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
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
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
iii
LEMBAR PERSETUJUAN
TIM PENGUJI
1. Dr. Ir. Masagus A. Azizi., S.T.,M.T. Ketua Penguji (.....................)
Mengetahui,
Ketua Program Studi Sarjana Teknik Pertambangan
iv
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI
KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Materai
Rp 10.000-,
v
SURAT PERNYATAAN ORISINALITAS
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.
Materai
Rp 10.000-,
vi
KATA PENGANTAR
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.
viii
ABSTRAK
ix
ABSTRACT
x
DAFTAR ISI
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
xiii
DAFTAR GAMBAR
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
xvi
DAFTAR SINGKATAN DAN LAMBANG
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
xvii
DAFTAR SINGKATAN DAN LAMBANG (lanjutan)
xviii
BAB I PENDAHULUAN
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?
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.
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.
4
BAB II TINJAUAN UMUM
5
Sumber: Google Earth 2022
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
8
II.5 Genesa Batubara
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).
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).
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).
11
membuat lapisan batubara tersebut terintrusi (Sukandarrumidi, 1995).
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).
12
Tabel II.1 Hasil Parameter Kualitas Batubara
TM IM ASH VM FC TS (% CV
(% adb) (% adb) (% adb) (% adb) (% db) db) (%db)
High-volatile B 57 57 6750-8160
High-volatile C 54 54 7410-8375
6765-7410
Subbituminous B 56 56 6450-7230
Subbituminous C 53 53 5990-6860
Lignite B 52 52 <5250
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.
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:
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)
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.
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.
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
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.
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.
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
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
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.
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).
Keterangan:
Y' = Nilai Prediksi
Y = Nilai Sejati
n = Jumlah Data
25
Sumber: Surfer 2022
Gambar II.17 Hasil Root Mean Square Error
26
Tabel II.4 Tipe Endapan Batubara berkaitan dengan Sedimentasi, Tektonik, dan
Variasi Kualitas
Kondisi
Geologi
Parameter
Sederhana Moderat Kompleks
I. Aspek Sedimentasi
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.
28
Sumber: ArcGis, 2007
Dimana:
𝑑𝑖 = Jarak antar titik pengamatan ke-i dengan titik yang diduga
𝑝 = Power (bilangan bulat)
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.
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).
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.
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
33
Gambar III.1 Pilihan Boxplot
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.
35
4) Didapatkan hasil analisa statistik dasar yang terdapat pada Gambar III.6.
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
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
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.
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.
4) Cross Validation
Cross validation digunakan untuk menentukan data yang di hitung valid
atau tidak. Dapat dilihat pada Gambar III.13.
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.
40
III.6 Diagram Alir
Mulai
Pembuatan Grid
penyebaran
batubara
TIDAK VALID
Analisis Data
Selesai
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.
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.
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.
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.
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.
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
.
47
Gambar IV.8 Grafik Probabilitas Ketebalan Batubara
48
Gambar IV.11 Grafik Probabilitas Lognormal
IV.5 Penampang 2D
1. Penampang 1
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.
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.
51
Gambar IV.15 Estimasi IDW Nilai Kalori Batubara
Gambar IV.16
Gambar IV. 1 Estimasi IDW Sulfur Batubara
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.
53
Gambar IV.19 Estimasi IDW Sulfur Batubara
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.
55
Gambar IV.21 Cross Validation
IDW Nilai Kalori Batubara
56
Gambar IV.23 Cross Validation
NNP Ketebalan Batubara
57
Gambar IV.25 Cross Validation
NNP Sulfur Batubara
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:
60
DAFTAR PUSTAKA
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
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