilakukan penentuan estimasi
dengan metode IDW menggunakan parameter power 1,2,3,4, dan 5 yang
merupakan paling umum digunakan dalam literatur (Yasrebi dkk, 2009). Power
optimal ditentukan dengan meminimalkan root mean square error (RMSE) yaitu
statistik yang di hitung dari validasi silang. Dalam validasi silang, setiap titik yang
di ukur dihapus dan dibandingkan dengan nilai prediksi untuk lokasi pengambilan
tersebut. RMSE adalah statistik ringkasan yang mengukur kesalahan prediksi.
Dilakukan analisa beberapa power berbeda pada IDW, untuk mengidentifikasikan
kekuatan yang menghasilkan RMSE minimum. Diagram di bawah ni menunjukkan
bagaimana Analisa menghitung power optimal. RMSE diplot di beberapa kekuatan
berbeda untuk dataset yang relative sama dari kurva power yang menyediakan
RMSE terkecil ditentukan sebagai power optimal. Jika power = 0, tidak ada
penurunan dengan jarak, dan karena setiap bobot Wi akan sama, prediksi akan
menjadi rata-rata dari semua nilai yang di ukur.

28
 Sumber: ArcGis, 2007

Gambar II.18 Grafik RMSE dan Power

Kemudian nilai pembobot dalam teknik IDW umumnya dihitung dengan

persamaan berikut (Isaak dan Srivastava,1989):
1
𝑑𝑖𝑝
𝑊𝑖 = 1 (II.8)
∑𝑛𝑖=1 𝑝
𝑑𝑖

Dimana:
𝑑𝑖 = Jarak antar titik pengamatan ke-i dengan titik yang diduga
𝑝 = Power (bilangan bulat)

Rumus umum untuk Inverse Distance Weighting adalah (Isaak dan

Srivastava, 1989):
Ž0 ∑𝑛𝑖=1 𝑊𝑖. 𝑍𝑖 (II.9)
=
Keterangan:
𝑍̌0 = Nilai titik yang ditaksir
𝑊𝑖 = Faktor bobot dari titik i
𝑍𝑖 = Nilai dari titik penaksir

Untuk pemahaman dalam menggunakan metode IDW, berikut contoh

dilakukan pengukuran ketebalan batubara pada sejumlah titik seperti terlihat pada
gambar II.8. Terdapat disebuah lokasi, yaitu titik berwarna merah, yang akan diukur

29
ketebalannya. Dengan menggunakan metode IDW dan sejumlah sampel titik (12
titik yang mempunyai nomor 1 sampai 12 berikut ketebalan dan jarak p a d a
setiap titik berwarna merah). Kita dapat menentukan ketebalan batubara dari titik
merah tersebut. Jika nilai ketebalan pada masing-masing titik sampel kita sebut Z,
sehingga ada Z1, Z2, Z3, Z4, Z5, Z6, Z7, Z8, Z9, Z10, Z11, Z12,. Dan jarak masing- masing
titik sampel ke titik merah kita sebut d, sehingga ada d1, d2, d3, d4, d5, d6, d7, d8, d9,
d10, d11, d12.

Sumber: Surfer 2022

Gambar II.19 Ilustrasi Metode Inverse Distance Weighting (IDW)

Tabel II.5 Perhitungan Metode Inverse Distance Weighting

KOORDINAT Xi Di
Di2 1/di^2 Wi Xi. Wi
X Y (tebal) (jarak)
4492.98 3626.02 3.05 328 107584 0.00000930 0.01857 0.056641
4375.46 3724.84 2.01 335 112225 0.00000891 0.01780 0.035784
4738.91 3674.06 2.15 241 58081 0.00001722 0.03440 0.073958
4634.21 3779.62 1.87 113 12769 0.00007831 0.15647 0.292594
4548.56 3868.87 1.85 116 13456 0.00007432 0.14848 0.274686
4411.52 3976.08 0 235 55225 0.00001811 0.03618 0
4859.34 3816.04 1.13 193 37249 0.00002685 0.05364 0.06061
4760.98 3916.29 1.76 88 7744 0.00012913 0.25800 0.454076
4657.19 4019.26 1.41 106 11236 0.00008900 0.17782 0.25072
4545.32 4123.9 0.97 227 51529 0.00001941 0.03877 0.03761
4893.24 4053.57 1.28 253 64009 0.00001562 0.03121 0.039953
4780.17 4163.36 1.57 264 69696 0.00001435 0.02867 0.045006
∑ 0.00050052 1 1.62

30
II.13 Nearest Neighbour Point (NNP)
Nearest Neighbour Point (NNP) adalah metode poligon terhadap contoh
terdekat, yaitu dengan metode pengambilan nilai estimasi terhadap titik berdasarkan
pada pengaruh tiap titik mengikuti titik terdekat. Dimana metode ini biasa
digunakan untuk endapan yang bersifat homogen dan endapat yang memiliki
geometri yang sederhana (Hartman, 1992).

Sumber: Hartman, 1992

Gambar II.20 Ilustrasi Metode Nearest Neigbour Points (NNP)

Gambar II.9 menunjukan bahwa metode Nearest Neigbour Point (NNP).

Terdapat area yang berwarna putih yang tidak terarsir merupakan area yang tidak
dapat di jangkau dari metode tersebut. sehingga metode ini memiliki kelemahan
pada area yang bergeometri tidak stabil dari data yang di peroleh tersebut , untuk
mempermudah perhitungan metode ini bisa di lihat pada table II.6:
Tabel II.6 Perhitungan Metode Nearest Neigbour Point
KOORDINAT
Xi (tebal) Di (jarak) Di2 1/di^2 Wi Xi. Wi
X Y
4738.91 3674.06 2.15 131 17161 5.83E-05 0.08816 0.189553
4634.21 3779.62 1.87 117 13689 7.31E-05 0.11053 0.206683
4548.56 3868.87 1.85 120 14400 6.94E-05 0.10507 0.194377
4859.34 3816.04 1.13 93 8649 0.000116 0.17493 0.197673
4657.19 4019.26 1.41 134 17956 5.57E-05 0.08426 0.118808
4984.19 3961.81 0.72 122 14884 6.72E-05 0.10165 0.073189
4893.24 4053.57 1.28 160 25600 3.91E-05 0.0591 0.075649
4780.17 4163.36 1.57 74 5476 0.000183 0.27629 0.433783
∑ 0.000661 1 1.49

31
 BAB III METODOLOGI PENELITIAN

III.1 Metodologi
Dalam penelitian ini digunakan metode kuantitatif. Metode kuantitatif
digunakan untuk mengolah data sekunder yaitu data hasil eksplorasi batubara yang
telah dilakukan oleh perusahaan PT X. Pada metode kuantitatif data sekunder
diolah menjadi model geologi yang dilakukan secara matematis oleh beberapa
software. Data hasil eksplorasi dilakukan analisa statistik deskriptif dengan
software minitab 17. Dilanjutkan dengan perhitungan analisa geostatistik dan
interpolasi dengan software Surfer dan dilanjutkan dengan melakukan pembuatan
grid dan peta isopach yang nantinya digunakan untuk estimasi dengan metode IDW
dan NNP untuk melakukan perhitungan RMSE.

III.2 Tahapan Penelitian

Untuk melakukan analisis hubungan nilai kalori dengan ketebalan batubara,
terdapat beberapa prosedur yang perlu dilakukan diantaranya sebagai berikut :

1. Studi Pustaka
Merupakan pembelajaran yang dilakukan dari referensi tulis
lainnya yang didapatkan dari perpustakaan, hasil penelitian terdahulu,
maupun lembaga terkait.
2. Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data sekunder,
yangantara lain:
1) Koordinat lubang bor (Easting, Northing)
2) Ketebalan batubara tiap lubang bor
3) Nilai kalori batubara tiap lubang bor
4) Nilai sulfur batubara tiap lubang bor
3. Analisis Data
Analisa yang dilakukan berupa:
1) Analisis statistik pada database
2) Analisia cross validation
3) Analisis penyebaran ketebalan, nilai kalori, dan sulfur batubara

32
 4) Perhitungan volume batubara, ketebalan rata-rata, nilai kalori
rata-rata, dansulfur rata-rata dari metode IDW dan NNP

III.3 Preparasi Data

Sebelum mengolah data, data berupa koordinat, ketebalan, nilai kalori
batubara, dan sulfur batubara harus dilampirkan dalam bentuk format yang sesuai
dengan software yang digunakan untuk proses pengolahan data. Pada penelitian ini,
digunakan microsoft excel dan minitab17 untuk membuat format data.

III.4 Pengolahan Data

Pengolahan data dilakukan dengan 2 tahap, yaitu tahap pertama adalah
menganalisa data statistik dengan Microsoft Excel dan dilanjutkan dengan
menganalisa geostatistik dan interpolasi dalam mengestimasi ketebalan, nilai
kalori, dan sulfur batubara dengan software Surfer.

III.5 Analisa Statistik Deskriptif

Analisa statistik deskriptif dibagi menjadi 4 tahap, yaitu:
1. Pendeteksian Pencilan Data (Outlier)
Pendeteksian pencilan data (outlier) dilakukan dengan metode boxplot
menggunakan perangkat lunak minitab 17. Outlier pada boxplot ditentukan
dengan batas interquartile dari batas kuartil bawah (Q1) dan batas kuartil
atas(Q3). Tahapan dalam membuat boxplot yaitu :
1) Masukan data kedalam software minitab 17 dengan mengklik file >
OpenWorksheet, kemudian pilih data yang di tampilkan.
2) Klik pada tab “Graph” > Boxplot > Simple > Ok. Kemudian muncul
kotak pilihan Boxplot pada Gambar III.1.

33
 Gambar III.1 Pilihan Boxplot

3) Akan muncul perintah selanjutnya untuk memasukan data. Pada bagian

graph variables masukan data dengan cara mengklik data yang kita
inginkan sebanyak 2 kali. Kemudian klik “OK” dapat dilihat pada
Gambar III.2.

Gambar III.2 Memilih Data Untuk Boxplot

4) Didapatkan hasil boxplot dengan pencilan data (outlier) pada data

yang telah dipilih, dapat dilihat pada Gambar III.3.

Gambar III.3 Contoh Hasil Boxplot pada Minitab 17

2. Analisis Statistik Dasar

34
 Pada analisis statistik dasar, parameter yang digunakan untuk menganalisa
data adalah rata-rata (mean), median, standar deviasi, varians, CoV, dan
skewness. Adapun tahapan dalam menganalisis statistik dasar adalah sebagai
berikut :
1) Masukan data kedalam perangkat lunak minitab 17 dengan mengklik file
> OpenWorksheet, kemudian pilih data.
2) Klik pada tab “Stat” > pilih “Basic Statistic” > pilih “Display
Descriptive Statistics”. Dapat dilihat pada Gambar III.4.

Gambar III.4 Langkah Awal Statistik Dasar Minitab 17

3) Akan muncul tampilan untuk memasukan data yang diinginkan. Pada

kolom Variables. Pilih data yang ingin dianalisa. Pada kotak Statistics,
tentukan parameter yang ingin dianalisa dan kemudian klik
“OK”.Dapat dilihat pada Gambar III.5.

Gambar III.5 Memasukan Data dan Parameter Statistik

Dasar pada Minitab 17

35
 4) Didapatkan hasil analisa statistik dasar yang terdapat pada Gambar III.6.

Gambar III.6 Contoh Hasil Statistik Dasar Pada Minitab 17

3. Analisis Grafik
Grafik yang akan dianalisa pada penelitian ini adalah grafik histogram dan
grafik probabilitas. Kedua grafik ini dibuat dengan software minitab 17.
Adapun langkah langkah pengerjaannya sebagai berikut :
1) Klik pada tab “Graph” > Pilih “Histogram” atau “Probability Plot”.
Dapat dilihat pada Gambar III.7

Gambar III.7 Langkah Awal Pembuatan Grafik

2) Pada histogram, akan muncul pilihan bentuk grafik. Pilih grafik “With
Fit”. Klik Ok. Sedangkan pada grafik probability plot pilih grafik
“Single”. Dapat dilihat kedua pilihan tersebut pada Gambar III.8.

36
 Gambar III.8 Pemilihan Jenis Grafik Minitab17

3) Masukkan data kedalam kolom “Graph Variables”. Kemudian klik

“OK”. Dapat dilihat pada Gambar III.9.

Gambar III.9 Memilih Data pada Grafik

4) Hasil berupa grafik histogram atau grafik probabilitas akan muncul.

4. Analisa Statistik
Analisa statistik yang digunakan dengan perangkat lunak (software) Surfer.
Yaitu dengan membuat perhitungan ketebalan, nilai kalori, dan sulfur pada
batubara, dengan outout isopach dan estimasi inverse distance weighting.
1. Membuat Peta Isopach

37
 Pembuatan peta isopach digunakan untuk melihat penyebaran dari data
yang digunakan dalam menghitung estimasi inverse Distance Weighting dan
Nearest Neigbour point. Dalam pengerjaan dilakukan tahap sebagai berikut:
1) Membuat Grid
Preparasi data yang telah dilakukan dalam software Microsoft Excel, di
input kedalam software Surfer. Pada bagian Grid Data > pilih “Browse
Data”> pilih data yang akan di input. Dapat dilihat pada gambar III.10.

Gambar III.10 Memasukan data Pada Surfer

2) Melakukan Statistik Data Yang Telah di Input
Digunakan untuk mengvalidasi data yang telah di input, dan
menghasilkan “Data Statistik Report”. Dapat dilihat pada Gambar III.11

Gambar III.11 Report Data Statistik Surfer

38
3) Memilih Option
Option digunakan untuk menentukan “Search Radius” yang digunakan
untuk menghitung ketebalan dan jarak dari data yang telah di input. Dapat
dilihat pada Gambar III.12.

Gambar III.12 Menentukan Power dan Jarak Pencarian

4) Cross Validation
Cross validation digunakan untuk menentukan data yang di hitung valid
atau tidak. Dapat dilihat pada Gambar III.13.

Gambar III.13 Cross Validation

5) Output Peta Isopach Dan Volume Dari Perhitungan

39
 Digunakan untuk melihat pola perserbaran dari data ketebala, nilai
kalori batubara, dan nilai sulfur batubara, dalam bentuk warna skala. Dapat
dilihat pada Gambar III.14.

Gambar III.14 Peta Isopach

40
III.6 Diagram Alir

Mulai

Pengumpulan Data Sekunder

Data Survei Data Hasil Pengeboran

TIDAK VALID

Data Topografi Data Litologi Data Data Logging

Collar Geofisika

Verifikasi dan Validasi

Data pemboran

Pembuatan Grid
penyebaran
batubara
TIDAK VALID

Verifikasi dan Validasi

Data Grid

Klasifikasi dan Estimasi

Sumber Daya Batubara

Analisis Data

Kesimpulan dan Saran

Selesai

Gambar III.15 Diagram Alir

41
 BAB IV HASIL DAN PEMBAHASAN

IV.1 Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal
dari kegiatan eksplorasi pemboran pada wilayah Lahat, Sumatera Selatan,
Indonesia. Data tersebut berisikan data lubang bor yang terdapat informasi seperti
lubang bor, elevasi pemboran, dan data kualitas batubara serta geometri. Data
tersebut memiliki jumlah 100 titik dengan kedalam bervariasi hingga 80 m, yang
tersebar pada koordinat 4569.44 – 5798.62 N dan 2423.31 – 4210.41 E dan rata-
rata kedalaman lubang bor yaitu 55,49 m, dan spasi rata-rata ±150 terdapat 100 titik
lubang bor dengan ketebalan batubara yang didapatkan bervariasi sesuai dengan
seam setiap lapisan batubara.

IV.2 Persiapan, Pemilihan, Verifikasi dan Validasi Data

Dalam hal persiapan data, hal yang perlu dilakukan adalah membuat database
dari log bor yaitu dengan menggunakan software Microsoft excel. Dimana
dilakukan pemilihan data berdasarkan data lapisan paling tebal dengan data
ketebalan 3,4 m, dan yang tertipis 0,2 m. untuk batubara didapatkan untuk seam
yang terdapat lapisan ketebalan batubara yaitu pada seam 6, seam 7, seam 8, seam
21B, dan seam 24A.

IV.3 Verifikasi dan Validasi Data

Verifikasi dan validasi perlu dilakukan sebelum dilakukan pengolahan data
untuk pemodelan geologi dan estimasi sumber daya batubara. Proses verifikasi dan
validasi data pada setiap data dilakukan untuk memastikan apakah data yang
tersedia telah siap untuk digunakan. Pada penelitian kali ini dilakukan proses
verifikasi dan validasi data pada data collar dan data litologi pada lubang bor dari
daerah penelitian. Untuk data collar harus memiliki informasi titik lubang bor,
easting (m), northing (m), elevasi (m), dan kedalaman total dari lubang bor.
Sedangkan, data litologi harus memiliki informasi titik lubang bor, unit stratigrafi,
from (m), to (m), ketebalan (m), dan litologi pada setiap kedalaman dari lubang bor.

42
IV.4 Analisis Statistik
Analisa statistik yang digunakan adalah analisa statistik deskriptif univarian
yang digunakan untuk melihat distribusi dan sebaran dari data asli geometri dan
kualitas batubara. Dari analisis statistik tersebut dapat ditentukan apakah sebaran
data tersebut berdistribusi normal atau tidak. Hal ini sangatlah penting dikarenakan
distribusi suatu data akan menentukan treatment selanjutnya dilakukan pada data
komposit kualitas yaitu total moisture, ash, total sulfur, dan caloric value, serta data
geometri batubara berupa ketebalan.
1. Statistik Deskriptif
Ketebalan dan kualitas batubara dari data hasil pemboran dilakukannya
analisa statistik deskriptif untuk memperoleh nilai rata-rata (mean), standar
deviasi,varians, dan koefisien variansi.
2. Analisa Pencilan Data (outlier)
Analisa statistik yang pertama dilakukan adalah analisa boxplot. Hal ini
dikarenakan boxplot dapat mengetahui keterdapatan pencilan pada data.
Variogram sensitif terhadap pencilan data sehingga pencilan data harus diamati
terlebih dahulu.

Gambar IV.1 Boxplot Ketebalan Batubara

Pada hasil analisa boxplot ketebalan batubara dapat dilihat bahwa data
bersifat asimetris. Ketidaksimetrisan ini dibuktikan dengan garis median yang
terletak diatas kotak. Tetapi pada data, ditemukan adanya pencilan data (outlier)
dibagianatas boxplot pada nilai 2,4 , 2, dan 1,2. Pencilan data (outlier) juga
ditermukan pada bagian bawah boxplot pada nilai 0.3.

43
 Gambar IV.2 Boxplot Nilai Kalori Batubara

Dari hasil analisa boxplot nilai kalori batubara dapat dilihat bahwa data
simetris. Kesimetrisan ini dibuktikan dengan melihat garis median yang berada
ditengah kotak, dan munculnya pencilan data (outlier) dibagian atas boxplot
pada nilai 4871 kcal/kg untuk data nilai kalori batubara.

Gambar IV.3 Boxplot Sulfur Batubara

Pada hasil analisa boxplot sulfur batubara, dari grafik dapat dilihat bahwa
data bersifat tidak simetris. Hal ini dibuktikan dengan garis median yang tidak
terletak ditengah kotak. Pada data juga ditemukan adanya pencilan data (outlier)
pada bagian atas boxplot pada nilai 1,13 %, 2,48 %, dan 3,2 %. Semua pencilan
datahaurs diselidiki, dan dianggap sebagai nilai yang berpotensi salah sebelum
pencilan data tetap sebagai bagian dari kumpulan data. (Oliver and Webster,
2015).Untuk selanjutnya, seluruh data pencilan dari ketebalan, nilai kalori dan
sulfur batubara dihilangkan karena dapat mempengaruhi keakuratan estimasi

44
geostatistik. Setelah pencilan data dihilangkan, berikut dilakukan analisa
statistik dasar pada data.
3. Scatterplot Lubang Bor
Pertama-tama dilakukan scatterplot pada data easting dan northing pada
daerah penelitian. Hal ini bertujuan untuk melihat penyebaran titik lubang bor.
DariGambar IV.4, dapat dilihat bahwa kumpulan data sebagian besar berada
pada northing mulai dari 4.569,44 sampai dengan 5.798,62 dan easting mulai
dari 2.423,31 sampai dengan 4.210,41.

Gambar IV.4 Penyebaran Data Bor

4. Analisis Statistik Dasar

Berdasarkan hasil analisa statistik deskriptif , pada data ketebalan batubara,
data ketebalan batubara memiliki nilai variasi yang tinggi, dengan nilai variance
senilai 0,592. Untuk nilai CoV didapatkan hasil 41,11 maka data ketebalan
batubara berdistribusi tidak normal. Hasil dari skewness menunjukan hasil
diantara <1 yaitu -0,25 artinya data penelitian berdistribusi normal. Pada data
nilai kalori batubara memiliki nilai variasi yang tinggi, dilihat dari hasil nilai
variance mencapai 10.2835,4. Untuk CoV senilai 6,73, maka data berdistribusi
normal atau bersifat homogen. Hasil dari skewness menunjukan hasil diantara
±1 yaitu -0,22 artinya data penelitian berdistribusi normal.
Pada data sulfur batubara, data sulfur batubara memiliki nilai variasi yang
rendah, dilihat dari hasil nilai variance senilai 1,85. Untuk nilai CoV didapatkan

45
hasil 55,6 maka data sulfur batubara tidak berdistribusi normal atau bersifat
heterogen. Hasil dari skewness menunjukan hasil diantara ±1 yaitu 0,21, artinya
data penelitian berdistribusi normal.

Tabel IV.1 Hasil Analisa Statistik

Statistik Deskriptif Ketebalan Nilai Kalori Sulfur
Mean 1,871 4766,9 1,871
Median 2,000 4781 2,48
StDev 0,769 320,7 1,36
Variance 0,592 102835,4 1,85
CoV 41,11 6,73 55,6
Skewness -0,25 -0,22 0,21

5. Analisa Grafik
Pada grafik histogram data ketebalan batubara, data terlihat tidak
berdistribusi normal, dilihat dari tingginya frekuensi data yang berada dekat
dengan nilai mean. Grafik probabilitias menunjukkan penyebaran data yang
normal, hal ini tampak dari penyebaran titik data yang mengikuti arah diagonal.
Berdasarkan grafik histogramdata nilai kalori, frekuensi data pada nilai diatas
rata-rata lebih banyak dibandingkan frekuensi data yang pada nilai dibawah
rata-rata. Pada grafik probabilitas, penyebaran data berdistribusi normal, hal ini
tampak dari penyebaran titik data yang mengikuti arah diagonal.Pada grafik
histogram data sulfur batubara, data tidak berdistribusi normal, dilihat dari
tingginya frekuensi data pada nilai dibawah rata-rata. Grafik probabilitas sulfur
menunjukan penyebaran data tidak normal, hal ini tampak dari beberapa titik
data yang berada diluar garis linear yang telah ditentukan. Oleh karena itu, data
sulfur perlu diubah menjadi distribusi lognormal, mengubah data menjadi
logaritma menghasilkan distribusi data yang mendekati normal (Webster dan
Oliver, 2015). Selanjutnya pembuatan variogram pada data sulfur akan
didasarkan pada data yang telah diubah menjadi disribusi lognormal agar hasil
estimasi IDW optimal.

46
 .

Gambar IV.5 Grafik Histogram Nilai Kalori Batubara

Gambar IV.6 Grafik Histogram Sulfur Batubara

Gambar IV.7 Grafik Histogram Ketebalan Batubara

47
Gambar IV.8 Grafik Probabilitas Ketebalan Batubara

Gambar IV.9 Grafik Probabilitas Nilai Kalori Batubara

Gambar IV.10 Grafik Probabilitas Sulfur Batubara

48
 Gambar IV.11 Grafik Probabilitas Lognormal

IV.5 Penampang 2D

Penampang merupakan gambaran dari suatu kenampakan di bawah

permukaan baik litologi, struktur dan segala sesuatu yang ada di bawah
permukaan bumi hasil pemotongan melintang dari suatu permukaan. Pada
penelitian ini, dibuat penampang 2D pada arah umum yaitu arah NW- SE
(searah penunjaman) dan NE-SW (searah jurus lapisan). Berikut adalah gambar
visual dari garis penampang dan penampang yang dihasilkan:

1. Penampang 1

Berikut ini adalah penampang yang dibuat dari garis penampang

dengan nomor drillhole HS_39 North West hingga kearah HS_27 South
East, dan dibuat searah dengan penunjaman batubara.

49
 Gambar IV.12 Peta Model Penampang 1 2D

2. Penampang 2
Berikut ini adalah penampang yang dibuat dari garis penampang HS_14
South West hingga HS_75 North East, dan dibuat searah dengan jurus dari
lapisan batubara.

Gambar IV.13 Peta Model Penampang 2 2D

Pada garis penampang lain, disajikan pada Lampiran

50
IV.6 Estimasi Inverse Distance Weighting (IDW)
Estimasi Inverse Distance Weighting (IDW) dilakukan dengan menggunakan
software Surfer. Pada Gambar IV.14, didapatkan hasil penyebaran ketebalan
batubara dengan range 0,3 m sampai 3,1 m. Pada peta penyebaran,. Sedangkan pada
daerah barat peta penyebaran. Pada Gambar IV.14, didapatkan hasil penyebaran
nilai kalori batubara dengan range nilai dari 4050 kcal/kg sampai 5350 kcal/kg.
Dimana jika dilihat kembali kedalam peta penyebarannya. Nilai kalori dengan nilai
terendah yaitu 4050 kcal/kg berada didaerah barat pada peta penyebaran. Nilai
kalori pada peta mengalami peningkatan kearah timur. Peningkatan ini dapat dilihat
dari perubahan warna yangtampak pada Gambar IV.15. Dimana batubara dengan
nilai kalori yang lebih tinggi sebagian besar berkumpul didaerah timur peta
penyebaran nilai kalori batubara. Pada Gambar IV.16, didapatkan hasil
penyebaran sulfur batubara dengan range nilai dari 0,2 % sampai 5,4 %. Pada peta
penyebaran sulfur batubara, sulfur dengan nilai rendah sebagian besar berada di
daerah pusat peta penyebaran. Sedangkan sulfur dengan nilai tinggi berada
dibeberapa daerah peta penyebaran sulfur batubara. Dari peta penyebaran nilai
kalori dan sulfur batubara dapat disimpulkan bahwa nilai sulfur batubara
mempengaruhi nilai kalori batubara.Semakin rendah nilai sulfur maka nilai kalori
batubara akan semakin tinggi.Sebaliknya semakin tinggi nilai sulfur batubara maka
nilai kalori batubara akan semakin rendah. Hal ini dibuktikan dengan hasil peta
penyebaran nilai kalori dan sulfur batubara.

Gambar IV.14 Estimasi IDW Ketebalan Batubara

51
 Gambar IV.15 Estimasi IDW Nilai Kalori Batubara

Gambar IV.16
Gambar IV. 1 Estimasi IDW Sulfur Batubara

IV.7 Estimasi Nearest Neigbour Point (NNP)

Estimasi Nearest Neigbour Point (NNP) dilakukan dengan menggunakan
software Surfer. Pada Gambar IV.17, didapatkan hasil penyebaran ketebalan
batubara dengan range 0,2 m sampai 2,8 m. Pada peta penyebaran, sedangkan pada
daerah barat peta persebaran. pada Gambar IV.17, didapatkan hasil penyebaran nilai
kalori batubara dengan range nilai dari 4000 kcal/kg sampai 5400 kcal/kg. Dimana
jika dilihat kembali kedalam peta penyebarannya, nilai kalori dengan nilai terendah
yaitu 4050 kcal/kgberada didaerah barat pada peta penyebaran. Nilai kalori pada
peta mengalami peningkatan kearah timur. Peningkatan ini dapat dilihat dari
perubahan warna yang tampak pada Gambar IV.18. Dimana batubara dengan nilai
kalori yang lebih tinggi sebagian besar berkumpul didaerah timur peta penyebaran

52
nilai kalori batubara. Pada Gambar IV.19, didapatkan hasil penyebaran sulfur
batubara dengan range nilai dari 0,2 % sampai 5,4 %. Pada peta penyebaran sulfur
batubara, sulfur dengan nilai rendah sebagian besar berada di daerah pusat peta
penyebaran. Sedangkan sulfur dengan nilai tinggi berada dibeberapa daerah peta
penyebaran sulfur batubara. Dari peta penyebaran nilai kalori dan sulfur batubara
dapat disimpulkan bahwa nilai sulfur batubara mempengaruhi nilai kalori batubara.
Semakin rendah nilai sulfur maka nilai kalori batubara akan semakin tinggi.
Sebaliknya semakin tinggi nilai sulfur batubara maka nilai kalori batubara akan
semakin rendah. Hal ini dibuktikan dengan hasil peta penyebaran nilai kalori dan
sulfur batubara.

Gambar IV.17 Estimasi IDW Ketebalan Batubara

Gambar IV.18 Estimasi IDW Nilai Kalori Batubara

53
 Gambar IV.19 Estimasi IDW Sulfur Batubara

IV.8 Cross Validation dan RMSE

Untuk membuktikan bahwa model grid yang telah dibuat valid untuk proses
Inverse Distance Weighting (IDW), maka cross validation perlu dilakukan terlebih
dahulu. Cross validation berfungsi untuk membandingkan hasil estimasi dengan
hasil aktual. Perhitungan RMSE dilakukan dengan software Surfer.

Tabel IV.2 RMSE IDW dan NNP

RMSE
Parameter
IDW NNP
Ketebalan (m) 0,618 0,716
Nilai Kalori (Kcal/Kg) 344,85 370,20
Sulfur (%) 1,081 1,53

Hasil dari crossvalidation Ketebalan Batubara menunjukan Sebagian besar

data menyebar pada garis linear. Oleh karena itu, untuk mengetahui data yang di
estimasi bersifat valid. Makan perlu dilakukan perhitungan nilai RMSE pada hasil
data cross validation Ketebalan Batubara. Didapatkan hasil perhitungan pada
metode IDW senilai 0,618 m, dan metode NNP senilai 0,716 Selanjutnya, untuk
proses estimasi IDW dan NNP dapat digunakan nilai RMSE tersebut.
Hasil dari cross validation Nilai Kalori Batubara menunjukan sebagian besar

54
data menyebar tidak pada garis linear. Oleh karena itu untuk mengetahui data yang
di estimasi berifat valid, maka di perlukan perhitungan RMSE pada hasil data cross
validation Nilai Kalori Batubara. Didapatkan hasil perhitungan metode IDW senilai
344,85 Kcal/Kg, dan metode NNP senilai 370,20 Selanjutnya untuk proses IDW
dan NNP dapat digunakan nilai RMSE tersebut.
Hasil dari cross validation Sulfur Batubara menunjukkan Sebagian besar data
menyebar pada garis linear. Oleh karena itu untuk mengetahui data yang di estimasi
berifat vali. Maka di perlukan perhitungan RMSE pada hasil data cross validation
Nilai Kalori Batubara. Didapatkan hasil perhitungan mnetode IDW senilai 1,081,
dan metode NNP senilai 1,53. Selanjutnya untuk proses inverse distance weighting
dapat digunakan nilai RMSE tersebut. Oleh karena itu dapat di simpulkan bahwa
metode IDW adalah metode yang mendekat nilai sesuai dengan tingkat ke akuratan
dari hasil RMSE di dapatkan nilai error dari variabel ketebalan (m) dengan point
0,618, nilai kalori (%) dengan point 344,85, dan kadar sulfur (%) dengan nilai
1,081.

Gambar IV.20 Cross IDW

Validation Ketebalan Batubara

55
Gambar IV.21 Cross Validation
IDW Nilai Kalori Batubara

Gambar IV.22 Cross Validation

IDW Sulfur Batubara

56
Gambar IV.23 Cross Validation
NNP Ketebalan Batubara

Gambar IV.24 Cross Validation

NNP Nilai Kalori Batubara

57
 Gambar IV.25 Cross Validation
NNP Sulfur Batubara

IV.9 Hasil Estimasi NNP dan IDW

Pada penelitian ini, metode NNP dan IDW menghasilkan peta penyebaran
ketebalan, nilai kalori, dan sulfur batubara yang berbeda. Untuk itu dilakukan
perhitungan volume batubara pada lokasi penelitian berdasarkan hasil estimasi
ketiga parameter batubara tersebut baik dari metode NNP maupun IDW. Juga
dilakukan perhitungan ketebalan, nilai kalori dan sulfur rata-rata dari hasil estimasi
metode NNP maupun IDW. Perhitungan dilakukan dengan bantuan software MS
Excel. Hasil perhitungan disajikan dalam bentuk tabel dibawah ini:

Tabel IV.3 Estimasi Metode NNP dan IDW

Parameter NNP IDW

Volume Batubara (m3) 9.512.795 9.110.265
Ketebalan Batubara Rata-Rata (m) 1,495 1,578
Nilai Kalori Rata-Rata (Kcal/Kg) 4978,78 4985,82
Sulfur Rata-Rata (%) 1,22 1,19

58
 Berdasarkan hasil perhitungan yang didapatkan pada tabel IV.3, metode NNP
dan metode IDW menghasilkan nilai yang berbeda pada keempat parameter yaitu
volume batubara, ketebalan batubara rata-rata, nilai kalori rata-rata, dan sulfurrata-
rata. Volume batubara hasil Inversre distance Weighting (IDW) menghasilkan
volume yang lebih rendah yaitu 9.110.265 m3. Hasil ini tentunya disebabkan oleh
hasil ketebalan batubara rata-rata yang didapatkan dari hasil yang lebih tinggi
yaitu 1,578 m. Hal ini berbeda dengan volume batubara hasil estimasi Neasrest
Neigbour Point (NNP) yang menghasilkan volume batubara yang lebih tinggi yaitu
9.512.795 m3 .Volume batubara yang lebih tinggi ini disebabkan oleh ketebalan
batubara rata-rata yang lebih tinggi yaitu 1,495 m. Untuk nilai kalori rata-rata,
estimasi Inversre distance Weighting (IDW) menghasilkan nilai kalori rata-rata
yang lebih tinggi dengan nilai 4985.82 Kcal/Kg dibandingkan estimasi Neasrest
Neigbour Point (NNP) yang menghasilkan nilai kalori rata-rata 4978,78 Kcal/kg.
Pada sulfur rata-rata, estimasi Inversre distance Weighting (IDW) menghasilkan
sulfur rata-rata yang lebih tinggi yaitu 1,19 % sedangkan estimasi Nearest
Negibour Point menghasilkan sulfur rata-rata1,22 %.
Nilai volume batubara, ketebalan, nilai kalori, dan sulfur rata-rata batubara
yang telah didapatkan dari metode NNP dan IDW, nantinya dapat digunakan untuk
dijadikan pertimbanan melanjutkan kegiatan eksplorasi karena nilai keempat
parameter tersebut mewakili seluruh wilayah penelitian berdasarkan hasil estimasi.
Berbeda dengan hasil rata-rata dari statistik deskriptif yang hanya menggunakan
data yang berasal dari titik bor yang berjumlah 32 titik. Oleh karena itu hasil rata-
rata ketebalan, nilai kalori, dan sulfur dari hasil perhitungan statistik deskriptif
pastinya berbeda dengan hasil dari metode NNP dan IDW.

59
 BAB V KESIMPULAN DAN SARAN

V.1 Kesimpulan
Berdasarkan hasil perbandingan metode Nearest Neigbour Point (NNP) dan
metode Inverse Distance Weighting (IDW) dalam mengestimasi sumberdaya batubara di
PT X, kabupaten lahat, sumatera selatan. Maka dapat diperoleh beberapa kesimpulan
yang dapat diberikan antara lain:
1. Hasil Dari Persebaran parameter Ketebalan Batubara dengan metode IDW yaitu
didapatkan rata rata persebaran ketebalan batubara berada di barat dari total
persebaran lubang bor, Nilai Kalori berada di tengah persebaran pemboran, Sulfur
berada di tengah area pemboran. Lalu dari metode NNP didapatkan persebaran
parameter ketebalan berada di timur are pemboran , Nilai Kalori berada di tengah
pemboran, Sulfur berada di tengah pemboran
2. Hasil dari analisa statistik deskriptif menunjukan data sulfur tidak terdistribusi
dengan normal sehingga nilai CoV lebih dari 0.5. Dengan itu data sulfur batubara
diubah menjadi distribusi lognormal agar mendapatkan hasil yang mendekati
distribusi normal.
3. Hasil dari keakuratan metode yang mendekat didapatkan nilai error terkecil
adalah metode IDW, dimana didapatkan nilai variabel ketebalan (m) dengan point
0.618, nilai kalori (%) dengan point 344.85, dan kadar sulfur (%) dengan nilai
1.081.

V.2 Saran
Dalam penelitian ini penulis memberikan saran yang dapat memberikan
masukan bagi penelitian selanjutnya, yaitu:

1. Perhitungan kembali terhadap nilai kalori, sulfur dan ketebalan batubara

terutama pada data yang merupakan pencilan data (outlier) agar didapatkan
data yang lebih mewakili daerah lokasi penelitian.
2. Diperlukan ketelitian dalam membuat model Grid agar hasil dari estimasi
memberikan nilai error yang paling minimum.

60
 DAFTAR PUSTAKA

Arnita, Novriyana, Dina., Marpaung, Faridawaty., dkk, (2020), “Perbandingan

Metode Single Exponential Smoothing, Naive Model, dan SARIMA
untuk Peramalan Curah Hujan Di Kota Medan”, Jurnal Matematika
Statistika dan komputasi, Vol. 17, No. 1, pp 117-128
Badan Pusat Statistik (2021): Badan Pusat Statistik: Kondisi Iklim dan Geografis
Kabupaten Lahat, Sumatera Selatan
Badan Standardisasi Nasional (2019): Pedoman pelaporan, sumberdaya, dan
cadangan batubara (SNI 5015:2019).
Bargawa, W.S., and Purnomo H (2017): Performance Evaluation of Ordinary Kriging
and Inverse Distance Weighting Methods for Nickel Laterite Resources Estimation ,
49 (1). pp. 121-134. ISSN 0024-9521.
Bohling G. 2005. Introduction To Geostatistics and Variogram Analysis. Kansas
Geology Survey.
Faidatulaila, Rahma Putri. (2021): estimasi sumber daya batubara menggunakan
metodegeostatistika (kriging) di area PT X kabupaten kutai kartanegara,
Universitas Trisakti, Jakarta.
Hamdani & Oktarini. (2014). Karakteristik Batubara pada Cekungan Meulaboh di
Kabupaten Aceh Barat dan Nagan Raya, Provinsi Aceh. Jurnal Ilmiah
JURUTERA 1(1), 77-84.
Hartman, H, L. 1992. SME Mining Engineering Handbook 2nd Edition Volume 1.
Society for Mining,Metallurgy and Exploration: Colorado.
Isaaks, E. H. (1990): Applied geostatistics, Choice Reviews Online, American
LibraryAssociation,28,28-0304-28–0304.
https://doi.org/10.5860/choice.28-0304.
Kentucky Geological Survey, University of Kentucky (2019): Coal,
https://www.uky.edu/KGS/coal/. Diakses 21 Oktober 2022.
Nirwan, Ericsson. (2020): perbandingan metode kriging dan inverse distance
weighting untuk estimasi ketebalan dan kualitas batubara di lapangan
sangatta , Kalimantantimur, Universitas Trisakti, Jakarta.
Oliver, A. M., and Webster, R. (2015): Basic Steps in Geostatistics:The Variogram

61
 and Kriging, 100. https://doi.org/10.1007/978-3-319-15865-5
Rorosanti, Rani Ayu (2021): permodelan geologi dan estimasi sumber daya batubara
di area PT X kabupaten kutai kartanegara, Universitas Trisakti, Jakarta.
Sejati, Sadewa Purba. (2019): dalam jurnal perbandingan akurasi metode IDW
dan kriging dalam pemetaan.
Sukandarrumidi. (1995). Batubara dan Gambut. Yogyakarta: Gadjah Mada
University Press.
Thomas, L. 2002. Coal Geology: John Wiley & Sons Ltd. The Atrium. Southern
Gate. Chishester, West Sussex P)19 8Sq, England.
Yasrebi, J., Saffari, M., Fathi, H., Karimian, N., Moazallahi, M., and Gazni, R.
(2009): Evaluation and comparison of ordinary kriging and inverse
distance weighting methods for prediction of spatial variability of some
chemical parameters, Research Journal of Biological Sciences,
4(1), 93– 102.

62
LAMPIRAN

63
Lampiran A: Lampiran Data Lithologi

SEAM
DRILLHOLE FROM TO THICKNESS NAME
HR_01 3 3 3 W
HR_01 19.3 20.2 0.9 19
HR_01 33.6 35 1.4 20
HR_01 45.8 47.7 1.9 21A
HR_02 2 2 2 W
HR_02 4.8 5.1 0.3 20A
HR_02 5.65 6.1 0.45 20B
HR_02 19.5 19.8 0.3 X1
HR_02 25.3 25.9 0.6 21A
HR_02 27.1 27.5 0.4 21B
HR_03 4.8 4.8 4.8 W
HR_03 12.8 14.3 1.5 19
HR_03 43.7 44.1 0.4 20
HR_03 47.7 48.4 0.7 21A
HR_03 54.4 54.8 0.4 21B
HR_04 1.5 1.5 1.5 W
HR_04 9.1 11 1.9 19
HR_04 36.9 37.3 0.4 20
HR_04 43.1 44.1 1 21A
HR_04 45.5 45.85 0.35 21B
HR_05 4.5 4.5 4.5 W
HR_05 42.5 43.9 1.4 22
HR_05 53.2 53.8 0.6 23
HR_06 1 1 1 W
HR_06 11.4 12.8 1.4 22
HR_06 22.5 23 0.5 23
HR_06 30.7 31.6 0.9 X1
HS_01 2.8 2.8 2.8 W
HS_01 24.4 25.1 0.7 24A
HS_01 25.35 27.3 1.95 24B
HS_01 32.7 33.3 0.6 25
HS_02A 2.8 2.8 2.8 W
HS_02A 34.6 35.6 1 22
HS_02A 41 41.7 0.7 23
HS_03 2.5 2.5 2.5 W
HS_03 4.2 5 0.8 20
HS_03 26.8 28.05 1.25 21A
HS_03 28.4 29 0.6 21B
HS_04A 3 3 3 W
HS_04A 5.2 5.8 0.6 18

64
HS_04A 27.1 28.4 1.3 19
HS_04A 37.4 38.7 1.3 20
HS_05 5 5 5 W
HS_05 29.5 30.3 0.8 24A
HS_05 30.5 32.5 2 24B
HS_05 37.9 38.7 0.8 25
HS_06 4 4 4 W
HS_06 6.9 8 1.1 22
HS_06 24.7 25.6 0.9 23
HS_07 1 1 1 W
HS_07 11.3 11.5 0.2 X1
HS_07 15.8 18 2.2 21A
HS_07 18.8 19.6 0.8 21B
HS_08 2.3 2.3 2.3 W
HS_08 25.4 26.2 0.8 18
HS_08 46.2 47.3 1.1 19
HS_08 60.5 61.7 1.2 20
HS_08 75.3 77.7 2.4 21A
HS_08 80.9 81.8 0.9 21B
HS_09 3 3 3 W
HS_09 37.901 39 1.099 18
HS_10 2 2 2 W
HS_10 14.7 15.8 1.1 15A
HS_10 16 16.4 0.4 15B
HS_10 45.1 46.3 1.2 16
HS_10 46.55 48.9 2.35 17
HS_11 7.2 7.2 7.2 W
HS_11 14.8 15.6 0.8 13A
HS_11 16.6 17.2 0.6 13B
HS_11 40.7 41.95 1.25 14
HS_12 3 3 3 W
HS_12 11.2 12 0.8 9
HS_12 21.4 22.4 1 10
HS_12 50 51.3 1.3 11A
HS_12 51.7 52.2 0.5 11B
HS_12 57.1 58 0.9 12
HS_13 2 2 2 W
HS_13 13.9 15.9 2 6
HS_13 32.3 34.6 2.3 7
HS_13 48.6 50.5 1.9 8
HS_14 7.5 7.5 7.5 W
HS_14 29.5 31.7 2.2 4
HS_15 1.5 1.5 1.5 W
HS_15 31 31.7 0.7 24A
HS_15 32 34 2 24B

65
HS_15 39.1 39.9 0.8 25
HS_16 3 3 3 W
HS_16 12.2 13.2 1 23
HS_16 45.55 46.2 0.65 24A
HS_16 46.4 47.6 1.2 24B
HS_17 3 3 3 W
HS_17 15 16.1 1.1 21A
HS_17 16.45 16.9 0.45 21B
HS_18 1.5 1.5 1.5 W
HS_18 12.6 13.8 1.2 19
HS_18 26.2 28.4 2.2 20
HS_18 33.4 33.7 0.3 21A
HS_18 34.2 34.8 0.6 21B
HS_19 5.4 5.4 5.4 W
HS_19 33.8 34.9 1.1 18
HS_19 47.5 48.65 1.15 19
HS_20 3 3 3 W
HS_20 32.8 33.2 0.4 16
HS_20 33.75 34 0.25 X2
HS_20 34.5 36.65 2.15 17
HS_21 4.5 4.5 4.5 W
HS_21 18 19.6 1.6 14
HS_22 3 3 3 W
HS_22 10.6 11 0.4 11
HS_22 16.8 17.4 0.6 12
HS_22 44.55 45 0.45 13A
HS_22 45.2 45.8 0.6 13B
HS_22 60.1 60.8 0.7 14
HS_23 4 4 4 W
HS_23 18.7 20.4 1.7 8
HS_23 32 32.8 0.8 9
HS_23 43.8 44.6 0.8 10
HS_24 1.5 1.5 1.5 W
HS_24 24.5 27.8 3.3 4
HS_24 49.8 52.5 2.7 6
HS_24 63.4 66.8 3.4 7
HS_25 1 1 1 W
HS_25 10 10.95 0.95 1
HS_25 41.1 42.2 1.1 2
HS_27 1.5 1.5 1.5 W
HS_27 32.4 33.3 0.9 30
HS_27 47.45 47.75 0.3 X1
HS_27 48.05 48.5 0.45 31
HS_27 49 50.5 1.5 32
HS_28 1.5 1.5 1.5 W

66
HS_28 20.1 21.2 1.1 26
HS_28 36.9 37.15 0.25 27
HS_29 3.8 3.8 3.8 W
HS_29 27 27.6 0.6 24A
HS_29 27.8 30.3 2.5 24B
HS_29 35.8 36.8 1 25
HS_30 4 4 4 W
HS_30 29.1 30.7 1.6 22
HS_31 1.5 1.5 1.5 W
HS_31 25.8 26.3 0.5 20
HS_31 31.2 31.8 0.6 21A
HS_31 34.6 35 0.4 21B
HS_32 1.5 1.5 1.5 W
HS_32 16.5 16.9 0.4 18
HS_32 29.4 30.8 1.4 19
HS_33 1.5 1.5 1.5 W
HS_33 21.4 22.1 0.7 16
HS_33 23.1 25 1.9 17
HS_34 1.5 1.5 1.5 W
HS_34 5.3 6.1 0.8 14
HS_34 21.7 22.75 1.05 15A
HS_34 22.95 23.2 0.25 15B
HS_35 3.7 3.7 3.7 W
HS_35 37.8 38.15 0.35 13A
HS_35 38.27 39.4 1.13 13B
HS_35 58.1 58.6 0.5 14
HS_36 4.9 4.9 4.9 W
HS_36 12.5 13.5 1 9
HS_36 21.6 22.8 1.2 10
HS_36 54.9 55.4 0.5 11A
HS_36 61.2 61.9 0.7 11B
HS_36 64.5 65.4 0.9 12
HS_37 4.8 4.8 4.8 W
HS_37 7 9.1 2.1 6
HS_37 21.7 24.1 2.4 7
HS_37 40.4 42.35 1.95 8
HS_37 55.6 56.2 0.6 9
HS_38 6 6 6 W
HS_38 15 16.5 1.5 4
HS_38 22.1 22.8 0.7 5A
HS_38 23.2 23.4 0.2 5B
HS_38 40.6 41.8 1.2 6
HS_38 59.8 62.3 2.5 7
HS_38 79.7 81 1.3 8
HS_39 3 3 3 W

67
HS_40 1.5 1.5 1.5 W
HS_40 29.4 30 0.6 34
HS_40 43.3 43.8 0.5 34B
HS_41 1.5 1.5 1.5 W
HS_41 10.1 11.1 1 31
HS_41 11.7 13 1.3 32
HS_41 30.2 30.9 0.7 33
HS_42 1 1 1 W
HS_42 11.2 11.4 0.2 28
HS_42 32.9 34 1.1 30
HS_42 46.6 47.7 1.1 31
HS_42 48.2 49.8 1.6 32
HS_43 1.5 1.5 1.5 W
HS_43 23.85 24.4 0.55 26
HS_43 37 37.6 0.6 27
HS_44 1.5 1.5 1.5 W
HS_44 4.6 4.8 0.2 24A
HS_44 5.1 7.7 2.6 24B
HS_44 13.5 14.25 0.75 25
HS_45 1 1 1 W
HS_45 13.1 13.8 0.7 22
HS_45 19.5 20.5 1 23
HS_46 4 4 4 W
HS_46 21.2 21.5 0.3 20
HS_46 28.6 29.2 0.6 21A
HS_46 30 30.4 0.4 21B
HS_47 4 4 4 W
HS_47 8.4 9.4 1 18
HS_47 23.2 24.6 1.4 19
HS_48 1 1 1 W
HS_48 44.8 45.4 0.6 X1
HS_48 67.2 67.35 0.15 18
HS_49 1.5 1.5 1.5 W
HS_49 12.1 12.6 0.5 14
HS_49 30.3 31.7 1.4 15A
HS_49 32 32.5 0.5 15B
HS_50 1.5 1.5 1.5 W
HS_50 33.5 33.8 0.3 13A
HS_50 34.05 34.7 0.65 13B
HS_50 48.2 48.9 0.7 14
HS_51 1 1 1 W
HS_51 5.8 6.9 1.1 10
HS_51 35.3 36.2 0.9 11A
HS_51 36.5 37.47 0.97 11B
HS_51 40.8 41.5 0.7 12

68
HS_52 1.3 1.3 1.3 W
HS_52 8.6 11.1 2.5 6
HS_52 30.9 33.8 2.9 7
HS_52 47.2 49.2 2 8
HS_52 61.6 62.2 0.6 9
HS_52 70.25 71.05 0.8 10
HS_53 5.1 5.1 5.1 W
HS_53 18.3 19.2 0.9 4
HS_53 30.2 30.4 0.2 5A
HS_53 30.55 30.9 0.35 5B
HS_53 46.9 49.3 2.4 6
HS_53 70.9 74.1 3.2 7
HS_54 6.8 6.8 6.8 W
HS_54 12.4 13.3 0.9 1
HS_54 33.9 34.7 0.8 2
HS_54 55.7 56.8 1.1 3A
HS_54 60 60.9 0.9 3B
HS_55 1.5 1.5 1.5 W
HS_55 38 38.3 0.3 26
HS_55 52.1 53 0.9 27
HS_55 64.15 64.8 0.65 28
HS_56 1 1 1 W
HS_56 19 19.5 0.5 24A
HS_56 20.05 21.95 1.9 24B
HS_56 27.1 27.9 0.8 25
HS_57 1.1 1.1 1.1 W
HS_57 41.2 41.55 0.35 24A
HS_57 42.1 44.05 1.95 24B
HS_57 49.4 50.3 0.9 25
HS_58 1 1 1 W
HS_58 10.72 11.06 0.34 20
HS_58 20.4 21.15 0.75 21A
HS_58 22.2 22.4 0.2 21B
HS_59 1.5 1.5 1.5 W
HS_59 14.2 15 0.8 18
HS_59 27 28.2 1.2 19
HS_59 54.56 54.86 0.3 20A
HS_59 55.76 56.26 0.5 20B
HS_59 62.45 63.3 0.85 21A
HS_59 64.16 64.32 0.16 21B
HS_60 5.3 5.3 5.3 W
HS_60 42.64 43.85 1.21 18
HS_60 58.9 60.3 1.4 19
HS_61 2.9 2.9 2.9 W
HS_61 15 15.6 0.6 15A

69
HS_61 16 16.56 0.56 15B
HS_61 34.4 35.03 0.63 16
HS_61 47.35 49.1 1.75 17
HS_62 2.32 2.32 2.32 W
HS_62 12.48 12.74 0.26 13A
HS_62 14.36 15.46 1.1 13B
HS_62 17.6 17.9 0.3 X1
HS_62 28.42 29.15 0.73 14
HS_62 45.84 47.25 1.41 15A
HS_62 47.63 47.95 0.32 15B
HS_63 3.6 3.6 3.6 W
HS_63 21.32 21.65 0.33 11A
HS_63 21.85 22.5 0.65 11B
HS_63 27.08 27.8 0.72 12
HS_64A 2 2 2 W
HS_64A 7.8 10 2.2 8
HS_64A 34.48 34.84 0.36 9
HS_64A 50.88 52.43 1.55 10
HS_64A 70.84 71.24 0.4 11A
HS_64A 71.52 72.14 0.62 11B
HS_65A 2 2 2 W
HS_65A 10.84 11.27 0.43 5A
HS_65A 11.62 11.92 0.3 5B
HS_65A 25.2 27.4 2.2 6
HS_65A 50.45 53.65 3.2 7
HN_01 2.8 2.8 2.8 W
HN_01 24.25 24.45 0.2 38
HN_02 1 1 1 W
HN_02 6.1 6.3 0.2 X1
HN_02 7 7.45 0.45 35
HN_02 10.4 10.85 0.45 36
HN_02 30.4 31 0.6 37
HN_03 1.5 1.5 1.5 W
HN_03 14.8 15.3 0.5 33
HN_03 41 43.4 2.4 34
HN_04 3.9 3.9 3.9 W
HN_04 22.5 23.6 1.1 30
HN_04 31.2 32.2 1 31
HN_04 40.1 42 1.9 32
HS_66 1.5 1.5 1.5 W
HS_66 25 26.2 1.2 28
HS_66 48.1 48.6 0.5 30
HS_66 57.55 58.25 0.7 31
HS_67 1.5 1.5 1.5 W
HS_67 33 33.6 0.6 26

70
HS_68 2 2 2 W
HS_68 24.2 24.75 0.55 24A
HS_68 25.25 27.3 2.05 24B
HS_68 31.8 32.6 0.8 25
HS_69 1.5 1.5 1.5 W
HS_69 43 44.1 1.1 22
HS_69 45.8 46.1 0.3 23
HS_70 1 1 1 W
HS_70 13.1 14.1 1 18
HS_70 23.7 25.4 1.7 19
HS_71 1.5 1.5 1.5 W
HS_71 34.25 34.8 0.55 18
HS_71 45.8 47 1.2 19
HS_72 1.5 1.5 1.5 W
HS_72 5.1 5.9 0.8 X1
HS_72 7.7 11 3.3 17
HS_73 3 3 3 W
HS_73 20.3 21.9 1.6 15A
HS_73 22.1 22.4 0.3 15B
HS_73 45.35 45.8 0.45 16
HS_74 3.5 3.5 3.5 W
HS_74 11.3 11.7 0.4 11A
HS_74 11.9 12.8 0.9 11B
HS_74 29.8 30 0.2 12
HS_75 2.5 2.5 2.5 W
HS_75 17.1 19.1 2 8
HS_75 32 32.35 0.35 9
HS_75 42.6 43 0.4 10
HN_05 1.5 1.5 1.5 W
HN_05 11.3 12.5 1.2 40
HN_05 22.8 23.2 0.4 41
HN_05 42.45 42.65 0.2 42A
HN_05 43 44.5 1.5 42B
HN_06 2.3 2.3 2.3 W
HN_06 18.2 19.4 1.2 39B
HN_06 41.3 42.3 1 40
HN_07 1.5 1.5 1.5 W
HN_07 23.5 24 0.5 38
HN_07 43.4 43.8 0.4 39
HN_08 2.85 2.85 2.85 W
HN_08 4.9 5.2 0.3 36
HN_08 24.3 24.6 0.3 37
HN_09 2.3 2.3 2.3 W
HN_09 33.5 35.9 2.4 34
HN_09 42.6 43.2 0.6 34B

71
HS_76 3 3 3 W
HS_76 10.3 10.8 0.5 31
HS_76 27.2 28.2 1 32
HS_76 39.2 39.9 0.7 33
HS_77 3 3 3 W
HS_77 15.6 16.4 0.8 28
HS_77 48.9 49.7 0.8 30
HN_10 1.5 1.5 1.5 W
HN_10 16 16.8 0.8 40
HN_10 25.6 26 0.4 41
HN_10 43.2 43.9 0.7 42A
HN_10 44.2 44.7 0.5 42B
HN_11 3 3 3 W
HN_11 21.1 22.2 1.1 39B
HN_11 42.4 43.3 0.9 40
HN_12 2.6 2.6 2.6 W
HN_12 29.2 29.4 0.2 38
HN_12 48.3 48.8 0.5 39
HN_13 3 3 3 W
HN_13 11.2 12.3 1.1 37
HN_14 1.5 1.5 1.5 W
HN_14 3.2 3.7 0.5 43
HN_14 7.4 8.4 1 44
HN_14 49.1 49.4 0.3 45
HN_15 5.35 5.35 5.35 W
HN_15 32.4 32.85 0.45 42A
HN_15 33.3 33.7 0.4 42B
HN_16 2 2 2 W
HN_16 9.6 11.45 1.85 40
HN_17 5.2 5.2 5.2 W
HN_17 17.9 18.9 1 39
HN_17 43.3 44.3 1 39B

72
Lampiran B: Data Hasil Survei

DRILLHOLE EASTING NORTHING ELEVATION DEPTH

HR_01 5088.19 2946.41 95.22 60.8
HR_02 5269.75 3040.22 83.97 70
HR_03 5237.81 3236.18 66.06 71.3
HR_04 5367.72 3362.31 70.14 50.3
HR_05 5541.73 3337.8 82.35 59.3
HR_06 5664.57 3484.61 60.49 51
HS_01 5194.55 2423.31 76.02 50.8
HS_02A 5099.82 2508.05 88.52 50.8
HS_03 4976.69 2622.88 97.57 46
HS_04A 4872.1 2726.01 77.84 54
HS_05 5340.79 2560.65 96.8 51
HS_06 5223.62 2669.08 69.8 40.5
HS_07 5107.73 2765.88 96.39 30
HS_08 5030.86 2872.55 113.71 84.8
HS_09 4894.29 2963.61 72.48 50.4
HS_10 4788.17 3076.87 70.9 52.2
HS_11 4679.8 3176.63 90.75 54.8
HS_12 4569.44 3291.19 79.55 63.1
HS_13 4467.94 3367.75 98.08 55.8
HS_14 4370.19 3462.78 98.45 50.3
HS_15 5476.34 2710.53 109.68 49.5
HS_16 5361.74 2814.64 74.24 51
HS_17 5244.84 2914.16 87.16 30.8
HS_18 5138.92 3006.78 78.49 43
HS_19 5034.62 3116.34 70.91 54.8
HS_20 4922.7 3219.82 78.24 51.8
HS_21 4818.52 3314.48 78.97 35.3
HS_22 4694.05 3414.02 64.17 80.3
HS_23 4593.29 3525.82 82.62 50.3
HS_24 4492.98 3626.02 100.42 71.6
HS_25 4375.46 3724.84 120.28 51
HS_27 5723.33 2752.16 68.33 54.8
HS_28 5616.93 2844.22 78.35 51.9
HS_29 5498.45 2963.78 70.97 50.3
HS_30 5388.13 3069.25 72.89 35.5
HS_31 5277.05 3161.89 73.6 50.3
HS_32 5179.26 3266.35 62.87 50.3
HS_33 5065.98 3364.89 85.19 50.3
HS_34 4956.68 3479.31 66.14 30.8

73
HS_35 4834.04 3563.69 64.43 71.3
HS_36 4738.91 3674.06 72.39 80.3
HS_37 4634.21 3779.62 73.64 60.8
HS_38 4548.56 3868.87 75.68 85
HS_39 4411.52 3976.08 90.21 30
HS_40 6083.24 2694.43 120.6 47.47
HS_41 5977.42 2801.14 103.57 53
HS_42 5865.28 2896.17 89.51 55
HS_43 5747.75 2978 87.83 50.2
HS_44 5642.05 3121.46 67.59 53
HS_45 5530.69 3203.05 63.29 54
HS_46 5417.58 3299.05 83.88 35.5
HS_47 5305.52 3401.97 59.44 48.56
HS_48 5192.08 3508.6 68.88 80.2
HS_49 5082.15 3610.61 81.56 37.9
HS_50 4972.51 3701.26 69.13 60.4
HS_51 4859.34 3816.04 62.77 50
HS_52 4760.98 3916.29 88.42 80.3
HS_53 4657.19 4019.26 83.4 78.6
HS_54 4545.32 4123.9 105.32 65.3
HS_55 5884.84 3143.97 104.4 70
HS_56 5765.6 3255.21 93.95 48.8
HS_57 5659.61 3353.23 61.52 71.2
HS_58 5553.44 3446.32 88.33 51.8
HS_59 5434.13 3536.21 77 71.5
HS_60 5324.22 3650.34 58.36 66.8
HS_61 5214.41 3757.88 81.65 54.8
HS_62 5097.53 3844.58 59.85 53.32
HS_63 4984.19 3961.81 59.36 55.3
HS_64A 4893.24 4053.57 64.91 75.77
HS_65A 4780.17 4163.36 75.99 62.2
HN_01 6323.47 2740.15 89.57 39.85
HN_02 6210.16 2832.77 80.97 54.71
HN_03 6106.96 2934.16 110.76 53.5
HN_04 5998.39 3044.33 100.7 51.97
HS_66 6004.71 3273.85 89.23 60.8
HS_67 5913 3399.9 84.37 50.3
HS_68 5798.62 3492.07 64.8 50.3
HS_69 5689.85 3604.67 78.36 50.3
HS_70 5588.61 3705 87.65 40
HS_71 5488.44 3804.17 63.89 60.8
HS_72 5362.97 3915.13 56.8 27.8
HS_73 5253.7 3997.97 58.59 50.3
HS_74 5142.59 4111.07 67.83 50.5
HS_75 5035.82 4210.41 86.62 50.5

74
HN_05 6707.23 2916.72 89.72 50.3
HN_06 6591.67 3024.45 71.17 50.3
HN_07 6481.39 3124.93 82.46 50.3
HN_08 6374.35 3228.36 67.08 50.3
HN_09 6279.3 3327.74 82.12 50.3
HS_76 6173.02 3429.22 70.22 51.8
HS_77 6062.26 3527.61 63.12 53.3
HN_10 6928.7 3256.96 124.24 47.3
HN_11 6866.92 3317.52 122.09 50.3
HN_12 6751.85 3402.13 127.22 53.5
HN_13 6633.32 3498.89 99.45 50.5
HN_14 7248.91 3496.98 64.25 51.8
HN_15 7133.15 3603.95 77.63 48.8
HN_16 7035.44 3695.04 64.5 50.3
HN_17 6920.37 3800.83 67.9 53.3

75