68 POLITEKNOSAINS, Vol.

XVII, No 1, Maret 2018

Estimasi Sumberdaya Untuk Data Dengan Distribusi

Lognormal Pada Endapan Urat Emas Gunung
Pongkor Dengan Pendekatan Geostatistik
Idris Herkan Afandi1, M. Nur Heriawan2
1&2 Fakultas Teknik Pertambangan dan Perminyakan Institut Teknologi Bandung
[email protected]

ABSTRACT
This study aims to determine the method of estimation and data processing are suitable to the
lognormal distribution data. Data obtained from the assay data of gold vein mineralization from
Gunung Pongkor, West Java. Data provided are relatively only a few or not proportionate to the
volume of mineral bodies, range of space (average 50 m to the north), as well as lognormal
distribution data. Data collection was enlarged by conducting composites within 1 m, resulting in
828 points. Furthermmineral, the data is divided into the data without a top cut and the data with
a top cut, for the benefit to estimate data also has been transformated into logarithm. Variogram
modeling performed on each data to get a geostatistical parameters. The estimation method that
used are methods such as of Ordinary Kriging (OK), Lognormal Ordinary Kriging (OLK) and
Sichel's t-estimator. The criteria used suitably is the correlation coefficient value estimation results
with actual levels valued mmineral than 0.6. Assumptions for the best method is the method that
has the best accuracy between the regression line with line bisector and for the method that has a
variance estimation is a method which has an average smallest variance estimation. The cumulative
distribution curve estimation results show the difference in the results of the estimates using the
data without a top cut and the data with a top cut. This research resulted in the values of the
correlation coefficient from the three methods are mmineral than 0.6. The most appropriate
regression line with a line bisektor is Lognormal Ordinary Kriging method (OLK) both use the data
without a top cut and the data with a top cut and the average of smallest variance estimation is a
method of Ordinary Kriging (OK) that use data with the top cut.

Key Words : Geostatisic, Lognorma Distribution, Logmormal kriging

I. PENDAHULUAN Data pencilan sangat sensitif terhadap

distribusi data dan struktur spasial untuk estimasi,
Dalam optimasi sumberdaya sangat namun nilai kadar emas yang tinggi dan bahkan
berhubungan dengan distribusi kadar sampel di sangat tinggi tidak dapat diabaikan, karena nilai –
lapangan. Dalam hal ini emas merupakan mineral nilai tersebut menunjukkan zona – zona kadar
yang hampir seluruh distribusi kadar sampelnya tinggi yang sangat penting untuk suatu eksploitasi
merupakan distribusi tidak simetris, kurang lebih deposit. Karena itu perlakuan dan taksiran
miring atau condong ke sisi kiri (positive terhadap nilai dengan kadar tinggi merupakan hal
skewnees), hal ini disebabkan oleh adanya data yang sangat penting dalam evaluasi sumberdaya
pencilan (outlier). terhadap sebuah keberadaan zona mineralisasi.

ISSN 1829-6181 Idris Herkan : Estimasi Sumberdaya Untuk Data ...

POLITEKNOSAINS, Vol. XVII, No 1, Maret 2018 69

Pada penelitian ini dilakukan pengolahan data Jakarta melalui Bogor dan Leuwiliang sejauh ±
yaitu data tanpa top cut dan data dengan top cut, 100 Km. Secara geografis, IUP Eksplorasi terletak
kemudian data tersebut digunakan untuk pada koordinat 106o 30’ 01’’ hingga 106o 35’ 38’’ BT
mengestimasi blok pada badan bijih menggunakan dan 6o 36’ 37,2’’ hingga 6o 48’ 11’’ LS.
metode Ordinary Kriging (OK), Ordinary
Lognormal Kriging (OLK dan Sichel’s t-
estimator. Sebelum diestimasi dilakukan validasi
terhadap hasil estimasi, tujuannya adalah untuk
mengetahui apakah hasil estimasi dari metode
tersebut cocok dengan kadar sebenarnya.
Dengan memvalidasi hasil estimasi dan
selanjutnya menaksir kadar blok dengan
memperhatikan teknik - teknik yang ada dalam
geostatistik, sehingga diperoleh perhitungan
sumberdaya emas yang lebih akurat. Untuk itu
dalam penelitian ini mengangkat judul “Estimasi
Sumberdaya untuk Data Dengan Distribusi
Lognormal pada Endapan Urat Emas Gunung
Pongkor dengan Pendekatan Geostatistik”.
II. TINJAUAN PUSTAKA
A. Kondisi Umum Daerah Penelitian
Lokasi penelitian dilakukan pada salah satu
urat emas yang ada di Pongkor (Gambar 1).
Pertambangan emas Pongkor merupakan bagian
dari UBPE (Unit Bisnis Pertambangan Emas) PT
Aneka Tambang dengan menggunakan tambang
bawah tanah. Secara administratif, lokasi UBPE
Pongkor terletak di dalam wilayah Kecamatan
Nanggung, Leuwiliang dan Cigudek, Kabupaten Gambar 2. Peta Geologi lokal Gunung Pongkor yang
menggambarkan sistem urat dan batuan penyusunnya, struktur
Bogor, Provinsi Jawa Barat. Pencapaian lokasi ini patahan dan kaldera (Modifikasi dari Milesi dkk.1999)
dapat dilakukan melalui perjalanan darat dari

Gambar 1. Daerah Penelitian, a. Peta Indonesia disertai distribusi endapan (angka tonase Au) b. Geologi regional
daerah penelitian. (Modifikasi dari Milesi dkk, 1999)

Idris Herkan : Estimasi Sumberdaya Untuk Data ... ISSN 1829-6181

70 POLITEKNOSAINS, Vol. XVII, No 1, Maret 2018

Mineralisasi umumnya dikontrol oleh struktur berupa logaritma natural, dimana data Z(x)
membentuk sistem urat. Sistem urat di tambang ditransformasi menjadi ln Z(x) ataupun logaritma
pongkor terdiri dari sembilan urat kuarsa-adularia- biasa, dimana nilai Z(x) ditransformasi menjadi log
karbonat kaya mangan oksida dan limonit, tetapi Z(x).
miskin mineral-mineral sulfide. Urat-urat ini Dalam penelitian ini nilai individual Z(x)
memiliki panjang antara 740-2700 meter, dengan ditransformasi ke dalam logaritma biasa yaitu nilai
ketebalan beberapa meter dan kedalaman dapat Z(x) ditransformasi menjadi Y(x), dengan:
mencapai 200 meter, memotong tiga satuan 𝑌(𝑥) = log (𝑍(𝑥))
vulkanik utama yang membentuk suatu kipas. Dengan 𝜇 dan 𝜎 2 adalah rata-rata dan varians
𝑌(𝑥)
Back transformation untuk menentukan nilai
rata-rata dan varians Z(x) dari data Y(x) adalah:
𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 (𝑍(𝑥)) = 𝐸(𝑍𝑥 )
1
Gambar 3. Pemodelan badan bijih urat emas 𝐸(𝑍𝑥 ) = Antilog [𝜇 + 𝜎 2 ]
2

B. Analisis Statistik Ruang 𝑉𝑎𝑟𝑖𝑎𝑛𝑠 (𝑍(𝑥)) = 𝜎 2 (𝑍𝑥 )) - 1)

1). Variogram 𝜎 2 (𝑍𝑥 ) = [𝐸(𝑍𝑥 )]2 (Antilog(𝜎 2) - 1

Semivariogram merupakan suatu metode yang (Modifikasi dari P.A Down, 1982)
berfungsi untuk menganalisis data secara 3). Metode Penaksiran
geostatistik. Data yang dekat dengan titik yang a. Ordinary Kriging
ditaksir memiliki kecenderungan nilai yang lebih
mirip dibandingkan dengan data yang lebih jauh. Ordinary Kriging merupakan metode estimasi
Variogram dihitung dengan menghitung yang tidak memperhatikan nilai rata-rata sampel.
perbedaan rata-rata antar dua titik sampel dengan Pada prinsipnya, misalkan terdapat n sampel pada
jarak tertentu. posisi 𝑍(𝑥𝑖 ) untuk menaksir kadar Z pada blok R,
Secara praktis variogram eksperimental dihitung dengan menggunakan ordinary kriging adalah:
𝑛
dengan: ∗
𝑍𝑂𝐾 (𝑅) = ∑ 𝜆𝑖 ∙ 𝑧(𝑥𝑖 )
∑𝑁𝑖=1[𝑧(𝑥𝑖 ) − 𝑧(𝑥𝑖+ℎ )]
2 𝑖=1
𝛾(ℎ) =
2𝑁(ℎ) Untuk mendapatkan harga estimasi yang tidak
Dimana: bias, maka jumlah faktor bobot dibuat sama
𝛾(ℎ) = Variogram untuk arah tertentu dari jarak h dengan 1, dengan persamaan:
𝑛
h = 1𝑑, 2𝑑, 3𝑑, 4𝑑 (d = jarak rata-rata antar
∑ 𝜆𝑖 = 1
conto) 𝑖=1
𝑧(𝑥𝑖 ) = nilai kadar pada titik 𝑥𝑖
Persyaratan bahwa jumlah 𝜆𝑖 yang tidak
𝑧(𝑥𝑖+ℎ ) = data pada titik yang berjarak h dari 𝑥𝑖 diketahui adalah satu, dapat didekati dengan
𝑁(ℎ) = jumlah pasangan data pertolongan suatu lagrange multiplier 𝑣. Dengan
2). Distribusi Lognormal cara ini diharapkan perbedaan Z dan Z* adalah
nol. Selanjutnya sistem persamaan linier (kriging
Distribusi lognormal, yaitu logaritma nilai
sistem) untuk mendapatkan faktor bobot 𝜆𝑖 dapat
individual perconto memiliki distribusi normal.
ditulis sebagai berikut:
Pada penggunaan distribusi lognormal, nilai 𝑛
individual Z(x) ditransformasi ke dalam nilai ∑ 𝜆𝑗 𝛾(𝑆𝑖 , 𝑆𝑗 ) + 𝑣 = 𝛾̅ (𝑥𝑖 , 𝑅)
logaritma. Tipe logaritma yang digunakan dapat 𝑗=1

ISSN 1829-6181 Idris Herkan : Estimasi Sumberdaya Untuk Data ...

POLITEKNOSAINS, Vol. XVII, No 1, Maret 2018 71

Varians estimasi dengan memperhatikan faktor III. METODOLOGI

bobot adalah:
𝑛 Pada penelitian ini dilakukan pengolahan data
2
𝜎𝑂𝐾 (𝑅) = −𝛾̅ (𝑅, 𝑅) + 𝑣 + ∑ 𝜆𝑖 𝛾̅ (𝑥𝑖 , 𝑅) yaitu data tanpa top cut dan data dengan top cut,
𝑖=1
(Modifikasi dari Sinclair dan Blackwell, 2002) kemudian data tersebut digunakan untuk
mengestimasi blok pada badan bijih menggunakan
b. Ordinary Lognormal Kriging (OLK) metode Ordinary Kriging (OK), Ordinary
Lognormal Kriging (OLK) dan Sichel’s t-
Data kadar 𝑍(𝑥) ditranformasi ke dalam estimator. Sebelum diestimasi dilakukan validasi
𝑌(𝑥) = 𝐿𝑜𝑔(𝑍(𝑥)) kemudian data tersebut terhadap hasil estimasi, tujuannya adalah untuk
diolah dengan ordinary kriging. Semivariogram mengetahui apakah hasil estimasi dari metode
diolah dan dimodelkan menurut data 𝑌(𝑥). tersebut cocok dengan kadar sebenarnya.
Back transformation unbias untuk estimasi dan
standar deviasi ordinary lognormal kriging Pemodelan variogram pada endapan urat emas
adalah: dibantu oleh software SGeMS. Secara umum
2
𝜎𝑂𝐾 (𝑅) posisi endapan urat emas adalah N3500E/750 untuk
∗ (𝑅)
𝑍𝑂𝐿𝐾 = 𝐴𝑛𝑡𝑖𝑙𝑜𝑔(𝑌𝑂𝐾∗ (𝑅)
+ − 𝑣) itu variogram exsperimental dibuat ke dalam 3
2 arah, yaitu:
2 (𝑅) 2
𝜎𝑂𝐿𝐾 = (𝐸(𝑍𝑥)) ∙ 𝐴𝑛𝑡𝑖𝑙𝑜𝑔 (𝜎𝑌2 ) 1. Searah azimuth endapan yaitu N3500E
2
∙ [1 + 𝐴𝑛𝑡𝑖𝑙𝑜𝑔 (−𝜎𝑂𝐾 + 𝑣) dengan dip variogram 00
∙ (𝐴𝑛𝑡𝑖𝑙𝑜𝑔 (𝑣) − 2)] 2. Searah dip endapan yaitu N800E dengan dip
(Modifikasi dari P.A Down, 1982) variogram 750
3. Searah lubang bor (memotong endapan)
c. Sichel s’t estimator yaitu N2600E dengan dip variogram 600
Estimasi ini tidak memperhitungkan jarak antar Validasi hasil estimasi dilakukan dengan
sampel dari blok yang akan di estimasi, cocok mengestimasi titik dari titik data yang telah
untuk blok dengan ukuran cukup besar yang dihilangkan nilai kadarnya, nilai kadar yang telah
memiliki beberapa sampel dan cocok untuk search dihilangkan menjadi nilai kadar actual pada titik
volume yang memiliki ukuran hampir sama tersebut. Selanjutnya nilai kadar hasil estimasi dari
dengan blok yang akan di estimasi. Untuk blok metode – metode estimasi akan dibandingkan
yang berada dalam satu search volume yang sama dengan nilai kadar actual. Kriteria yang digunakan
maka akan memiliki nilai estimasi Sichel s’t adalah korelasi hasil estimasi terhadap kadar
estimator yang sama. actual lebih dari 0,6 yang berarti ada korelasi yang
Sichel s’t estimator (𝒕) dapat dirumuskan: kuat antara hasil estimasi dengan kadar actual.
𝑡 = 𝑒 𝑥̅ × 𝜏𝑛 (𝑉) Titik untuk estimasi diambil secara acak pada
data tengah dari tiga data log bor yang
Dengan: berkesinambungan dengan nilai varians dari ke-3
∑𝒏
𝒊=𝟏 𝑳𝒏(𝒙𝒊 +𝒎)
̅=
𝒙 data tersebut kurang dari 3. Pengambilan varians
𝒏
kurang dari 3, karena diasumsikan minimal ada 2
∑𝒏 ̅ )𝟐
𝒊=𝟏(𝑳𝒏(𝒙𝒊 +𝒂)−𝒙
𝑽= data di dekat titik estimasi yang nilainya tidak jauh
𝒏
berbeda sehingga hasil estimasi titik tersebut lebih
𝝉𝒏 (𝑽) = 1 + ∑∞ 𝑟 𝑟
𝑟=1(𝑛 − 1) 𝑉 / mendekati nilai kadar actualnya. Sampel yang
[2𝑟 𝑟! (𝑛 − 1)(𝑛 + 1) × (𝑛 + 2𝑟 − 3)] terambil dari sebaran data tersebut sebanyak 85
𝑚= konstanta bilangan bulat titik data.

Idris Herkan : Estimasi Sumberdaya Untuk Data ... ISSN 1829-6181

72 POLITEKNOSAINS, Vol. XVII, No 1, Maret 2018

Pada estimasi kadar dilakukan dengan IV. HASIL DAN PEMBAHASAN

membuat blok estimasi berukuran 1 x 2,5 x 4, dari
pemodelan endapan urat emas diperoleh 68.746 A. Hasil
blok, dengan asumsi density batuan adalah 2,5 1). Hasil Validasi
sehingga tonase setiap blok adalah 25 ton. Dengan
Validasi hasil estimasi dari metode estimasi
demikian jumlah sumberdaya mineral adalah
merupakan proses validasi terhadap hasil estimasi
1.718.650 ton.
dari metode – metode estimasi yang digunakan
untuk mengestimasi data lognormal.
Tabel 1. Hasil estimasi pada titik validasi
Rata-rata Au Actual Rata-rata hasil Regresi Linier
Metode Estimasi (ppm) (Sb X) estimasi (ppm) (Sb Y) Korelasi Slop Intercept
OK tanpa top cut 3,07 3,246 0,97 0,917 0,43
OK dengan top cut 3,07 3,24 0,963 0,867 0,578
OLK tanpa top cut 3,07 3,1 0,975 1,01 -0,005
OLK dengan top cut 3,07 3,08 0,978 1,006 -0,003
Sichel tanpa top cut 3,07 3,58 0,7 0,61 1,69
Sichel dengan top cut 3,07 3,54 0,7 0,61 1,66

a. b. c.

d. e. f.

2). Hasil Estimasi Pada Blok

Gambar 4. Scater plot korelasi dan regresi linier garis merah = regresi linier, biru = garis bisektor (a. OK dengan top cut, b. OK tanpa
top cut, c. OLK dengan top cut, d. OLK tanpa top cut, e. Sichel dengan top cut, f. Sichel tanpa top cut.)

ISSN 1829-6181 Idris Herkan : Estimasi Sumberdaya Untuk Data ...

POLITEKNOSAINS, Vol. XVII, No 1, Maret 2018 73

2). Hasil Estimasi Pada Blok

Berikut merupakan hasil estimasi dan varians Berikut merupakan varians estimasi pada blok
estimasi pada blok (Tabel 2) (Gambar 6):
Tabel 2. Hasil estimasi dan varians estimasi pada blok
Metode Estimasi Rata-rata hasil estimasi Varians hasil estimasi Rata-rata varians estimasi Standar deviasi
(ppm) (ppm2) (ppm2) estimasi (ppm)
OK tanpa top cut 4,15 20,70 19,83 ± 4,45
OK dengan top cut 3,37 11,70 11,32 ± 3,36
OLK tanpa top cut 2,83 10,46 15,48 ± 3,93
OLK dengan top cut 2,77 9,90 15,00 ± 3,87
Sichel tanpa top cut 4,21 18,40 - -
Sichel dengan top cut 3,94 13,12 - -

Berikut merupakan gambar hasil estimasi pada a.

blok (Gambar 5) :

a
b.

b
c.

c
d.

d
e.

e 0 (ppm2)

Gambar 6 Varians Estimasi (a. OK tanpa top cut, b. OK

dengan top cut, c. OLK tanpa top cut, d. OLK dengan top cut,
e. Skala warna varians estimasi)
f
3). Perbandingan Hasil Estimasi
a. Pada Metode OK
g Gambar 7 menunjukan distribusi frekuensi
kumulatif hasil estimasi dan varians estimasi dari
0 (ppm) metode OK. Terlihat bahwa secara umum hasil
Gambar 5 Hasil Estimasi (a. OK tanpa top cut, b. OK estimasi dan varians estimasi OK tanpa top cut
dengan top cut, c. OLK tanpa top cut, d. OLK dengan top cut, memiliki nilai yang lebih tinggi dibandingkan
e. Sichel tanpa top cut, f. Sichel dengan top cut, g. Skala dengan hasil estimasi dan varians estimasi OK
warna hasil estimasi) dengan top cut.

Idris Herkan : Estimasi Sumberdaya Untuk Data ... ISSN 1829-6181

74 POLITEKNOSAINS, Vol. XVII, No 1, Maret 2018

Gambar 8. Distribusi frekuensi kumulatif pada metode OLK

c. Sichel
Gambar 9 menunjukan distribusi frekuensi
kumulatif hasil estimasi dan varians estimasi dari
metode Sichel. Terlihat bahwa secara umum hasil
estimasi Sichel tanpa top cut memiliki nilai yang
lebih tinggi dibandingkan dengan hasil estimasi
Sichel dengan top cut.

Gambar 7. Distribusi frekuensi kumulatif pada metode OK

b. Pada Metode OLK

Gambar 8 menunjukan distribusi frekuensi
kumulatif hasil estimasi dan varians estimasi dari
metode OLK. Terlihat bahwa secara umum hasil
estimasi dan varians estimasi OLK tanpa top cut
memiliki nilai yang lebih tinggi dibandingkan
dengan hasil estimasi dan varians estimasi OLK Gambar 9. Distribusi frekuensi kumulatif pada metode Sichel
dengan top cut.
4). Hasil uji t pada metode estimasi
Berikut merupakan hasil uji t pada hasil
estimasi beberapa metode estimasi yang
menggunakan top cut dan tampa top cut. (Tabel 3).
Tabel 3. Hasil Uji t pada metode estimasi
Metode Estimasi Tanpa Top Cut vs t - Value t-
Dengan Top Cut Probability
Ordinary Kriging Hasil Estimasi -0,67 0,5
(OK) Varians Estimasi -7,97 < 0,0001
Ordinary Lognormal Hasil Estimasi -0,12 0,899
Kriging (OLK) Varians Estimasi -1,93 0,05
SICHEL Hasil Estimasi -0,45 0,65

ISSN 1829-6181 Idris Herkan : Estimasi Sumberdaya Untuk Data ...

POLITEKNOSAINS, Vol. XVII, No 1, Maret 2018 75

B. Pembahasan estimasi yang lebih baik diantara metode estimasi

yang lain.
Dari hasil validasi yang membandingkan kadar
Au actual dengan hasil kadar Au hasil estimasi Hasil uji-t pada Estimasi Ordinary Kriging
pada titik tersbut, diperoleh bahwa ketiga metode (OK) menunjukan bahwa tidak terdapat perbedaan
baik menggunakan data tanpa top cut maupun data yang signifikan antara rata-tata hasil estimasi OK
dengan top cut memiliki korelasi yang lebih dari tanpa top cut dengan rata-rata hasil estimasi OK
0,6 yang artinya memiliki korelasi kuat bahkan dengan top cut. Hasil uji-t juga menunjukan bahwa
untuk metode OK, OLK memiliki korelasi sangat terdapat perbedaan yang signifikan antara rata-tata
kuat terhadap kadar Au actual. Hal ini secara varians estimasi OK tanpa top cut dengan rata-rata
statistik menunjukan adanya kesamaan hasil varians estimasi OK dengan top cut. Dengan
estimasi dengan kadar actual dalam arti jika kadar demikian penggunaan data tanpa top cut dan data
actualnya tinggi maka hasil estimasinya tinggi dan dengan top cut pada metode OK tidak berpengaruh
sebaliknya jika kadar actualnya rendah maka hasil pada nilai hasil estimasi tetapi berpengaruh pada
estimasinya juga rendah. nilai varians estimasinya.
Untuk keakuratan hasil estimasi dengan kadar Hasil uji-t pada Estimasi Ordinary Lognormal
actual ditentukan oleh sebaran pasangan titik-titik Kriging (OLK) menunjukan bahwa tidak terdapat
hasil estimasi dan kadar actual (Gambar 4) perbedaan yang signifikan antara rata-tata hasil
harapannya adalah titik-titik tersebut berada pada estimasi OLK tanpa top cut dengan rata-rata hasil
garis bisektor, secara statistik sebaran titik-titik estimasi OLK dengan top cut. Hasil uji-t juga
pada scater plot dapat di buat suatu garis yang menunjukan bahwa tidak terdapat perbedaan yang
mewakili titik-titik tersebut yaitu garis regresi signifikan antara rata-tata varians estimasi OLK
linier. Secara statistik garis regresi yang paling tanpa top cut dengan rata-rata varians estimasi
dekat dengan garis bisektor adalah hasil estimasi OLK dengan top cut. Dengan demikian
dari metode OLK baik OLK yang menggunakan penggunaan data tanpa top cut dan data dengan top
data tanpa top cut maupun OLK yang cut pada metode OLK tidak berpengaruh pada
menggunakan data dengan top cut. nilai hasil estimasi dan nilai varians estimasinya.
Dengan demikian secara korelasi ketiga Hasil uji-t pada estimasi Sichel menunjukan
metode estimasi memenuhi kriteria validasi yang bahwa tidak terdapat perbedaan yang signifikan
disyaratkan dan secara statistic hasil estimasi dari antara rata-tata hasil estimasi Sichel tanpa top cut
metode OLK memiliki ketepatan yang lebih akurat dengan rata-rata hasil estimasi Sichel dengan top
terhadap kadar actual, diikuti metode OK dan cut. Dengan demikian penggunaan data tanpa top
metode Sichel. Untuk rata-rata varians estimasi cut dan data dengan top cut pada metode Sichel
tertinggi pada metode OK dengan menggunakan tidak berpengaruh pada nilai hasil estimasinya.
data tanpa top cut yaitu 19,83 ppm2 dan rata-rata
varians estimasi terendah pada metode OK dengan V. KESIMPULAN
menggunakan data dengan top cut yaitu 11,32
Dari hasil penenelitian, secara umum dapat
ppm2.
disimpulkan bahwa terdapat dua metode yang
Dari rata-rata hasil estimasi metode OLK paling cocok untuk mengestimasi kadar emas
memiliki sifat mengestimasi kadar dengan nilai yang berdistribusi lognormal yaitu:
lebih rendah dibanding dengan metode estimasi
1. Penggunaan metode OLK baik menggunakan
yang lain. Dengan asumsi metode estimasi yang
data tanpa top cut maupun menggunakan data
baik adalah metode estimasi yang memiliki
dengan top cut, karena memiliki ketepatan
varians estimasi yang kecil maka metode OK
yang paling tinggi terhadap kadar actual.
dengan menggunakan data dengan top cut menjadi

Idris Herkan : Estimasi Sumberdaya Untuk Data ... ISSN 1829-6181

76 POLITEKNOSAINS, Vol. XVII, No 1, Maret 2018

2. Penggunaan metode OK dengan menggunakan

data dengan top cut karena memberikan rata-
rata varians estimasi paling kecil.

REFERENSI

Cressie, Noel A.C. 1993. Statistics For Spatial

Data. USA
Dowd, P. A. (1982). Lognormal Kriging – The
General Case. Mathematical Geology,
vol14, no 5.
Krige, D.G,. (1981). Lognormal-de Wijsian
Geostatistics for Mineral Evaluation.
Institute of Mining and Metallurgy
Johannesburg : South African
Milesi, J. P., Marcoux, E., Sitorus, T.,
Simandjuntak, M., Leroy, J. and Baily, L.
(1999). Pongkor (West Java): A Pliocene
supergene-enriched epithermal Au-Ag-
(Mn) deposit. Mineralium Deposita, 34,
131–149.
Newland, James,. dkk. Grade Estimation Studio 3
User Guide. Datamine Software Limited.
Rendu,J.M, 1981. An Introduction to
Geostatistical Methods of Mineral
Evaluation. South Africa: Institute of
Mining and Metalurgy Johannesburg
Sinclair, A.J., and Blackwall, G.H, 2002. Applied
Mineral Inventory Estimation. Cambridge
University Press.
Yamamoto, Jorge K. 2008. Assessing
Uncertainties for Lognormal Kriging
Estimates. Shanghai, P. R. China, June 25-
27, 2008, pp. 62-69

ISSN 1829-6181 Idris Herkan : Estimasi Sumberdaya Untuk Data ...