Perpustakaan Digital ITB

Eksplorasi mineral pada kondisi geologi kompleks memerlukan pendekatan interpretasi yang objektif. Metode geofisika resistivitas-induced polarization (IP) umum digunakan, namun interpretasi konvensional hasil inversi seringkali subjektif. Penelitian ini bertujuan mengidentifikasi distribusi spasial resistivitas dan chargeability melalui pemodelan multidimensi, menerapkan algoritma K-Means clustering untuk pengelompokan zona mineralisasi, serta menginterpretasikan hasil clustering dalam konteks geologi. Data yang digunakan berupa data lapangan resistivitas-IP dengan konfigurasi dipole-dipole pada empat lintasan di Daerah "X", Sumatera Utara. Pengolahan meliputi inversi data, pemodelan multidimensi, visualisasi hasil, penerapan algoritma K-Means clustering, serta validasi menggunakan peta geologi, peta alterasi dan mineralisasi, serta data analisis kimia batuan. Hasil pemodelan multidimensi menunjukkan zona resistivitas rendah– menengah (100–500 ?m) pada kedalaman 10–60 m sebagai batuan teralterasi, resistivitas tinggi (>1000 ?m) di dangkal sebagai silisfikasi atau gossan, serta anomali chargeability tinggi (150–300 msec) terkonsentrasi pada Lintasan 4 dan 7 kedalaman 10–50 m dengan kemenerusan arah barat laut–tenggara. Isosurface 200– 300 msec menjadi indikator paling selektif untuk akumulasi sulfida. Metode Elbow dan Silhouette Score menetapkan K=3 sebagai jumlah cluster optimal dengan Silhouette Score 0,7789. Cluster 1 (biru) memiliki resistivitas rata-rata 611 ?m dan chargeability 210,8 msec sebagai zona mineralisasi. Cluster 2 (hijau) memiliki resistivitas 1.078 ?m dan chargeability 21,8 msec sebagai batuan dasar. Cluster 3 (merah) memiliki resistivitas 14.456 ?m dan chargeability 16,2 msec sebagai gossan/silisfikasi. Validasi menunjukkan cluster 1 berimpit dengan alterasi filik/argilik, kontak litologi meta volkanik–diorit, struktur NW-SE, serta anomali Au rata-rata 0,37 ppm (tertinggi 1,28 ppm Au dan 1.280 ppb Hg). Lintasan 7 diinterpretasikan sebagai zona mineralisasi utama. Penelitian ini berhasil mengintegrasikan pemodelan multidimensi dan K-Means clustering untuk identifikasi zona mineralisasi secara objektif, dengan kebaruan pada pendekatan integratif geofisika, machine learning, dan validasi multidisiplin.