Pemodelan Pengaruh Parameter Uji Proksimat Terhadap GCV Batubara Menggunakan Regresi Linier dan Simulasi Monte Carlo

Abstract

Nilai Gross Calorific Value (GCV), merupakan aspek penting dalam menentukan potensi energi batubara. Namun, pendekatan yang umum digunakan dalam berbagai penelitian masih bersifat deterministik, dengan mengasumsikan setiap parameter uji proksimat sebagai nilai tunggal. Pendekatan tersebut memiliki keterbatasan karena belum mampu merepresentasikan sifat heterogen batubara serta mengabaikan ketidakpastian yang timbul akibat variasi sampling dan kesalahan pengukuran. Berdasarkan hal tersebut, penelitian ini difokuskan pada tiga rumusan masalah utama, yaitu: (1) bagaimana hubungan kuantitatif antara parameter uji proksimat terhadap nilai GCV, (2) sejauh mana model regresi linier berganda mampu merepresentasikan pengaruh simultan parameter tersebut (uji proksimat), dan (3) bagaimana simulasi Monte Carlo dapat memetakan ketidakpastian nilai GCV dalam bentuk distribusi probabilistik. Penelitian ini menggunakan pendekatan kuantitatif dengan mengombinasikan metode regresi linier berganda sebagai pendekatan deterministik dan simulasi Monte Carlo sebagai pendekatan probabilistik. Data yang digunakan terdiri dari 117 sampel batubara dari PT Bukit Asam Tbk, yang mencakup data sekunder (data operasional selama satu bulan, masing-masing 30 sampel per rank) dan data primer (hasil eksperimen perendaman selama 1–8 jam, masing-masing 9 sampel per rank) pada tiga klasifikasi batubara, yaitu low rank, mid rank, dan high rank. Sebelum dilakukan pemodelan, dilakukan uji multikolinearitas menggunakan Variance Inflation Factor (VIF). Hasil pengujian menunjukkan nilai VIF yang sangat tinggi pada model awal (hingga >300), yang mengindikasikan adanya multikolinearitas sempurna akibat hubungan matematis antar parameter proksimat. Parameter Fixed Carbon (FC) kemudian dieliminasi karena bersifat redundan (dapat dihitung dari parameter lainnya), sehingga model akhir hanya menggunakan tiga variabel independen, yaitu Total Moisture (TM), Ash Content (Ash), dan Volatile Matter (VM). Setelah eliminasi, nilai VIF turun signifikan ke kisaran 1,952,40 yang menunjukkan model telah bebas dari multikolinearitas. Hasil analisis regresi linier pada data sekunder menunjukkan bahwa model memiliki kemampuan prediksi yang sangat baik. Nilai koefisien determinasi (R²) diperoleh sebesar 0,7687 untuk low rank, 0,7594 untuk mid rank, dan 0,9775 untuk high rank. Hal ini menunjukkan bahwa hingga 97,75% variasi nilai GCV dapat dijelaskan oleh kombinasi parameter TM, Ash, dan VM. Secara parsial, parameter Total Moisture (TM) menunjukkan pengaruh negatif yang konsisten dan signifikan pada seluruh peringkat batubara, dengan koefisien sebesar -52,63 (low rank), -96,23 (mid rank), dan -92,01 (high rank). Parameter Ash juga menunjukkan pengaruh negatif, dengan koefisien berkisar antara -39,82 hingga -93,75, dan menjadi sangat signifikan pada batubara high rank. Sementara itu, Volatile Matter (VM) menunjukkan perilaku yang lebih kompleks. Pada low rank, VM tidak signifikan, pada mid rank menjadi signifikan dengan arah negatif, dan pada high rank menunjukkan pengaruh positif dengan koefisien sebesar 8,72. Hal ini menunjukkan bahwa pengaruh VM terhadap GCV sangat bergantung pada tingkat kematangan batubara. Pada data primer, hasil regresi menunjukkan nilai R² yang tetap tinggi, yaitu 0,9157 (low rank), 0,7480 (mid rank), dan 0,9829 (high rank). Namun, tingkat signifikansi model cenderung menurun, khususnya pada batubara mid rank (Pvalue ≈ 0,06), akibat tingginya variasi data yang disebabkan oleh proses perendaman. Koefisien TM tetap menunjukkan pengaruh negatif (-62,06; -49,11; 73,05), namun beberapa variabel tidak signifikan secara statistik karena tingginya variasi data eksperimen. Kondisi ini menunjukkan bahwa meskipun secara fisik hubungan antar variabel tetap berlaku, secara statistik hubungan tersebut menjadi kurang kuat akibat sebaran data yang lebih acak. Untuk mengatasi keterbatasan pendekatan deterministik, dilakukan simulasi Monte Carlo sebanyak 10.000 iterasi dengan menggunakan distribusi probabilitas berdasarkan parameter statistik data. Hasil simulasi menunjukkan bahwa nilai GCV tidak bersifat tunggal, melainkan membentuk distribusi probabilistik. Pada data sekunder, distribusi GCV cenderung lebih lebar, yang mencerminkan variabilitas kondisi operasional yang alami. Sebaliknya, pada data primer distribusi cenderung lebih sempit karena kondisi eksperimen yang lebih terkontrol (akibat perendaman). Simulasi ini menghasilkan nilai persentil P10 (pesimis), P50 (median), dan P90 (optimis) yang masing-masing merepresentasikan kondisi pesimis, median, dan optimis dari nilai GCV. Pada data sekunder, nilai GCV untuk batubara high rank menunjukkan rentang distribusi dengan P10 sebesar ±7700 kcal/kg, P50 sebesar ±7867 kcal/kg, dan P90 sebesar ±8000 kcal/kg. Sementara itu, pada data primer, rentang distribusi cenderung lebih sempit akibat kondisi eksperimen yang lebih terkontrol, meskipun tetap mencerminkan adanya ketidakpastian akibat variasi penyerapan air. Informasi ini memberikan batasan rentang kualitas batubara secara lebih realistis, yang tidak vdapat diperoleh melalui metode regresi linier konvensional. Dengan demikian, pendekatan probabilistik ini mampu memberikan gambaran ketidakpastian yang sangat penting dalam pengambilan keputusan teknis dan ekonomi di industri pertambangan. Secara keseluruhan, penelitian ini menunjukkan bahwa parameter Total Moisture (TM) dan Ash Content (Ash) merupakan faktor dominan yang menurunkan nilai GCV, sementara Volatile Matter (VM) memiliki pengaruh yang bergantung pada peringkat batubara. Model regresi linier terbukti sangat efektif dalam merepresentasikan hubungan antar variabel, khususnya pada data operasional yang homogen. Namun, integrasi dengan simulasi Monte Carlo memberikan nilai tambah yang signifikan dalam memetakan ketidakpastian, sehingga menghasilkan model prediksi GCV yang lebih realistis, komprehensif, dan aplikatif untuk pengelolaan kualitas batubara di industri.