Perpustakaan Digital ITB

Squeezing ground merupakan tantangan geoteknik dalam kegiatan penambangan bawah tanah, khususnya pada metode block caving, yang diaplikasikan di Tambang Grasberg Block Cave (GBC) PT Freeport Indonesia, dengan risiko berupa delay operasional dan bahaya keselamatan. Penelitian ini bertujuan untuk mengoptimalkan sekuen undercutting untuk meminimalkan potensi squeezing ground menggunakan pendekatan berbasis machine learning. Model prediksi berbasis algoritma XGBoost dikembangkan menggunakan data historis tahun 2018- 2024 dengan mempertimbangkan parameter geoteknik UCS, RQD, sericite content, abutment residency time, wet time, dan static load, serta target prediksi model berupa tingkat squeezing (level 1–5) menurut klasifikasi Hoek & Marinos (2000). Model dilatih menggunakan strategi validasi silang TimeSeriesSplit 5-fold untuk menjaga konsistensi temporal. Evaluasi performa model menunjukkan akurasi 84,71%, presisi 84,16%, recall 84,71%, F1-score 83,45%, Cohen’s Kappa 0,77, serta RMSE 0,52; yang mencerminkan kemampuan prediktif yang sangat baik. Model ini kemudian digunakan untuk memetakan risiko squeezing ground kedepannya pada berbagai skenario sekuen undercutting. Hasil analisis menunjukkan area cave stop dan domain lemah rawan mengalami squeezing ground, serta sekuen undercutting optimal dapat mengurangi area extreme squeezing hingga 44 drawpoint. Temuan ini menegaskan potensi machine learning dalam mendukung pengambilan keputusan berbasis data untuk perencanaan tambang yang lebih aman dan efisien.