Latar Belakang

Tidak mudah dalam menemukan titik di mana terdapat cadangan batubara pada suatu area. Tingkat keyakinan geologi dan proses pembentukan mempengaruhi tingkat keberhasilan dalam menemukan cadangan. Pada kenyataannya dengan biaya yang besar dan waktu pengerjaan yang cenderung panjang, tingkat keberhasilan berkisar hanya di angka 33%. Berdasarkan hasil riset Boston Consulting Group (BCG) dibutuhkan rata-rata 133 titik lubang bor dengan tingkat rataan kedalaman perlubang bor mencapai 300 m untuk mendapatkan target material tambang dengan total biaya rata-rata mencapai 6.2 juta US dolar untuk menyelesaikan aktivitas eksplorasi per target Selain itu, Aktivitas pengeboran eksplorasi merupakan aktivitas yang membutuhkan manpower yang tinggi. Untuk satu lubang eksplorasi, dibutuhkan tim pelaksana sejumlah 5 orang dengan spesifikasi 3 orang driller, seorang helper dan dikepalai oleh seorang geologist. Aktivitas pengeboran biasanya diselesaikan dalam waktu 30-60 hari bervariasi sesuai target kedalaman

Dapat kita lihat pada chart explorasi mineral termasuk batubara di australia di bawah:

Biaya explorasi meningkat setiap tahunnya namun jumlah cadangan yang ditemukan tidak lah sebanding. Oleh karena itu diperlukan optimalisasi dalam explorasi. Salah satu optimalisasi yang dapat dilakukan adalah dengan memprediksi kualitas batu bara di suatu titik. dengan mengetahui kualitas batu bara di suatu titik dapat dihindari melakukan pengeboran di titik yang kurang baik kualitas batu baranya yang sekaligus mengurangi biaya operasional yang tinggi.

Dashboard ini akan sangat bermanfaat bagi:

  • Perusahaan pertambangan: Adanya hasil prediksi dapat menghindarkan perusahaan mengeluarkan biaya lebih untuk melakukan pemboran pada titik yang kualitas batu baranya kurang baik

  • Ahli geologi: Hasil prediksi dapat memperkuat interpretasi geologi terhadap kualitas batu bara di suatu titil

Garis besar gambaran Dasboard

Output:

  • File berisi hasil perdiksi “Ash” dan “CV_Gar” yang mencerminkan kualitas batu bara

Input:

  • File berisi data gamma ray

Berikut adalah contoh mock up Dashboard:

Data Collection

Berikut adalah contoh data yang akan digunaan. Data diambil dari situs Bareksa.com

nn<- readxl::read_xlsx("qualvsgammaray.xlsx")
head(nn)
## # A tibble: 6 x 4
##   Depth    GR   Ash CV_gar
##   <dbl> <dbl> <dbl>  <dbl>
## 1  98.7     0 14.3    3030
## 2  98.7     0 14.3    3030
## 3  98.7     2 14.3    3030
## 4  98.7     2 14.3    3030
## 5  98.7     4 14.3    3030
## 6  98.8     2  4.75   3207

Penjelasan Data:

Depth: Adalah angka kedalaman bor
GR : Nilai gamma ray dari hasil pengukuran geofisika
Ash.: Menunjukkan jumlah pengotor di dalam suatu batu bara
CV_gar: menunjukkan jumlah kalori di dalam suatu batu bara

library(dplyr)
## Warning: package 'dplyr' was built under R version 3.6.3
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
glimpse(nn)
## Observations: 4,553
## Variables: 4
## $ Depth  <dbl> 98.66, 98.68, 98.70, 98.72, 98.74, 98.76, 98.78, 98.80, 98.8...
## $ GR     <dbl> 0, 0, 2, 2, 4, 2, 2, 0, 0, 0, 2, 2, 2, 0, 2, 2, 2, 0, 0, 0, ...
## $ Ash    <dbl> 14.29, 14.29, 14.29, 14.29, 14.29, 4.75, 4.75, 4.75, 4.75, 4...
## $ CV_gar <dbl> 3030, 3030, 3030, 3030, 3030, 3207, 3207, 3207, 3207, 3207, ...

Data Exploration

Melihat korelasi antar variabel

library(GGally)
## Warning: package 'GGally' was built under R version 3.6.2
## Loading required package: ggplot2
## Warning: package 'ggplot2' was built under R version 3.6.2
## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2
## 
## Attaching package: 'GGally'
## The following object is masked from 'package:dplyr':
## 
##     nasa
ggcorr(nn[,-1],label=T,label_size = 3)

Seperti terlihat diatas semakin tinggi nilai GR maka akan semakin tinggi pula nilai Ash. Ash adalah pengotor pada batu bara. Dengan kata lain semakin tinggi nilai GR maka semakin kurang baik kualias batu bara. Hal ini juga diperkuat pada bagian CV_Gar yang berkorelasi negatif terhadap GR. semakin tinggi nilai CV_Gar maka akan semakin tinggi kualitas batu baranya

Berikut adalah grafik dari salah satu titik pemboran

library(dplyr)
library(tidyr)
## Warning: package 'tidyr' was built under R version 3.6.2
library(ggplot2)
library(glue)
## Warning: package 'glue' was built under R version 3.6.2
## 
## Attaching package: 'glue'
## The following object is masked from 'package:dplyr':
## 
##     collapse
library(plotly)
## Warning: package 'plotly' was built under R version 3.6.2
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
plot1 <- ggplot(data = nn, aes(x = GR, 
                                  y = Ash)) +
  geom_line() 
  labs(title = "Korelasi antara nilai GR dengan Ash",
       subtitle = "Category: Education & Science and Technology",
       y = "Gamma Ray",
       x = "Ash")
## $y
## [1] "Gamma Ray"
## 
## $x
## [1] "Ash"
## 
## $title
## [1] "Korelasi antara nilai GR dengan Ash"
## 
## $subtitle
## [1] "Category: Education & Science and Technology"
## 
## attr(,"class")
## [1] "labels"
plot1

ggplotly(plot1)

Info

Develop by Azhima Koraji (). xxx To try my shiny prediction