Indonesian Mining and Energy Journal Vol. 6, No.

1, Mei 2023 : 21 - 26

Metode Nearest Neigbout Point (NNP) dan Inverse Distance Weighting (IDW)
dalam Estimasi Sumber Daya Batubara, Di PT X, Sumatera Selatan

Nearest Neigbour Point (NNP) And Inverse Distance Weighting (IDW) Methods for
Estimating Coal Resources in PT X, South Sumatera

I Putu Rama Aryawan1*, Irfan Marwanza1, Taat Tri Purwiyono1, Riskaviana1

1
Program Studi Teknik Pertambangan Fakultas Teknologi Kebumian dan Energi, Universitas Trisakti, Jalan Kyai
Tapa No.1, Tomang, Grogol Petamburan, Jakarta Barat, Daerah Khusus Ibukota Jakarta, 11440

*E-mail untuk korespondensi (corresponding author): iramaaryawan24@gmail.com

ABSTRAK – Penelitian estimasi sumber daya batubara ini dilakukan pada PT X di daerah Pagar Gunung,
Kabupaten Lahat , Sumatera Selatan yang terletak antara 103°31' Bujur Timur hingga 103°32' Bujur Timur dan
3°54' Lintang Selatan hingga 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 minitab 17 dan software Surfer, dengan setiap data berpengaruh
terhadap hasil prediksi yang sesuai 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.

Kata kunci: batubara , estimasi, sumber daya , IDW , NNP

ABSTRACT – 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.

Keywords: coal, estimation, IDW, NNP

PENDAHULUAN
1
2 Perhitungan sumber daya dapat memberikan dampak terhadap berkembangnya cadangan mineral
3 dan batubara di indonesia. Dikarenakan semakin bertambahnya jumlah cadangan dan kebutuhan yang
4 terus meningkat seiring berjalannya waktu. Dalam estimasi sumber daya , dapat digunakan parameter
5 ketebalan batubara, nilai kalori batubara, dan nilai sulfur batubara. Metode dalam studi ini
6 menggunakan metode Inverse Distance Weighting (IDW) dan metode Nearest Neigbour Point ( NNP) .
7 sesuai dengan standar yang berlaku di Indonesia. Dengan adanya studi ini diharapkan dapat
8 meningkatkan jumlah cadangan batubara yang ada di Indonesia.
9
10 METODE
11
12 Dalam studi ini digunakan metode kuantitatif. Metode kuantitatif digunakan untuk mengolah data
13 sekunder yaitu data hasil eksplorasi batubara yang telah dilakukan oleh perusahaan PT X. Pada metode
14 kuantitatif data sekunder diolah menjadi model geologi yang dilakukan secara matematis oleh

21
Naskah masuk : 17/04/2023, revisi pertama : 24/04/2023, revisi kedua : 08/05/2023, revisi terakhir :22/05/2023..
 Indonesian Mining and Energy Journal Vol. 6, No. 1, Mei 2023 : 21 - 26
15 beberapa software. Data hasil eksplorasi akan dilakukan analisa statistik deskriptif dengan software
16 Minitab 17. Dilanjutkan dengan perhitungan analisa geostatistik dengan software Surfer dan
17 dilanjutkan dengan melakukan pembuatan grid dan peta isopach yang nantinya akan digunakan untuk
18 estimasi dengan metode IDW dan NNP untuk melakukan perhitungan RMSE.
19
20 Geostatistik
21
22 Geostatistik adalah metode statistik yang digunakan untuk melihat hubungan antar variabel yang
23 diukur pada titik tertentu dengan variabel yang sama, diukur pada titik dengan jarak tertentu dari titik
24 pertama (data spasial) dan digunakan untukmengestimasi parameter di tempat yang tidak diketahui
25 datanya. Geostatistik memiliki sebuah teori yang dikenal dengan “Regionalized Variables Theory”
26 (Matheron, 1963) yang berisi:
27 1. Data bersifat random.
28 2. Data saling berhubungan (not independent).Variasi data yang berdekatan secara spasial lebih kecil
29 dibandingkan dengan data yang berjauhan secara spasial.Pada penerapannya, metode geostatistik
30 dapat optimal ketika data berdistribusi normal dan stasioner (rata-rata dan variansi tidak berubah
31 terlalu signifikan terhadap ruang). Data dapat dikatakan stasioner apabila tidak memiliki trend atau
32 fluktuasi data berada dekat dengan nilai rata-rata maupun variansi yang konstan terhadap ruang
33 (Geoff Bohling, 2005).
34
35 Nearest Neigbour Point (NNP) dan Inverse distance Weighting (IDW)
36
37 Metode NNP , yaitu metode polygon terhadap conth terdekat , dengan pengambilan estimasi terhadap
38 titik berdasarkan pengaruh tiap titik mengikuti titik terdekat. Sementara Metode IDW, yaitu metode
39 yang memperhitungkan hubungan letak suatu ruang (jarak) , yang merupakan kombinasi antara linier
40 dan harga rata-rata bobot (weighting average) , dalam perhitungan IDW ini menggunakan parameter
41 power yang merupakan paling umum dalam literatur , optimalisasi di maksimalkan dengan nilai root
42 mean square error (RMSE). Yaitu statistik yang dihitung dari validasi silang. Dalam validasi silang setiap
43 titik yang di ukur dihapus dan dibandingkan dengan nilai prediksi untuk lokasi pengambilan tersebut
44 Diagram di bawah ni menunjukan bagaimana Analisa menghitung power optimal. RMSE diplot di
45 beberapa kekuatan berbeda untuk dataset yang relative sama dari kurva power yang menyediakan
46 RMSE terkecil ditentukan sebagai power optimal. Jika power = 0, tidak ada penurunan dengan jarak,
47 dan karena setiap bobot Wi akan sama, prediksi akan menjadi rata-rata dari semua nilai yang di ukur.
48 Kemudian nilai pembobotan dalam metode IDW digunakan persamaan seperti berikut.
49
1
𝑑𝑖𝑝
50 𝑊𝑖 = 1 (1)
∑𝑛
𝑖=1𝑑𝑖𝑝
51
52 Keterangan :
53 𝑑𝑖 = jarak antar titik pengamatan ke-i dengan titik yang diduga
54 𝑝 = power (bilangan bulat)
55
56 Ž0 ∑𝑛𝑖=1 𝑊𝑖. 𝑍𝑖 (2)
=
57
58 Keterangan:
59 Ž0
= nilai titik yang di taksir
60 𝑊i = Faktor bobot dari titik i
61 𝑍𝑖 = Nilai dari titik penaksir
62
63 Untuk pemahaman dalam menggunakan metode IDW, berikut contoh dilakukan pengukuran ketebalan
64 batubara pada sejumlah titik seperti terlihat pada gambar di bawah. Terdapat disebuah lokasi, yaitu

22
Naskah masuk : 17/04/2023, revisi pertama : 24/04/2023, revisi kedua : 08/05/2023, revisi terakhir :22/05/2023..
 Indonesian Mining and Energy Journal Vol. 6, No. 1, Mei 2023 : 21 - 26
65 titik berwarna merah, yang akan diukur ketebalannya. Dengan menggunakan metode IDW dan
66 sejumlah sampel titik (12 titik yang mempunyai nomor 1 sampai 12 berikut ketebalan dan jarak
67 p a d a setiap titik berwarna merah). Kita dapat menentukan ketebalan batubara dari titik merah
68 tersebut. Jika nilai ketebalan pada masing-masing titik sampel kita sebut Z, sehingga ada Z1, Z2, Z3, Z4,
69 Z5, Z6, Z7, Z8, Z9, Z10, Z11, Z12,. Dan jarak masing- masing titik sampel ke titik merah kita sebut d, sehingga
70 ada d1, d2, d3, d4, d5, d6, d7, d8, d9, d10, d11, d12.
71
72 HASIL DAN PEMBAHASAN
73
74 Data yang digunakan pada penelitian ini merupakan data sekunder hasil pengeboran eksplorasi di Area
75 PT X, Provinsi Sumatera Selatan. Dengan jumlah lubang bor 43 , dalam verifikasi lubang bor telah di
76 pilih dari 100 titik bor menjadi 43 lubang bor berdasarkan dari lapisan yang tertebal dari hasil
77 pengeboran yang disampaikan melalui Tabel 1.
78
79 Tabel 1. hasil Analisa Statistik
80
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
81
82 Berikutnya dari hasil metode IDW didapatkan hasil penyebaran ketebalan batubara dengan range 0.3
83 m sampai 3.1 m, berikutnya didapatkan hasil penyebaran nilai kalori batubara denganrange nilai dari
84 4050 kcal/kg sampai 5350 kcal/kg, dan selanjutnya didapatkan hasil penyebaran sulfur batubara
85 dengan range nilai dari 0.2 % sampai 5.4 %. Pada peta penyebaran sulfur batubara
86

87
88 Gambar 8. Estimasi IDW Ketebalan Batubara

23
Naskah masuk : 17/04/2023, revisi pertama : 24/04/2023, revisi kedua : 08/05/2023, revisi terakhir :22/05/2023..
 Indonesian Mining and Energy Journal Vol. 6, No. 1, Mei 2023 : 21 - 26

89
90 Gambar 9. Estimasi IDW Nilai Kalori Batubara
91

92
93 Gambar 10. Estimasi IDW Sulfur Batubara
94
95 Berikutnya dalam metode NNP didapatkan hasil penyebaran ketebalan batubara dengan range 0.2 m
96 sampai 2.8 m. Pada peta penyebaran , lalu didapatkan hasil penyebaran nilai kalori batubara dengan
97 range nilai dari 4000 kcal/kg sampai 5400 kcal/kg, dan didapatkan hasil penyebaran sulfur batubara
98 dengan range nilai dari 0.2 % sampai 5.4 % pada peta persebaran sulfur batubara
99

24
Naskah masuk : 17/04/2023, revisi pertama : 24/04/2023, revisi kedua : 08/05/2023, revisi terakhir :22/05/2023..
 Indonesian Mining and Energy Journal Vol. 6, No. 1, Mei 2023 : 21 - 26

100
101 Gambar 11. Estimasi NNP Ketebalan Batubara
102

103
104 Gambar 12. Estimasi NNP Nilai Kalori Batubara
105

106
107 Gambar 13. Estimasi NNP Sulfur Batubara
108

25
Naskah masuk : 17/04/2023, revisi pertama : 24/04/2023, revisi kedua : 08/05/2023, revisi terakhir :22/05/2023..
 Indonesian Mining and Energy Journal Vol. 6, No. 1, Mei 2023 : 21 - 26
109 Untuk itu dilakukan perhitungan volume batubara pada lokasi penelitian berdasarkan hasil estimasi
110 ketiga parameter batubara tersebut baik dari metode NNP maupun IDW. Juga dilakukan perhitungan
111 ketebalan, nilai kalori dan sulfur rata-rata dari hasil estimasimetode NNP maupun IDW. Perhitungan
112 dilakukan dengan bantuan software MSExcel. Hasil perhitungan disajikan dalam bentuk Tabel 2.
113
114 Tabel 4. Hasil estimasi Metode Kriging dan IDW
Parameter NNP IDW
Volume Batubara (ton) 9512795 9110265
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
115
116 KESIMPULAN DAN SARAN
117
118 Dari hasil Analisa data dan pembahasan dari penelitian ini , dapat di simpulkan bahwa :
119 1. Hasil dari analisa statistik deskriptif dapat ditunjukan dari data ketebalan, dan nilai kalori
120 berdistribusi tidak normal dengan nilai CoV lebih dari 0.5 dan nilai skewness ± 1.
121 2. Hasil dari analisa statistik deskriptif menunjukan data sulfur tidak terdistribusi dengan normal
122 sehingga nilai CoV lebih dari 0.5. Dengan itu data sulfur batubara diubah menjadi distribusi
123 lognormal agar mendapatkan hasil yang mendekati distribusi normal .
124 3. Model Grid untuk data ketebalan dan sulfur batubara adalah model data grid surfer.
125 4. Hasil dari perbangingan metode inverse distance weighting dan nearest neigbour point, dimana
126 untuk nilau tonase batubara lebih besar metode Nearest Neigbour Point dimana didapatkan
127 9.512.795 ton batubara pada ketebalan yang ada di seam
128
129 UCAPAN TERIMA KASIH
130
131 Penulis mengungkapkan terimakasih kepada PT. Quantus Consultan Indonesia dan Program Studi
132 Teknik Pertambangan, Fakultas Teknologi kebumian dan Energi, Universitas Trisakti yang telah
133 memberikan fasilitas dan data dalam pelaksanaan penelitian ini
134
135 DAFTAR PUSTAKA
136
137 Nirwan, Ericsson. (2020): perbandingan metode kriging dan inverse distance weighting untuk estimasi
138 ketebalan dan kualitas batubara di lapangan sangatta , Kalimantan timur, Universitas Trisakti, Jakarta.
139
140 Faidatulaila, Rahma Putri. (2021): estimasi sumber daya batubara menggunakan metode geostatistika
141 (kriging) di area PT X kabupaten kutai kartanegara, Universitas Trisakti, Jakarta.
142 Sejati, Sadewa Purba. (2019): dalam jurnal perbandingan akurasi metode IDW dan kriging dalam
143 pemetaan.
144
145 Rorosanti, Rani Ayu (2021): permodelan geologi dan estimasi sumber daya batubara di area PT X
146 kabupaten kutai kartanegara, Universitas Trisakti, Jakarta.
147
148 Bargawa, W.S., and Purnomo H (2017): Performance Evaluation of Ordinary Kriging and Inverse
149 Distance Weighting Methods for Nickel Laterite Resources Estimation , 49 (1). pp. 121-134. ISSN 0024-
150 9521.
151
152 Galarnyk, M. (2018). Understanding Boxplots.
153 www.towardsdatascience.com/understanding-boxplots-5e2df7bcbd51. Diakses pada Agustus 2019.
154
155 Riberio, Jr. Justiniano, P. and Diggle, P(2001). A Package for Geostatistical Analysis. R-NEWS. 1. 14-18.
26
Naskah masuk : 17/04/2023, revisi pertama : 24/04/2023, revisi kedua : 08/05/2023, revisi terakhir :22/05/2023..