Identifikasi Profil Nikel Laterit di Lapangan X Berdasarkan Data Bor dengan Metode Pembelajaran Mesin

Penulis

  • Zulkifli M Tahir Universitas Indonesia
  • Felix Mulia Hasudungan Sihombing
  • Wanni PT Vale Indonesia Tbk.

Kata Kunci:

nikel laterit, limonit, saprolit, batuan dasar, pembelajaran mesin

Abstrak

Sebagian besar cadangan nikel di dunia ditemukan dalam bentuk nikel besi-oksida yang disebut laterit. Endapan nikel laterit terbentuk dari proses pelapukan yang panjang dan meliputi pengayaan supergen dan pelapukan kimiawi. Endapan ini tersusun dari tiga lapisan yaitu limonit, saprolit dan batuan dasar yang secara keseluruhan disebut profil nikel laterit. Penelitian ini menggunakan data foto inti batuan dari salah satu lapangan milik P.T. Vale Indonesia Tbk. Metode yang digunakan adalah metode pembelajaran mesin tersupervisi yaitu convolutional neural network dengan tujuan untuk mengetahui kemampuan pembelajaran mesin dalam melakukan prediksi profil nikel laterit berdasarkan data foto. Model yang dibuat berdasarkan metode convolutional neural network memiliki akurasi 87% dan memiliki tren akurasi yang cenderung meningkat seiring dengan bertambahnya proses pembelajaran (epoch). Perbandingan antara litologi hasil prediksi dan litologi sebenarnya yang dilihat berdasarkan ilustrasi drillhole dan model geologi menunjukkan bahwa model yang dibuat sudah cukup baik dalam melakukan prediksi profil nikel laterit secara keseluruhan. Kelebihan penggunaan metode pembelajaran mesin dalam prediksi profil nikel laterit di antaranya adalah mengoptimalkan waktu dan meningkatkan konsistensi dalam penentuan lapisan laterit berdasarkan karakteristik visual. Di sisi lain, kekurangan pada metode ini yaitu masih cukup banyak kesalahan prediksi pada penentuan saprolit dan batuan dasar.

Referensi

De Lima, R. P., Bonar, A., Coronado, D. D., Marfurt, K., & Nicholson, C. (2019). Deep convolutional neural networks as a geological image classification tool. Sediment. Rec, 17, 4-9.

Elias, M. (2002). Nickel Laterite Deposit-geological overview, resources and exploitation. Giant ore deposits: Characteristic, genesis and exploration. CODES Special Publication 4: 205-220

Géron, A. (2017). Hands-on Machine Learning with Scikit-Learn and Tensorflow. USA: O’Reilly Media, Inc.

Golightly, J. P. (2010). Progress in understanding the evolution of nickel laterites. In: Goldfarb RJ, Marsh EE, Monecke T (eds) The Challenge of Finding New Mineral Resources: Global Metallogeny, Innovative Exploration, and New Discoveries Volume II. Society of Economic Geologists Special Publication 15, pp 451-475

Hamilton, W. (1979). Tectonics of the Inonesian Region. Washington: United States Government Printing Office.

Kadarusman, A., Miyashita, S., Maruyama, S., Parkinson, C. D., & Ishikawa, A. (2004). Petrology, Geochemistry, and Paleogeographic Reconstruction of the East Sulawesi Ophiolite, Indonesia. Tectonophysics 392, 55-83

Kadarusman, A. (2009). Ultramafic Rocks Occurences In Eastern Indonesia and Their Geological Setting. Proceedings PIT IAGI SEMARANG 2009 The 38th IAGI Annual Convention and Exhibition, Semarang.

Samuel, A. L. (1959). Some studies in machine learning using the game of checkers. IBM. J. Res. Develop. 3(3), 210-229.

Simandjuntak, T.O., Rusmana E., Surono & Supandjono J. B. (1991). Peta Geologi Lembar Malili, Sulawesi. Pusat Penelitian dan Pengembangan Geologi.

Solihin. (2012). Pengolahan bijih nikel kadar rendah untuk mendukung industri baja tahan karat. Jakarta: LIPI.

Van Leeuwen, T. M., & Pieters, P. E. (2011). Mineral Deposits of Sulawesi. Proceeding of The Sulawesi Mineral Resources 2011 Seminar MGEI-IAGI, 1-131.

Diterbitkan

15-01-2023

Cara Mengutip

Tahir, Z. M., F. M. H. Sihombing, dan Wanni. “Identifikasi Profil Nikel Laterit Di Lapangan X Berdasarkan Data Bor Dengan Metode Pembelajaran Mesin”. Jurnal Geosains Terapan, vol. 5, no. 2, Januari 2023, https://geosainsterapan.id/index.php/id/article/view/48.

Terbitan

Bagian

Artikel Ilmiah

Kategori