APLIKASI ORDINARY KRIGING DALAM MEMETAKAN KADAR CO2 DARI

DATA ANALISIS KIMIA TANAH DAN UDARA TANAH DAERAH PANAS BUMI G.
TALANG, KAB. SOLOK, SUMATERA BARAT

Muzaimatul Musyarofah (12018020), Ma’ruf Nurrudin (12018042),

Mauliza Putri (12018055), Putri Rahma Dini (12018028)

ABSTRACT
Geostatistic is an analytical method commonly used with a variety of methods in processing geological data.
This study aims to analyze the distribution pattern of CO2 and to estimate anomalous regions which generally
correlate with permeability zones which are important factors in geothermal exploration using ordinary
kriging. The data used are soil geochemical sample data and soil gas in the Talang Mountain area. Exploratory
Data Analysis or EDA that is applied to the data using summary statistics, histograms, and box-whisker-plot
methods. Exploratory Data Analysis results show that CO2 data are not normally distributed, unimodal, with
skewness of 0.564 and kurtosis 0.634, and an outlier is indicated, so that the normalization method is required
utilizing the last five point values of more than three in the data removed. The variogram model applied is the
wave and the rising trend mode with the nugget value of 0.033, the sill of 0.05 and the range of 470 meters.
Exploratory Spatial Data Analysis that is applied to the data is the posting plot and map symbol, the results of
the Exploratory Spatial Data Analysis show that data sampling is done in a regular pattern to minimize errors.
Furthermore, Kriging analysis was applied with an ordinary kriging method using ILWIS software with a pixel
size of 50 meters. The results showed an anomaly of CO2 values right in Upper Gabuo until approaching Batu
Berjanjang, Gunung Jantan as a source of geothermal energy.
Keywords: geothermal, EDA, ESDA, variogram , Ordinary kriging

ABSTRAK
Geostatistik merupakan sebuah metode analisis yang umum digunakan dengan keragaman metode dalam
pengolahan data geologi. Penelitian ini bertujuan untuk menganalisis pola persebaran CO 2 dan memperkirakan
daerah anomali yang umumnya berkorelasi dengan zona permeabilitas yang merupakan faktor penting dalam
eksplorasi panas bumi dengan menggunakan ordinary kriging. Data yang digunakan adalah data sampel
geokimia tanah dan gas tanah daerah Gunung Talang. Exploratory Data Analysis atau EDA yang diterapkan
pada data menggunakan metode summary statistics, histogram, dan box-whisker-plot. Hasil Exploratory Data
Analysis menunjukkan bahwa data CO2 tidak terdistribusi secara normal, unimodal, dengan skewness 0.564 dan
kurtosis 0.634, serta ditunjukkan adanya outlier, sehingga perlu dilakukan metode normalisasi dengan cara lima
data terakhir bernilai lebih dari tiga pada data dihilangkan. Model variogram yang diterapkan adalah model
wave dan trend naik dengan nilai nugget 0.033, sill 0.05 dan range 470 meter. Exploratory Spatial Data
Analysis yang diterapkan pada data adalah post plot dan map symbol, hasil Exploratory Spatial Analysis Data
menunjukkan bahwa pengambilan sampel data dilakukan dengan pola yang teratur untuk meminimalisasi error.
Selanjutnya, diterapkan analisis Kriging dengan metode Ordinary kriging yang menggunakan software ILWIS
dengan pixel size 50 meter. Hasil penelitian menunjukkan adanya anomali nilai CO 2 tepat berada di Gabuo Atas
sampai mendekati Batu Berjanjang, Gunung Jantan sebagai sumber panas Bumi.
Kata kunci: panas bumi, EDA, ESDA, variogram , Ordinary kriging

PENDAHULUAN gunung api.

Panas bumi adalah sumber energi panas
yang terkandung di dalam air panas, uap air, serta
batuan bersama mineral dan gas lainnya yang
secara genetik tidak dapat dipisahkan dalam
suatu sistem panas bumi. Sementara energi panas
bumi merupakan energi yang bersumber dari
panas yang terkandung dalam perut bumi dan
pada umumnya berasosiasi dengan keberadaan
Secara teknis, air yang bersumber
diantaranya dari hujan akan meresap ke dalam
batuan di bawah tanah hingga mencapai batuan
reservoir. Air ini kemudian terpanaskan oleh
magma yang menjadi sumber panas utama
sehingga berubah menjadi air panas atau uap
panas (fluida thermal) dengan kisaran temperatur
240- 310oC. Fluida thermal tersebut dapat
digunakan untuk membangkitkan energi listrik Penelitian ini bertujuan untuk menganalisis
dengan cara melakukan pengeboran (drilling) pola persebaran CO2 dan memperkirakan daerah
dan mengalirkan fluida thermal untuk anomali yang umumnya berkorelasi dengan zona
menggerakkan turbin dan memutar generator permeabilitas yang merupakan faktor penting
sehingga dihasilkan energi listrik. Fluida thermal dalam eksplorasi panas bumi dengan
selanjutnya diinjeksikan kembali ke dalam menggunakan metode ordinary kriging.
reservoir melalui sumur reinjeksi untuk menjaga
keseimbangan fluida dan panas sehingga sistem METODE DAN DATA PENELITIAN
panas bumi berkelanjutan. Oleh sebab itu Data yang digunakan dalam riset ini
kebutuhan air bersih untuk rumah tangga tidak merupakan data sekunder yang diperoleh dari
akan terganggu oleh kegiatan panas bumi Pusat Sumber Daya Geologi dengan jumlah data
mengingat fluida panas bumi yang digunakan awal sebanyak 100 data. Secara administratif
untuk pembangkitan energi listrik bukan berasal data diambil dari lapangan yang berlokasi di
dari air permukaan melainkan berasal dari daerah panas bumi Gunung Talang, Kabupaten
reservoir panas bumi dengan kedalaman 1.500 Solok, Sumatera Barat (Tim Survei, 2003).
s.d. 2500 meter. Ramah terhadap lingkungan Metode pengolahan data diawali dengan
menjadi salah satu karakteristik energi panas dilakukannya Exploratory Data Analysis (EDA)
bumi yang harus digarisbawahi. Energi panas dan Exploratory Spatial Data Analysis (ESDA)
bumi bersifat ramah terhadap lingkungan, tidak dengan Ordinary Kr untuk mengetahui
hanya dalam aspek produksi tetapi juga aspek distribusi normal, anomali, serta outlier secara
penggunaan, sehingga dampaknya berperan spasial serta memberikan gambaran umum
positif pada setiap sumber daya. Pada saat mengenai hipotesis yang sudah ada
menjalankan proses pengembangan dan (Komorowski et.al., 2016).
pembuatan, tenaga panas bumi sepenuhnya Pada penelitian ini, peneliti menggunakan
bebas dari emisi. Sedikit karbon yang digunakan panduan dari Dr. Eng. Ir. Suryantini M.Sc.,
untuk produksi, kemudian seluruh prosedur juga dengan alur sebagai berikut.
telah bebas dari sulfur yang umumnya telah
dibuang dari proses lainnya yang dilakukan.
Penggunaan energi panas bumi memang tidak
akan menimbulkan pencemaran terhadap
lingkungan. Oleh karenanya efek dari pemanasan
global yang disebabkan oleh emisi dari bahan-
bahan minyak akan berkurang. Dalam
penggunaannya sebagai pembangkit listrik
tenaga panas bumi tidak akan dibutuhkan bahan
bakar minyak yang bisa menyebabkan polusi
udara.
Penelitian tentang potensi panas bumi di
Gunung Talang pernah dilakukan pada tahun
2003 dalam Proyek Inventarisasi Potensi Panas
Bumi melakukan penyelidikan terpadu yang
meliputi beberapa disiplin ilmu kebumian,
STUDI GEOLOGI
seperti; geologi, geokimia, dan geofisika di
Daerah penelitian adalah daerah prospek
daerah panas bumi Gunung Talang. Hasilnya,
panas bumi yang secara administratif terletak di
Gunung Talang merupakan salah satu lokasi
Gunung Talang, Kecamatan Kota Anau,
yang terdapat panas bumi. Hal ini ditandai
Kabupaten Solok Provinsi Sumatera Barat
dengan adanya pemunculan mata air panas,
dengan posisi geografis berada antara 0°58'42"
steaming ground, hydrothermal eruption, dan
Lintang Selatan dan 100°40'46" Bujur Timur.
batuan alterasi, serta hasil dari penyelidikan
Gunung Talang memiliki ketinggian 2597 mdpl
terdahulu yang menunjukkan keberadaan sistem
dan merupakan gunung berjenis stratovolcano.
panas bumi di daerah tersebut.
 Tatanan geologi di daerah penyelidikan
didominasi oleh gejala-gejala tektonik berupa
busur magma dan sistem sesar Sumatera.
Keduanya merupakan gejala tektonik utama
yang bersifat regional, membujur sepanjang
1650 Km dari Aceh sampai ke Teluk Semangko,
dikenal sebagai sesar Semangko yang masih
aktif.
Batuan tertua yang dianggap sebagai batuan
dasar (basement rock) di daerah penyelidikan
dijumpai di bagian barat daya (Bukit Putus) dan
timur laut (Bukit Muncung) yang disusun oleh
batuan metamorf berumur Pra-Tersier.
Selanjutnya, secara tak selaras diendapkan
batuan vulkanik tua yang terdiri dari aliran
piroklastika dan aliran lava yang tak terpisahkan,
tersebar di bagian barat dan timur daerah
penyelidikan, berumur Quarter Bawah sampai
Tersier Atas. Di bagian utara terdapat dua bukit,
yaitu Bukit Kili Kecil dan Kili Gadang, bukit
tersebut diperkirakan sebagai intrusi yang
pemunculannya dipicu oleh keberadaan sesar
normal Batu Barjanjang. Di sekitar Bukit. Kili
Gadang dan Kili 6 Kecil tersebut terdapat
pemunculan mata air panas bertemperatur 40°C-
49°C dengan pH=7 (netral). Batuan produk Bukit
Bakar tersebar di bagian timur daerah
penyelidikan yang tersusun dari piroklastika dan
lava andesitik, sebagian besar telah terlapukan
sangat kuat. Di bagian tengah daerah
penyelidikan terdapat Danau Talang, yang
diduga sebagai bekas pusat erupsi masa lampau,
hal ini diperkuat dengan dijumpainya batuan
berstruktur kerak roti (bread cracks) di sekitar
tepi danau tersebut dan batuan teralterasi. Pusat
erupsi yang sekarang berupa danau kawah
(crater lake) ini diperkirakan dipicu oleh
keberadaan struktur sesar normal Danau Talang
yang berarah barat laut-tenggara. Kemudian
muncul G. Batino yang diperkirakan sebagai
bagian dari Gunungapi Talang tua (2450 mdpl).
Gunungapi strato ini disusun oleh perselingan
antara batuan piroklastika dan lava. Dijumpainya
batuan piroklastika dengan penyebaran yang
cukup luas di bagian utara, diduga merupakan
hasil erupsi yang cukup kuat terjadi dalam
sejarah letusannya, menyisakan dinding kaldera
di bagian timur dan selatan kawah Batino.
Produk termuda batuan vulkanik berasal dari
Gunung Jantan yang merupakan kerucut termuda
dari Gunungapi Talang (2600 mdpl). Satuan
batuan produk Gunung Jantan tersebar di bagian
utara, yang disusun oleh lava andesitik dan aliran
piroklastika.
EDA
Exploratory Data Analysis (EDA)
merupakan bagian yang sangat penting dalam
menganalisis data. EDA bertujuan untuk: (1)
menentukan keberadaan subpopulasi pada data
(2) menentukan nilai batas ambang (threshold),
yang nantinya akan digunakan untuk
menentukan nilai anomali (3) memastikan
kenormalan suatu data sebelum diolah secara
geostatistik, dan (4) menunjukkan ada atau
tidaknya outlier (Komorowski et. al., 2016).
Teknik EDA yang digunakan dalam penelitian
ini adalah: Deskriptif Analisis, Histogram, dan
Boxplot (Tukey, 1980).
(1) Statistik Deskriptif membantu kita
menyederhanakan data dalam jumlah besar
(William, 2006). Dengan menggunakan
Statistik Deskriptif kita dapat menentukan
nilai mean, median, modus, skewness,
kurtosis, dan standar deviasi yang berguna
untuk mengetahui kenormalan suatu data
(Brown, 1997).
Data awal yang diperoleh berjumlah 100
data. Namun, setelah melakukan beberapa
kali EDA tanpa penghapusan data,
diperoleh data bimodal dengan terdapat
dua modus pada nilai data (Ker, 2013).
Untuk mendapatkan distribusi normal,
dilakukan penghapusan 5 data terakhir
sehingga hanya tersisa 95 data. Sebelum
dilakukan penghapusan data, telah
dilakukan teknik normalisasi dengan
square root, logaritma, pembagian data,
serta penggantian nilai outlier ke nilai yang
 mendekati rata-rata. Meski demikian,
teknik normalisasi tersebut tidak
menghasilkan distribusi normal sehingga 5
data terakhir harus dihapuskan. Lima data
yang dihapuskan tersebut bernilai di atas 3,
dengan dua di antaranya benilai puluhan,
yaitu 49 dan 63.
Nilai komponen statistik deskriptif untuk
data CO2 yang terlebih dahulu
dinormalisasi dengan teknik square root
menghasilkan mean = 0.851, median =
0.830, modus = 0.735, kurtosis = 0.634,
skewness = 0.564, dan standar deviasi =
0.233.
(2) Histogram, digunakan untuk mengetahui
distribusi suatu data dan ada atau tidaknya
outlier. (Komorowski, 2016). Sumbu-X
merupakan representasi ‘bin’, sedangkan
sumbu-Y merupakan representasi
frekuensi (Howitt, 2008).
Histogram yang ditunjukkan pada Gambar
4 hanya menunjukkan 1 puncak tanpa
outlier. Hal tersebut menandakan bahwa
data terdistribusi normal.
(3) Boxplot adalah teknik untuk
menampilkan set data berdasarkan
ringkasan lima angka: minimum,
maksimum, median sampel, dan kuartil
pertama dan ketiga (Galarnyk, 2018).
Boxplot, digunakan untuk membagi data
dalam beberapa kelas dan mengetahui
nilai serta jumlah outlier jika ada (SAGE
Publisher, 2011).
Boxplot pada Gambar 5 menunjukkan
adanya 2 outlier untuk data bernilai
mendekati 1,4 dan data mendekati 1,6.
Nilai minimum terletak pada 0.360 dan
maksimum pada 1.625.
ESDA
ESDA bertujuan untuk menganalisis
keterkaitan spasial (Rusche, 2008). ESDA terdiri
atas posplot dan symbol map. (1) post plot,
digunakan untuk memeriksa trend data (Bohling,
2005) (2) Symbol map, peta yang menggunakan
simbol tertentu untuk kelas tertentu untuk
merepresentasikan nilai yang terdapat pada titik
lokasi simbol tersebut dalam peta lokasi
penelitian. Dari simbol-simbol tersebut,
letak outlier akan lebih mudah dilacak (Jenny,
2009). Dalam penelitian ini, ESDA
menggunakan software ILWIS. Post plot
ditunjukkan pada gambar 6 bertujuan untuk
melihat trend dan persebaran data. Post plot di
bawah ini menunjukan bahwa pengambilan data
dilakukan dengan pola yang teratur.
Teknik pengambilan data yang dilakukan oleh
peneliti dapat mempengaruhi hasil pengolahan
data.
 lag yang berbeda. lag pertama sebesar 100, kedua
sebesar 200, ketiga sebesar 300. keempat sebesar
400, kelima sebesar 450, keenam sebesar 800,
dan terakhir sebesar 1000. selanjutnya klik ikon
grafik dan ubah sumbu Y menjadi SemiVar dan
masukkan nilai Nugget, Sill, dan Range sesuai
dengan titik-titik yang tertera. Maka akan didapat
grafik data sebagai berikut.
1) Untuk lag 100 dengan nilai Nugget: 0,021,
Sill: 0.0485, Range: 1000

VARIOGRAM
Variogram merupakan varians antara nilai-
nilai tertentu pada dua tempat terhadap bidang
yang terealisasikan (Cressie, 1993). Parameter
variogram yang sering digunakan yaitu : nugget, 2) Untuk lag 200 dengan nilai Nugget: 0,032,
Sill, dan Range. Sill: 0.055, Range: 800
Nugget adalah ketinggian semivariogram
dari titik nol hingga titik nilai awal. Sill adalah
batas variogram pada jarak lag yang menuju
tanpa batas dan Range adalah jarak yang mana
perbedaannya dihitung dari titik nol hingga titik
yang mencapai Sill. Pada data yang diolah
menjadi tampilan grafik semivariogram, penulis
mendapatkan nugget 0.033, sill 0.05, dan range
470. Hal ini mengindikasikan bahwa terdapat
nugget effect yang kecil sehingga kemungkinan
terjadi kesalahan dalam pengukuran. Range yang
dapat diraih hanya berjarak 470.
Adapun langkah-langkah untuk membuat
sebuah variogram, hal yang perlu dilakukan
terlebih dahulu ialah normalisasi data, setelah
data normal maka grafik semivariogram dapat 3) Untuk lag 300 dengan nilai Nugget: 0.035,
dibuat melalui software ILWIS versi 3.31. Agar Sill: 0.054, Range: 1000
lebih kompatibel data seperti lattitude (UTM),
longitude (UTM), dan nilai square root dari CO2
akan diiput terlebih dahulu dari aplikasi
Microsoft Excel ke aplikasi notepad dengan
format Comma Delimated serta ekstensi .dat.
Lalu buka ILWIS dan import file tersebut, pada
menu Table Operations pilih Table to Pointmap.
Setelah itu, grafik semivariogram dibuat dengan
4) Untuk lag 400 dengan nilai Nugget: 0,041,
Sill: 0.053, Range: 1000
5) Untuk lag 450 dengan nilai Nugget: 0,03,
Sill: 0.050, Range: 470
6) Untuk lag 500 dengan nilai Nugget: 0,042,
Sill: 0.050, Range: 800
7) Untuk lag 1000 dengan nilai Nugget: 0,039,
Sill: 0,064 Range: 1800
Analisis variogram terdiri dari model dan
eksperimen variogram yang dihitung dari data.
Eksperimen variogram diperoleh dengan
menambahkan kuadrat perbedaan antara nilai
yang diamati (Zi dan Zj) pada dua titik untuk
semua pasangan titik yang dibatasi oleh jarak
radius tertentu (h) dari salah satu titik dan dibagi
oleh faktor dua, sebagai berikut;
Perbedaan kuadrat yang diharapkan antara
dua nilai data yang dipisahkan oleh vektor jarak
h adalah variogram. Semivariogram γ(h) adalah
setengah dari variogram 2γ(h) (Immanuel
Gringarten, et al, 2001). Beberapa penulis
(Matheron et al., 1965) percaya bahwa istilah
semivariogram harus digunakan untukγ (h)
seperti yang didefinisikan dalam Persamaan
variogram yang sesuai dengan 2γ(h).
Dari tiga indikator berikut - fungsi
kovarians, fungsi autokorelasi, dan variogram -
metode yang terakhir paling banyak digunakan
sejauh mengacu pada bentuk stasionaritas dalam
mencari keterkaitan hubungan antar titik (Jean,
2018). Hal ini bisa dijadikan metode yang efektif
dalam menganalisis ESDA. Tak hanya itu,
metode ini dapat menyajikan ke data pada bentuk
2D atau 3D, sehingga menghasilkan variogram
sampel yang merupakan array 2D atau 3D pada
peta variogram (Chiles, 1999).
Data yang sudah diolah kemudian diimport
dalam software dengan mengatur jarak lag yang
sesuai sehingga mendapatkan grafik
semivariogram yang tepat yaitu pada lag450
dengan membentuk pola wave dan trend naik
secara bertahap sehingga terdapat beberapa
lembah pada grafik yang menunjukkan data
anisotropy.
VARIOGRAM ANISOTROPI
Dibuat variogram dengan 4 variasi araha
sebagai berikut:
Variogram berarah Utara-Selatan
Variogram berarah Barat-Timur
Variogram berarah Timur Laut-Barat Daya
Variogram berarah Barat Laut-Tenggara
Jika dilihat dari 4 grafik variogram berarah
dengan lag450 menunjukkan range yang sama
pada distance 2000 m (isotropi) yaitu dengan sill
0.06. Namun, secara garis besar pola grafik pada
NE-SW dan W-E tidak menunjukkan pola yang
sama dengan grafik N-S dan NW-SE. Dalam hal
ini, mungkin saja terjadi error measurement di
lapangan atau hal lainnya.
KRIGING
Kriging merupakan suatu metode analisis
data geostatistika yang digunakan untuk
menduga besarnya nilai yang mewakili suatu titik
yang tidak tersampel berdasarkan titik tersampel
yang berada di sekitarnya dengan menggunakan
model struktural semivariogram. Kriging juga
merupakan suatu metode yang digunakan untuk
menonjolkan metode khusus yang meminimalkan
variansi dari hasil pendugaan (Fridayani, 2012).
Banyak metode yang dapat digunakan dalam
metode kriging, Kriging dapat dibedakan menjadi
tiga, yaitu Simple Kriging, Ordinary Kriging, dan
Universal Kriging (Cressie, 1993).
Dalam analisis data, penulis menggunakan
metode ordinary kriging yang merupakan teknik
kriging linier karena menggunakan kombinasi
linier terbobot dari data yang tersedia untuk
proses estimasi (Isaaks dan Srivastava, 1989).
Penulis telah membuat dua peta, yaitu : peta
kriging akar kuadrat CO2 pada gambar 7 dan peta
error kriging pada gambar 8.
Pada gambar 7 menampilkan sebuah
anomali pada daerah berwarna merah muda yang
ditandai oleh sekitar nilai 1.14 dan 1.11. Di sisi
lain, terdapat daerah berwarna yang membentuk
lingkaran yang tinggi maupun rendah hal ini
menunjukkan bahwa data ini merupakan pola
grafik gambar 6 bergelombang dengan trend naik
secara bertahap dari arah utara ke selatan. Pada
gambar 8 menunjukkan bahwa titik daerah yang Variogram data asli (atas) dan data pembanding
diukur memiliki nilai error yang rendah daripada (bawah)
daerah yang tidak diukur. Oleh karena itu, daerah
yang berpotensi anomali adalah daerah dengan
nilai kadar yang tinggi dengan nilai error yang
rendah. Standar deviasi untuk Krigging Map ini
adalah 0.2 yang menandakan bahwa seluruh nilai
error yang berada di bawah 0.2 adalah dapat
dipercaya.

Krigging Map

Krigging Map Error

Peta Krigging asli (kiri) dan peta krigging

pembanding (kanan)

VALIDASI KRIGING Dapat dilihat dari perbandingan tersebut, peta

Validasi Krigging dilakukan dengan metode
subset. Diambil 10 data acak dari 95 data yang
telah dinormalisasi sehingga tersisa 85 data yang
selanjutnya dibuat variogramnya dan dilakukan
Krigging.
Krigging Asli dan peta krigging pembanding
memiliki bentuk yang hampir sama sehingga data
CO2 tersebut adalah valid.
PERBANDINGAN PETA KRIGGING
DENGAN PETA GEOLOGI
Dari model semivariogram yang dibuat,
didapatkan model terbaik pada lag distance 450
dengan model wave and trend . Berdasarkan
model variogram tersebut, didapatkan nilai
nugget sebesar 0.033; sill sebesar 0.05 ; dan range
sebesar 470 meter. Kemudian interpolasi data
sqrt dilakukan menggunakan metode kriging.
Didapatkan data persebaran CO2 pada daerah
penelitian dengan nilai error paling besar senilai
0.325, dan paling kecil senilai 0.12. Pada peta
persebaran CO2, terlihat bahwa nilai CO2 hasil
estimasi kriging berkorelasi dengan nilai
sampling. Selain itu, untuk menguji konsistensi
metode interpolasi kriging, dilakukan pengujian
subset, yaitu dengan mengambil secara acak lima
buah data Hg, kemudian dilakukan interpolasi
kriging dengan parameter range, sill, dan nugget
yang sama dengan data awal. Peta hasil
interpolasi dengan pengurangan lima data
tersebut ditunjukan oleh Gambar 8 dan peta
errornya ditunjukan Gambar 9 dengan error
terbesar senilai 0.361 dan terkecil senilai 0.125.
Hal tersebut menunjukan bahwa proses kriging
memiliki hasil yang baik dan konsisten.
Selanjutnya, peta hasil kriging di overlay dengan
peta geologi untuk mengetahui asosiasi anomaly
dengan keadaan geologi
HASIL PENELITIAN
Berdasarkan EDA yang telah dilakukan
terhadap data kadar CO2 dengan terlebih dahulu
menormalkan data menggunakan teknik square
root, diperoleh hasil dengan nilai mean, median,
dan modus yang saling mendekati. Tanpa adanya
data yang menunjukan outlier maka data sudah
terdistribusi secara normal. Nilai skewness <1
menunjukan bahwa histogram akan cenderung
ke kiri. Nilai kurtosis <3 menunjukan bahwa
histogram akan cenderung landai. Data tersebut
menandakan bahwa tidak ada perubahan kadar
CO2 yang signifikan pada area pengambilan
sampel. Boxplot yang menampilkan 2 outlier
menunjukan adanya nilai yang cenderung
berbeda dengan nilai lainnya meski sudah
dilakukan normalisasi.
ESDA yang dilakukan dengan
menggunakan aplilkasi ILWIS menunjukan
bahwa pengambilan data CO2 memiliki pola
yang teratur. Pengambilan data dengan pola
teratur bertujuan untuk meminimalkan error pada
data yang diperoleh. Outlier dengan perbedaan
yang cukup jauh dapat disebabkan oleh
pengambilan sampel yang terlalu jauh dari area
sampling atau kesalahan peneliti dalam
menuliskan data.
Tak hanya itu, CO2 merupakan indikator
penentu dalam panas bumi yang apabila kadar
CO2 tinggi maka pada daerah tersebut memiliki
potensi panas bumi. Gambar 8 menunjukkan
adanya anomali yang ditandai dengan warna
merah muda. Daerah tersebut terletak di sekitar
manifestasi Gabuo Atas, Gabuo Bawah, Buah
Batuang sampai mendekati Batu Berjanjang.
Daerah ini dekat dengan sumber panas bumi
yaitu dapur magma gunung jantan. Data ini
didukung dengan daerah dengan nilai error
kriging yang cukup sehingga daerah ini memiliki
potensi sebagai sumber panas bumi. Namun,
sayangnya daerah bernilai 1.11 pada gambar 8
memiliki nilai error kriging yang cukup tinggi
(0.238) sehingga tidak berpotensi memiliki
sumber panas bumi. Oleh karena itu, daerah
berpotensi tinggi mempunyai sumber panas bumi
adalah daerah yang bernilai kadar CO2 (1.14) dan
nilai error kriging yang rendah ( 0.199) dengan
luas daerah mencapai ± 3 km2.
KESIMPULAN
Pola persebaran CO2 yang telah dianalisis
dari data sampel geokimia tanah dan gas tanah
di daerah Panas bumi Gunung Talang,
Kabupaten Solok, Sumatera Barat dengan
menggunakan ordinary kriging menunjukkan
adanya anomali yang ditandai dengan warna
merah muda pada hasil kriging map. Daerah
tersebut terletak di sekitar manifestasi Gabuo
Atas, Gabuo Bawah, Buah Batuang sampai
mendekati Batu Berjanjang. Daerah ini dekat
dengan sumber panas bumi yaitu dapur magma
Gunung Jantan. Kadar CO2 yang terdapat pada
daerah tersebut tergolong tinggi dengan nilai
kadar CO2 (1.14) dan nilai error kriging yang
rendah ( 0.199) dengan luas daerah mencapai ±
3 km2 menunjukkan adanya sumber panas bumi.

Acknowledgements
Peneliti mengucapkan terima kasih
kepada Dr.Eng.Ir. Suryantini M.Sc. dan
Hendro H. Wibowo ST. M.Sc. yang telah
memberikan bimbingan dalam pengerjaan
paper ini serta membantu dalam penggunaan
aplikasi ILWIS.
DAFTAR PUSTAKA
Buku
Bohling, Geoff (2005). Kriging. Diambil dari http://people.ku.edu/
Brown, James Dean. (1997). Skewness and Kurtosis. Diambil dari http://hosted.jalt.org/
Chiles, Jean-Paul. (1999). Geostatistic:Modelling Spatial Uncertainty. A Wiley-Interscience
Publication 37-38. Diambil dari
https://www.researchgate.net/publication/267437693_Geostatistics_Modeling_Spatial_Uncer
tainty
Cressie, N. 1993. Statistics for spatial data.Wiley Interscience.
Diambil dari
https://onlinelibrary.wiley.com/doi/book/10.1002/978111911515
1
Fridayani, N. M. S., Kencana, P. E. N., dan Sukarsa, K. G. (2012). Perbandingan Interpolasi Spasial
Dengan Metode Ordinary dan Robust Kriging pada Data Spasial Berpencilan (Studi Kasus:
Curah Hujan di Kabupaten Karangasem). E-Jurnal Matematika. 1 : 68-74. Diambil dari
https://www.researchgate.net/publication/319062514_PERBANDINGAN_INTERPOLASI_SPA
SIA
L_DENGAN_METODE_ORDINARY_DAN_ROBUST_KRIGING_PADA_DATA_SPASIAL
_BE
RPENCILAN_Studi_Kasus_Curah_Hujan_di_Kabupaten_Karangasem
Gringarten, Immanuel, dkk, (2001), Teacher’s Aide: Variogram Interpretation and modelling 508-
509.
Diambil dari
geog.ucsb.edu/~chris/readings/Variogram.Interpretation.Modeling.Aide.pdf Howitt,
D., Cramer, D. (2008). Introduction to Statistics in Psychology. Edisi 4. Diambil dari
https://www.pearson.com/uk/educators/higher-education-educators/program/Howitt-
Introduction-to- Statistics-in-Psychology-4th-Edition/PGM895668.html
Isaaks, Edward H. and Srivastava, R.M. 1989. Applied Geostatistics. Oxford University Press: New
York.
Diambil dari
https://amstat.tandfonline.com/doi/abs/10.1080/00401706.1991.10484886?journalCode=
utch20
Jenny, Bernhard dkk. (2009). Cartographica: Self Adjusting Legends for Proportional Symbol Maps.
Diambil dari https://pdfs.semanticscholar.org/
Jimenez-Espinosa, Rosario, (1998), Application of Geostatistics to Identify Gold-rich Areas
in the Finisterre-Fervenza region, NW Spain. Diambil dari http://citeseerx.ist.psu.edu
Ker, H.W. 2013. Trend Analysis on Mathematics Achievements: A Comparative Study Using
TIMSS Data. Universal Journal of Education Research 1(3).200-203. Taiwan: Horizon
Research. Diambil dari https://files.eric.ed.gov/fulltext/EJ1053894.pdf
Komorowski, Matthieu dkk.(2016). Exploratory Data Analysis. Diambil dari
https://www.researchgate.net/publication/308007227_Exploratory_Data_A
nalysis
Matheron, Georges et al. (1965). Les variables régionalisées et leur estimation. Masson et Cie.
Diambil dari https://searchworks.stanford.edu/view/1732681
Michel Floch, Jean, (2018). Geostatistic. INSEE. 117-118. Diambil dari
https://www.insee.fr/en/statistiques/fichier/3635545/imet131-i-
chapitre-5.pdf
Munandar, Arif dkk.(2003). Penyelidikan Terpadu Daerah Panas Bumi
Gunung Talang Kabupaten Solok
– Sumatera Barat.Kolokium Hasil Kegiatan Inventarisasi Sumber Daya Mineral – DIM. Diambil
dari
 http://psdg.bgl.esdm.go.id/kolokium%202003/panas%20bumi/1_Penyelidikan%20Teradu%20
G.Tala ng-Sumbar%201.pdf
Pratama, Azshelia Putri.,Philberta Aurelia., dan Maria Indira.(2017). Aplikasi Ordinary Kriging
Dalam Mendeliniasi Anomali Hg (Dry Basis) Untuk Eksplorasi Panas Bumi Di Daerah
Panas Bumi Desa Tegaron, Banyubiru, Semarang.Bandung: ITB. Diambil dari
https://docplayer.info/113433203- Aplikasi-ordinary-kriging-dalam-mendeliniasi-anomali-
hg-dry-basis-un
Rusche, Karsten (2008). Quality of Life in the Regions: An Exploratory Spatial Data Analysis
for West German Labor Markets. Diambil dari https://link.springer.com/
Tukey, John W.(1977). Exploratory Data Analysis, Reading, Mass.: Addison-Wesley.
Diambil dari http://theta.edu.pl/wp-
content/uploads/2012/10/exploratorydataanalysis_tukey.pdf
Wardani, Rakhma. 2017. Energi Panas Bumi Ramah Terhadap Lingkungan Sekitar. Diambil dari
http://ebtke.esdm.go.id/post/2017/08/22/1733/energi.panas.bumi.ramah.terhadap.lingkungan.
sekitar

Artikel
Galarnyk, Michael (2018). Understanding Boxplots. Diambil dari
https://towardsdatascience.com/understanding-boxplots-5e2df7bcbd51 (Diakses pada 1 April
2020)
William, M. K. (2006). Web center for social research methods. Diambil
dari https://socialresearchmethods.net/kb/statdesc.php (Diakses pada 1
April 202
Tabel 1: Data kadar CO2 di daerah panas bumi G. Talang, Kab. Solok
x Y C02 sqrt CO2
686508 9897981 0,7 0,837
687602 9900620 0,13 0,361
690997 9893400 0,7 0,837
686621 9900226 0,17 0,412
686046 9896404 0,7 0,837
687897 9897569 0,18 0,424
686293 9898432 0,73 0,854
691215 9892951 0,22 0,469
689179 9899626 0,73 0,854
690774 9893847 0,22 0,469
684576 9902004 0,74 0,860
685009 9901106 0,24 0,490
690749 9895954 0,75 0,866
687255 9898894 0,24 0,490
683984 9900890 0,75 0,866
691391 9894605 0,29 0,539
691184 9895058 0,76 0,872
684597 9899520 0,34 0,583
684197 9900441 0,76 0,872
687040 9899322 0,35 0,592
687829 9895281 0,8 0,894
686168 9901178 0,37 0,608
687996 9899710 0,83 0,911
685949 9901634 0,37 0,608
685373 9897694 0,83 0,911
688582 9898337 0,39 0,624
687168 9896618 0,86 0,927
688265 9894374 0,4 0,632
690224 9892629 0,89 0,943
687772 9900158 0,41 0,640
684403 9899988 0,89 0,943
687458 9901097 0,41 0,640
685538 9902532 0,91 0,954
686830 9902462 0,43 0,656
688284 9896680 0,93 0,964
690056 9895287 0,44 0,663
688447 9896249 0,94 0,970
687255 9901545 0,44 0,663
690559 9894297 0,94 0,970
689536 9898694 0,45 0,671
689361 9894437 0,95 0,975
686948 9897075 0,46 0,678
689790 9893535 0,96 0,980
689241 9896993 0,47 0,686
687469 9898473 0,96 0,980
683769 9901355 0,48 0,693
687609 9895732 1,02 1,010
688806 9897889 0,49 0,700
689656 9896090 1,03 1,015
684790 9901549 0,51 0,714
688706 9895801 1,06 1,030
689712 9898226 0,52 0,721
688522 9893827 1,09 1,044
686838 9899766 0,53 0,728
685229 9900655 1,1 1,049
685613 9897280 0,53 0,728
686389 9900711 1,13 1,063
685743 9902084 0,54 0,735
690970 9895510 1,13 1,063
689021 9897444 0,54 0,735
689146 9894885 1,14 1,068
690527 9896405 0,54 0,735
688159 9899230 1,21 1,100
690305 9896853 0,54 0,735
688908 9895320 1,31 1,145
689447 9896543 0,55 0,742
685417 9900233 1,34 1,158
689379 9899168 0,55 0,742
686073 9898883 1,35 1,162
688047 9894827 0,58 0,762
688091 9897125 1,36 1,166
684828 9899076 0,58 0,762
687390 9896166 1,42 1,192
689467 9894690 0,58 0,762
690007 9893081 1,49 1,221
685854 9899333 0,59 0,768
688790 9895038 1,49 1,221
687692 9898026 0,6 0,775
689051 9893340 1,49 1,221
690100 9897307 0,6 0,775
689576 9893980 1,61 1,269
685031 9898615 0,62 0,787
689250 9894628 1,79 1,338
690328 9894746 0,65 0,806
687038 9902009 1,81 1,345
685232 9898157 0,65 0,806
689279 9893277 2,08 1,442
687999 9893287 0,65 0,806
689044 9895104 2,64 1,625
689865 9895637 0,66 0,812
688776 9894101 2,91 1,71
688375 9898786 0,66 0,812
687974 9893190 3 1,73
689895 9897760 0,67 0,819
688784 9894157 3 1,73
686727 9897531 0,69 0,831
685809 9896826 49 7,00
686422 9898164 0,69 0,831
688963 9900077 65 8,06
685635 9899783 0,69 0,831