Detail Berita


Inilah 5 Karya Machine Learning Paling Inovatif Untuk Eksplorasi Mineral


"Ilustrasi pekerja"
Sumber gambar: gettyimages.com


Tanggal terbit: 09-11-2020

duniatambang.co.id  Pembelajaran mesin atau biasa disebut dengan Machine Learning merupakan salah satu teknologi digital pemprosesan data dengan menggunakan statistik dan visi komputer. Machine Learning sendiri tersusun dari berbagai macam algoritma. Sedangkan algoritma memiliki pengertian sebagai langkah-langkah logis atau perhitungan yang diambil oleh sebuah komputer. Secara mudah, Machine Learning dapat diistilahkan sebagai perubahan objek atau fenomena menjadi sebuah nilai agar dapat dianalisis oleh komputer berdasarkan parameter tertentu. Teknologi ini pun digadang-gadang akan menjadi salah satu “Game Changer” dalam eksplorasi, karena teknologi ini tentu dapat mengurangi biaya eksplorasi dan membantu para geologist untuk mengidentifikasi suatu permasalahan.

Di Indonesia, penggunaan Machine Learning untuk eksplorasi pertambangan masih sangat minim. Hal ini justru terjadi sebaliknya pada eksplorasi minyak dan gas bumi, dimana pemanfaatannya sudah banyak diterapkan khususnya perusahaan besar. Padahal di negara seperti Australia, Cina, dan Amerka Serikat yang merupakan kiblat utama dari pertambangan sudah banyak menangani permasalahan eksplorasi menggunakan Machine Learning. Hal ini tentu saja dapat menjadi peluang bagi para geologist dan geophysicist di Indonesia, terlebih sedang gencarnya digitalisasi pertambangan guna mengefisiensi biaya dan operasional. Maka dari itu untuk mengetahui apa saja aplikasi Machine Learning dalam eksplorasi, yuk simak artikel berikut ini.

1. Penentu nilai RQD (Rock Quality Designation) Otomatis

Melakukan analisis RQD tentu memiliki tantangan tersendiri bagi para Insinyur Geoteknik, karena pengukuran ini memiliki perhitungan yang cukup kompleks. Dilansir dari im-mining.com, salah satu start-up asal Australia yaitu DATAROCK berhasil menjadi sejarah baru dalam inovasi pertambangan dunia dan mengkalim telah menganalisis 1 juta meter inti batuan hanya dari sebuah gambar. Dengan menggunakan algoritma yang bernama R-CNN yaitu sebuah algoritma yang memiliki banyak tahapan sebagai parameter untuk menganalisis suatu objek pada gambar. Teknologi ini mampu mengklasifikasikan persentase nilai RQD secara cepat dan akurat dengan menggunakan parameter tubuh batuan dan rekahan yang dideteksi hanya dari sebuah gambar.

2. Penandaan mineral otomatis pada inti batuan

Seperti yang diketahui, penandaan bijih umumnya dilakukan dengan menggunakan sebuah spidol permanen di sepanjang inti batuan. Hal ini tentunya akan memerlukan waktu untuk menandai sampel tersebut, mengingat sampel inti batuan sangatlah panjang hingga ratusan meter. Saat ini terdapat teknologi Machine Learning yang dapat melakukan pekerjaan tersebut dalam sekejap. Segmentasi umumnya menggunakan suatu algoritma yang memiliki parameter warna dan geometri yang kemudian dikalibrasikan dengan data inti pemboran dari lokasi yang sama ataupun tambang lain. Salah satu start-up dari Amerika Serikat yaitu Imago Inc. secara khusus menawarkan jasa ini.

3. Pengestimasi variabel geokimia yang hilang pada tahap pemboran

Pada tahap pemboran eksplorasi, analisis geokimia khususnya XRF memiliki peranan yang sangat penting dalam memetakan posisi atau geometri suatu endapan, terutama pada kawasan yang tidak memiliki singkapan batuan. Pemboran eksplorasi sendiri pastinya tak luput dari ketidaksempurnaan sampel batuan yang berhasil diekstrak dari dalam permukaan bumi. Sebuah penelitian yang dilakukan oleh Institut National de la Recherche Scientifique Canada berhasil melakukan inovasi dengan memanfaatkan Machine Learning menggunakan algoritma random forest yang diterapkan pada data core logging. Random forest sendiri merupakan perintah komputer yang dapat membantu dalam mengambil keputusan pada sebuah data dalam jumlah yang sangat banyak berdasarkan parameter yang telah ditentukan. Penelitian ini pun telah diuji pada studi kasus di kawasan tambang Matagami dan diklaim mampu mengestimasi variabel geokimia yang hilang dengan baik.

Baca Juga: Teknologi Digital Jadi “Game Changer” dalam Kegiatan Eksplorasi dan Penambangan

4. Peta prospektifitas mineral otomatis

Sebuah penelitian yang dilakukan oleh Jiangxi University dan China University of Geoscience pada tahun 2019 telah memunculkan sebuah inovasi, dimana teknologi tersebut dapat membangun sebuah peta prospektifitas mineral secara otomatis dengan menggunakan parameter seperti data resistivitas, gravitasi, dan sampel geokimia sedimen. Kemudian data yang diperoleh akan diproses menggunakan Machine Learning yang memanfaatkan algoritma random forest. Penelitian ini berhasil mencapai akurasi rata-rata sebesar 95,4%.

5. Klasifikasi mineral mikroskopik secara otomatis

Pada tahun 2019, penelitian yang dilakukan oleh Departmen Geologi dan Teknik Sistem Cyber Federal University of Pelotas berhasil menemukan sebuah inovasi yang dapat membantu seorang Mineralogist dalam mengidentifikasi mineral pada sayatan tipis dalam waktu yang cukup singkat dengan memanfaatkan pemperosesan gambar dan pemrograman yang simpel. Dengan memanfaatkan algoritma decision tree yaitu sebuah perintah komputer yang dapat mengeluarkan sebuah keputusan berdasarkan parameter tertentu dan juga nearest neighbor yang merupakan perintah komputer untuk mendefinisikan sebuah objek seperti warna untuk ditransformasikan menjadi nilai tertentu kemudian diklasifikasikan. Inovasi ini berhasil mencapai akurasi 93%-97% dari pendeskripsian mineral secara konvensional.

 

Penulis : Mochamad Risyad Rizkyafdhal

Editor   : Ocky PR.

Berita serupa
Berita Populer
Berikan Komentar

Kontak Informasi Dunia Tambang:

Kunjungi web Advertising kami !