Perpustakaan Digital ITB

Meskipun memiliki potensi emas epitermal yang signifikan karena merupakan bagian dari busur magmatik aktif, eksplorasi konvensional di Pulau Sumatera bagian selatan terhambat oleh medan yang sulit, tutupan lahan yang tebal, dan lapisan pelapukan yang tebal. Penelitian ini bertujuan untuk membuat model prediktif untuk memetakan zona prospek emas epitermal dengan mengaplikasikan metode machine learning dan sistem informasi geografis untuk meningkatkan efisiensi eksplorasi. Model dibangun menggunakan algoritma Random Forest dengan mengintegrasikan data litologi yang disederhanakan dari peta geologi regional, peta densitas kelurusan yang diinterpretasi dari data DEMNAS, serta peta sebaran kadar unsur geokimia (Cu, Zn, Co, dan Mn) yang diestimasi menggunakan metode geostatistik. Hasil penelitian menunjukkan zona prospektif tinggi secara dominan berasosiasi dengan batuan induk vulkanik Kenozoikum, memiliki densitas kelurusan optimal pada rentang 0,27–0,42 counts/km², dan menunjukkan pola geokimia khas berupa kadar Cu moderat (7,34–27,44 ppm), kadar Zn tinggi (>61,2 ppm), kadar Mn tinggi (>502 ppm), dam kadar Co moderat (8,3–27,2 ppm). Model Random Forest mencapai akurasi keseluruhan sebesar 89% pada data validasi, dan berhasil mereduksi wilayah pencarian hingga 90,5%. Peta prospektif yang dihasilkan dapat menjadi acuan untuk mereduksi wilayah target dalam tahap eksplorasi lanjut, sehingga meningkatkan efektivitas pencarian sumber daya mineral di masa depan.