1

APLIKASI GRAFIK PROBABILITY DALAMPENGOLAHAN DATA EKSPLORASI PANAS BUMI

Oleh :

Dikdik Risdianto dan Dedi Kusnadi

Kelompok Program Penelitian Panas BumiPusat Sumber Daya Geologi

Kata kunci : Grafik probability, threshold, anomaly, background, geokimia, geostatistik

Sari

Seperti halnya survei geo-science lainnya, dalam survei eksplorasi panas bumi juga melibatkan jumlahdata yang besar, sehingga diperlukan metoda statistik untuk mengolahnya. Ada beberapa cara untukmengelola data secara statistik, salah satu diantaranya menggunakan Grafik Probability, yang padaprinsipnya adalah mencoba membagi data menjadi beberapa sub-populasi yang diinterpretasikansebagai hasil suatu fenomena geologi. Seperti halnya metoda statistik yang lain, metoda inimenggunakan pendekatan yang umum dilakukan yaitu penentuan nilai threshold, nilai background dannilai rata-rata dalam penentuan harga anomali.

Keunggulan metoda ini dibandingkan metoda lain adalah kemampuannya membagi atau memfilter suatukelompok besar data menjadi beberapa sub-populasi yang mempunyai nilai ambang sendiri. Hasilpengolahannya digambarkan dalam suatu peta dan memberikan banyak area dengan karakteristik nilaidata berlainan satu-sama lain. Hal ini akan memberikan ruang yang luas bagi geologist dan geochemistuntuk bahan interpretasi.

Pada tulisan ini penulis mencoba mengaplikasikan metoda grafik probability untuk pengolahan datageokimia, yaitu kandungan unsur Hg dalam tanah dan kadar CO2 udara tanah di daerah Panas BumiJaboi, Nangroe Aceh Darussalam.

Abstract

Like the other geoscience survey, the application of geochemistry in geothermal survey involve a lot ofdata so that it is needed statistical methode to solve it. There are some ways of data processing instatistic, one is using Probability Graph that basically divide the data into some sub-populations. Eachpopulation represents of geological event and same as other statistic methode, it also use the commonlyapproach such as threshold value, background value and average value to difine the anomaly value.

The advantage of this methode is able to divide or filtering a group of data to some of sub-populationswhich has threshold value, so if it is plotted on a map will show many area with diference value betweeneach others and able for geologist and geochemist to make better on interpretation.

In this paper the author try to apply this method to process the geochemistry data i.e. concentration of Hgand CO2 in soil of Jaboi Geothermal Prospect, Nangroe Aceh Darussalam.

1. PendahuluanDalam survey geologi, geokimia dan

geofisika sering sekali melibatkan data-datadalam jumlah yang besar, sehinggadiperlukan metode untuk mengolah/memilahdata-data tersebut, sesuai dengankelas/kelompok data-data. Tujuan daripengelompokan ini adalah untukmemudahkan proses interpretasi. Sifat daridata-data pengamatan lapangan (geologi,geokimia dan geofisika) adalah mandiri

(independent) karena nilai besarannyaterjadi sebagai respon dari lingkungansekelilingnya atau akibat suatu fenomenageologi (mineralisasi dan geothermal) yangsifatnya natural/alami dan bervariasi darisatu daerah dengan daerah lainnya,sehingga akan sulit menentukan batasannilai ambang ( threshold ) yang bersifatmutlak dan berlaku di seluruh arealpenelitian.

2

1.1. AnomaliSecara harfiah anomali adalah“Penyimpangan dari aturan” atau“ketidakteraturan” (Kamus Inggris Penguin).Sedangkan nilai latar (Background) adalahnilai normal atau nilai yang terjadi sejaksemula, data ini tidak terpengaruh olehsuatu proses atau fenomena geologi. Suatukelompok data dalam suatu populasidikatakan mempunyai anomali jika nilai darikelompok tersebut melebihi nilai ambang(threshold) dari nilai keseluruhan populasitersebut. Gambar 1 adalah ilustrasi yangmenggambarkan penampang pada suatumanifestasi panas bumi. Nilai anomalisangat bervariasi nilainya, tergantungseberapa intensive suatu kejadian geologi(mineralisasi atau geothermal) terjadi didaerah tersebut, variasi dari nilai inisebenarnya adalah tingkat ke-intensive-andari suatu proses mineralisasi ataugeothermal, hal ini berarti, jika suatu arealyang mempunyai nilai lebih besar dibandingareal lainnya, mengalami proses geologiyang lebih intensive pula dan biasanyaterletak dekat dengan sumbernya. Denganmengelompokan nilai ini bisa digunakanuntuk melacak (trace), sumber suatu prosesmineralisasi atau geothermal. Pada gambar1 juga digambarkan terjadinya sub-populasidari suatu sumber mineralisasi ataugeothermal.

Seperti halnya nilai anomali, nilai latar(background) juga bervariasi nilainya, hal iniberkaitan dengan sejarah dari genesabatuan yang menjadi batuan dasar (hostrock) tempat mineralisasi atau geothermalterjadi. Ada kalanya suatu batuan dasartelah mengalami proses mineralisasi/geothermal berulang-ulang (overprinted).

Pada gambar 1, terlihat nilai Hg, CO2mengalami fluktuasi di sekitar daerahmineralisasi/ geothermal, nilai fluktuasi inibervariasi tergantung dari posisi manifestasi,pada gambar terlihat makin dekat ke zonesesar makin besar nilainya. Sedangkan nilailatar (background) tidak mengalamifluktuasi, nilainya relative tetap, Pada contohini akan sangat mudah memisahkan nilaianomali dari nilai latarnya.Akan tetapi ada kalanya antara nilai anomalidari suatu kelompok data, saling tumpangtindih (overlap) dengan kelompok data yanglain, sehingga diperlukan suatu prosespemilahan data yang lebih teliti.

2. IDENTIFIKASI NILAI ANOMALI

2.1.Metode PendekatanBeberapa metode pendekatan yang seringdipakai untuk mengindentifikasi suatu nilaiambang (threshold) adalah:- Dengan cara pembagian menurut

rentang (range) tertentu, misalnyamenggunakan pembagian 25%-persentil, 50% persentil dan 75%persentil. Nilai yang melebihi harga75% persentil dianggap sebagai nilaianomali. Sedangkan nilai yang kurangdari harga 25%-persentil dianggapsebagai nilai latar (background).

- Menggunakan rumus mean (nilai rata-rata) ditambah 2 kali nilai standardeviasi untuk nilai ambang (threshold),nilai yang melebihi harga ini dianggapsebagai nilai anomaly. Sedangkanuntuk nilai latar (background) adalahmean (nilai rata-rata) ditambah nilaistandard deviasi.

- Menggunakan metode persentil,yaitu nilai ambang (threshold)ditentukan pada nilai 97.5%persentil, nilai yang melebihi hargaini dianggap sebagai anomaly.

- Menggunakan grafik probability,metode ini dianggap lebih baik darimetode lainnya karena mampumembagi rentang (range) nilai ambang(threshold) dari tiap sub-populasi yangada dalam suatu pupolasi. Selanjutnyametode ini akan diterangkan lebih rinci.

2.2.Grafik Histogram vs GrafikProbability

Salah satu media dalam penyajian datastatistik adalah berupa grafik. Grafikhistogram adalah grafik yang paling umumdipakai, yaitu berupa diagram batang yangmewakili rentang ( range ) data tertentupada sumbu-X (absis) dan nilai frekuensi (biasanya dalam persen ) pada sumbu-Y(ordinat). Dengan histogram kita bisadengan mudah mengetahui sifat statistikdari suatu populasi data secara visual,contohnya suatu populasi yang bersifatdistribusi normal akan berbentuk suatukurva setangkup (simetris) atau berbentuklonceng.

Sedangkan grafik probability adalah suatugrafik yang dibuat sedemikian rupasehingga suatu populasi data yang

3

berdistribusi normal akan tergambarsebagai suatu garis lurus.

Grafik ini dibuat dengan skala logaritmikpada sumbu-X (absis) dan skala biasapada sumbu-Y (ordinat), tapi kadang-kadang sering dipakai juga skala logaritmikpada sumbu-Y (log-normal). Kelebihan darigrafik ini dari histogram adalah grafikprobability akan lebih mudah mengetahuiapakah suatu populasi bersifat unimodal,bimodal atau polimodal. Kelebihan yanglain adalah dalam proses pemilahan suatusub-populasi dalam suatu populasi, akanlebih mudah dilakukan dalam grafik ini.Pada gambar 2 ditampilkan contohhistogram dan grafik probability, terlihatbahwa bentuk histogram berupa kurvasetangkup (simetris), ini berarti data dalampopulasi ini terdistribusi normal sekaligusjuga bersifat unimodal. Sedangkan padagrafik probability (sebelah kanan) poladistribusi normal-unimodal berupa garislurus.

2.3. Unimodal vs bimodalSeperti telah diterangkan di bagianterdahulu, penyebaran unimodal adalahpenyebaran yang mempunyai nilai modustunggal, distribusi normal adalah suatucontoh penyebaran bersifat unimodal. Padagrafik histogram terlihat seperti kurva yangberbentuk lengkung (flexure).Sedangkan pada grafik probability akantampak sebagai garis lurus (gambar 2).Lain halnya dengan penyebaran yangbersifat bimodal, yaitu penyebaran yangmempunyai nilai modus ganda akan tampakpada grafik probability sebagai garis yangmelengkung (gambar 3), demikian jugauntuk data yang bersifat polimodal, akantetapi jumlah lengkungan akan semakinbanyak. Bentuk lengkungan yang terdapatdalam grafik probability untuk distribusibimodal atau polimodal adalah suatu sub-populasi yang ada dalam populasi tersebut.Suatu sub-populasi dapat terjadi sebagaiakibat perbedaan intensitas suatu prosesgeologi (mineralisasi atau geothermal).Pada gambar 3 memperlihatkan penyebarandata yang bersifat bimodal, terdapat satulengkungan (flexure) pada kurva tersebut.

3. PENGOLAHAN DATAPada bagian ini akan diterangkan carapengolahan data dengan menggunakangrafik probability. Pada contoh akan

diberikan suatu populasi data yang bersifatbimodal dimana terdapat nilai modus ganda(terdapat dua sub-populasi). Pengolahandata dibantu oleh perangkat lunak (software)Discovery versi 4 atau 4.01 yang terdapatdalam program Mapinfo 6 atau Mapinfo 7.

Gambar 4 memperlihatkan contohpengolahan data yang bersifat bimodal dariharga Hg (Merkuri dalam ppb ) denganmenggunakan grafik probability. Langkahpertama setelah kita dapat bentuk grafikpenyebaran data populasi (tanda bintang)adalah memisahkan sub-populasi yangterdapat dalam populasi tersebut.Pemisahan dilakukan pada titik dimanaterjadi pelengkungan (flexuring) pada grafikprobability, pada contoh diperoleh pada titik60 (pada sumbu-X, grafik probability),sehingga didapat dua sub-populasi yaitu Adan B dengan perbandingan A : B adalah60 : 40. Selanjutnya adalah membuat grafikdari masing-masing sub-populasi, dengancara menghitung setiap titik (tanda bintang),pada contoh diambil nilai 30 (tanda huruf X),selanjutnya :

(30/60) x 100% = 50 (tanda huruf Y)Dengan jalan yang sama seperti diatasmaka diperoleh penyebaran titik yangmerepresentasikan nilai sub populasi A(tanda lingkaran kosong), dengan menarikgaris diantara titik-titik tersebut terbentuklahgaris lurus sub-populasi A.Dari bentuknya yang berupa garis lurusmaka sub-populasi data A berdistribusinormal. Dengan asumsi bahwa padadistribusi normal, nilai mean sama denganmedian, yaitu terletak pada 50%-persentil,sedangkan nilai standar deviasi jatuh padanilai 68%-persentil, maka pemakaian rumusuntuk nilai ambang (threshold), yaitu:

Threshold = mean + 2(standard deviasi)

= 50%persentil+86%persentil

= 2.425 + 2.64

= ant-log (2.425) + ant-log (2.64)= 266.07 + 436.51= 702.58 ppb.

Sedangkan nilai latar (background) adalah :

Background = mean + standard deviasi

4

= 50%persentil+ 68%persentil= 2.425 + 2.52= 266.07 + 331.13= 597.20 ppb.

Dengan menggunakan cara yang samapada sub-populasi B maka didapat nilaiambang dan latar adalah 1133.16 ppb dan994.11 ppb.Dari hasil akhir yang didapat, maka nilai Hgyang melebihi 1133.16 ppb merupakananomaly 1, dan merupakan skala prioritasuntuk di follow up. Selanjutnya nilai Hgyang berkisar 1133.16 – 994.11 ppb adalahanomali 2, antara 994.11 - 702.58 ppbadalah anomali 3 dan antara 702.58 –597.20 ppb adalah anomali 4. Nilai latarsub-populasi A ( 597.20 ppb) dianggapsebagai nilai latar untuk keseluruhanpopulasi, karena merupakan batas nilaiterendah, sehingga nilai yang kurang dari597.20 ppb dianggap tidak mengalami“gangguan”. Rentang harga anomali 1hingga anomali 4 disebabkan karenaadanya perbedaan intensitas aliranfluida/gas dari bawah permukaan sebagaiakibat perbedaan lithologi atau permeabiliti.

4. STUDI KASUSSetelah memahami cara pengolahan datadengan menggunakan grafik probability,pada bagian ini akan dicoba diterapkanuntuk pengolahan data pengamatan daribeberapa lokasi kerja survey panas bumi diIndonesia. Hasil pengolahan data ini bukansatu-satunya bahan untuk prosesinterpretasi, tetapi hanya sebagaipenunjang, karena proses interpretasi yangterbaik adalah mengkombinasikan seluruhdata baik geologi, geokimia dan geofisika,sehingga hasil interpretasi akan menjadisuatu hasil yang padu. Untuk contoh disiniakan dicoba pengolahan data geokimia daribeberapa daerah survey panas bumi diIndonesia.

4.1. Penyebaran Unsur Hg Daerah PanasBumi Jaboi, NAD

Lokasi penelitian terletak di Daerah Jaboi,Nangroe Aceh Darussalam, Litologi daerahpenelitian didominasi oleh batuan volkanik,yaitu lava andesitik, aliran piroklastik,jatuhan piroklastik yang berupa tufa, sertabreksi volkanik, di beberapa tempat terdapatalterasi yang sangat luas, sebagai akibataktivitas fluida geothermal, berupa mineral

sekunder ( dominasi clay ), juga terdapatlapangan fumarola yang masih aktifmengeluarkan gas/ uap air.

Struktur geologi cukup intensif, didominasioleh sesar-sesar normal dan geser,beberapa menjadi media atau jalurkeluarnya mata air panas, arah umumstruktur geologi adalah Timurlaut-Tenggara,yang merupakan arah umum dari ZonaSesar Sumatera.

Jumlah data pengukuran yang berhasildikumpulkan adalah 114 data, yang berupaconto tanah yang diambil secara sistematik (grid ) dan secara random. Gambar 5,merupakan hasil pengolahan data kadarunsur Hg (Merkuri) yang terdapat dalamtanah. Terlihat bahwa dari hasil pengolahandengan menggunakan grafik probabilitasdidapatkan 3 sub-populasi yaitu sub-populasi A, B dan C, nilai sub populasi inidiinterpretasikan sebagai akibat dari adanyaaktifitas panas bumi di daerah ini. Sub-populasi A mewakili sub-populasi yangmempunyai nilai kadar Hg yang lebih rendahdibanding dari sub-populasi yang lain,sehingga nilai latar (background) di tentukandari sub-populasi ini, dengan menggunakanformula yang umum tentang nilai latar(background) yaitu nilai rata-rata + nilaistandar deviasi maka didapat bahwa nilailatar adalah 493,41 ppb, perlu dicatat disinibahwa nilai rata-rata (mean) dan nilaistandar deviasi ditentukan secara grafis darigrafik probabilitas, yaitu untuk nilai rata-rataadalah jatuh pada 50% percentile,sedangkan nilai standar deviasi jatuh padapersentil 84% jadi penghitungan nilai lataradalah :

Nilai latar (background) = mean + stdstd = standar deviasi= 50% persentile + 84% persentil= 169,82 ppb + 323,59 ppb= 493,41 ppb.

Nilai 493, 41 ppb ini merupakan nilai batasdata yang dianggap sebagai anomali, hal iniberarti bahwa nilai diatas ini dapatdikatagorikan sebagai anomali. Adapununtuk nilai ambang (threshold) dengan carapenunjukan langsung dari nilai percentile,yang biasa digunakan dalam metodaaplikasi grafik probabilitas, untuk kasus inimeggunakan nilai persentile 1% atau 99%,dengan menggunakan ini didapat nilaiambang (threshold) untuk sub populasi B

5

adalah 933,25 ppb dan nilai ambang untuksub-populasi C adalah 2137,96 ppb.Gambar 7 adalah hasil plotting nilai latar danambang dari data Hg daerah panas bumiJaboi. Terlihat adanya empat rentangan(range) data, yaitu :

< 493,41 ppb = warna abu-abu

493,41 – 933,25 = warna biru muda

933,25 – 2137,96 = warna kuning

> 2137,96 ppb = warna merah

4.2. Penyebaran gas CO2 Daerah PanasBumi Jaboi, NAD

Gambar 6 adalah grafik probabilitas darinilai kadar CO2 udara tanah di daerah Jaboi.Terlihat bahwa terdapat dua sub populasiyaitu populasi A dan B, dikarenakan rentangantara nilai minimum dan maksimum sangatsempit ( 0,35 – 5,95 % ), maka penentuannilai latar dan ambang akan sedikit berbedadangan cara diatas ( Hg). Sub-populasi Ayang mewakili kelompok data yang bernilaikecil dapat dipakai sebagai acuan dalampenentuan nilai latar (background).Dikarenakan rentang nilai data yang sempitmaka formula background adalah nilai rata-rata ditambah nilai standar deviasi tidakdapat dilakukan pada kelompok data ini.Untuk itu diputuskan mengambil nilai rata-rata (mean), yang dianggap representatifsebagai nilai latar (background), yaitu jatuhpada 50% percentile dari sub-populasi Ayang bernilai 1,65 %, hal ini berarti nilaidiatas 1,65 % adalah anomali, sedangkanuntuk penentuan nilai ambang sama dengancara di atas yaitu mengambil 1% atau 99%percentile untuk masing-masing sub-populasi, dan didapat nilai 3,5% untuksubpopulasi a dan 4,3% untuk subpopulasiB. Gambar 8 adalah hasil plotting nilai latardan ambang dari data CO2 daerah panasbumi Jaboi. Terlihat adanya empatrentangan (range) data, yaitu :

< 1,65 % = warna abu-abu

1,65 – 3,5 % = warna biru muda

3,5 – 4,3 % = warna kuning

> 4,3 % = warna merah.

5. DISKUSIDiatas telah dipaparkan aplikasi grafikprobabilitity dalam pengolahan datageokimia panas bumi, dan didapatkan

masing-masing peta anomalinya. Darikompilasi dua peta anomali tersebut(distribusi Hg dan CO2) didapatkan duadaerah prospek yang perlu di “follow up”yaitu daerah prospek 1 dan daerah prospek2 ( Gmb 7 dan 8 ). Daerah prospek 1 lebihmenarik dari daerah prospek 2, hal inikarena kemunculan anomali mineral Hg danCO2 dikontrol oleh adanya struktur sesaryang berarah Utara-Selatan, Baratlaut-Tenggara dan Timurlaut-Baratdaya. Ketigaarah struktur sesar ini bertemu dan salingberpotongan di lokasi prospek 1, danmembentuk suatu cebakan yangmemungkinkan terjadinya akumulasi fluidapanas bumi di daerah ini. Kontrol litologikemungkinan kurang mendominasipembentukan anomaly didaerah ini karenakedua daerah prospek didominasi oleh jenisbatuan yang sama yaitu batuan vulkanik.

6. KESIMPULAN Metode grafik probabiliti dapat membagi

data-data pengamatan menjadisubpopulasi-subpopulasi yangdiinterpretasikan sebagai akibat dari suatufenomena geologi

Pada pengolahan data dengan grafikprobabiliti, proses pengolahan datadilakukan pada tingkat subpopulasisehingga nilai anomali yang didapatkanmerupakan nilai anomali setiapsubpopulasi

Metode grafik probabiliti dapat digunakanpada pengolahan data panas bumi karenamampu mengelompokan data menjadikelompok-kelompok yang meresponsumber penyebab pengelompokantersebut.

Pada contoh diatas memperlihatkankemampuan metode ini dalam melokalisirzona-zona prospek.

7. UCAPAN TERIMA KASIHUcapan terima kasih kami ucapkan kepada

semua pihak yang telah memberikandukungan serta saran selama prosespenulisan tulisan ini.

8. DAFTAR PUSTAKA A.J. Sinclair, 1973, Selection of

Threshold Values in Geothermal DataUsing Probability Graph, Journal ofGeochemical Exploration

6

Keith Nicholson, 1993, GeothermalFluids Chemistry and ExplorationTechniques, Springer-Verlag Berlin,Heidelberg Tim Survei Terpadu, 2005, Survei

Terpadu Daerah Panas Bumi Jaboi,Nangroe Aceh Darusalam, PusatSumber Daya Geologi.

7

Gambar 2. histogram vs grafik probability

Gambar 1. Ilustrasi pembentukan variasi nilai anomali geokimia pada suatudaerah panas bumi

8

Gambar 3. Pola penyebaran data yang bersifatbimodal pada grafik probability

Gambar 4. Contoh pengolahan data menggunakanGrafik Probability

9

Gambar 5. Grafik probabilitas data penyebaran Hg

Gambar 6. Grafik probabilitas data penyebaran CO2

10

Gambar 8. Peta penyebaran kadar CO2 udara tanah (%)

Gambar 7. Peta penyebaran kadar Hg dalam tanah (ppb)