Perpustakaan Digital ITB

Permintaan global terhadap logam mulia, terus menunjukkan tren yang kuat. Provinsi Jawa Barat memiliki potensi mineralisasi logam berharga yang berkaitan dengan aktivitas magmatik-hidrotermal pada Busur Sunda-Banda. Penelitian ini bertujuan untuk mengevaluasi penerapan beberapa model machine learning dalam pemetaan prospektivitas mineral berbasis data-driven serta mengidentifikasi faktor geologi yang mengontrol mineralisasi hidrotermal di Jawa Barat. Data yang digunakan meliputi peta geologi regional, data geokimia sedimen sungai, DEMNAS, citra Sentinel-2, data gravitasi WGM2012, serta data keterdapatan Au. Data tersebut diolah menjadi evidence layer berupa litologi, alterasi hidrotermal, densitas kelurusan, anomali geokimia Cu-Zn, dan anomali gravitasi residual. Pemodelan dilakukan menggunakan tiga algoritma supervised machine learning, yaitu Random Forest, Support Vector Machine, dan XGBoost, dengan rasio pembagian data training dan validasi sebesar 7:3. Evaluasi model dilakukan menggunakan confusion matrix, success rate curve, prediction rate curve, dan Prediction–Area curve. Hasil penelitian menunjukkan bahwa ketiga model menghasilkan nilai accuracy, precision, recall, dan F1-score sebesar 1,00 pada data pengujian. Namun, evaluasi lanjutan menunjukkan bahwa Random Forest memiliki performa terbaik dengan AUC success rate sebesar 0,923, AUC prediction rate sebesar 0,866, dan rasio P/A sebesar 5,0. Model ini mampu mencakup 83,33% lokasi mineralisasi pada 16,67% luas wilayah penelitian. Analisis feature importance menunjukkan bahwa litologi merupakan evidence layer paling berpengaruh terhadap prospektivitas mineral. Hasil overlay model Random Forest menunjukkan area prospek memiliki keterkaitan dengan wilayah pertambangan eksisting serta dominan berada pada Area Penggunaan Lain dan kawasan hutan produksi, sehingga dapat menjadi dasar penentuan prioritas eksplorasi dengan mempertimbangkan aspek geologi dan tata ruang.