PREDIKSI KANDUNGAN MINERAL BERDASARKAN DATA GEOKIMIA DAN GEOSPASIAL MENGGUNAKAN RANDOM FOREST

Rio Rivaldo Sinuhaji, . (2026) PREDIKSI KANDUNGAN MINERAL BERDASARKAN DATA GEOKIMIA DAN GEOSPASIAL MENGGUNAKAN RANDOM FOREST. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text 1_Cover_123220005.pdf Download (153kB)
	Text 2_Abstrak_123220005.pdf Download (224kB)
	Text 3_Halaman Pengesahan_123220005.pdf Download (170kB)
	Text 4_Daftar Isi_123220005.pdf Download (308kB)
	Text 5_Daftar Pustaka_123220005.pdf Download (178kB)
	Text 6_Skripsi Full_123220005.pdf Restricted to Repository staff only Download (4MB)

Abstract

ABSTRAK
Eksplorasi mineral merupakan proses kompleks dalam industri pertambangan yang
memerlukan analisis mendalam terhadap data geokimia dan geospasial. PT Citra Palu
Minerals (CPM) sebagai perushaan pertambangan belum menginterpretasikan kandungan
mineral pada spasi jarak di antara lubang bor yang telah ada. Keterbatasan ini menyebabkan
sulitnya memprediksi potensi mineral di area yang belum dieksplorasi, berdampak pada
ketidakpastian strategi pengeboran dan alokasi sumber daya yang tidak optimal. Penelitian
ini bertujuan mengembangkan model prediksi kandungan mineral menggunakan algoritma
Random Forest Regression dengan memanfaatkan data geokimia berupa data fire assay yaitu
Au_FA dan alteration serta data geospasial berupa kedalaman pengeboran dan lithology dari
187 sampel pengeboran.
Metodologi penelitian meliputi tahapan preprocessing data, pemodelan, dan
evaluasi. Preprocessing data mencakup feature construction untuk membuat kolom hole_id,
penggabungan data dari berbagai file, penanganan missing value menggunakan metode
mean dan interpolasi, serta feature encoding dengan One-Hot Encoding. Augmentasi data
dilakukan menggunakan Gaussian Copula Synthesizer untuk mengatasi keterbatasan jumlah
sampel dan meningkatkan kemampuan generalisasi model. Model dibangun menggunakan
Random Forest Regression dengan hyperparameter tuning melalui RandomizedSearchCV
untuk mencari kombinasi parameter optimal. Data dibagi menjadi 80% data latih dan 20%
data uji. Evaluasi model menggunakan metrik Mean Absolute Error (MAE), Mean Squared
Error (MSE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²).
Hasil penelitian menunjukkan model dengan hyperparameter tuning menghasilkan
performa lebih baik dibandingkan tanpa tuning, dengan nilai MAE sebesar 6,762, MSE
sebesar 79,418, RMSE sebesar 8,912, dan R² sebesar 0,055. Model berhasil memprediksi
lima mineral target yaitu Quartz, Muscovite, Montmorillonite/Smectite, Illite, dan
Laumonite. Sistem prediksi kandungan mineral berbasis web berhasil diimplementasikan
menggunakan framework Streamlit dengan fitur evaluasi model, visualisasi pengeboran 2D
dan 3D, serta prediksi interaktif. Sistem telah melalui pengujian black box testing dengan
hasil sukses pada semua skenario. Penelitian ini memberikan kontribusi dalam penerapan
machine learning untuk eksplorasi mineral di Indonesia dan menyediakan solusi praktis bagi
PT CPM dalam mengoptimalkan strategi pengeboran berdasarkan data geokimia dan
geospasial.
Kata Kunci: Random Forest Regression, Prediksi Kandungan Mineral, Data Geokimia,
Data Geospasial, Eksplorasi Mineral

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Rio Rivaldo Sinuhaji (Penulis - 123220005) Herlina Jayadianti (Pembimbing)
Uncontrolled Keywords:	Random Forest Regression, Prediksi Kandungan Mineral, Data Geokimia, Data Geospasial, Eksplorasi Mineral
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	04 Mar 2026 06:09
Last Modified:	04 Mar 2026 06:09
URI:	http://eprints.upnyk.ac.id/id/eprint/47235

Actions (login required)

View Item