Laporan.docx

BAB I PENDAHULUAN

1.1

Latar Belakang Dalam menghadapi era globalisasi sekarang ini, dimana kemajuan

peradaban dan kebutuhan manusia sudah semakin meningkat serta ilmu pengetahuan dan teknologi juga semakin hebat, maka sangat dibutuhkan sumber daya manusia yang memiliki kualitas dan kemampuan yang dapat diandalkan. Demikian pula dalam bidang ilmu bumi yang mempelajari tentang hal-hal yang berhubungan dengan bumi, gejala, dst. Salah satu cabang ilmu geologi yang mutlak dikuasai oleh seorang geologist adalah ilmu analisis data dalam penentuan kandungan batuan, mineral dan lainnya. Ilmu tersebut harus diketahui oleh seorang geologist sebagai modal dalam kemampuan eksplorasi. Kemampuan seorang geologist dalam eksplorasi harus mutlak dimiliki untuk mendapatkan potensi mineral ekonomis dan lain-lain. Salah satu metode eksplorasi dalam geologi adalah eksplorasi geokimia. Eksplorasi geokimia dilakukan untuk mengetahui kandungan, kadar, jumlah, distribusi dan persentase unsur kimia pada batuan, mineral, tanah, air maupun atmosfer. Data geokimia selanjutnya dapat digunakan untuk menentukan langkah eksploitasi selanjutnya. Pengolahan data geokimia dapat dilakukan secara manual maupun menggunakan aplikasi, Data geokimia mencakup data kimia dan data spasial dan hasilnya berupa peta yang menggambarkan anomaly geokimia

1

suatu daerah. Salah satu aplikasi yang biasa digunakan adalah ArcGIS 10.3, maka dari itu dilakukan praktikum ini.

1.2

Maksud dan Tujuan

Maksud dari praktikum geostatistik ini adalah untuk menganalisis data-data,

terutama

data-data

yang

berhubungan

dengan

data

management dalam ruang lingkup geologi. Adapun tujuan dari praktikum geostatistik ini : 1. Mampu menggunakan program ArcGIS 10.3 terkhusus pada fungsi Geostatistical Analyst Tools. 2. Dapat menginput berbagai variabel data dalam bentuk penyajian data Geostatistical Analyst Tools pada ArcGIS 10.3 3. Mengolah data-data manajemen analisis geostatistik pada aplikasi ArcGIS 10.3 dengan menggunakan metode Invers Distance Weight (IDW). 4. Mengetahui manfaat dari pengolahan analisis geostatistik dan kaitannya dengan kehidupan sehari-hari, khususnya pada bidang Geologi.

1.3

Alat dan Bahan

Adapun alat dan bahan yang di gunakan yaitu: 1. Laptop 2. Aplikasi ArGIS 10.3 3. Data Bor

2

BAB II TINJAUAN PUSTAKA

2.1 Geostatistik Geostatistik adalah metode statistik 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 (Oliver and Carol,2005). Istilah ”Geostatistik” dikemukakan pertama kali oleh Matheron (1963) dan didefinisikan sebagai aplikasi hubungan atau turunan fungsi dalam penelaahan dan perkiraan gejala alam. Gejala alam dapat diprediksi berdasarkan penyebaran objek dalam suatu ruang, bidang maupun garis. Penyebaran variabel dalam suatu ruang, bidang atau garis disebut variabel terregional atau dapat diartikan sebagai variabel yang diukur tergantung pada nilai yang terdistribusi dalam ruang berdimensi dua atau tiga. Variabel tersebut tidak lain adalah merupakan pengujian fungsi f(x) yang menempati setiap titik (x) pada ruang.

Variabel

data

spasial

tersebut

memiliki

sifat

khusus

yakni

ketakbebasan dan keheterogenan. Ketakbebasan disebabkan oleh adanya perhitungan alat pengamatan dan hasil yang diteliti dalam satu titik ditentukan oleh titik lainnya dalam sistem dan keheterogenan disebabkan adanya perbedaan wilayah

3

Sifat khusus dari data spasial ini adalah ketakbebasan dan keheterogenan. Ketakbebasan disebabkan oleh adanya perhitungan galat pengamatan dan hasil yang diteliti dalam satu titik ditentukan oleh titik yang lainnya dalam sistem dan keheterogenan disebabkan adanya perbedaan wilayah.

2.2 Data Spasial Sebagian besar data yang akan ditangani dalam SIG merupakan data spasial yaitu sebuah data yang berorientasi geografis, memiliki sistem koordinat tertentu sebagai dasar referensinya dan mempunyai dua bagian penting yang membuatnya berbeda dari data lain, yaitu informasi lokasi (spasial) dan informasi deskriptif (attribut) yang dijelaskan berikut ini : a. Informasi lokasi (spasial), berkaitan dengan suatu koordinat baik koordinat geografi (lintang dan bujur) dan koordinat XYZ, termasuk di antaranya informasi datum dan proyeksi. b. Informasi deskriptif (atribut) atau informasi non spasial, suatu lokasi memiliki beberapa keterangan yang berkaitan dengannya, contohnya: jenis vegetasi, populasi, luasan, kode pos, dan sebagainya. 1.2.1 Informasi Lokasi Informasi lokasi atau geometri milik suatu objek spasial dapat dimasukkan ke dalam beberapa bentuk seperti berikut : a. Titik (dimensi nol - point)

4

Titik adalah representasi grafis atau geometri yang paling sederhana bagi objek spasial. Representasi ini tidak memiliki dimensi, tetapi dapat diidentifikasikan di atas peta dan dapat ditampilkan pada layar monitor dengan menggunakan simbol-simbol tertentu. Perlu dipahami juga bahwa skala peta akan menentukan apakah suatu objek akan ditampilkan sebagai titik atau polygon. Pada peta skala besar, unsur-unsur bangunan akan ditampilkan sebagai polygon, sedangkan pada skala kecil akan ditampilkan sebagai unsur-unsur titik. Format titik : koordinat tunggal, tanpa panjang, tanpa luasan. Contoh : lokasi kecelakaan, letak pohon

Gambar 1. Contoh data spasial dalam bentuk titik

b. Garis (satu dimensi – line atau polyline) Garis adalah bentuk geometri linier yang akan menghubungkan paling sedikit dua titik dan digunakan untuk merepresentasikan objek-objek yang berdimensi satu. Batas-batas objek geometri polygon juga merupakan garis-garis, demikian pula dengan jaringan listrik, jaringan komunikasi, pipa air minum, saluran buangan, dan utility lainnya dapat direpresentasikan

5

sebagai objek dengan bentuk geometri garis. Hal ini akan bergantung pada skala peta yang menjadi sumbernya atau skala representasi akhirnya. Format : Koordinat titik awal dan akhir, mempunyai panjang tanpa luasan. Contoh : jalan, sungai, utility

Gambar 2 Contoh data spasial dalam bentuk garis

c. Polygon (dua dimensi – area) Geometri polygon digunakan untuk merepresentasikan objek-objek dua dimensi. Unsur-unsur spasial seperti danau, batas propinsi, batas kota, batas persil tanah milik adalah beberapa contoh tipe entitas dunia nyata yang pada umumnya direpresentasikan sebagai objek-objek dengan geometri polygon. Meskipun demikian, representasi ini masih akan bergantung pada skala petanya atau sajian akhirnya. Format : Koordinat dengan titik awal dan akhir sama, mempunyai panjang dan luasan. Contoh : Tanah persil, bangunan

6

Gambar 3 Contoh data spasial dalam bentuk polygon

d. Permukaan (3D) Setiap fenomena terkait fisik (spasial) memiliki lokasi di dalam ruang. Akibatnya, model data yang lengkap juga harus mencakup dimensi penting yang ketiga (ruang 3 dimensi). Hal ini tentu saja juga berlaku bagi permukaan tanah, menara, sumur, bangunan, batas-batas alamat, bencana (gempa,tsunami,kebakaran), dan lain sebagainya. Format : Area dengan koordinat vertikal, Area dengan ketinggian Contoh : Peta slope, bangunan bertingkat.

7

Gambar 4 Contoh data spasial dalam bentuk 3D

2.2.2 Informasi Atribut Data Deskriptif merupakan uraian atau atribut data spasial (anotasi, tabel, hasil pengukuran, kategori obyek, penjelasan hasil analisis / prediksi dll). Data non-spasial dapat dimasukkan ke dalam beberapa bentuk sebagai berikut : a. Format tabel Kata-kata, kode alfanumerik, angka-angka. Contoh : hasil proses, indikasi, atribut. b. Format laporan Teks,

deskripsi.

Contoh

:

perencanaan,

laporan

proyek,

pembahasan. c. Format pengukuran Angka-angka, hasil. Contoh : jarak, inventarisasi, luas d. Format grafik anotasi Kata-kata, angka-angka, symbol. Contoh : nama objek, legend, grafik/peta. Contoh: Data Objek Permukiman di Pondok Indah Data Spasial: merupakan data grafik berbentuk poligon yang merupakan closed area yang menghubungkan posisi-posisi geografis di lokasi Pondok Indah

8

Data Non-Spasial: Luas Permukiman, Jumlah Penduduknya, Jumlah Rumah, Jumlah Kepala Keluarga, Pendapatan Rata-Rata Kepala Keluarga, dll

2.3 Variabel Data Geostatistik 2.3.1 Histogram Histrogram ialah penyajian data distribusi frekuensi yang diubah menjadi diagram batang. Untuk menggambarkan histogram dipakai sumbu mendatar yang menyatakan batas-batas kelas interval dan sumbu tegak yang menyatakan frekuensi absolut atau frekuensi relatif. 2.3.2 QQ Plot QQ Plot menganalisa plot grafik antara variable quantile (quantile merupakan nilai yang akan membagi case dalam jumlah tertentu yang besarnya sama pada setiap kelompoknya) dengan quantile setiap anggota/casenya. 2.3.3 Voronoi Map Diagram voroni adalah salah satu cabang ilmu yang dipelajari dalam perkuliahan geometri komputasi yang muncul pada abad ke 17. Diagram voronoi pertama kali di pikirkan oleh Rene Descartes pada tahun 1644 dan digunakan oleh dirichlet pada tahun 1850.Kemudian Voronoi pada tahun 1907 mengembangkannya ke dalam dimesi yang lebih tinggi. Walaupun demikian, Voronoi dan Dirichlet adalah orang yang pertama kali memperkenalkan konsep diagram voronoi secara formal. Mereka

9

menerapkan konsep tersebut dalam kajian bentuk kuadrat. Hasil dari studi tersebut kemudian disebut Dirichlet tessellation atau Voronoi diagram. Salah satu penggunaan diagram voronoi yang paling spektakuler adalah analisis penyakit kolera di London pada tahun 1854, dimana fisikawan John Snow menemukan hubungan yang kuat anatara kematian dengan penggunaan air pompa yang terinfeksi di Broad Street.

Gambar 5. Diagram Voronoi

Secara matematis, diagram voronoi di definisikan sebagai berikut: Misal P adalah himpunan n (jarak titik-titik dalam sebuah bidang). Diagram Voronoi dari P adalah pembagian bidang tersebut dalam n sel (bagian), satu untuk setiap titik.Titik q terletak pada sel (bagian) yang sesuai dengan titik pi element of P. Persamaan matematisnya adalah

10

Batas dari dua daerah voronoi dismbolkan V(S) dan disebut voronoi edge (rusuk voronoi), jika terdiri lebih dari satu titik. Titik sudut dari rusuk voronoi disebut Voronoi vertices (sudut voronoi); yang dibatasi oleh tiga atau lebih daerah voronoi. 2.3.4 Trend Analysis Analisis trend merupakan model trend umum untuk data time series dan untuk meramalkan. Analisis trend adalah analisis yang digunakan untuk mengamati kecenderungan data secara menyeluruh pada suatu kurun waktu yang cukup panjang. Data mempunyai nilai tren yang relatif konstan 2.3.5 Semivariogram Semivariogram merupakan fungsi yang menyatakan kolerasi spasial pada data spasial. Dalam Geostatistika, Semivariogram digunakan untuk mencari parameter yang menentukan bobot pada kriging. Sebelum menggunakan Metode kriging, parameter Semivariogram ditaksir terlebih dahulu. Terdapat beberapa model Semivariogram teoritis, diantaranya Spherical Model, Exponential Model, Gaussian Model, Power Model, Linear Model, dan DeWisjan Model. 2.4 Komponen Variogram atau Semivariogram Komponen dalam variogram atau semivariogram adalah sebagai berikut. 1. Range Menurut Isaaks dan Srivastava (1989), range adalah jarak dimana variogram adalah sebuah dataran tinggi atau sebuah masa stabil. Jarak dimana variogram mencapai nilai sill. Sedangkan menurut Dorsel dan

11

Breche

(1997),

range

adalah

jarak

lokasi dimana pengamatan-pengamatannya terlihat

antaralokasi-

independen,

yakni

ragamnya tidak mengalami suatu kenaikan. Dalam grafik variogram range dinyatakan dengan lambang “a” yaitu jarak pada sumbu horizontal mulai dari titik nol sampai titik proyeksi perubahan variogram dari miring ke mendatar. Pada jarak range ini Variabel dipengaruhi oleh posisi. Dalam batas range, antara nilai Z(s) dengan nilai lain akan terdapat korelasi. Besarnya korelasi dari satu nilai ke nilai lain akan berkurang sesuai dengan bertambah jaraknya. Dalam praktek, range akan mempengaruhi korelasi spasialnya. 2. Sill Menurut Isaaks dan Srivastava (1989), masa stabil suatu variogram yang mencapai rangenya disebut dengan sill. Menurut Dorsel dan Breche (1997), sillmendeskripsikan dimana variogramnya menjadi suatu wilayah yang datar, yakni ragamnya juga tidak mengalami suatu kenaikan. 3. Nugget Effect Kediskontinuan pada pusat variogram terhadap garis vertikal yang melompat dari nilai 0 pada pusat ke nilai variogram pada pemisahan jarak terkecil

disebut

dengannugget

effect.

Rasio nugget

effect terhadap sill seringkali disebut

12

sebagai nugget effect relative dan biasanya dinyatakan dalam persen (Isaaks and Srivastava, 1989). Nugget effect dapat berupa kesalahan sistematis atau biasanya kesalahan yang dibuat oleh manusia, kesalahan membaca alat, kesalahan sampling, dll disebut dengan nugget effect.

13

BAB III PEMBAHASAN

3.1

Prosedur Kerja dan Pengolahan Data Geostatistical Analyst

Tools pada ArcGIS Berikut ini (Tabel 1) data kadar Fe pada lapisan limonit daerah Balau, Kabupaten Luwu Utara, Provinsi Sulaweesi Selatan. Tabel 1 Data Kadar Fe pada Lapisan Limonit No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

X 120.20310000 120.20310000 120.20310000 120.20590000 120.20860000 120.21140000 120.21420000 120.21420000 120.21140000 120.20860000 120.20590000 120.20590000 120.20310000 120.20310000 120.20590000 120.20860000 120.21140000 120.21420000 120.21420000 120.21140000 120.20860000 120.20590000 120.20860000 120.20310000 120.21140000 120.21420000 120.21420000 120.21140000 120.20860000 120.20590000

Y -2.4725 -2.4753 -2.4781 -2.4781 -2.4781 -2.4781 -2.4781 -2.4809 -2.4809 -2.4809 -2.4809 -2.4725 -2.4809 -2.4836 -2.4836 -2.4836 -2.4836 -2.4836 -2.4864 -2.4864 -2.4864 -2.4864 -2.4725 -2.4864 -2.4725 -2.4725 -2.4753 -2.4753 -2.4753 -2.4753

KADAR FE 3.289 2.849 3.289 9.869 9.489 2.869 7.829 9.179 7.769 5.489 7.849 4.349 3.659 3.449 3.869 2.629 4.649 3.929 6.639 4.469 3.549 3.659 4.849 6.729 8.869 8.489 9.369 10.769 9.829 9.569

Material Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit Limonit

Langkah-langkah analisa Inverse Distance Weight (IDW) dengan menggunakan Arc GIS 10.3 adalah sebagai berikut.

14

1. Membuka lembar kerja baru (File → New → Blank Map → OK) 2. Klik Add Data kemudian pilih Add XY Data, masukkan file data bor File (.xls), tentukan x,y, dan z (kadar Fe) lalu klik Add. Kemudian Add Data file SHP Sungai dan Kontur.

3. Ubah data excel menjadi SHP koordinat dengakn Klik kanan pada data excel, pilih Data > Export Data, tentukan tempat penyimpanan lalu OK.

15

4. Buat batas peta sesuai dari titik luar koordinat. Kemudian clip SHP Sungai dan Kontur

5. Atur skala peta dengan klik kanan pada lembar peta Add Data → Properties → Data Frame. Pilih Fixed Scale pada Extent → atur skala menjadi 1:7,000 → pilih Extent of data in all layers (Default) pada Extent Used By Full Extend Command → lalu klik OK.

16

6. Atur ukuran kertas menjadi A3. Klik File pada Toolbar → pilih Print → Properties → pilih A3 (Berskala) pada Size → pilih Landscape pada Orientation → klik OK → klik Close.

7. Pilih Geostatistical Analyst pada Toolbar → Explore Data → Histogram.

17

8. Pilih Kadar Fe pada Attribute → Klik Add to Layout → Close untuk melanjutkan proses berikutnya. Setelah itu atur posisinya pada peta

18

9. Pilih Geostatistical Analyst pada Toolbar → Explore Data → NormalQQ Plot.

10. Pilih “Kadar Fe pada Attribute → Klik Add to Layout → Close untuk melanjutkan proses berikutnya.

19

11. Pilih Geostatistical Analyst pada Toolbar → Explore Data → Voronoi Map

20

12. Pilih Kadar Fe pada Attribute → Klik Add to Layout → Close untuk melanjutkan proses berikutnya. Setelah itu akan muncul tampilan sebagai berikut :

13. Pilih Geostatistical Analyst pada Toolbar → Explore Data → Trend Analysis.

21

14. Pilih Simple pada Type → pilih Events pada Layers → pilih Kadar Fe pada Attribute → Klik Add to Layout → Close untuk melanjutkan proses berikutnya. Setelah itu akan muncul tampilan sebagai berikut :

22

15. Pilih Geostatistical Analyst pada Toolbar → Explore Data → Semivariogram/Covariance cloud. Kemudian pilih Events pada Layers → pilih Kadar Fe pada Attribute → Klik Add to Layout → Close untuk melanjutkan proses berikutnya.

23

16. Pilih Geostatistical Analyst → Geostatistical Wizard.

24

17. Pilih Invers Distance Weighting → Untuk Source Data Set pilih “Data Yusril” Events → Untuk Data Field pilih Kadar Fe → Untuk Weight pilih Kadar Fe → Next.

18. Untuk Neighborhood type Pilih Smooth → Next.

25

Setelah itu akan muncul tampilan sebagai berikut :

26

19. Klik finish dan OK untuk melanjutkan proses berikutnya. Setelah itu akan muncul tampilan sebagai berikut:

20. Beri grid pada peta

27

21. Buat layout pada peta, dan perbaiki. Hasilnya seperti berikut

Adapun hasil yang diperoleh dalam praktikum ini berupa peta penyebaran kadar Fe lapisan limonit daerah Balau Provinsi Sulawesi Selatan.

28

Gambar 6. Layout Peta Penyebaran Fe Lapisan Limonit (Metode IDW-Power 1)

3.2 Variabel Data Geostatistical Analyst Tools 3.2.1 Histogram Histrogram ialah penyajian data distribusi frekuensi yang diubah menjadi diagram batang. Selain distribusi, juga ditampilkan jumlah data (count), nilai tertinggi, nilai terendah, rata-rata, standar deviasi, skewness, kurtosis, median, dll. Jumlah data berupa 10 sehingga jumlah diagram ada 10. Berikut hasil penyajian data Kadar Fe Daerah Balau dalam histogram. Histogram Transformation: None Frequency 6

Count : 30 Min : 2.629 Max : 10.769 Mean : 6.103 Std. Dev. : 2.6927

4.8

Skewness Kurtosis 1-st Quartile Median 3-rd Quartile

: 0.26152 : 1.4868 : 3.659 : 5.169 : 8.869

3.6 2.4 1.2 0 0.26

0.34

0.43

0.51

0.59

0.67 Dataset 10

0.75

0.83

0.91

1

1.08

-1

Dataset : DATA_YUSRIL Attribute: Shape Gambar 7. Histogram dari data kadar FE daerah Balau

29

3.2.2 Normal QQ Plot QQ Plot menganalisa plot grafik antara variable quantile (quantile merupakan nilai yang akan membagi case dalam jumlah tertentu yang besarnya sama pada setiap kelompoknya) dengan quantile setiap anggota/casenya. Dalam plot ini terdapat trend dari data tersebut. Berikut penyajian data dalam Normal QQ Plot. Normal QQPlot Transformation: None Dataset 10 1.08

-1

0.91 0.75 0.59 0.43 0.26 -2.13

-1.7

-1.28

-0.85

-0.43

0

0.43

0.85

1.28

1.7

2.13

Standard Normal Value

Dataset : DATA_YUSRIL Attribute: Shape

Gambar 8. QQ Plot dari data kadar FE daerah Balau

3.2.3 Voronoi Map Peta Voronoi dibangun dari serangkaian poligon yang terbentuk di sekitar lokasi titik sampel. Poligon Voronoi dibuat sehingga setiap lokasi dalam poligon lebih dekat ke titik sampel dalam poligon daripada titik sampel lainnya. Setelah poligon dibuat, tetangga dari titik sampel didefinisikan sebagai titik sampel lain yang poligonnya berbatasan dengan titik sampel yang dipilih. Berikut peta voronoi dari data tersebut.

30

Voronoi Map Type: Simple 2.629 : 3.033 3.033 : 3.8627 3.8627 : 5.5665 5.5665 : 9.0652 9.0652 : 10.769

Dataset : DATA_YUSRIL Attribute: Shape

Gambar 9. Voronoi map dari data kadar FE daerah Balau

3.2.4 Trend Analysis Analisis trend merupakan model trend umum untuk data time series dan untuk meramalkan. Analisis trend adalah analisis yang digunakan untuk mengamati kecenderungan data secara menyeluruh pada suatu kurun waktu yang cukup panjang. Berikut trend analysis dari dagta tersebut.

Trend Analysis Z

Y X

DATA_YUSRIL Attribute: Shape Gambar 10. Trend Analysis dari data kadar FE daerah Balau 3.2.5 Semivariogram Semivariogram merupakan fungsi yang menyatakan kolerasi spasial pada data spasial. Dalam Geostatistika, Semivariogram digunakan untuk

31

mencari parameter yang menentukan bobot pada kriging. Berikut data semivariogram pengolahan data tersebut. Semivariogram/Covariance Cloud -1

g 10 0.55 0

0.17

0.35

0.52

0.7 Distance, h 10

0.87

1.04

1.22

1.39

2

12.25 12.25 10.4 10.4 8.544 8.544 6.692 6.692 4.841 4.841 2.989 2.989 1.138 1.138

Dataset : DATA_YUSRIL Attribute: Shape

Gambar 11. Semivariogram dari data kadar FE daerah Balau

3.3 Metode Invers Distance Weight (IDW) Metode IDW merupakan metode interpolasi konvesional yang memperhitungkan jarak sebagai bobot. Jarak yang dimaksud disini adalah jarak (datar) dari titik data (sampel) terhadap blok yang akan diestimasi. Jadi semakin dekat jarak antara titik sampel dan blok yang akan diestimasi maka semakin besar bobotnya, begitu juga sebaliknya. Berikut hasil dari pengolaha data metode IDW kadar Fe pada Daerah Balau

32

120°12'30"E

120°12'45"E

120°12'15"E

120°12'30"E

120°12'45"E

2°29'0"S

2°29'0"S

2°28'45"S

2°28'45"S

2°28'30"S

2°28'30"S

120°12'15"E

Gambar 12. Peta dari metode IDW

33

BAB IV PENUTUP

4.1 Kesimpulan Kesimpulan dari laporan ini adalah sebagai berikut Program ArcGIS 10.3 dapat digunakan untuk mengolah data geostatistik dengan menggunakan Geostatistical Analyst Tools. Dengan Geostatistic Analyst, kita dapat dengan mudah membuat permukaan atau peta kontinu dari pengukuran yang disimpan dalam lapisan fitur titik atau lapisan raster atau dengan menggunakan centroid poligon. Titik sampel dapat berupa pengukuran seperti ketinggian, kedalaman ke permukaan air, atau tingkat polusi.

Analis

Geostatistik

menyediakan

seperangkat

alat

yang

komprehensif untuk membuat permukaan yang dapat digunakan untuk memvisualisasikan, menganalisis, dan memahami fenomena spasial. Tool tersebut digunakan untuk mengolah data dari lapangan berupa data statistik dan spasial. Hasil akhir dari cara kerja ini adalah peta kadar Fe pada daerah Balau, Kabupaten Luwu, Sulawesi Selatan. Metode IDW merupakan metode interpolasi konvesional yang memperhitungkan jarak sebagai bobot. Jarak yang dimaksud disini adalah jarak (datar) dari titik data (sampel) terhadap blok yang akan diestimasi. Jadi semakin dekat jarak antara titik sampel dan blok yang akan diestimasi maka semakin besar bobotnya, begitu juga sebaliknya. Dari pengolahan data ini, dapat terlihat pada peta daerah yang memiliki anomaly pada unsur

34

kimia tertentu. Dalam praktikum ini diketahui daerah yang memiliki kadar Fe tinggi serta distribusinya.

4.2 Saran Sebaiknya praktikum dilakukan pada kelas khusus dengan fasilitas memadai seperti computer dan lain-lain. Dan juga sebaiknya data yang digunakan merupakan data yang betul dari lapangan sekitar kampus sehingga praktikan dapat memahami dari pengolahan ini

35

DAFTAR PUSTAKA

Alawiyah, S. 2010. Modul Praktikum TG3107-Geostatistik. Diambil dari website:

https://id.pdfcoke.com/doc/180449359/Modul-Praktikum-

Geostatistik-Semester1-2010-pdf, diakses pada tanggal 9 Oktober 2014. Dayan, Anto, Pengantar Metode Statistik Jilid I, LP3ES, Jakarta, 1984 Wardani, Y. P. (2010). Penaksiran Parameter Semivariogram dengan Metode Linear Programming.

36