Ringkasan dokumen tersebut adalah:
(1) Dokumen tersebut melakukan analisis korelasi antara parameter batupasir dengan porositas dan permeabilitas menggunakan pearson coefficient. Korelasi signifikan ditemukan antara beberapa parameter dengan porositas dan permeabilitas. (2) Persamaan empiris antara parameter-parameter tersebut dengan porositas dan permeabilitas dibuat berdasarkan hasil analisis regresi. (3) Clustering data sumur menggunakan metode hirark
Analisis data sumur dengan sistem clustering menggunakan pearsons r
1. UAS ANALISIS DATA GEOLOGI
Dosen: Dr. I Wayan Warmada
Oleh :
Emanuel Grace Manek
18/434728/PTK/12291
MAGISTER TEKNIK GEOLOGI
FAKULTAS TEKNIK
UNIVERSITAS GAJAH MADA YOGYAKARTA
2019
2. 1a. Hitunglah pearson coefficient dari masing-masing parameter batupasir terhadap porositas
dan permeabilitas (Tabel 1)
Correlations Table
POROSITY PERMEABILITY
RIGID Pearson Correlation ,721**
,504**
Sig. (2-tailed) ,000 ,000
N 44 44
DUCTILE Pearson Correlation -,438**
-,420**
Sig. (2-tailed) ,003 ,004
N 44 44
MATRIX Pearson Correlation -,600**
-,260
Sig. (2-tailed) ,000 ,089
N 44 44
GRAIN_SIZE Pearson Correlation ,258 ,335*
Sig. (2-tailed) ,091 ,026
N 44 44
SORTING Pearson Correlation -,737**
-,363*
Sig. (2-tailed) ,000 ,015
N 44 44
POROSITY Pearson Correlation 1 ,624**
Sig. (2-tailed) ,000
N 44 44
PERMEABILITY Pearson Correlation ,624**
1
Sig. (2-tailed) ,000
N 44 44
Tujuan pengujian ini yaitu untuk menguji apakah terdapat hubungan antara masing-
masing parameter empiris (x) batupasir terhadap porositas dan permeabilitas (y) yang di blok
dengan warna hijau pada tabel korelasi dan pada blok yang berwarna kuning menunjukan
tidak adanya hubungan antara parameter tersebut dengan permeabilitas maupun porositas
berdasarkan output/perhitungan yang telah dilakukan.
Untuk pengambilan keputusan statistik, dapat dilihat dari nilai Sig, jika nilai sig. < 0,05
maka ada korelasi yang signifikan sedangkan nilai Sig. > 0,05 maka tidak ada korelasi yang
signifikan seperti yang diblok dengan warna kuning.
Dari output tersebut dapat diinterpretasikan bahwa Porositas memiliki korelasi positif
dengan nilai rigid, permeability, dan grain size, serta memiliki korelasi negatif dengan
3. sorting, matrix, dan ductile. Pemeabilitas memiliki korelasi positif dengan nilai porosity,
rigid, dan grains size, serta memiliki korelasi negatif dengan ductile, sorting, dan matrix.
Sedangkan interpretasi tanda koefisien korelasi yang dimana akan menujukan arah hubungan
antara parameter empiris dengan porositas dan permeabilitas, interpretasi yyangdigunakan
yaitu melihat pada tanda (-) berarti apabila variabel X tinggi maka variabel Y rendah
sedangkan Tanda (+) berarti apabila variabel X (Porositas dan permeabilitas) tinggi maka
variabel Y (Prameter-parameter empiris) juga tinggi.
1b). Menentukan persamaan empiris dari porositas dan permeabilitas berdasarkan parameter
empiris.
*Porositas
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 38,253 358,109 ,107 ,915
RIGID -,167 3,587 -,394 -,046 ,963
DUCTILE -,338 3,575 -,661 -,094 ,925
MATRIX -,433 3,583 -,616 -,121 ,904
GRAIN_SIZE -,492 1,582 -,037 -,311 ,757
SORTING -2,279 ,908 -,381 -2,509 ,016
a. Dependent Variable: POROSITY
Sig .> 0.5 tidak terdapat korelasi yang signifikan terhadap dependent variabel yaitu porositas
Maka didapatkan persamaan empirinya adalah sebagai berikut
Porositas = 38,353-0,167Rigid – 0,338Ductile – 0,433Matrix -0,3583GrainSize –
2,279Sorting
Kemudian dicari persamaan empiris antara porositas dan sorting sebab sorting memiliki sig <
0,5 dari tabel diatas, maka didapatkan tabel baru seperti dibawah ini :
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 20,315 1,109 18,327 ,000
SORTING -4,408 ,624 -,737 -7,067 ,000
a. Dependent Variable: POROSITY
Porositas = 20,315 – 4,408Sorting
4. *Permeabilitas
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) -67768,176 98579,403 -,687 ,496
RIGID 689,452 987,352 8,458 ,698 ,489
DUCTILE 655,046 983,985 6,660 ,666 ,510
MATRIX 665,816 986,426 4,917 ,675 ,504
GRAIN_SIZE 305,084 435,482 ,119 ,701 ,488
SORTING -152,635 250,012 -,132 -,611 ,545
a. Dependent Variable: PERMEABILITY
Sig .> 0.5 tidak terdapat korelasi yang signifikan terhadap dependent variabel yaitu
permeabilitas.
Persamaan empirisnya adalah sebagai berikut :
Permeabilitas = 689,452Rigid + 655,046Ductile + 665,816Matrix + 305,084GrainSize –
152,635Sorting – 67768,176
Kemudian dicari persamaan empiris antara Permeabilitas dengan grain Size dan Rigidsebab
sorting memiliki sig < 0,5 dari tabel diatas, maka didapatkan tabel baru seperti dibawah ini :
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) -2653,006 842,035 -3,151 ,003
RIGID 36,826 12,748 ,452 2,889 ,006
GRAIN_SIZE 262,547 400,529 ,103 ,655 ,516
a. Dependent Variable: PERMEABILITY
Permeabilitas = 36,826Rigid + 262,547GrainSize - 2653,006
5. 1c) Nilai R2
dan hasil evaluasi ANOVA terhadap persamaan tersebut (Uji F).
*Porositas
Model Summary
Model R
R
Square
Adjusted
R Square
Std. Error
of the
Estimate
Change Statistics
R Square
Change
F
Change df1 df2
Sig. F
Change
1 ,737a
,543 ,532 2,17417 ,543 49,943 1 42 ,000
a. Predictors: (Constant), SORTING
ANOVAa
Model
Sum of
Squares df
Mean
Square F Sig.
1 Regression 236,081 1 236,081 49,943 ,000b
Residual 198,534 42 4,727
Total 434,615 43
a. Dependent Variable: POROSITY
b. Predictors: (Constant), SORTING
*Permeabilitas
Model Summary
Mode
l R
R
Squar
e
Adjusted
R Square
Std.
Error of
the
Estimate
Change Statistics
R Square
Change
F
Change df1 df2
Sig. F
Change
1
,512a
,262 ,226
538,6814
6
,262 7,285 2 41 ,002
a. Predictors: (Constant), GRAIN_SIZE, RIGID
ANOVAa
Model
Sum of
Squares df Mean Square F Sig.
1 Regression 4228009,342 2 2114004,671 7,285 ,002b
Residual 11897286,200 41 290177,712
Total 16125295,541 43
a. Dependent Variable: PERMEABILITY
b. Predictors: (Constant), GRAIN_SIZE, RIGID
6. Pada korelasi permeabilitas dan Porositas terhadap parameter empiris tersebut memiliki
signifikansi < 0.5 sehingga dapat digunakan sebagai persamaan untuk memprediksi
permeabilitas dan porositas dengan rumus empiris yang dihasilkan pada no.1b.
2a) Mengelompokkan sumur-sumur pada Tabel soal 2 dengan metode cluster analysis degan
menggunakan parameter X1 s.d. X3.
Cluster Membership
Case 4 Clusters 3 Clusters 2 Clusters
1 1 1 1
2 1 1 1
3 1 1 1
4 1 1 1
5 1 1 1
6 1 1 1
7 1 1 1
8 1 1 1
9 1 1 1
10 1 1 1
11 1 1 1
12 1 1 1
13 2 2 2
14 2 2 2
15 2 2 2
16 3 2 2
17 1 1 1
18 1 1 1
19 1 1 1
20 4 3 2
21 3 2 2
22 4 3 2
23 4 3 2
24 2 2 2
25 4 3 2
26 4 3 2
27 1 1 1
28 1 1 1
29 4 3 2
30 1 1 1
31 1 1 1
32 1 1 1
33 1 1 1
7. 34 1 1 1
35 1 1 1
36 1 1 1
37 1 1 1
38 1 1 1
39 1 1 1
40 1 1 1
41 1 1 1
42 4 3 2
43 1 1 1
44 1 1 1
45 1 1 1
46 4 3 2
47 4 3 2
48 1 1 1
Case Processing Summary
a,b
Cases
Valid Missing Total
N Percent N Percent N Percent
48 100,0 0 ,0 48 100,0
a. Euclidean Distance used
b. Average Linkage (Between Groups)
Data X1 – X3 dianalisis dengan menggunakan hierarchical analysis menggunakan
metode Euclidean Distance dan Average Linkage. Dari hasil diambil tiga model clustering
data yang mewakili pengelompokkan sumur-sumur yang ditunjukkan oleh tabel diatas.
2b) Konsep dari metode hirarkis yaitu dengan menggabungkan 2 obyek yang paling mirip,
kemudian gabungan 2 obyek tersebut akan bergabung lagi dengan satu atau lebih obyek yang
paling mirip lainnya. Proses clustering ini pada akhirnya akan ‘menggumpal’ menjadi satu
cluster besar yang mencakup semua obyek. Metode ini disebut juga sebagai metode
aglomerativ yang digambarkan dengan dendogram., dihasilkan dendogram yang ditunjukkan
oleh (Gambar Dendogram) .
8.
9. Selanjutnya dicari berapa pembagian cluster yang paling optimum untuk dari data-data yang
tersedia dibuat analisis histogram antara clustering stage dengan nilai variansinya. Dari hasil
analisis, pembagian dua cluster memiliki signifikansi yang terbesar, namun karena datanya
terlampau umum, sehingga diambil opsi lain yaitu pembagian tiga cluster kemudian dibuat
plot sebaran pengelompokan data sumur dari hierarki yang kemudian diinterpolasi kasar
menjadi peta berdasarkan pengelompokan seperti pada gambar dan peta pada halaman
berikutnya.sehingga menjawab no.2c .
10.
11. 3. Sebaran data hasil interpolasi menujukan bahwa kekurangan data akan sangat berpengaruh
didalam pendekatan serta interpretasi hasil klustering, disini digunakan 3 klastering karena
jika lebih dari 3 klastering sebaran datanya sangat acak sehingga interpretasi peta akan
semakin susah. Statistik inferensial sendiri membutuhkan pemenuhan data-data sumur yang
tersebar dengan baik. Asumsi paling awal yang harus dipenuhi adalah sampel diambil secara
acak dari populasi. Dimana asumsi atau data di area ini tidak terlalu rapat. Sedangkan jika
interpolasinya di perhalus akan menghasilkanpeta yang ditampilkan pada gambar berikut
12. Tanda lingkaran tersebut menunjukan sebaran data hasil klustering acak
sehinggainterpolasinya kurang bagus yaitu terdapat dua daerah yang memiliki klaster yang
13. sama tetapi terpisah oleh kluster yang lain namun sbarannya sangat sedikit atau jauh dari
grup klusternya, sehingga dari hasil lingkaran ini sebagai dasar masukan untuk koleksi data
lagi pada area tersebut sehingga hasilyang didapatkan menjadi lebih bagus setelah koleksi
data tersebut.