Efektivitas Estimasi Sumber Daya Nikel Laterit Menggunakan Metode Inverse Distance Weighting dan Artificial Neural Network

Abstract

Sebaran endapan nikel laterit yang melimpah di wilayah Sulawesi, Maluku, dan Papua menjadikan Indonesia sebagai salah satu negara dengan cadangan nikel laterit terbesar di dunia. Perkembangan industri kendaraan listrik dan baja tahan karat telah meningkatkan kebutuhan nikel secara global, sehingga estimasi sumber daya yang akurat menjadi faktor penting dalam mendukung perencanaan tambang. Berbagai penelitian mengenai estimasi sumber daya nikel laterit dengan metode Inverse Distance Weighting (IDW) umumnya hanya menggunakan satu nilai power factor, sehingga pengaruh variasi parameter tersebut terhadap hasil estimasi masih belum banyak dikaji. Sementara itu, pemanfaatan metode machine learning seperti Artificial Neural Network (ANN) pada estimasi sumber daya nikel laterit juga masih terbatas, terutama dalam pembahasan mengenai keterterapan hasil estimasinya dalam perancangan pit penambangan. Penelitian ini bertujuan untuk menganalisis pengaruh variasi power factor pada metode IDW, menganalisis kemampuan ANN dalam mengestimasi sumber daya nikel laterit, serta menyusun rancangan pit penambangan berdasarkan metode estimasi yang memiliki tingkat akurasi tinggi dan dapat diaplikasikan secara praktis. Penelitian dilakukan pada area IUP PT XYZ di Kabupaten Luwu Timur Provinsi Sulawesi Selatan, yang secara geologis didominasi oleh batuan ultramafik dengan profil laterit berlapis dari zona limonit hingga saprolit yang kaya nikel. Data yang digunakan merupakan data sekunder berupa data assay, collar, orientasi bor, litologi, dan topografi dari 85 lubang bor dengan jarak antar titik sekitar 50 meter dan total 877 data composite berinterval 1 meter. Block model disusun dengan dimensi 5 m × 5 m × 1 m dengan nilai densitas bijih nikel sebesar 1,5 kg/m³, menghasilkan 247.519 data interpolasi dari keseluruhan area penelitian. Pemodelan geologi dilakukan pada 85 lubang bor yang kemudian dihubungkan satu sama lain secara spasial sesuai zona litologinya untuk membentuk geometri volume badan bijih tiga dimensi. Estimasi sumber daya dilakukan menggunakan metode IDW dengan tiga variasi power factor dengan nilai sebesar 1, 2, 3 dan metode ANN dengan model arsitektur delapan variabel input, dua hidden layer yang masing-masing terdiri dari enam neuron, serta satu output berupa nilai kadar Ni. Kedua metode menggunakan radius pencarian maksimal yang sama sebesar 100 meter. Model ANN dilatih melalui proses iteratif sebanyak 300 pengulangan (epoch) dengan evaluasi terhadap lima variasi proporsi pembagian data training dan testing, di mana rasio 80:20 dipilih sebagai konfigurasi optimal. Hasil estimasi sumber daya menggunakan metode IDW pada ketiga variasi power factor menghasilkan total tonase yang sama sebesar 2.727.112,5 ton dengan kadar rata-rata Ni sebesar 1,47%, namun menunjukkan distribusi kadar yang berbeda pada setiap rentang nilai. Peningkatan nilai power factor menyebabkan tonase pada rentang kadar tinggi meningkat, sedangkan tonase pada rentang kadar rendah menurun, sesuai dengan karakteristik matematis metode IDW yang memberikan pembobotan lebih besar terhadap sampel terdekat. Kesamaan pola sebaran kadar pada ketiga variasi power factor mengindikasikan bahwa endapan

nikel laterit pada wilayah penelitian relatif homogen, sebagaimana ditunjukkan oleh nilai koefisien variasi sebesar 0,382%. Model ANN dengan konfigurasi optimal rasio training-testing 80:20 mampu mempelajari hubungan antara variabel geospasial, litologi, dan kadar nikel dengan baik, yang ditunjukkan oleh nilai koefisien determinasi (R²) sebesar 0,7574. Hasil prediksi ANN menghasilkan rata-rata kadar Ni 1,53% dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,092%, lebih rendah dibandingkan IDW 𝑝 = 3 (7,879%), IDW 𝑝 = 2 (7,977%), dan IDW 𝑝 = 1 (8,574%). Berdasarkan klasifikasi MAPE, seluruh metode termasuk kategori sangat akurat, namun ANN menunjukkan tingkat akurasi prediksi terbaik. Meskipun demikian, hasil prediksi ANN belum dapat secara langsung dikonversi menjadi block model tiga dimensi sehingga memerlukan tahapan pemodelan tambahan sebelum dapat digunakan dalam perancangan pit. Sebelum dilakukan perancangan pit, hasil estimasi sumber daya terlebih dahulu diterapkan faktor modifikasi berupa cut-off grade (CoG) sebesar >1,3% untuk mengidentifikasi bagian endapan yang memenuhi kriteria sebagai cadangan. Penerapan CoG tersebut bertujuan memisahkan material yang layak ditambang (ore) dari material berkadar rendah (waste), sehingga block model yang dihasilkan dapat digunakan sebagai dasar dalam perancangan pit penambangan. Berdasarkan pertimbangan tersebut, perancangan pit dilakukan menggunakan hasil estimasi IDW dengan power factor 3 karena mampu menghasilkan block model tiga dimensi yang siap digunakan sebagai dasar perancangan tambang. Desain pit mengacu pada parameter geometri sesuai Keputusan Menteri ESDM No. 1827 K/30/MEM/2018 dengan tinggi bench 7 meter, lebar bench 5 meter, kemiringan lereng 45°, lebar ramp 12 meter, grade ramp 8%. Desain pit menghasilkan tonase ore sebesar 1.634.700 ton dengan kadar rata-rata Ni 1,72%, tonase waste sebesar 3.621.300 ton, dan stripping ratio sebesar 1,48 bcm/ton. Penelitian ini menunjukkan bahwa ANN memberikan tingkat akurasi estimasi tertinggi, sedangkan IDW dengan power factor 3 lebih praktis untuk diterapkan sebagai dasar perancangan pit karena menghasilkan block model yang dapat langsung diintegrasikan ke dalam perangkat lunak pertambangan