laporan pemodelan dan evaluasi cadangan

8/17/2019 Laporan Pemodelan Dan Evaluasi Cadangan

1/43

LAPORAN

Disusun oleh:

Al – anhar Hardianto (1203144)

Arif Munandar (1203141)

Asrar Halim (1203138)

Chandrika Raflesia (1203142)

Erni Fitri Rosita (1203143)

Fikriansyah Ersyad (1206358)Ikke Putra Landupa (1206356)

Joni Pradinata (1203135)

Maira Triana Putri (1203149)

Rahmat hidayat (1203147)

Mahasiswa Strata-1

Jurusan Teknik Pertambangan

Universitas Negeri Padang

JURUSAN TEKNIK PERTAMBANGAN

FAKULTAS TEKNIK

UNIVERSITAS NEGERI PADANG

2015


2/43

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena

atas penyertaan-Nya penulis dapat menyelesaikan Laporan Pemodelan danEvaluasi Cadangan dengan baik. Penyusunan laporan ini bertujuan untuk

memenuhi Tugas Akhir Perkuliahan Mata Kuliah Pemodelan dan Evaluasi

Cadangan. Penulis berharap laporan ini dapat digunakan untuk menambah

pemahaman tentang Pemodelan dan Evaluasi Cadangan.

Penulis menyampaikan terima kasih kepada :

1. Orang tua dan keluarga penulis yang telah membantu baik moril, materil,

dan motivasi,

2. Pak Dedi Yulhendra ST., MT., selaku dosen mata kuliah Pemodelan dan

Evaluasi Cadangan.

3. Kakanda Sondra Fetronal yang telah mengajarkan konsep dan proses

dalam penggunaan software datamine, dan

4.

Rekan-rekan mahasiswa Teknik Pertambangan sehingga penulis dapat

menyelesaikan tugas serta laporan Pemodelan dan Evaluasi Cadangan

Penulis menyadari bahwa terdapat kekurangan dalam laporan ini karena

keterbatasan pengetahuan dan kemampuan. Oleh karena itu, kritik dan saran

yang membangun dari pembaca sangat diharapkan demi kesempurnaan laporan

ini.

Padang, 3 Juni 2015

Penulis


3/43

DAFTAR ISI

HALAMAN JUDULKATA PENGANTAR ....................................................................................... i

DAFTAR ISI .................................................................................................... ii DAFTAR TABEL .......................................................................................... iii

DAFTAR GAMBAR ........................................................................................ iv

BAB I. BASIS DATAA. Data Assay ............................................................................................ 1

B. Data Collar ............................................................................................ 4

C. Data Survey ........................................................................................... 5

BAB II. LANDASAN TEORI

A. Pentingnya Permodelan dan Estimasi Sumberdaya .............................. 6

B.

Basis Data Komputer dan Konsep Model Blok .................................... 8C. Statistik Univarian ................................................................................ 10

D. Statistik Bivarian .................................................................................. 15

E. Metode Estimasi Sumberdaya .............................................................20

BAB III. PEMBAHASANA.

Penyusunan Basis Data Assay .............................................................. 24

B. Analisis Statistik Deskriptif Ketebalan secara keseluruhan ................. 26

C.

Analisis Statistik Univarian................................................................... 32

D. Analisis Statistik Bivarian ..................................................................... 37

E. Pemodelan Badan Bijih ......................................................................... 40

F.

Estimasi Sumberdaya Nikel ................................................................. 42

BAB IV. PENUTUP A. Kesimpulan .......................................................................................... 43

B.

Saran ..................................................................................................... 43


4/43

BAB I

BASIS DATA

A. Data Assay

Data Assay merupakan data yang memuat informasi kedalaman penembusan

(from and to) beserta kadar pada setiap penembusan bor inti atau interval

sampling pada bijih.

BHID FROM TO NI FE CO SIO2 CAO MGO LITHOLOGY

PA 0224 0 2 1.32 47.94 0.13 4.73 0.08 0.48 Limonit

PA 0224 2 14 1.82 25.95 0.14 27.13 0.52 14.03 HSOZ

PA 0224 14 25 1.13 9.08 0.03 40.13 2.04 29.27 Bedrock

PA 0225 0 8 1.13 39.11 0.13 13.87 0.07 1.23 Limonit

PA 0225 8 22 1.74 32.05 0.19 24.3 0.14 3.06 LSOZ

PA 0225 22 26 0.88 9.23 0.03 41.45 0.36 31.42 Bedrock

PA 0226 0 4 1.23 32.44 0.16 26.62 0.26 6.15 Limonit

PA 0226 4 12 1.88 22.58 0.12 32.77 0.4 13.33 HSOZ

PA 0226 12 25 0.7 8.67 0.02 41.63 2.49 29.35 Bedrock

PA 0227 0 4 1.22 38.23 0.26 14.87 0.12 1.54 Limonit

PA 0227 4 13 1.47 14.78 0.05 41.63 0.41 20.54 LSOZ

PA 0227 13 23 0.76 8.18 0.02 41.11 2.1 30.34 Bedrock

PA 0228 0 3 0.83 36.43 0.09 12.89 0.08 0.44 Limonit

PA 0228 3 4 1.15 29.01 0.1 17.34 0.55 4.8 LSOZ

PA 0228 4 17 1.8 11.24 0.04 37.2 1.18 22.06 HSOZPA 0228 17 19 0.51 7.22 0.02 39.2 2.27 29.93 Bedrock

PA 0231 0 2 1.26 36.46 0.18 17.76 0.09 5.08 Limonit

PA 0231 2 25 2.38 16.84 0.06 34.21 0.46 21.64 HSOZ

PQN 0232 0 2 1.05 37.35 0.13 15.57 0.11 2.98 Limonit

PQN 0232 2 3 1.45 36.64 0.19 17.75 0.13 2.73 LSOZ

PQN 0232 3 8 1.85 32.68 0.13 23.15 0.22 4.9 HSOZ

PQN 0232 8 25 0.97 11.89 0.03 43.59 1.18 25.49 Bedrock

PA 0233 0 3 1.23 35.05 0.1 18.26 0.1 4.95 Limonit

PA 0233 3 10 1.52 35.25 0.21 18.98 0.08 2.52 LSOZ

PA 0233 10 25 2.46 18.87 0.07 36.99 0.41 17.21 HSOZ

PA 0234 0 1 1.18 36.55 0.15 12.8 0.19 4.89 Limonit

PA 0234 1 13 2.75 20.46 0.11 28.53 1.26 13.6 HSOZ

PA 0234 13 17 0.83 7.08 0.02 38.02 1.83 33.34 Bedrock

PA 0235 0 4 0.72 38.67 0.1 8.34 0.04 1.18 Topsoil

PA 0235 4 6 1.15 22.46 0.09 21.51 0.88 15.27 Limonit

PA 0235 6 13 1.83 14.66 0.05 34.27 1.46 20.5 HSOZ

PA 0235 13 15 0.86 9.36 0.03 36.19 1.93 29.92 Bedrock

PA 0241 0 3 1.05 29.14 0.16 26.48 0.15 3.86 Limonit

PA 0241 3 12 1.51 11.22 0.04 43.17 1.66 19.53 LSOZ


5/43

PA 0241 12 14 2.15 10.99 0.04 42.16 1.51 21.71 HSOZ

PA 0241 14 19 0.67 6.05 0.01 41.3 0.49 35.48 Bedrock

PA 0242 0 3 1.38 36.76 0.19 14.47 0.18 2.49 Limonit

PA 0242 3 17 2.01 31.76 0.26 18.24 0.59 7.73 HSOZ

PA 0242 17 25 0.97 8.8 0.03 38.04 2.59 27.53 Bedrock

PA 0243 0 3 1.12 40.39 0.16 11.09 0.1 1.99 Limonit

PA 0243 3 8 2.39 16.46 0.09 40.04 1.25 17.3 HSOZ

PA 0243 8 23 0.85 10.34 0.03 49.15 2.81 22.52 Bedrock

PA 0244 0 3 1.39 41.23 0.13 5.46 0.08 0.43 Limonit

PA 0244 3 5 1.48 39.26 0.12 8.54 0.07 0.5 LSOZ

PA 0244 5 26 1.73 20.15 0.09 28.44 1.46 13.86 HSOZ

PA 0245 0 6 1.05 39.48 0.1 8.91 0.07 0.49 Limonit

PA 0245 6 14 1.6 37.97 0.18 7.86 0.07 0.49 LSOZ

PA 0245 14 26 2.86 21.98 0.08 27.54 0.85 11.87 HSOZPA 0256 0 12 1.23 33.45 0.2 23.01 0.08 3.12 Limonit

PA 0256 12 16 1.48 35.5 0.2 17.19 0.08 1.92 LSOZ

PA 0256 16 26 1.24 16.36 0.15 39.44 0.25 12.72 Bedrock

PA 0257 0 1 1.14 34.65 0.16 20.82 0.14 4.67 Limonit

PA 0257 1 3 1.54 31.69 0.4 15.89 0.34 4.77 LSOZ

PA 0257 3 27 1.85 12.19 0.04 40.28 1.71 20.27 HSOZ

PA 0257 27 29 0.57 7.11 0.02 39.59 0.3 35.4 Bedrock

PA 0258 0 4 1.22 39.08 0.14 14.73 0.12 2.86 Limonit

PA 0258 4 8 1.82 35.29 0.21 16.86 0.13 2.25 LSOZ

PA 0258 8 19 2.13 11.53 0.04 42.13 0.94 28.76 HSOZ

PA 0258 19 25 0.54 9.15 0.03 48.8 2.28 26.38 Bedrock

PA 0259 0 5 1.42 40.97 0.16 6.82 0.07 1.94 Limonit

PA 0259 5 10 1.55 32.43 0.24 16.47 0.08 1.72 LSOZ

PA 0259 10 29 2.08 29.68 0.13 18.73 0.5 7.5 HSOZ

PA 0259 29 30 0.2 3.42 0 10.84 1.1 22.09 Bedrock

PA 0260 0 3 0.72 37.86 0.1 9.96 0.06 1.7 Topsoil

PA 0260 3 4 1.19 36.41 0.14 11.61 0.05 1.44 Limonit

PA 0260 4 5 1.68 37.6 0.21 11.81 0.06 1.9 LSOZ

PA 0260 5 23 2.06 21.63 0.17 26.42 0.99 15.27 HSOZ

PA 0260 23 25 1.11 15.83 0.06 33.6 1.23 19.66 Bedrock

PA 0266 0 1 0.84 23.2 0.12 37.54 0.17 2.45 Topsoil

PA 0266 1 11 2.08 16.37 0.06 33.36 1.54 21.44 HSOZ

PA 0266 11 15 0.68 6.85 0.01 37.45 2.38 35.98 Bedrock

PA 0267 0 1 1.3 37.79 0.24 10.6 0.26 2.55 Limonit

PA 0267 1 3 1.56 38.12 0.18 11.27 0.09 1.9 LSOZ

PA 0267 3 16 2.54 21.97 0.12 27.98 0.62 15.21 HSOZ

PA 0267 16 20 0.73 7.51 0.02 37.03 2.33 34.28 Bedrock

PA 0268 0 1 1.16 38.35 0.1 11.97 0.12 3.13 Limonit

PA 0268 1 3 1.6 36.97 0.28 10.85 0.11 2.15 LSOZ


6/43

PA 0268 3 22 2.05 17.34 0.09 32.87 1.54 20.96 HSOZ

PA 0268 22 23 0.38 7.05 0.02 35.83 2.7 34.71 Bedrock

PA 0269 0 4 1.23 40.96 0.12 6.46 0.08 2.05 Limonit

PA 0269 4 12 1.54 36.32 0.19 11.52 0.08 1.62 LSOZ

PA 0269 12 20 2.29 20.89 0.11 25.58 0.92 15.19 HSOZ

PA 0269 20 25 1.09 10.79 0.03 35.83 2.04 21.09 Bedrock

PA 0270 0 4 1.14 39.79 0.13 7.92 0.07 0.43 Limonit

PA 0270 4 7 1.58 37.89 0.23 10.1 0.08 0.66 LSOZ

PA 0270 7 24 2.27 18.27 0.1 30.39 0.85 16.48 HSOZ

PA 0270 24 25 0.78 11.53 0.04 34.5 1.94 22.46 Bedrock

PA 0273 0 1 1.18 38.62 0.25 12.97 0.16 2.14 Limonit

PA 0273 1 16 1.94 15.99 0.05 38.71 1.14 16.12 HSOZ

PA 0273 16 19 0.83 6.94 0.02 39.8 3.31 32.17 Bedrock

PA 0274 0 1 1.21 37.16 0.17 15.55 0.09 4.92 LimonitPA 0274 1 18 2.81 18.5 0.07 32.97 0.94 16.52 HSOZ

PA 0274 18 20 0.67 7.17 0.02 36.02 2.55 33.81 Bedrock

PA 0275 0 2 1.15 37.92 0.1 9.57 0.16 2.06 Limonit

PA 0275 2 5 1.63 37.5 0.24 8.64 0.12 2.22 LSOZ

PA 0275 5 19 2.55 12.89 0.04 29.75 1.53 23.08 HSOZ

PA 0275 19 21 0.97 7.82 0.02 23.38 1.84 27.98 Bedrock

PA 0276 0 1 1.02 39.22 0.1 8.07 0.16 3.35 Limonit

PA 0276 1 4 1.46 43.16 0.16 4.24 0.07 1.04 LSOZ

PA 0276 4 24 2.16 21.23 0.09 23.95 0.83 15.67 HSOZ

PA 0276 24 25 0.58 7.43 0.02 29.79 2.39 34.55 Bedrock

PA 0277 0 1 0.86 40.39 0.11 6.95 0.04 4.89 Topsoil

PA 0277 1 16 1.31 34.97 0.17 13.4 0.03 1.61 Limonit

PA 0277 16 18 1.74 31.19 0.23 17.13 0.03 1.49 LSOZ

PA 0277 18 25 2.15 34.6 0.24 13.58 0.06 1.9 HSOZ

PA 0281 0 1 1.14 37 0.17 14.76 0.15 1.95 Limonit

PA 0281 1 15 2.58 11.8 0.04 40.13 1.05 21.59 HSOZ

PA 0281 15 19 0.37 5.45 0.01 32.66 1.75 35.72 Bedrock

PA 0282 0 24 2.53 12.49 0.04 39.13 1.34 21.01 HSOZ

PA 0282 24 25 1.17 8.23 0.02 46.03 1.66 25.24 Bedrock

PA 0283 0 1 1.27 40.9 0.17 8.82 0.1 1.49 Limonit

PA 0283 1 6 1.53 37.38 0.23 11.68 0.1 2.25 LSOZ

PA 0283 6 21 2.06 26.19 0.1 20.57 1.08 11.62 HSOZ

PA 0283 21 25 0.89 9.2 0.03 29.98 2.36 30.89 Bedrock

PA 0284 0 3 1.3 44.78 0.17 3.56 0.07 1.68 Limonit

PA 0284 3 14 1.69 40.61 0.18 8.52 0.06 1.07 LSOZ

PA 0284 14 29 2.42 28.87 0.17 18.53 0.36 9.55 HSOZ

PA 0284 29 30 1.18 9.41 0.03 32.66 1.08 32.87 Bedrock

PA 0285 0 5 1.35 42.32 0.13 3.7 0.07 0.44 Limonit

PA 0285 5 14 1.69 42.58 0.18 2.32 0.06 0.36 LSOZ


7/43

PA 0285 14 29 2.7 29.06 0.13 20.37 0.37 6.12 HSOZ

PA 0285 29 30 1.24 9.81 0.03 33.81 2.69 24.53 Bedrock

PA 0293 0 1 1.37 38.54 0.28 12.45 0.18 2.09 Limonit

PA 0293 1 3 1.7 35.94 0.24 16.08 0.11 1.93 LSOZ

PA 0293 3 11 2.31 21.54 0.07 29.72 0.83 13.9 HSOZ

PA 0293 11 25 0.8 10.31 0.03 39.26 2.12 26.88 Bedrock

PA 0294 0 1 1.09 36.08 0.14 16.93 0.12 5.73 Limonit

PA 0294 1 18 1.64 28.09 0.12 25.38 0.61 9.01 LSOZ

PA 0294 18 32 1.14 9.55 0.03 44.9 1.72 23.58 Bedrock

PA 0295 0 1 1.32 40.17 0.19 6.93 0.1 1.51 Limonit

PA 0295 1 14 1.6 38.05 0.17 10.93 0.07 1.18 LSOZ

PA 0295 14 25 4.13 19 0.07 28.94 0.95 14.85 HSOZ

PA 0296 0 2 1.32 41.82 0.17 3.85 0.06 0.83 Limonit

PA 0296 2 16 1.58 41.47 0.19 6.22 0.06 0.98 LSOZPA 0296 16 23 1.95 26.77 0.15 21.55 0.68 8.95 HSOZ

PA 0296 23 25 1.2 12.12 0.04 41.92 1.99 17.7 Bedrock

PA 0297 0 4 0.92 41.97 0.13 4.2 0.04 2.05 Limonit

PA 0297 4 11 1.49 42.13 0.22 3.3 0.04 1.68 LSOZ

PA 0297 11 25 2.16 23.19 0.13 26.51 0.38 13.96 HSOZ

PA 0304 0 2 1.17 35.27 0.21 21.32 0.16 3.45 Limonit

PA 0304 2 16 2.56 17.95 0.07 33.02 0.62 17.93 HSOZ

PA 0304 16 26 0.93 8.59 0.02 38.31 1.68 31.63 Bedrock

PA 0305 0 4 1.19 31.22 0.21 25.23 0.08 2.32 Limonit

PA 0305 4 17 1.97 16.36 0.06 34.85 1.42 18.44 HSOZ

PA 0305 17 26 0.54 8.06 0.02 38.87 2.07 31.54 Bedrock

PA 0306 0 1 1.35 39.78 0.19 9.15 0.06 0.92 Limonit

PA 0306 1 2 1.5 39.36 0.14 10.58 0.06 1.06 LSOZ

PA 0306 2 27 2.35 25.81 0.2 19.35 0.64 12.19 HSOZ

PA 0307 0 2 1.25 44.41 0.12 4.46 0.07 0.84 Limonit

PA 0307 2 9 1.58 38.74 0.15 10.77 0.06 0.89 LSOZ

PA 0307 9 16 2.24 15.21 0.05 40.04 0.81 13.27 HSOZ

PA 0307 16 25 0.56 10 0.03 46.23 0.86 20.7 Bedrock

PA 0308 0 2 1.2 44.61 0.24 2.76 0.07 1.02 Limonit

PA 0308 2 21 1.51 39.23 0.22 11.64 0.07 1.28 LSOZ

PA 0308 21 29 2.25 24.04 0.1 26.3 0.91 12.98 HSOZ

PA 0308 29 30 0.86 8.47 0.02 34.53 1.73 34.01 Bedrock

PA 0317 0 6 2.09 15.23 0.05 37.53 1.27 19.23 HSOZ

PA 0317 6 17 0.52 7.93 0.02 40.55 1.54 31.81 Bedrock

PA 0318 0 2 2.89 17.35 0.06 35.08 1.17 14.67 HSOZ

PA 0318 2 16 0.81 9.62 0.03 41.68 1.47 27.02 Bedrock

PA 0319 0 3 1.27 38.03 0.28 10.81 0.09 2.6 Limonit

PA 0319 3 27 2.45 20.95 0.1 31.33 0.62 12.41 HSOZ

PA 0319 27 38 0.9 8.5 0.02 37.08 1.61 32.03 Bedrock


8/43

PA 0321 0 1 1.34 45.01 0.12 3.83 0.07 0.77 Limonit

PA 0321 1 4 1.59 45 0.13 4.53 0.07 1.4 LSOZ

PA 0321 4 30 2.23 30.03 0.15 21.56 0.9 7.15 HSOZ

PA 0331 0 1 1.29 46.74 0.15 5.26 0.09 0.93 Limonit

PA 0331 1 10 1.72 44.05 0.22 5.26 0.08 1.17 LSOZ

PA 0331 10 30 1.9 23.05 0.1 29.71 1.57 12.12 HSOZ

PA 0332 0 11 2.57 20.13 0.08 31.84 0.52 15.37 HSOZ

PA 0332 11 17 0.75 7.97 0.02 39.51 2.18 31.63 Bedrock

PA 0333 0 4 1.92 13.85 0.04 37.64 0.9 22.05 HSOZ

PA 0333 4 21 0.45 8.01 0.02 45.45 1.92 27.07 Bedrock

PA 0334 0 1 1.17 42.76 0.1 4.81 0.11 0.84 Limonit

PA 0334 1 4 1.61 44.57 0.15 3.23 0.06 0.87 LSOZ

PA 0334 4 25 2.22 34.83 0.15 14.15 0.48 5.35 HSOZ

PA 0335 0 6 1.31 45.02 0.16 3.85 0.06 0.64 LimonitPA 0335 6 30 1.56 40.81 0.18 10.56 0.06 0.94 LSOZ

PA 0336 0 15 1.28 45.3 0.15 4.72 0.07 0.9 Limonit

PA 0336 15 19 1.54 38.72 0.17 12.88 0.08 0.81 LSOZ

PA 0336 19 28 2.4 29.83 0.11 25.8 0.43 5.05 HSOZ

PA 0336 28 30 1.3 10.03 0.03 35.69 2.83 27.58 Bedrock

PA 0346 0 2 1.21 13.34 0.04 38.97 0.77 23.48 Limonit

PA 0346 2 4 1.8 9.69 0.03 40.6 0.73 27.2 HSOZ

PA 0346 4 11 0.59 7.01 0.02 39.79 1.53 34.27 Bedrock

PA 0347 0 2 1.66 41.09 0.24 9.24 0.11 2.71 LSOZ

PA 0347 2 8 2.85 18.09 0.06 36.66 1.14 13.7 HSOZ

PA 0347 8 20 0.53 8.27 0.02 40.75 2.23 30.13 Bedrock

PA 0348 0 3 1.23 44.45 0.17 2.68 0.07 0.96 Limonit

PA 0348 3 18 1.75 43.14 0.2 3.83 0.06 0.97 LSOZ

PA 0348 18 30 2.22 30.64 0.16 17.54 0.38 10.21 HSOZ

PA 0349 0 1 1.23 44.11 0.11 3.28 0.07 1.19 Limonit

PA 0349 1 11 1.61 44.78 0.15 3.34 0.07 1.7 LSOZ

PA 0349 11 30 2.52 34.1 0.15 14.87 0.26 5.42 HSOZ

PA 0350 0 13 1.34 48.18 0.15 2.94 0.08 1.09 Limonit

PA 0350 13 16 1.63 40.24 0.2 11.12 0.07 1.01 LSOZ

PA 0350 16 18 2.4 16.49 0.06 34.38 1.18 15.85 HSOZ

PA 0350 18 25 0.49 8.46 0.02 38.03 2.3 30.13 Bedrock


9/43

B. Data Collar

Data Collar merupakan data yang memuat informasi koordinat X, Y, dan Z

(collar) dari drillhole.

BHID XCOLLAR YCOLLAR ZCOLLAR

PA 0224 -700.66 -225.63 164.89

PA 0225 -700.65 -200.35 168.81

PA 0226 -699.87 -175.23 167.89

PA 0227 -699.79 -149.87 164.02

PA 0228 -699.95 -126.21 154.03

PA 0231 -673.84 -224.82 165.7

PQN 0232 -674.23 -199.98 170.7

PA 0233 -675.54 -175.21 171.18

PA 0234 -674.14 -149.58 167.94

PA 0235 -675.3 -125.01 158.77

PA 0241 -649.91 -225.12 167.4

PA 0242 -650.2 -200.02 172.87

PA 0243 -650.18 -175.18 175.44

PA 0244 -649.49 -149.69 172.73

PA 0245 -648.38 -125.98 166.98

PA 0256 -624.21 -224.76 170.45

PA 0257 -624.95 -200.03 175.64

PA 0258 -625.2 -175.07 178.5

PA 0259 -624.81 -150.48 176.76PA 0260 -625.14 -124.99 171.17

PA 0266 -599.98 -224.88 172.55

PA 0267 -600.69 -200.01 178

PA 0268 -600.34 -175.16 181.13

PA 0269 -599.51 -149.99 181.22

PA 0270 -599.58 -125.08 175.3

PA 0273 -574.98 -224.87 175

PA 0274 -575.46 -199.91 180.74

PA 0275 -574.86 -175.06 184.09

PA 0276 -576.13 -149.83 184.62

PA 0277 -575.13 -125.1 179.46

PA 0281 -549.5 -224.95 177.86

PA 0282 -549.81 -199.99 183.91

PA 0283 -549.99 -175.04 187.35

PA 0284 -550.44 -149.3 188.39

PA 0285 -549.3 -124.82 187.72

PA 0293 -525.04 -225.07 180.23

PA 0294 -525.04 -199.98 186.15

PA 0295 -525.05 -174.91 190.77


10/43

PA 0296 -525.55 -149.97 191.87

PA 0297 -525.12 -124.92 193.91

PA 0304 -499.63 -225.15 180.19

PA 0305 -499.82 -199.99 187.7

PA 0306 -500.98 -175.49 192.91

PA 0307 -500.59 -149.83 195.65

PA 0308 -500.07 -125.03 197.75

PA 0317 -473.76 -225.23 173.67

PA 0318 -474.89 -200.01 187.46

PA 0319 -476.14 -175.52 194.46

PA 0321 -474.93 -149.97 198.88

PA 0331 -474.97 -124.94 202.38

PA 0332 -450.35 -225.24 168.62

PA 0333 -449.88 -199.97 185.01PA 0334 -451.26 -175.47 195.59

PA 0335 -451.65 -150.96 200.76

PA 0336 -450.19 -125.15 204.03

PA 0346 -425.59 -225.03 167.64

PA 0347 -424.87 -199.98 184.17

PA 0348 -425.5 -175.4 194.99

PA 0349 -426.42 -151.23 200.76

PA 0350 -424.94 -125 202.71

C. Data Survey

Data Survey merupakan data yang memuat informasi bearing atau dip

direction, dip, daaan deviasi lubang bora tau trench.

BHID AT BEARING DIP

PA 0350 0 0 90

PA 0349 0 0 90

PA 0348 0 0 90

PA 0347 0 0 90

PA 0346 0 0 90

PA 0336 0 0 90

PA 0335 0 0 90

PA 0334 0 0 90

PA 0333 0 0 90

PA 0332 0 0 90

PA 0331 0 0 90

PA 0321 0 0 90

PA 0319 0 0 90

PA 0318 0 0 90


11/43

PA 0317 0 0 90

PA 0308 0 0 90

PA 0307 0 0 90

PA 0306 0 0 90

PA 0305 0 0 90

PA 0304 0 0 90

PA 0297 0 0 90

PA 0296 0 0 90

PA 0295 0 0 90

PA 0294 0 0 90

PA 0293 0 0 90

PA 0285 0 0 90

PA 0284 0 0 90

PA 0283 0 0 90PA 0282 0 0 90

PA 0281 0 0 90

PA 0277 0 0 90

PA 0276 0 0 90

PA 0275 0 0 90

PA 0274 0 0 90

PA 0273 0 0 90

PA 0270 0 0 90

PA 0269 0 0 90

PA 0268 0 0 90

PA 0267 0 0 90

PA 0266 0 0 90

PA 0260 0 0 90

PA 0259 0 0 90

PA 0258 0 0 90

PA 0257 0 0 90

PA 0256 0 0 90

PA 0245 0 0 90

PA 0244 0 0 90

PA 0243 0 0 90

PA 0242 0 0 90

PA 0241 0 0 90

PA 0235 0 0 90

PA 0234 0 0 90

PA 0233 0 0 90

PQN 0232 0 0 90

PA 0231 0 0 90

PA 0228 0 0 90

PA 0227 0 0 90


12/43

PA 0226 0 0 90

PA 0225 0 0 90

PA 0224 0 0 90


13/43

BAB II

LANDASAN TEORI

A.

Pentingnya Permodelan dan Estimasi Sumberdaya

Pemodelan merupakan tahap awal untuk melakukan estimasi kadar yang

berlanjut ke estimasi sumberdaya. Hasil dari estimasi sumberdaya tersebut akan

dapat dijadikan sebagai cadangan jika memenuhi beberapa ketentuan. Metode

perhitungan yang digunakan harus memberikan hasil yang dapat diuji ulang atau

diverifikasi. Setelah perhitungan sumberdaya selesai, yang harus dilakukan adalah

memeriksa atau mengecek taksiran kualitas blok yang dibuat setelah proses

pemodelan. Hal ini dilakukan dengan menggunakan data pemboran yang ada di

sekitarnya. Satu aspek penting yang harus sangat diperhatikan sebelum dan

setelah pemodelan dan estimasi selesai yaitu model dan taksiran kadar dari modelsumberdaya tersebut harus dicek ulang kualitas dan kuantitasnya yang disebut

dengan verifikasi data. Suatu data dapat dikatan valid / benar jika di dalam

verifikasi data tersebut tidak terdapat adanya kesalahan, sehingga hasil dari

pemodelan dan estimasi yang dilakukan mendekati nilai yang sesungguhnya.

Estimasi sumberdaya mineral diperlukan karena :

1. Kandungan logam dalam cebakan mineral sedikit, hanya dalam ppm atau

% kecil sehingga harus ditentukan nilai kadar sekitarnya untuk

menentukan jumlah sumberdaya (volume dan tonase).

2.

Adanya keterbatasan data dalam sampling untuk analisis kadar maupun

interpretasi geologi.

3. Belum ada prosedur yang tepat untuk menghitung kadar dan volume.

Pentingnya pemodelan dan estimasi sumberdaya bermanfaat untuk hal-hal berikut

ini :

1. Memberikan perkiraan bentuk 3 dimensi dari endapan bahan galian serta

distribusi ruang (spatial) dari nilainya. Hal ini penting untuk menentukan

sumberdaya ke tahap cadangan dan selanjutnya menentukan urutan

/tahapan penambangan, yang pada giliranya akan memepengaruhi pemilihan peralatan.

2. Memberikan besaran kuantitas (tonase) dan kualitas terhadap suatu

endapan bahan galian.

3. Jumlah sumberdaya menentukan umur tambang setelah diklasifikasi ke

cadangan. Hal ini penting dalam perancangan pabrik pengolahan dan

kebutuhan infrastruktur lainnya.

4. Batas-batas kegiatan penambangan (pit limit) ke tahap cadangan dibuat

berdasrkan sumberdaya.


14/43

Dalam melakukan estimasi sumberdaya bijih harus memperhatikan persyaratan

tertentu, antara lain :

1. Suatu taksiran sumberdaya harus mencerminkan secara tepat kondisi

geologi dan karakter / sifat dari endapan bahan galian.

2.

Selain itu harus sesuai dengan tujuan evaluasi. Suatu model sumberdaya

yang akan digunakan untuk perancangan tambang harus konsisten dengan

metode penambangan dan teknik perencanaan tambang yang akan

diterapkan.

3. Taksiran yang baik harus didasarkan pada data actual yang diolah

/diperlakukan secara objektif. Keputusan dipakai tidaknya suatu data

dalam penaksiran harus di ambil dengan pedoman yang jelas dan

konsisiten. Tidak boleh ada pembobotan data yang berbeda dan harus

dilakukan dengan data yang kuat dan akurat.

B. Basis Data Komputer dan Konsep Model Blok

1. Basis Data Komputer

Pembuatan Suatu Model sumberdaya / cadangan yang representatif dan

cukup detail tentunya membutuhkan tingkat ketelitian yang tinggi dan waktu

pengerjaan yang lama. Dengan adanya teknologi komputer pada saat ini maka

sangat membantu untuk mempermudah pekerjaan tersebut dalam

pengolahan,klasifikasi,dan interpretasi data. Data Pada umumnya bisa diperoleh

dari populasi cebakan bijih dengan cara pengeboran, surface sampling , dan

tunne/stope sampling dengan berbagai metode percontohan batuan . Pada awal pekerjaan pemodelan yang harus dilakukan adalah mengolah data-data awal dari

proses percontohan ke dalam suatu basis data komputer sebagai input data dalam

pemodelan sumberdaya secara komputerisasi. Pada tahap ini dibutuhkan ketelitian

dan waktu yang cukup lama dalam pemasukan data. Pengecekan data / verifikasi

dilakukan setelah semua data dimasukkan ke dalam file perangkat lunak.

Data – data awal ini meliputi :

a. Data collar, memberikan informasi koordinat XYZ dari lokasi

pengambilan data

b. Data assay, memuat informasi nilai kadar pada penembusan/interval

tertentu

c. Data survey, memuat data azimuth, dip dan deviasi arah pengambilan data


15/43


16/43

3. Model Topografi.

Pada penerapan sistem penambangan terbuka maka topografi harus

dimasukkan pada model blok sebagai batas atas penambangan. Batas dari model bijih plot pada peta topografi tersebut. Garis kontur topografi didigitasi sehingga

setiap titik memiliki data koordinat permukaan berupa northing, easting, dan

elevasi. Hasil model yang dibuat akan dioverlay dan dismoothing terhadap model

topografi yang bertujuan untuk menggambarkan kondisi badan bijiih yang

sebenarnya

C. Statistik Univarian

Analisis statistik univarian adalah statistik berdasarkan hubungan antar data

dalam satu populasi, tanpa memperhatikan lokasi dari data-data tersebut. Dalamanalisis univarian teknis analisis data dilakukan terhadap satu variabel secara

mandiri, tiap variabel dianalisis tanpa dikaitkan dengan variabel lainnya.

Analisis univarian bertujuan menggambarkan kondisi dari fenomena yang

dikaji.dari hasil univarian, kita dapat mengetahui banyaknya data, kadar minimum

dan maksimum dari masing-masing data, nilai rata-rata kadar pada masing-masing

lapisan, standar deviasi skewness dan kurtosis. Hasil analisis univarian ini

menunjukkan benar atau tidaknya data yang kita masukkan dalam perhitungan

estimasi, sehingga nilai data yang tidak berkaitan dapat dihilangkan.

- Rata-rata sampel merupakan parameter lokasi dimana terpusat dengan

cara jumalah semua nilai data yang diamati dibagi dengan banyaknya data

yang diamati.

- Median (med) adalah nilai tengah pada sekelompok data yang telah

duiurutkan dari yang terkecil hingga yang terbesar.

-

Modus (mod) adalah nilai dari sekelompokm data yang

memiilikifrekuensi tertinggi atau nilai yang sering muncul.

- Quartil bawah tengah atas (25 %, 50%, 75% percentiles) .Jika memiliki

n buah data yang telah diurutkan ,maka quartil bawah ( 25% percentiles

)adalah data yang terletak pada urutan (n/4) quartil tengah adalah median

,dan quartil atas adalah yang terletak pada urutan (3n/4).

- Nilai jarak (range) merupakan selisih antara nilai data terbesar dengan

nilai data terkecil.

- Variansi adalah ukuran sebaran data.


17/43

-

Simpangan baku (standart deviation ) adalah nilai yang mengukur

selisih individu data terhadap nilai rata-rata hitung dalam suatu populasi.

- Histogram, Suatu populasi data dapat disajikan dalam bentuk tabel

frekuensi dan histogram. Dalam tabel frekuensi, populasi data dibagi ke

dalam beberapa kelas, yang kemudian ditentukan jumlah data yang berada

dalam tiap kelas (frekuensi). Hasil dari tabel frekuensi kemudian

digambarkan dalam suatu histogram.

Lebar kelas umumnya ditentukan:

Dimana k merupakan banyaknya kelas.

Bayaknya kelas dapat ditentukan dengan menggunakan rumus :

K = 1 + 3,322 log n (H.A. Sturgers, 1926)

Dimana k merupakan banyaknya kelas dan n merupakan banyaknya data.

- Ukuran kemiringan kurva (skewness,a), menyatakan simetris atau

tidaknya suatu kurva histogram. Suatu histogram dikatakan negative

skewness jika med > µ dan positive skewness jika med < µ

Gambar. 1 Skewness dari Beberapa Kurva Histogram


18/43

- Ukuran keruncingan kurva (kurtosis), menggambarkan ukuran

keruncingan kurva histogram> Dari tingkat keruncingan, kurva dapat di

bedakan menjadi: leptokurtis (meruncing), platykurtis (mendatar), dan

mesokurtis (normal). Kurva distribusi dikatakan normal jika nilai kurtosis

mendekati 3.

- Pencilan (Outlier) adalah salah suatu data yang jauh berbeda dibandigkan

terhadap keseluruhan data. Data yang jauh berbeda ini disebabkan oleh

kesalahan pada saat sampling, analisis, atau terjadi pemfilteran. Dengankata lain data pencilan juga dapat dianggap sebagai data dengan populasi

yang berbeda terhadap populasi keseluruhan data. Dengan demikian data

pencilan akan menggangu dalam proses analisis data dan harus dihindari

dalam banyak hal. Dalam statistic ruang. Data pencilan harus dilihat

terhadap posisi dan sebaran data lainnya sehingga akan dapat dievaluasi

apakah data pencilan tersebut dapat dihilangkan atau tidak. Terdapat

beberapa metode untuk menentukan batasan pencilan dalam suatu analisis.

Salah satu metode yang paling umum adalah dengan mempergunakan niali

kuartil dan jangkauan.

Kuartil 1,2 dan 3 akan membagi sebuah urutan data menjadi empat bagian.

Jangkauan (IQR, Interquartile Range) didefenisikan sebagai selisih antara

kuartil 1 terhadap kuartil 3, sehingga IQR = Q3 – Q1. Nilai pencilan dapat

ditentukan yaitu nilai yang kurang dari 1,5 X IQR terhadap kuartil 1 dan

nilai yang lebih dari 1,5 X IQR terhadap kuartil 3.


19/43

D. Statistik Bivarian

Analisis statistik bivarian adalah analisis statistik berdasarkan hubungan antar

data dalam satu populasi data yang berbeda pada lokasi yang sama atau

berdekatan. Metode statistik bivarian yang biasa digunakan adalah diagram pencar

( scatter plot) yang merupakan penggambaran dua peubah dalam satu grafik X-Y.

Kedua variable tersebut disebut memiliki hubungan positif jika kedua nilai

berbanding lurus, negatif jika kedua peubah tersebut cenderung menunjukkan

nilai yang berbanding terbalik, dan tidak memiliki hubungan apabila persebaran

data kedua peubah cenderung acak.

Metode statistik dapat juga digunakan untuk menganalisis distribusi dua

buah kumpulan peubah yang berbeda tetapi terletak pada lokasi yang sama.

Metode statistik bivarian yang biasa digunakan adalah diagram pencar (scatter

plot), yaitu penggambaran dua peubah dalam satu grafik X-Y. Kedua peubah

mempunyai hubungan positif jika kedua peubah tersebut cenderung memiliki nilai berbanding lurus. Jika kedua peubah tersebut cenderung menunjukan nilai yang

berbanding terbalik, maka kedua peubah tersebut mempunyai hubungan negatif.

Apabila penyebaran data kedua peubah cenderung acak, maka kedua peubah

tersebut dikatakan tidak mempunyai hubungan.

Gambar.2 Diagram pencar beberapa pasangan data yang menunjukan

Hubungan yang terjadi antara dua peubah pada analisis statistik bivarian

dinyatakan pada koefisien korelasi (ρ) yang didefenisikan sebagai:

Ρ=

∑ ()

Keterangan: n = Jumlah data

Xi.,,,Xn= Nilai data peubah X

Yi,,,,Yn= Nilai data peubah Y

= Nilai rata-rata peubah X = Nilai rata-rata peubah Y = Simpangan baku peubah X = Simpangan baku peubah Y


20/43

Selain itu, untuk menggambarkan hasil diagram pencar dapat juga dilihat melalui

nilai kovarians (Cxy) yang didefenisikan sebagai berikut:

Cxy =

∑ ( )

Sedangkan untuk memperkirakan hubungan antara dua peubah dan untuk

mengestimasi nilai dari suatu data (populasi) yang saling berhubungan yang sulit

dinyatakan dengan metode matematis sebagai berikut:

Y= αX + b

α = ρ

b = Keterangan:

α= kemiringan garis regresi

b= perpotongan garis regresi

E. Metode Estimasi Sumberdaya

Penaksiran perlu dilakukan untuk menentukan nilai data pada titik-titik

lokasi (grid) yang belum memiliki nilai,dengan menggunakan distribusi nilai pada

titik-titik data disekitarnya, melalui suatu pembobotan. Pembobotan ini pada

umumnya didasarkan pada :

1.

Jarak antara grid yang akan ditaksir dengan grid penaksir.2. Kecenderungan penyebaran data.

3. Posisi antara grid yang ditaksir dengan grid penaksir dalam ruang.

Metode Seperjarak (Inverse Distance Method)

Pada metode ini faktor pembobotan berbanding terbalik terhadap jarak

antara grid yang ditaksir dengan grid penaksir disekitarnya (gambar

3.1), sehingga grid penaksir yang terdekat akan memiliki bobot yang

lebih besar dibandingkan grid penaksir yang lebih jauh.

Dimana :

wj : faktor bobot data grid j (grid penaksir)

dj : Jarak antara grid j dengan grid yang ditaksir

n : faktor eksponen


21/43

Gambar 1. Metode Penaksiran Seperjarak

Dari persamaan diatas dapat dilihat bahwa semakin besar pangkat

yang digunakan maka semakin besar pula bobot titik data terdekat, sehingga

untuk n yang sangat besar akan menghasilkan metode penaksiran jarak

terdekat. Batasan dari metode ini antara lain hanya memperhatikan faktor

jarak, belum memperhatikan faktor spasial antar titik data, sehingga data

dengan jarak yang sama akan menghasilkan nilai penaksiran yang samawalaupun pola sebenarnya berbeda.

Contoh perhitungan Inverse Distance Squared (IDS)/lingkaran :


22/43


23/43

BAB III

PEMBAHASAN

A. Penyusunan Basis Data Assay

Basis data assay berisi informasi-informasi dari data eksplorasi rinci yang

akan menjadi input file assay dan drillhole pada Studio 3 Datamine berupa data-

data dalam file Microsoft Excel dengan format *.csv (comma delimitted)

sebanyak 4 macam file. Informasi dasar basis data assay diperoleh dari kegiatan

pemboran eksplorasi. Basis data ini harus dilakukan verifikasi terlebih dahulu

sebelum dilakukan pengolahan data lebih lanjut, hal ini sangat penting karena di

dalam proses pemodelan dan estimasi sumberdaya bersumber dari basis data assay

ini. Data assay tersebut meliputi :

File Collar, memuat informasi koordinat x, y, z permukaan dari drillhole.

File Survey, memuat informasi bearing/dip direction, dip, dan deviasilubang bor/trench/stope sampling. Dalam penelitian ini data survey tidak

digunakan karena pemboran untuk eksplorasi nikel adalah pemboran

tegak.

File Assay, memuat informasi kedalaman penembusan (from and to)

beserta kadar Ni, Fe, MgO, caO, Co dan pada tiap penembusan borinti atau interval sampling pada bijih.

Basis-basis data di atas dijadikan satu basis data yang memuat informasi \

drillholes data dan assay data (data kadar) beserta koordinat dan elevasi serta

kedalaman lubang bor. Termasuk juga basis data Lithologi. Basis data tersebutdigunakan dalam penentuan horizon/zona nikel. Paramater yang digunakan

meliputi unsur-unsur seperti pada table berikut.

Tabel 1. Batasan Kandungan Fe dan Ni dalam penentuan Horizon Laterit

(Sumber : Geomin PT. Antam Tbk)

Batasan yang digunakan pada tabel tersebut dapat berubah tergantung dari

kebutuhan user/perusahaan dan berdasarkan kondisi pangsa pasar logam.


24/43

B. Analisis Statistik Deskriptif Ketebalan secara keseluruhan

1. Top Soil

Pada gambar diatas,data yang dihasilkan dari microsoft excel diperlihatkan

bahwa kecendrungan ketebalan setiap horizon top soil. Tebal minimum dari

topsoil yaitu 3 meter dan ketebalan maksimum adalah 4 meter. Histrogram

ini memiliki nilai skewness positif yang berarti cederung ke kiri.

Data Analisis Top Soil

Mean 3.5Standard

Error

0.5

Median 3.5

Standard

Deviation

0.7071

06781

Sample

Variance

0.5

Range 1

Minimum 3

Maximum 4

Sum 7

Count 2


25/43

2. Data Limonit


bahwa kecendrungan ketebalan setiap horizon Limonite. Tebal minimum

dari limonite yaitu 2 meter dan ketebalan maksimum adalah 15 meter.

Histrogram ini memiliki nilai skewness positif yang berarti cederung ke kiri.

Data Analisis Limonit

Mean 7.555555556

Standard Error 1.573311362

Median 6

Standard Deviation 4.719934086

Sample Variance 22.27777778

Kurtosis -1.369964828

Skewness 0.505024775

Range 13

Minimum 2

Maximum 15

Sum 68

Count 9


26/43

3. Data LSOZ


bahwa kecendrungan ketebalan setiap horizon Lsoz. Tebal minimum dari

Lsoz yaitu 4 meter dan ketebalan maksimum adalah 31 meter. Histrogram

ini memiliki nilai skewness positif yang berarti cederung ke kiri.

Data Analisis LSOZ

Mean 10.73333333


Median 10

Standard

Deviation

6.307214312


Kurtosis -0.265939957


Range 22

Minimum 2Maximum 24

Sum 161

Count 15


27/43

4. Data HSOZ


bahwa kecendrungan ketebalan setiap horizon Hsoz. Tebal minimum dari

Hsoz yaitu 2 meter dan ketebalan maksimum adalah 24 meter. Histrogram

ini memiliki nilai skewness positif yang berarti cederung ke kiri. Kurva

tersebut memiliki skewness mendaki 0 sehingga ditribusinya mendekati

normal.

Data Analisis HSOZ

Mean 15.39130435


Median 15

Standard

Deviation

7.432967904


Kurtosis -0.749912926


Range 27

Minimum 4Maximum 31

Sum 354

Count 23


28/43

5. Data Bedrock


bahwa kecendrungan ketebalan setiap horizon badrock. Tebal minimum dari

badrock yaitu 2 meter dan ketebalan maksimum adalah 17 meter.

Histrogram ini memiliki nilai skewness positif yang berarti cederung ke kiri.

Data Analisis Bedrock

Mean 9.066666667


Median 9

Standard

Deviation

4.589843861


Kurtosis -1.043102067

Skewness 0.09376784

Range 15

Minimum 2Maximum 17

Sum 136

Count 15


29/43

C. Analisis Statistik Univarian

1. Histogram

Histogram sangat berguna untuk mengetahui bentuk secara grafik dari

sebaran atau distribusi suatu data. Apakah data tersebut terdistribusi secara

merata dari kadar rendah sampai kadar tinggi, atau hanya mengelompok

pada kadar rendah dan kadar tinggi saja. Selain itu, dapat juga

mengelompok pada kadar rendah dan kadar tingi secara bersamaan.

Sehingga berdasarkan analisis terhadap kurva histogram, dapat diketahui

mengenai karakteristik penyebaran data dan berguna sebagai informasi awal

untuk kegiatan pengolahan data tersebut.

Berdasarkan histogram kadar Ni untuk Nikel Laterit maka kita dapat

diketahui informasi sebagai berikut:

Histogram kadar Ni menunjukan bahwa data kadar Ni pada nikel laterit

memiliki distribusi taksimetri ( skewness) positif artinya bahwa data kadar

Ni pada endapan nikel laterit cenderung mengelompok kearah kiri/ kadar

relatif rendah.Kemudian nilai variansi yag relatif kecil menunjujkan ekor

histogram yang pendek,jika ekor histogram panjang maka memiiki nilai

variansi yang besar.


30/43

Histogram kadar Fe menunjukan bahwa data kadar Fe pada nikel laterit memiliki

distribusi taksimetri ( skewness) Negatif artinya bahwa data kadar Fe pada endapan

nikel laterit cenderung mengelompok pada kadar relatif tinggi.


31/43

Histogram kadar Co menunjukan bahwa data kadar Co pada nikel laterit memiliki

distribusi taksimetri ( skewness) Positif artinya bahwa data kadar Co pada endapan

nikel laterit cenderung mengelompok pada kadar relatif rendah.


32/43

Histogram kadar CaO menunjukan bahwa data kadar CaO pada nikel laterit

memiliki distribusi taksimetri ( skewness) Positif artinya bahwa data kadar CaO

pada endapan nikel laterit cenderung mengelompok pada kadar relatif rendah.


33/43

Histogram kadar SiO2 menunjukan bahwa data kadar SiO2 pada nikel laterit

memiliki distribusi taksimetri ( skewness) Positif artinya bahwa data kadar SiO2



34/43

Histogram kadar MgO menunjukan bahwa data kadar MgO pada nikel laterit

memiliki distribusi taksimetri ( skewness) Positif artinya bahwa data kadar MgO



35/43

D. Analisis Statistik Bivarian

Metode statistik bivarian digunakan untuk menganalisis 2 (dua) kelompok

data yang berbeda tetapi terletak pada lokasi yang sama, dimana dalam kasus ini

data yang dianalisis yaitu data kadar Ni dan data kadar Fe serta data kadar Mgo

yang terdapat pada lokasi yang sama yaitu pada masing-masing block pemodelan.

Adapun metode statistik bivarian yang umum digunakan yaitu dengan scatter plot.

Diagram Scatter Plot Kadar Data Fe dan MgO.

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar Fe Mgo

mempunyai nilai korelasi sebesar -0,95 termasuk dalam kelompok korelasi

negative kuat yang berarti setiap penurunan nilai kadar Mgo akan di ikuti dengan

kenaikan nilai kadar Fe.


36/43

Diagram scatter plot kadar data Fe dan SiO2

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar Fe-SiO2

mempunyai nilai korelasi sebesar -0,938 termasuk dalam kelompok korelasi

negative kuat yang berarti setiap penurunan nilai kadar SiO2 akan di ikuti dengan

kenaikan nilai kadar Fe.


37/43

Diagram scatter plot data kadar Ni-Fe

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar Ni-

Fe mempunyai nilai korelasi sebesar 0,116 termasuk dalam kategori tidak

korelasi antara kedua variable karena nilai koefisien korelasi mendekati 0.


38/43

Diagram scatter plot data kadar Ni-MgO

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar

Ni-MgO mempunyai nilai korelasi sebesar -0,234 termasuk dalam kategori

tidak korelasi antara kedua variable karena nilai koefisien korelasi

mendekati 0.


39/43

Diagram scatter plot data kadar MgO-SiO2

Berdasarkan Scatter plot pada gambar di atas dapat dilihat bahwa kadar MgO-

SiO2 mempunyai nilai korelasi sebesar 0,863 termasuk dalam kelompok

korelasi positif kuat yang berarti setiap kenaikan nilai kadar Mgo akan di

ikuti dengan kenaikan nilai kadar SiO2.


40/43

E. Pemodelan Badan Bijih

Data assay dan collar yang telah di inputkan menjadi satu file assay di

dalam studio 3 datamine digunakan untuk korelasi badan bijih berdasarkan data-

data geologi geologi dan penampang inti bor tembus zona bijih yang dibuat dari

setiap section/penampang dan divisualisasikan dalam bentuk warna yang berbeda-

beda dari setiap zona. Visualisasinya dapat dilihat pada gambar dibawah.

Korelasi diatas dilakukan disetiap penampang / section bor yang ditarik

dari arah barat- timur . kemudian dari korelasi tersebut dihasilkan model badan

bijih awal berupa wireframe (kerangka) badan bijih tiga dimensi. Seperti pada

gambar berikut.


41/43

Kerangka model badan bijih yang berupa jaring-jaring wireframe tiga dimensi ini

menjadi batas pengisian model blok kosong yang belum memiliki nilai kadar

logam pada masing-masing zona bijih. Model blok sumberdaya pada blok

endapan nikel laterite ini dibuat dengan dimensi blok dalam X x Y x Z= ½ Jarak

spasi antar titik bor (1/2 x 25 m),Y = ½ Jarak spasi Antar titik bor (1/2 x 25) dan Z

= 2m (berdasarkan konvensi) untuk klasifikasi sumberdaya terukur. Pembuatan

model blok tersebut berdasarkan pada titik acuan koordinat awal pada tabel

berikut.

Tabel Batasan Koordinat Acuan Model Blok

Field Minimum Maximum Range

XP -410,422 -1713,985 48,57006

YP -101,769 -247,165 23,2633

ZP 211,1263 128,2936 13,253232


42/43

Blok model ini sebenarnya ditentukan berdasarkan dari kemampuan dan kapasitas

alat penambangan. Oleh karena itu asumsi model blok yang diambil dalam

penelitian ini adalah berdasarkan unit penambangan terkecil.

F.

Estimasi Sumberdaya NikelBerdasarkan hasil estimasi sumberdaya endapan nikel laterit menggunakan

software Datamine Studio 3 ( Inverse Distance Method ), didapatkan hasil sebagai

berikut :

Volume (N) Tonnes (N) Density (N) Kadar NI (N)

177.265,625 283.625 1.6 1.5356


43/43

BAB IV

PENUTUP

A.

Kesimpulan

Berdasarkan hasil laporan ini, dapat disimpulkan beberapa hal mengenai

pemodelan dan evaluasi cadangan berdasarkan pengolahan data Datamine Studio

3, yaitu :

1. Data penginput untuk menganalisis sumberdaya dan cadangan suatu

endapan bahan galian terdiri dari data assay , collar,dan survey.

2. Analisis kadar endapan nikel laterit dapat dilakukan dengan pendekatan

statistik, yaitu dengan analisis statistik univarian menggunakan

histogram, dimana histogram disini sangat berguna untuk mengetahui

bentuk secara grafik dari sebaran atau distribusi suatu data setiap

endapan terhadap nilai – nilainya. Yang kedua yaitu dengan metode

statistik bivarian, hasil data yang ada dianalisis terhadapa 2 (dua)

kelompok data yang berbeda tetapi terletak pada lokasi yang sama

dengan memperhitungkan nilai – nilai yang saling mempengaruhi atau

tidak.

3. Berdasarkan data volume endapan nikel laterit yang didapat melalui

estimasi perhitungan software Datamine studio 3, maka didapatkan

tonase sbg:

Volume (N) Tonnes (N) Density (N) Kadar NI (N)

177.265,625 283.625 1.6 1.5356

B.

Saran

Berdasarkan kesimpulan laporan, maka kami merekomendasikan berupa

saran-saran sebagai berikut:

1. Disarankan untuk Pemodelan lebih lanjut dapat dilakukan untuk

mencari model dalam pengambilan keputusan untuk melihat suatu

cadangan dan sumberdaya.

laporan pemodelan dan evaluasi cadangan

Documents