Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pertambangan dan Lingkungan
Rahmi, Nadhiratur
Unknown Affiliation
Earth & Planetary Sciences Engineering Environmental Science

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penggunaan Machine Learning Algoritma Support Vector Machine (SVM) Untuk Mengidentifikasi Kadar Pasir Besi di Kabupaten Aceh Besar Kana, Muhammad Rizki; Rahmi, Nadhiratur; Mulkal, Mulkal
Jurnal Pertambangan dan Lingkungan Vol 5, No 1 (2024): Juni 2024
Publisher : Universitas Muhammadiyah Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31764/jpl.v5i1.23216

Abstract

Seiring dengan perkembangan zaman, teknologi eksplorasi berkembang dengan sangat pesat. Salah satunya ialah penerapan machine learning dalam kegiatan eksplorasi. Penggunaan machine learning memungkinkan untuk mendapatkan sebaran mineral pasir besi pada lokasi tertentu dengan menambahkan berbagai parameter yang berpengaruh sehingga mendapatkan output berupa keputusan terkait keterdapatan dan kadar mineral pasir besi pada daerah tersebut. Dalam hal ini, penelitian yang dilakukan hanya berfokus pada algoritma Support Vector Machine (SVM). SVM merupakan salah satu algoritma machine learning yang digunakan untuk tugas-tugas klasifikasi dan regresi. Oleh karena itu, penelitian ini dilakukan untuk mendapatkan model algoritma SVM yang dapat digunakan untuk mengidentifikasi kadar pasir besi dengan menambah beberapa parameter pendukung seperti data jarak titik sampel terhadap pantai, jarak titik sampel terhadap sungai, jarak titik sampel terhadap sesar, nilai pixel, data ketinggian, temperatur, data curah hujan, dan jenis batuan penyusun. Hasilnya grafik regresi linear menunjukkan hubungan nilai kadar Fe prediksi dari model SVM dan kadar Fe aktual, dimana nilai Root Mean Square Error (RMSE) adalah 0,076 dan nilai r2 adalah 0,705. Artinya nilai model algoritma SVM yang dibuat memiliki tingkat kesalahan yang kecil dan korelasi antar data yang kuat sehingga algoritma tersebut dapat dijalankan untuk mengidentifikasi kadar pasir besi.
Co-Authors Kana, Muhammad Rizki Mulkal, Mulkal