Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebagian besar cadangan nikel di dunia ditemukan dalam bentuk nikel besi-oksida yang disebut laterit. Endapan nikel laterit terbentuk dari proses pelapukan yang panjang dan meliputi pengayaan supergen dan pelapukan kimiawi. Endapan ini tersusun dari tiga lapisan yaitu limonit, saprolit dan batuan dasar yang secara keseluruhan disebut profil nikel laterit. Penelitian ini menggunakan data gambar yaitu foto inti batuan dari salah satu lapangan milik PT Vale Indonesia Tbk. Metode yang digunakan adalah metode pembelajaran mesin tersupervisi yaitu convolutional neural network dengan tujuan untuk mengetahui kemampuan pembelajaran mesin dalam melakukan prediksi profil nikel laterit berdasarkan data gambar.Model yang dibuat berdasarkan metode convolutional neural network memiliki akurasi 87% dan memiliki tren akurasi yang cenderung meningkat seiring dengan bertambahnya proses pembelajaran (epoch). Perbandingan antara litologi hasil prediksi dan litologi sebenarnya yang dilihat berdasarkan ilustrasi drillhole dan model geologi menunjukkan bahwa model yang dibuat sudah cukup baik dalam melakukan prediksi profil nikel laterit secara keseluruhan. Kelebihan penggunaan metode pembelajaran mesin dalam prediksi profil nikel laterit diantaranya mengoptimalkan waktu dan meningkatkan konsistensi dalam penentuan lapisan laterit berdasarkan karakteristik visual. Disisi lain, kekurangan pada metode ini yaitu masih cukup banyak kesalahan prediksi pada penentuan saprolit dan batuan dasar.

---

The world's nickel reserves are mostly found in the form of nickel iron-oxide called laterite. Laterite nickel deposits are formed from a long weathering process which include supergene enrichment and chemical weathering. This deposit is composed of three layers, namely limonite, saprolite and bedrock collectively termed as the nickel laterite profile. This study uses image data, which are photos of rock cores from a field owned by PT Vale Indonesia Tbk. The method used is a supervised machine learning approach, namely convolutional neural network with the aim of knowing the ability of machine learning to predict nickel laterite profiles based on image data.

The model generated from convolutional neural network has an accuracy of 87% and has a trend of accuracy that tends to increase correspondingly with the learning process (epoch). The comparison between the predicted lithology and the actual lithology seen based on drillhole illustrations and geological models shows that the model made is sufficiently good in predicting the overall nickel laterite profile. The advantages of using machine learning methods in predicting nickel laterite profiles include optimizing time and increasing consistency in laterite determination based on visual characteristics. On the other hand, the drawback of this method is that there are still quite a lot of prediction errors in the determination of saprolite and bedrock."

"Pemelajaran mesin dikenal sangat berguna dalam menyelesaikan permasalahan prediksi dan klasifikasi melalui pembelajaran pola dan perilaku data yang tersedia. Oleh karena itu, pemelajaran mesin dapat dimanfaatkan di berbagai bidang kehidupan dan industri modern. Namun, kinerja pemelajaran mesin sangat tergantung dari model pemelajaran mesin yang digunakan maupun dari kualitas data yang digunakan untuk pemelajaran. Data yang tidak bersih, tidak representatif, dan ketersediaannya terbatas akan mengurangi kualitas hasil prediksinya.Penelitian ini bertujuan untuk menguji kombinasi beberapa metode pemrosesan data (yaitu MissForest, GAIN, ENN, dan TabGAN oversampling) dengan model pembelajaran mesin (yaitu model CatBoost dan model klasifikasi biner berbasis neural network) untuk memprediksi kasus mahasiswa putus studi di beberapa universitas di Indonesia menggunakan data dari PDDikti. Penambahan fitur dilakukan untuk memberi label bidang studi terhadap dataset tersebut. Selain penambahan fitur seleksi fitur relevan menggunakan korelasi Pearson serta feature importances juga dilakukan setelah pelatihan model awal. Google Colab dengan bahasa pemrograman Python digunakan untuk menjalankan algoritma pemrosesan data dan pelatihan model.Hasil penelitian menunjukkan bahwa model CatBoost dengan kombinasi metode imputasi GAIN, undersampling ENN, dan tanpa fitur kelompok bidang studi memberikan F1-score tertinggi yaitu 66,38% dengan nilai precision 71,75% dan nilai recall 61,76%. Apabila digunakan model klasifikasi biner pemelajaran dalam akan didapatkan metrik terbaik F1-score 62,32%. Hasil terbaik penelitian ini menunjukkan peningkatan F1-score sebesar 2,15% dibandingkan dengan F1-score pada penelitian sebelumnya yang menggunakan model CatBoost bersama kombinasi Missforest dan ENN tanpa fitur kelompokbidang studi. Penelitian ini menunjukkan bahwa oversampling dan undersampling memberikan dampak yang berlawanan terhadap metrik precision dan recall. Penelitian juga menemukan seleksi fitur dapat meningkatkan kinerja model namun tidak berdampak besar dibandingkan teknik-teknik lain misalnya balancing dan optimisasi hyperparameter.

---

Machine learning is known to be very useful in solving prediction and classification problems

by learning the patterns and behavior of available data. Therefore, machine learning can be utilized in various areas of modern life and industry. However, the performance of machine learning is highly dependent on the machine learning model used as well as on the quality of the data used for learning. Data that is not clean, not representative, and scarce will reduce the quality of the prediction results.

This study aims to test the combination of several data processing methods (namely MissForest, GAIN, ENN, and TabGAN oversampling) with machine learning models (CatBoost and binary classification models based on neural networks) to predict dropout cases at several Indonesian universities using data from PDDikti. The addition of features is done to label data with their respective fields of study. Other than adding features, selection of relevant features using Pearson’s correlation as well as feature importances is also carried out after initial model training. Google Colab with the Python programming language is used to run data processing algorithms and train models.

This study shows that CatBoost with the combination of GAIN imputation, ENN undersampling, and no field of study feature results in the highest F1-score of 66.38%, which are composed of 71.75% in precision and 61.76% in recall. If a deep learning binary classification model is used instead, the best F1-score result is 62.32%. The best result from this study shows an increase in F1-score of 2.15% compared to the F1-score of the previous study (64.23%) which used CatBoost along with a combination of Missforest, ENN and no field of study features. This research shows oversampling and undersampling produce opposite effects on precision and recall scores. Research has also

found that feature selection can improve model performance but does not have a large impact compared to other techniques such as balancing and hyperparameter optimization"

"Penelitian ini membahas tentang membangun model machine learning pada aspek manusia dalam kesadaran keamanan informasi. Model dibangun melalui pendekatan classification dan clustering melalui proses secara garis besar meliputi: impor data, menangani data tidak lengkap, penyusunan dataset, feature scaling, membangun model serta mengevaluasi model. Dataset disusun berdasarkan hasil kuisioner yang merujuk The Human Aspects of Information Security Questionnaire pada masyarakat di Indonesia. Hasil model classification dievaluasi dengan beberapa metode yaitu analisa k-fold Cross Validation, Confusion Matrix, Receiver Operating Characteristic, serta perhitungan skor pada masing-masing model. Salah satu algoritma pada classification yang digunakan yaitu Support Vector Machine memiliki kinerja dengan akurasi 99,7% dan error rate sebesar 0,3%. Algoritma pada clustering salah satunya yaitu DBSCAN memiliki nilai adjusted rand index selalu mendekati nilai 0.

---

This research discusses building a machine learning model on the human aspect of information security awareness. The model built through a classification and clustering approach through a broad outline process, including importing data, handling incomplete data, compiling datasets, feature scaling, building models, and evaluating models. Dataset arranged based on the results of a questionnaire that referred to The Human Aspects of Information Security Questionnaire to Indonesia society. The results of the classification model evaluated by several methods, namely k-fold Cross Validation analysis, Confusion Matrix, Receiver Operating Characteristics, and score calculation for each model. One of the algorithms for classification, the Support Vector Machine, has a performance with an accuracy of 99.7% and an error rate of 0.3%. One of the algorithms in clustering is that DBSCAN has an adjusted rand index value consistently close to 0."

"Para penyandang tunarungu berkomunikasi menggunakan bahasa isyarat resmi di Indonesia, yaitu SIBI (Sistem Isyarat Bahasa Indonesia). Dengan menggunakan aplikasi penerjemah Bahasa isyarat ke teks akan membantu komunikasi antara tunarungu maupun non-tunarungu. Dengan menggunakan pre-trained model CPM (EdvardHua, 2018) akan mendapatkan informasi berupa titik-titik skeleton seperti titik tangan, bahu, dan siku. Informasi titik skeleton itu akan digunakan untuk memprediksi kata. Namun, proses tersebut perlu berjalan secara real-time, yaitu ketika pengguna membuka kamera maka akan langsung mendapatkan respon. Untuk mencapai itu diperlukan mobile deep learning framework, sehingga proses inference bisa menjadi lebih cepat dengan bantuan runtime GPU. Penelitian ini berfokus menjalankan inference menggunakan mobile deep learning framework untuk implementasi modul ekstraksi skeleton secara real-time pada Android. Pada penelitian ini digunakan Tensorflow mobile (runtime hanya CPU), MACE, dan SNPE. Dilakukan pengukuran dari sisi latency, penggunaan energi, penggunaan memori, penggunaan daya, dan perubahan suhu. Hasil pengukuran menunjukkan bahwa penggunaan MACE dan SNPE dengan runtime GPU menghasilkan latency yang lebih kecil dibandingkan penggunaan CPU. Penggunaan CPU menyebabkan thermal throttling, sehingga terjadi penurunan kinerja. Dengan runtime GPU menghasilkan penggunaan energi, memori, dan daya yang lebih sedikit dibandingkan CPU. Kenaikan suhu ketika menggunakan runtime GPU lebih kecil dibandingkan CPU.

---

People with hearing impairments use the official sign language in Indonesia, namely SIBI (Sistem Isyarat Bahasa Indonesia). Using a sign language-to-text translator application will help the communication between people with hearing impairments and people without hearing impairment. By using the pre-trained CPM model (EdvardHua, 2018), the information in the form of skeleton points such as the points of the hands, shoulders, and elbows will be obtained. The skeleton point information will be used to predict its translation words. However, the translation process needs to be run in real- time, which is when users open their cameras then they will immediately receive a respond. To achieve that goal, we need a mobile deep learning framework, with the result that the inference process is faster with the help of the GPU runtime. This research focuses on running inferences using a mobile deep learning framework to implement real-time skeleton extraction module in Android. This research uses Tensorflow mobile (runtime only for CPU), MACE, and SNPE. Measurements of the latency, energy usage, memory usage, power usage, and temperature change were taken. The measurement results show that the use of MACE and SNPE with GPU runtime is in lower latency than with the use of CPU. Measurement with CPU usage causes thermal throttling, resulting in decreased performance. Measurement with GPU runtime results in lower usage of energy, memory and power compared to the measurement with CPU. The temperature increase when using the GPU runtime is lower than when using the CPU."

"Penelitian ini menggunakan sampel bijih nikel laterit yang telah dilindi dengan metode pelindian atmosferik di lab Badan Pengkajian dan Penerapan Teknologi (BPPT). Penelitian ini berfokus untuk mengendapkan pengotor pada PLS, terutama pengotor besi, yang bertujuan untuk menghasilkan mixed hydroxide precipitate pada produk akhirnya. Untuk mengendapkan pengotor tersebut, dilakukan proses yang disebut iron removal sebanyak tiga tahap, yaitu dengan secara berurutan dilakukan titrasi reagen kalsium karbonat (CaCO3) dengan kandungan 25%w/w, 15%w/w, dan 12,5%w/w kedalam PLS hingga mencapai pH 2, 3, dan 3,5. Selanjutnya sampel tersebut dipanaskan dengan temperatur 90oC selama 2, 1,5, dan 1 jam. Pada penelitian diakhiri dengan proses titrasi MHP dengan dilakukan titrasi reagen magnesia (MgO) dengan kandungan 20%w/w kedalam PLS hingga mencapai pH 7. Selanjutnya sampel tersebut dipanaskan dengan temperatur 50oC selama 0,5 jam. Secara keseluruhan hasil penelitian, ditemukan bahwa proses iron removal sebanyak 3 tahap mampu mengurangi kadar pengotor, terutama besi, secara signifikan. Kadar besi mampu berkurang dengan %recovery total mencapai 7,46%. Berbeda dengan kadar nikel dan kobalt yang banyak terbuang pada proses iron removal dengan %recovery nikel sebesar 66,63% dan kobalt sebesar 12,51%. Pada hasil proses titrasi MHP menunjukkan hasil yang belum optimal, hal tersebut diindikasikan oleh kadar nikel dan kobal yang tidak bertambah secara signifikan dan kadar pengotor yang masih ada pada MHP. Kadar nikel pada endapan hanya sebesar 19,3%.

---

This research used samples of lateritic nickel ore that had been leached using the atmospheric leaching method at Badan Pengkajian dan Penerapan Teknologi (BPPT) lab. This research focuses on precipitating impurities in PLS, especially iron impurities, which aims to produce mixed hydroxide precipitate in the final product. To precipitate these impurities, a process called iron removal was carried out in three stages, iron removal is carried out in series by titrating calcium carbonate reagent (CaCO3) with a content of 25%w/w, 15%w/w, and 12,5%w/w into PLS until it reaches a pH of 2, 3, and 3,5. Furthermore, the sample was heated to a temperature of 90oC for 2, 1,5, and 1 hours. The research ended with the MHP titration process by titrating magnesia reagent (MgO) with a content of 20% w/w into PLS until it reached pH 7. Then the sample was heated to a temperature of 50oC for 0,5 hour. Overall, the results of the study found that the 3-stage iron removal process was able to significantly reduce the levels of impurities, especially iron. Iron content can be reduced with total % recovery reaching 7,46%. In contrast to the nickel and cobalt content, which was mostly precipitate in the iron removal process, with % nickel recovery of 66.63% and cobalt of 12,51%. The results of the MHP titration process showed results that were not optimal, this was indicated by the levels of nickel and cobalt which did not increase significantly and the levels of impurities that were still present in the MHP. The nickel content in the precipitate is only 19,3%."

"Meskipun kajian mengenai bahan bakar dan penggerak alternatif sudah banyak, namun target dan aplikasinya dalam pengurangan emisi CO2 di pelabuhan masih kurang mendapat perhatian terutama di negara berkembang seperti Indonesia. Penelitian ini menggunakan machine learning dalam memperkirakan emisi CO2 dari aktivitas kapal di tujuh pelabuhan di Indonesia kemudian dicari variable yang berpengaruh pada total emisi sebagai fokus dalam pengembangan Ship Energy Efficiency Management Plan (SEEMP). Dilakukan prediksi total emisi CO2 menggunakan regresi hutan acak kemudian keefektifannya diverifikasi menggunakan validasi silang k-fold, hasil prediksi kemudian dibandingkan dengan total emisi perhitungan metode bottom-up. Hasil analisis attribute weight berdasarkan correlation menunjukkan bahwa daya mesin dan waktu operasi kapal di pelabuhan memiliki pengaruh yang lebih besar dalam menghasilkan emisi CO2. Prediksi total emisi menunjukkan bahwa model memiliki akurasi yang cukup rendah akibat banyaknya data yang kosong meskipun algoritma model sudah tergolong bagus. Akhirnya, operasi hemat bahan bakar dibahas dengan fokus pada tenaga dan bahan bakar alternatif serta peningkatan efisiensi kerja, penggunaan bahan bakar bersih dari hidrogen dan biofuel mamiliki potensi pengurangan yang paling tinggi dengan cold ironing sebagai alternatif yang dapat memenuhi syarat pengurangan emisi per tahun sebesar 20%. Dibutuhkan data yang lengkap untuk melakukan prediksi total emisi yang akurat serta pengembangan teknis dan ketersediaan sumber daya pada metode yang telah dibahas agar dapat di implementasikan kedalam Rencana Pengelolaan Efisiensi Energi Kapal.

---

Although there are many studies on alternative fuels and drivers, the target and their application in reducing CO2 emissions at ports have received little attention, especially in developing countries such as Indonesia. This study uses machine learning to estimate CO2 emissions from ship activities at seven ports in Indonesia and then looks for variables that affect total emissions as a focus in developing a Ship Energy Efficiency Management Plan (SEEMP). Total CO2 emissions were predicted using random forest regression, their effectiveness was then verified using k-fold cross-validation, the prediction results were then compared with the total emissions calculated using the bottom-up method. The results of attribute weight analysis based on correlation show that engine power and ship operating time in port have a greater influence in producing CO2 emissions. Prediction of total emissions shows that the model has a fairly low accuracy due to the large number of blank data despite the model algorithm exelency. Finally, fuel-efficient operations are discussed with a focus on alternative power and fuels as well as improving work efficiency, the use of clean fuels from hydrogen and biofuels has the highest reduction potential with cold ironing as an alternative that can meet the requirements of 20% annual emission reduction. Complete data is needed to make accurate predictions of total emissions as well as technical development and resource availability on the methods discussed so that they can be implemented into the Ship Energy Efficiency Management Plan."

"Menurut EEB Laboratory Jakarta, pada tahun 2016 sektor bangunan memiliki mengkonsumsi 18-20% dari total penggunaan energi di Indonesia, dan terus menerus meningkat seiring perkembangan teknologi yang membutuhkan sumber energi dalam upaya peningkatan kualitas hidup penghuni bangunan. Bangunan pintar merupakan sebuah konsep pemanfaatan teknologi yang tidak hanya bertujuan meningkatkan kenyamanan penghuni, tetapi juga dapat membantu dalam upaya efisiensi energi pada operasional bangunan. Maka dari itu, penelitian ini akan membantu upaya perancangan efisiensi energi pada sebuah bangunan dengan meninjau fitur dan karakteristik yang berpotensi dalam mendukung efisiensi energi dengan penerapan konsep bangunan pintar. Selain itu, akan dibuat sebuah model dengan pemanfaatan machine learning yang mampu memberikan prediksi tingkat penggunaan energi berdasarkan fitur-fitur yang diberikan. Model machine learning yang dihasilkan memiliki rata-rata nilai kesalahan relatif sebesar 17,76%, serta didapatkan tingkat efisiensi dengan penerapan seluruh fitur yang diidentifikasi pada rentang 34,5% hingga 45,3% tergantung pada lantai yang ditinjau.

---

According to EEB Laboratory Jakarta, Indonesian building sector accounts for 18- 20% energy consumption in 2016, and this trend will continuously increase as technology needed to increase housing residents' quality keeps advancing. Smart building is a concept to utilise technology that does not only help increase occupants' comfort inside the building, but it can also help increase energy usage efficiency in building operations. This research aims to help the effort in designing energy efficiency planning for a building by reviewing potential features and characteristics that could help improves energy efficiency with implementation of the smart building concept. A model based on machine learning that could give prediction on the level of energy consumption based on given features will also be discussed here. This model of machine learning has a 17,76% average of relative error, as well as 34,5% until 45,3% efficienct level that includes implementation of all features, depending on analysed floor."

"Tingginya temperatur dalam proses peleburan/smelting bijih nikel laterit menyebabkan tingginya biaya/konsumsi energi. Penggunaan sulfur/sulfat mampu mengoptimalkan proses reduksi pada temperatur rendah melalui pembentukan senyawa FeS. Limbah biomass, yaitu arang cangkang sawit (ACS) memiliki potensi sebagai reduktor dalam proses reduksi bijih nikel laterit dikarenakan memiliki nilai fixed carbon dan nilai kalor yang cukup tinggi di bandingkan biomass yang lain, selain itu limbah ACS semakin melimpah seiring dengan makin tumbuh berkembangnya industri perkebunan sawit Indonesia. Oleh karena itu, dalam penelitian ini akan dipelajari proses selektif reduksi bijih nikel laterit menjadi konsentrat logam ferronikel pada temperatur rendah menggunakan reduktor biomass ACS dengan aditif elemental sulfur dan sodium sulfate.Bijih nikel laterit kadar rendah (laterit jenis limonit), reduktor ACS, dan aditif sulfur-sodium sulfate digerus hingga berukuran kurang dari 100 mesh, kemudian diaduk secara merata dan di-aglomerasi dalam bentuk pellet berukuran 10-15 mm. Variasi penambahan elemental sulfur dilakukan sebanyak 0-5%S. Variasi jumlah ACS dilakukan berdasarkan stoikiometri sebesar 0,5-1,5% dengan penambahan aditif 10% Na2SO4. Proses reduksi terhadap pellet bijih nikel laterit dilakukan dengan menggunakan muffle furnace pada temperatur 950, 1050, 1150ºC selama 60 menit. Selanjutnya dilakukan proses pemisahan magnet (500 gauss) terhadap pellet hasil reduksi untuk memisahkan konsentrat-ferronikel (magnetik) dengan tailing-pengotor (non-magnetik). Bahan baku, pellet hasil reduksi, produk konsentrat dan tailing akan dikarakterisasi/dilakukan pengujian menggunakan XRF, XRD dan SEM-EDS.Hasil yang diperoleh yaitu semakin tinggi temperatur reduksi maka terjadi kenaikan kadar dan perolehan nikel dalam konsentrat. Pada penelitian kali ini didapatkan kondisi optimum pada proses reduksi yaitu dengan temperatur 1150 ºC serta penggunaan 0,5% stoikiometri reduktor arang cangkang sawit (ACS) dan aditif 10% Na2SO4 tanpa penambahan sulfur (0%S), dimana kadar nikel yang diperoleh didalam konsentrat yaitu 2,852% dengan perolehan 73,51%. Saat penambahan 2,68% sulfur, kadar nikel yang didapatkan lebih tinggi yaitu 3% namun perolehan yang didapat yaitu hanya 64,84%. Maka dari itu, penambahan arang cangkang sawit (ACS) dan sulfur harus dilakukan dalam jumlah yang optimum."

"ABSTRAKProses reduksi selektif bijih nikel laterit dengan penambahan aditif NaCl dan gas pereduksi CO, diikuti dengan proses separasi magnetik telah dipelajari dalam penelitian ini. Karakterisasi bijih menunjukan kandungan nikel sebesar 1,4% dan besi sebesar 50,5% dengan fasa-fasa dalam bijih yaitu gutit (FeOOH), lizardit (Mg3(Si2O5)(OH)4), olivin ((Fe,Mg)2SiO4), dan kuarsa (SiO2). Proses reduksi dilakukan dengan variasi temperatur 900, 1000, dan 1100 °C, waktu tahan 30-180 menit, dan dengan penambahan 10% aditif NaCl. Proses separasi magnetik yang dilakukan menggunakan metode basah dan kekuatan magnet sebesar 500 gauss untuk memisahkan produk konsentrat dan tailing. Bijih hasil reduksi dikarakterisasi dengan menggunakan pengujian metalisasi, X-Ray Diffraction (XRD), Scanning Electron Microscope (SEM) yang dilengkapi dengan Energy Dispersive X-Ray Spectroscopy (EDS) serta konsentrat dan tailing diidentifikasi dengan alat uji X-Ray Flourescence (XRF). Fasa yang terdapat dalam bijih hasil reduksi yaitu kamasit (FeNi), magnetit (Fe3O4), wustit (FeO), natrium klorida (NaCl) dan fayalit (Fe2SiO4). Hasil percobaan menunjukkan derajat metalisasi nikel dan besi meningkat seiring dengan meningkatnya temperatur dari 900-1100 °C dan waktu tahan reduksi dari 30-180 menit oleh karena semakin intensnya proses kloridasi, segregasi, dan reduksi pada bijih. Hal ini berdampak pada meningkatnya kadar nikel dan besi pada konsentrat hasil proses separasi magnetik. Perolehan nikel meningkat seiring dengan meningkatnya temperatur dan waktu tahan reduksi oleh karena semakin banyaknya nikel yang terbebas dari fasa pengandungnya, sementara fayalit semakin banyak terbentuk sehingga perolehan besi menurun. Kadar dan perolehan optimum yang didapat yaitu berturut-turut 2,8% dan 59,2% untuk nikel, dan 58,16% dan 34,27% untuk besi. Derajat metalisasi digunakan sebagai parameter kinetika reduksi dan didapatkan model Avrami-Erofeyev sebagai model yang merepresentasikan mekanisme nukleasi pada proses reduksi. Energi aktivasi yang didapat yaitu sebesar 38,1622 kJ/mol atau 9,12 kkal/mol dengan tahapan pengendali laju reaksi yaitu gabungan antara difusi gas dan reaksi kimia antarmuka.

---

ABSTRACTKSelective reduction process of lateritic nickel ore using CO and NaCl additive were studied in this work. Ore characterization result shows the nickel grade of 1.4% and iron grade of 50,5% with phases contained in the ores were goethite (FeOOH), lizardite (Mg3(Si2O5)(OH)4), olivine ((Fe,Mg)2SiO4) and quartz (SiO2). The temperature of reduction process varied from 900, 1000, and 1100 °C with reduction time of 30-180 min and 10% NaCl additives. Magnetic separation process were done using wet methode and magnetic intensity of 500 gauss to separate concentrate and tailing. The reduced ore were characterisized using metallization test, X-Ray Diffraction (XRD), Scanning Electron Microscope (SEM) with Energy Dispersive X-Ray Spectroscopy (EDS) while the concentrate and tailing were identified using X-Ray Flourescence (XRF). Kamacite (FeNi), magnetite (Fe3O4), wustite (FeO), natrium chloride (NaCl) dan fayalite (Fe2SiO4) were the phases present in the reduced ore. The result shows that the degree of metallization of nickel and iron increases with the increasing temperature from 900 to 1100 °C and holding time from 30 to 180 minutes because of the increasing intensity of the chloridization, segregation and reduction process. This has an impact on increasing the grade of nickel and iron on the concentrate. The recovery of nickel was increased along with the increasing temperature and holding time because of the increasing amount of nickel liberated from its bearing phase, while fayalite were increasingly formed so that the recovery of iron was decreased. The optimum grade and recovery resulted from the experiment was 2.8% and 59.2% for nickel respcetively, and 58.16% and 34.27% for iron. The degree of metallization was used as reduction kinetics paramter and the model representing the reduction proces was Avrami-Erofeyef with its nucleation mechanism. The resulting activation energy of 38.1622 kJ/mol or 9,12 kkal/mol with combined gas diffusion and interfacial chemical reaction as the rate-controlling step."

"Pembelajaran mesin merupakan ilmu yang mempelajari cara membuat komputer dapat melakukan pembelajaran secara mandiri tanpa dilakukan pemrograman secara eksplisit. Proses identifikasi batuan melalui klasifikasi dan klasterisasi dapat dilakukan menggunakan pembelajaran mesin. Daerah penelitian dilakukan pada wilayah Manjimup, Australia Bagian Barat. Penelitian ini bertujuan untuk menentukan klasifikasi dan klasterisasi mineral batuan menggunakan pembelajaran mesin. berdasarkan data spektral yaitu Short-Wavelength Infrared (SWIR), dan Mid or Thermal Infrared (TIR) yang berasal dari pengukuran spektrum elektromagnetik untuk mengidentifikasi fitur-fitur mineral batuan. Klasifikasi dilakukan menggunakan pembelajaran mesin tersupervisi untuk menentukan akurasi terbaik dengan lima jenis metode, antara lain K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan Multi-layer Perceptron (MLP). Metode SVM menjadi akurasi terbaik pada data SWIR dan metode MLP menjadi akurasi terbaik pada data TIR untuk klasifikasi mineral batuan. Klasterisasi dilakukan menggunakan pembelajaran mesin tidak tersupervisi metode K-Means untuk menentukan kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki. Tiga kelompok batuan menjadi jumlah kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki.

---

Machine Learning gives computers the ability to learn without being explicitly programmed. Classification and clustering method used in machine learning able to identifying rocks. The study area is located in the Manjimup region, Western Australia. This study aims to determine the classification and clustering of rock minerals using machine learning. based on spectral data namely Short-Wavelength Infrared (SWIR), and Mid or Thermal Infrared (TIR) collected from electromagnetic spectrum measurements to identify rock mineral features. Classification method used in supervised machine learning able to determine the best accuracy from five types of methods, which are K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Multi-layer Perceptron (MLP). SVM method becomes the best accuracy on SWIR data and the MLP method becomes the best accuracy on TIR data for rock mineral classification. Clustering method used in unsupervised machine learning which is the K-means algorithm able to determine optimal rock clusters based on geological information they have. Three rock clusters become the most optimal number of rock clusters based on the geological information."