PROSIDING TPT XXIX PERHAPI 2020

MENYELESAIKAN MODEL MATEMATIKA PADA PROSES PENCAMPURAN

BATUBARA UNTUK MENELUSURI SUMBER-SUMBER PENYEBAB KEGAGALAN
PADA KUALITAS PRODUK PENCAMPURAN AKHIR MENGGUNAKAN NUMPY
(PUSTAKA PEMROGRAMAN PHYTON)
1)
Yoga P. Adiwiguna 2)Hario Purbaseno 3)Mohamad N. Saleh 4)Hadi Syuhara
5)
Ridho W. Putra 6)Almira D. Kusuma

Adaro Indonesia

ABSTRAK

Pencampuran batubara merupakan metode yang hampir dilakukan oleh seluruh perusahaan
pertambangan batubara untuk menghasilkan produk akhir yang homogen dari beraneka ragam
sumber atau material penyusun. Metode ini dipilih karena keunggulannya dalam mengoptimalkan
cadangan batubara dan juga dapat meningkatkan harga jualnya di pasaran. Dalam prakteknya, proses
pencampuran batubara bisa saja berbeda antara perusahaan satu dan lainnya bergantung pada
fasilitas yang dipilih untuk mendukung model rantai suplainya. Terlepas dari perbedaan
implementasinya, proses pencampuran batubara sebenarnya dapat dinyatakan sebagai perhitungan
rata-rata terbobot antara berat batubara dan parameter kualitasnya. Memperoleh hasil akhir kualitas
batubara sesuai dengan yang direncanakan merupakan target utama dari proses ini, tetapi tidak
menutup kemungkinan ditemukan adanya perbedaan atau kegagalan pada hasil akhir akibat tidak
akuratnya kualitas batubara yang dimodelkan, kondisi cuaca, juga kesalahan dalam pelaporan hasil
analisa laboratorium. Agar dapat menelusuri sumber permasalahan ini, penulis mencoba menyusun
proses pencampuran batubara ke dalam persamaan linier multivariabel

𝑎1 𝑥1 + 𝑏1 𝑥2 + ⋯ + 𝑛1 𝑥𝑛 = 𝑥𝑐𝑜𝑚𝑝 (𝑎1 + 𝑏1 + ⋯ + 𝑛1 )

𝑎𝑛 , 𝑏𝑛 , 𝑛𝑛 = 𝑏𝑒𝑟𝑎𝑡 𝑏𝑎𝑡𝑢𝑏𝑎𝑟𝑎, 𝑥𝑛 = 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟 𝑘𝑢𝑎𝑙𝑖𝑡𝑎𝑠 𝑏𝑎𝑡𝑢𝑏𝑎𝑟𝑎

terdapat beberapa metode untuk menyelesaikan persamaan ini, di antaranya adalah Elimination of
Variables, Cramer’s Rule, Row Reduction Technique, dan Matrix Solution. Penulis memilih metode
Matrix Solution karena berkaitan dengan format matematis yang didukung dalam kaidah penulisan
pemrograman Phyton. Beberapa persamaan linier multivaribel tersebut nantinya diubah ke dalam
matriks

𝑎1 𝑏1 … 𝑛1 𝑥1 𝑥𝑐𝑜𝑚𝑝 1 (𝑎1 + 𝑏1 + … + 𝑛1 )
𝑎2 𝑏2 … 𝑛2 𝑥2 𝑥 (𝑎 + 𝑏2 + … + 𝑛2 )
[ ] [ ⋮ ] = 𝑐𝑜𝑚𝑝 2 2
⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑛 𝑏𝑛 … 𝑛𝑛 𝑥𝑛 [𝑥𝑐𝑜𝑚𝑝 𝑛 (𝑎𝑛 + 𝑏𝑛 + … + 𝑛𝑛 )]

kemudian dicari solusi untuk masing-masing nilai 𝑥𝑛 menggunakan fungsi least square pada pustaka
NumPy dengan mempertimbangkan nilai |𝑏 − 𝑎𝑥| yang sekecil mungkin. Solusi dari masing-masing
nilai 𝑥𝑛 dapat berupa nilai yang pasti atau berupa nilai pendekatan yang paling rasional. Tahap akhir
dilakukan dengan membandingkan nilai kualitas batubara prediksi dengan nilai kualitas batubara
observasi hasil perhitungan model matematis ini di dalam Box and Whisker Diagram. Metode ini
sangat berpotensi untuk meningkatkan performa akurasi kualitas dengan penelusuran yang lebih
tepat pada sumber-sumber mana yang menjadi penyebab kegagalan hasil analisa akhir laboratorium,
dibandingkan hanya dengan pertimbangan bahwa sumber yang memiliki prosentase terbesar
pembentuk sebuah produk pencampuran batubara sebagai suspek utama.

Kata kunci: Matrix Solution, Least Square, NumPy, Kualitas Batubara, Pencampuran Batubara

487
 PROSIDING TPT XXIX PERHAPI 2020

ABSTRACT

Coal blending was a method conducted mostly by coal mining companies to create a homogeneous
finished product from various coal seam sources. This method had been selected due its excellence
on optimizing coal reserve and increasing trade-in value to the market. During practicality, coal
blending processes might be varying from one company to another depending on the installed
facility to support the supply chain model. Apart from dissimilarity on its implementation, coal
blending process could be explained as weighted average calculation of coal tonnage and its
blendable quality parameter. Achieving a homogeneous coal quality as planned was one of ultimate
target of coal blending, but this method was very possible to perform a defective result as response
to coal quality model inaccuracy, weather conditions, and moreover errors in reporting from
laboratory testing. The authors tried to construct coal blending process into linear multivariable
equations

𝑎1 𝑥1 + 𝑏1 𝑥2 + ⋯ + 𝑛1 𝑥𝑛 = 𝑥𝑐𝑜𝑚𝑝 (𝑎1 + 𝑏1 + ⋯ + 𝑛1 )

𝑎𝑛 , 𝑏𝑛 , 𝑛𝑛 = 𝑐𝑜𝑎𝑙 𝑤𝑒𝑖𝑔ℎ𝑡 𝑚𝑒𝑎𝑠𝑢𝑟𝑒𝑚𝑒𝑛𝑡, 𝑥𝑛 = 𝑏𝑙𝑒𝑛𝑑 − 𝑎𝑏𝑙𝑒 𝑐𝑜𝑎𝑙 𝑞𝑢𝑎𝑙𝑖𝑡𝑦 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟𝑠

there were multiple ways to solve such a system, they were Elimination of Variables, Cramer's Rule,
Row Reduction Technique, and the Matrix Solution. In this article authors would cover the system
in matrix form due scripting format in Phyton programming

𝑎1 𝑏1 … 𝑛1 𝑥1 𝑥𝑐𝑜𝑚𝑝 1 (𝑎1 + 𝑏1 + … + 𝑛1 )
𝑎2 𝑏2 … 𝑛2 𝑥2 𝑥 (𝑎 + 𝑏2 + … + 𝑛2 )
[ ] [ ⋮ ] = 𝑐𝑜𝑚𝑝 2 2
⋮ ⋮ ⋮ ⋮ ⋮
𝑎𝑛 𝑏𝑛 … 𝑛𝑛 𝑥𝑛 [𝑥𝑐𝑜𝑚𝑝 𝑛 (𝑎𝑛 + 𝑏𝑛 + … + 𝑛𝑛 )]

And then found out the solution of 𝑥𝑛 variable using least square method by minimizing |𝑏 − 𝑎𝑥|.
Solution for each 𝑥𝑛 variable could be unique or best approximation value in reasonable sense.
Final step was conducted by plotting 𝑥𝑛 variable to Box and Whisker Diagram compared with its
original value. This method had a potential to improve coal quality accuracy performance by tracing
more precisely which sources were the cause of failure of the final laboratory results, rather than
just pointing the largest coal source percentage forming a coal blending product as the main
suspect.

Keywords: Matrix Solution, Least Square, NumPy, Coal Quality, Coal Blending

488
 PROSIDING TPT XXIX PERHAPI 2020

A. PENDAHULUAN

Memperoleh hasil laboratorium yang akurat dan presisi setelah sampel batubara dianalisa
merupakan harapan terbesar dalam proses pencampuran batubara. Hasil yang baik ini selain
merupakan bukti dari minimnya cacat akurasi pada kualitas material, juga menunjukkan kehandalan
seluruh pihak yang terlibat selama proses tersebut berlangsung. Walaupun banyak upaya
pengelolaan yang dilakukan agar diperoleh hasil yang memuaskan, tidak jarang ditemukan juga hasil
akhir analisa yang tidak sesuai dengan kualitas yang direncanakan sebelumnya (di luar ambang batas
yang ditetapkan oleh ISO).

Apabila hal ini terjadi, beragam metode diimplementasikan agar nilai akhir kualitas batubara tetap
terkontrol dan sesuai dengan persyaratan yang ditetapkan. Metode yang umumnya diaplikasikan
adalah memilih sumber batubara dengan persentase tertinggi pembentuk suatu tumpukan atau
produk akhir sebagai suspek, kemudian melakukan penyesuaian pada material suspek mengikuti
tren naik atau turunnya hasil akhir yang diperoleh. Pertanyaannya adalah, apakah metode ini dapat
dipakai untuk menyelesaikan seluruh kasus ketidakakurasian kualitas batubara? Karena jika hanya
menggunakan pertimbangan bahwa sumber batubara dengan persentase tertinggi sebagai suspek,
bagaimana jika jenis dan jumlah batubara yang sama juga menyusun tumpukan atau produk akhir
yang lain tetapi malah menghasilkan nilai akhir yang akurat? bahkan sumber batubara lainnya juga
ditemukan dalam persentase tetap dan kurang lebih sama. Ini menunjukkan bahwa diperlukan
pendekatan ilmiah dari pada hanya pertimbangan subjektif yang bersifat trial and error untuk
menelusuri suspek material dengan lebih tepat. Harapannya terdapat pendekatan yang lebih
komprehensif sehingga nantinya lebih tepat dalam penyelesaian kasus ini untuk tujuan
meningkatkan akurasi kualitas batubara.

B. METODOLOGI PENELITIAN

Menyusun model matematika untuk mensimulasikan keseluruhan proses pancampuran batubara

pada periode tertentu merupakan pendekatan terbaik untuk menyelesaikan permasalahan ini.
Sebagaimana diketahui bahwa proses pencampuran kualitas batubara dapat dinyatakan sebagai
persamaan rata-rata terbobot antara berat batubara dan parameter kualitas batubara itu sendiri
(Gambar 1),

Batubara A Batubara B Batubara C

(𝑥1 , 𝑎1 ) (𝑥2 , 𝑏1 ) (𝑥3 , 𝑐1 )

Batubara D Batubara E Batubara F

(𝑥4 , 𝑑1 ) (𝑥5 , 𝑒1 ) (𝑥6 , 𝑓1 )
Kualitas 𝑎1 𝑥1 + 𝑏1 𝑥2 + 𝑐1 𝑥3 + . . . + . . . + 𝑖1 𝑥𝑛
Batubara =
Komposit 𝑎1 + 𝑏1 + 𝑐1 + . . . + . . . + 𝑖1

Batubara G Batubara H Batubara I 𝑎1 , 𝑏1 , 𝑐1 = 𝑏𝑒𝑟𝑎𝑡 𝑏𝑎𝑡𝑢𝑏𝑎𝑟𝑎

(𝑥4 , 𝑑1 ) (𝑥5 , 𝑒1 ) (𝑥6 , 𝑓1 ) 𝑥1 , 𝑥2 , 𝑥3 = 𝑝𝑎𝑟𝑎𝑚𝑒𝑡𝑒𝑟 𝑘𝑢𝑎𝑙𝑖𝑡𝑎𝑠 𝑏𝑎𝑡𝑢𝑏𝑎𝑟𝑎

Gambar 1. Ilustrasi proses pencampuran batubara menjadi produk akhir

489
 PROSIDING TPT XXIX PERHAPI 2020

sehingga setiap satu proses pencampuran batubara dapat diformulasikan ke dalam satu bentuk
persamaan linier multivariabel yang jumlah variabelnya mengikuti jumlah jenis batubara yang
digunakan.

(𝐵𝑒𝑟𝑎𝑡 𝐵𝑎𝑡𝑢𝑏𝑎𝑟𝑎 𝐴 𝑥 𝐾𝑢𝑎𝑙𝑖𝑡𝑎𝑠 𝐵𝑎𝑡𝑢𝑏𝑎𝑟𝑎 𝐴) +

Kualitas Total ‫ۇ‬(𝐵𝑒𝑟𝑎𝑡 𝐵𝑎𝑡𝑢𝑏𝑎𝑟𝑎 𝐵 𝑥 𝐾𝑢𝑎𝑙𝑖𝑡𝑎𝑠 𝐵𝑎𝑡𝑢𝑏𝑎𝑟𝑎 𝐵) +‫ۊ‬
Batubara x Berat = ‫ )𝐶 𝑎𝑟𝑎𝑏𝑢𝑡𝑎𝐵 𝑠𝑎𝑡𝑖𝑙𝑎𝑢𝐾 𝑥 𝐶 𝑎𝑟𝑎𝑏𝑢𝑡𝑎𝐵 𝑡𝑎𝑟𝑒𝐵( ۈ‬+ ‫ۋ‬
Komposit Batubara ⋮
‫ی )𝐼 𝑎𝑟𝑎𝑏𝑢𝑡𝑎𝐵 𝑠𝑎𝑡𝑖𝑙𝑎𝑢𝐾 𝑥 𝐼 𝑎𝑟𝑎𝑏𝑢𝑡𝑎𝐵 𝑡𝑎𝑟𝑒𝐵( ۉ‬

𝑦1 = 𝑎1 𝑥1 + 𝑏1 𝑥2 + 𝑐1 𝑥3 + . . . + 𝑖1 𝑥𝑛−1 + 𝑖1 𝑥𝑛 (1)

Dari persamaan di atas, akan disusun lagi persamaan-persamaan berikutnya sebanyak jumlah
tumpukan atau produk akhir yang telah terbentuk pada periode tertentu, sehingga akan diperoleh
beberapa persamaan linier tambahan untuk membantu mencari solusi dari masing-masing nilai 𝑥𝑛 .

𝑦2 = 𝑎2 𝑥1 + 𝑏2 𝑥2 + 𝑐2 𝑥3 + . . . + 𝑖 − 12 𝑥𝑛−1 + 𝑖2 𝑥𝑛 (2)
𝑦3 = 𝑎3 𝑥1 + 𝑏3 𝑥2 + 𝑐3 𝑥3 + . . . + 𝑖 − 13 𝑥𝑛−1 + 𝑖3 𝑥𝑛 (3)
⋮
𝑦𝑛 = 𝑎𝑛 𝑥1 + 𝑏𝑛 𝑥2 + 𝑐𝑛 𝑥3 + . . . + 𝑖 − 1𝑛 𝑥𝑛−1 + 𝑖𝑛 𝑥𝑛 (4)

Menyelesaikan puluhan persamaan linier akan menjadi sebuah pekerjaan panjang jika dikerjakan
secara manual, sehingga dari pada menggunakan metode subtitusi atau eliminasi, metode Matrix
Solution merupakan cara terbaik untuk menyelesaikannya. Karena selain persamaan yang dibentuk
terlihat lebih sederhana, format matrix merupakan rekomendasi format untuk menyelesaikan operasi
matematika yang besar dan sudah didukung juga dalam pemrograman Pyton dengan pustaka
NumPy.

𝑦1 𝑎1 𝑏1 𝑐1 . . . (𝑖 − 1)1 𝑖1 𝑥1
𝑦2 𝑎2 𝑏2 𝑐2 . . . (𝑖 − 1)2 𝑖2 𝑥2
𝑦3 = 𝑎3 𝑏3 𝑐3 . . . (𝑖 − 1)3 𝑖3 𝑥3 (5)
⋮ ⋮ ⋮
[ 𝑦𝑛 ] [𝑎𝑛 𝑏𝑛 𝑐𝑛 . . . (𝑖 − 1)𝑛 𝑖𝑛 ] [ 𝑥𝑛 ]

𝐴 𝐵 𝑋

𝑀𝑎𝑡𝑟𝑖𝑥 𝐴 = 𝑀𝑎𝑡𝑟𝑖𝑥 𝐵 ∗ 𝑀𝑎𝑡𝑟𝑖𝑥 𝑋

(6)
𝑀𝑎𝑡𝑟𝑖𝑥 𝑋 = 𝑀𝑎𝑡𝑟𝑖𝑥 𝐴 ∗ 𝑀𝑎𝑡𝑟𝑖𝑥 𝐵−1

Kemudian digunakan fungsi spesifik yaitu Least Square yang akan menghasilkan solusi untuk
masing-masing nilai 𝑥𝑛 dalam bentuk nilai pendekatan terbaik yang ketika dimasukkan kembali ke
dalam persamaan awal akan menghasilkan nilai |𝑏 − 𝑎𝑥| terkecil. Penting juga untuk
mempertimbangkan jumlah persamaan yang akan dipilih untuk proses perhitungan agar tidak terjadi
Overdeterminated Equation, yaitu jumlah persamaan yang dipilih tidak sesuai jumlah variabel yang
ingin diketahui, jadi paling tidak jumlah persamaan yang akan dimasukkan ke dalam perhitungan
harus sama dengan jumlah variabel yang akan dicari. Proses ini kemudian akan diulang beberapa

490
 PROSIDING TPT XXIX PERHAPI 2020

kali untuk memperoleh angka observasi sebanyak mungkin, sehingga diperoleh juga visualisasi yang
baik dalam Box and Whisker Diagram untuk tujuan analisa grafis.

Dalam penelitian ini, penulis mencoba menggunakan contoh penelusuran parameter calorific value
pada produk pencampuran batubara yang hasil analisa laboratoriumnya mengalami deviasi di luar
ambang batas yang ditetapkan oleh ISO (Reproducibility Limit ± 71.1 kcal/kg) dari rencana awal
walaupun metode ini tidak terbatas hanya pada parameter calorific value melainkan seluruh
parameter kualitas batubara yang dapat dilakukan perhitungan dengan rata-rata terbobot (blend-
able) dan memastikan juga bahwa setiap produk akhir tersebut dimuat pada kondisi cuaca kering di
keseluruhan proses pengirimannya. Terlihat dari Tabel 1 bahwa data yang dikumpulkan dalam
periode 7 – 13 Juli sebanyak 48 produk pencampuran dengan total 21 jenis batubara sebagai sumber
pembentuknya, agar tidak mengalami Overdeterminated Equation, maka perhitungan pertama
dilakukan dengan memilih 21 baris pertama, dilanjutkan perhitungan kedua dengan 21 baris kedua
dan seterusnya hingga catatan proses pencampuran pada akhir periode dipastikan juga ikut tercakup.

Tabel 1. Data kuantitas batubara pembentuk masing – masing produk pencampuran juga
angka deviasi calorific value dari prediksi awal dalam periode satu minggu

Import file CSV ke Selesaikan persamaan Bandingkan nilai

dalam Jupyter menggunakan fungsi observasi dengan nilai
Notebook Numpy.LinAlg.LstSq prediksi

Pilih kolom yang Gunakan analisis

Ulangi perhitungan
berisi nilai Matriks numerik untuk validasi
hingga akhir periode
A, B, X lanjutan

Plotkan nilai observasi Lakukan penyesuaian

Ubah data yang dipilih
ke dalam Box and angka pada sumber
ke bentuk array
Whisker Diagram terpilih

Gambar 2. Diagram alir proses perhitungan dalam Jupyter Notebook

491
 PROSIDING TPT XXIX PERHAPI 2020

C. HASIL DAN PEMBAHASAN

Observe Predicted
d

Gambar 3. Grafik gabungan Box and Whisker Diagram (angka observasi) dan Line Chart
(angka prediksi)

Seperti yang ditunjukkan pada Gambar 3, diperoleh beragam angka calorific value pada kisaran
tertentu (angka calorific value observasi) hasil 28 kali perhitungan di masing-masing sumber
batubara. Angka calorific value observasi ini kemudian dibandingkan dengan angka calorific value
prediksi (angka calorific value awal yang digunakan sebagai referensi) pada proses pencampuran,
untuk melihat sumber batubara mana saja yang memiliki pengaruh signifikan terhadap tren naik-
turun pada hasil analisa laboratorium. Secara analisa grafis, ada beberapa sumber batubara yang
angka prediksi calorific value-nya berada di luar kisaran angka observasi seperti Batubara A,
Batubara C, Batubara F, Batubara G, Batubara Q dan Batubara R. Batubara yang disebutkan tersebut
merupakan suspek awal sumber-sumber yang menyebabkan kegagalan pada hasil komposit calorific
value akhir, tetapi terkait pertimbangan faktor pembobotan perlu dilakukan validasi tambahan
menggunakan analisis numerik agar dapat lebih mengkerucutkan suspek tersebut.

Tabel 2. Analisa numerik untuk melihat seberapa sering dan seberapa banyak masing-
masing jenis batubara muncul dalam perhitungan
COAL COAL COAL COAL COAL COAL COAL COAL COAL COAL COAL
A B C D E F G H I J K
Count 8 29 7 39 21 33 10 18 25 1 26
Total 6,155 28,031 5,206 52,690 17,136 26,384 4,131 11,104 22,482 3,624 22,299

COAL COAL COAL COAL COAL COAL COAL COAL COAL COAL
L M N O P Q R S T U
Count 29 6 38 46 46 5 16 10 38 9
Total 20,344 3,819 30,589 67,048 88,955 1,111 12,440 5,100 76,922 1,963

492
 PROSIDING TPT XXIX PERHAPI 2020

Jika dari beberapa suspek awal dilakukan validasi lanjutan menggunakan analisa numerik pada
Tabel 2, maka secara berurutan total frekuensi kemunculan masing-masing jenis batubara dalam
perhitungan adalah Batubara A sebanyak 8 kali (17%), Batubara C 7 kali (15%), Batubara F 33 kali
(69%), Batubara G 10 kali (21%), Batubara Q 5 kali (10%) dan Batubara R 16 kali (33%). Sehingga
agar memenuhi kaidah ukuran sampel yang baik dengan tingkat keyakinan 95% dan batas kesalahan
± 10%, maka hanya Batubara F yang kemunculannya sebanyak 33 kali dalam perhitungan yang
layak untuk dijadikan suspek utama. Angka calorific value Batubara F ini yang kemudian akan
dilakukan penyesuaian turun menggunakan angka observasi pada kuartil 3 (50% frekuensi distribusi
atas Batubara F), yang diperoleh bahwa 2 kejadian under-spec yang berada di luar ambang standar
(Reproducibility Limit) maupun yang hanya berupa tren (Gambar 4) utamanya disebabkan oleh
sumber tersebut. Setelah dilakukan simulasi ulang dengan memasukkan angka baru pada Batubara
F, diperoleh angka rata-rata dan standar deviasi yang lebih baik di mana rata-rata pada perhitungan
sebelumnya sebesar -26 kcal/kg menjadi -15 kcal/kg, dan angka standar deviasi sebelumnya sebesar
35 kcal/kg menjadi 26 kcal/kg (Gambar 5), dibandingkan juga jika hanya melakukan penyesuaian
turun sebesar tren awal (-26 kcal/kg) pada sumber batubara dengan persentase terbesar (Batubara P)
maka diperoleh rata-rata sebesar -6 kcal/kg tetapi standar deviasinya sangat lebar sebesar 105
kcal/kg (Gambar 6). Metode penyesuaian angka kualitas pada sumber yang tepat ini menunjukkan
peningkatan performa akurasi yang lebih baik, yang mana jika diterapkan maka deviasi komposit
calorific value aktual-prediksi pada proses pencampuran berikutnya diperoleh tren normal yang
lebih akurat dan presisi.

Deviasi Komposit CV (ar) Aktual dan Prediksi Awal

100 Avg. = -26
StDev = 35
50

-50

-100
Trend
-150 Marking

Gambar 4. Grafik deviasi komposit CV (ar) aktual dan prediksi awal

Deviasi Komposit CV (ar) Aktual dan Prediksi Setelah Dilakukan

100
Avg. = -15 Penyesuaian pada Batubara F
StDev = 26
50

-50

-100
Trend
-150 Marking

Gambar 5. Grafik deviasi komposit CV (ar) aktual dan prediksi setelah dilakukan
penyesuaian kualitas pada sumber Batubara F

493
 PROSIDING TPT XXIX PERHAPI 2020

Deviasi Komposit CV (ar) Aktual dan Prediksi Setelah Dilakukan

250
Penyesuaian pada Batubara P
200 Avg. = -6
StDev = 105
150
100
50
0
-50
-100 Trend
-150 Marking

Gambar 6. Grafik deviasi komposit CV (ar) aktual dan prediksi setelah dilakukan
penyesuaian kualitas pada sumber yang memiliki persentase terbesar (Batubara P)

D. KESIMPULAN

Menyelesaikan puluhan persamaan linier multivariabel dengan metode Least Square tidak hanya
menghasilkan angka pasti yang akan terus menerus sama di masing-masing variabel, melainkan juga
akan menghasilkan beragam angka pendekatan terbaik yang paling rasional. Dalam kasus
penelusuran jenis batubara mana yang memiliki pengaruh signifikan terhadap perbedaan angka
prediksi dengan angka hasil analisa aktual ternyata tidak cukup hanya dengan menggunakan analisa
grafis, melainkan harus dilakukan validasi bertingkat dengan analisa numerik terkait adanya faktor
pembobotan. Dari analisa tersebut, disimpulkan bahwa hanya Batubara F yang menjadi suspek
utama dalam rangkaian kejadian under-spec trend pada parameter calorific value, kemudian
dilakukan simulasi ulang dengan menerapkan angka penyesuaian baru dan diperoleh nilai akurasi
yang lebih baik (rata-rata = -15 kcal/kg, standar deviasi = 26 kcal/kg) padahal diketahui bahwa jenis
batubara tersebut bukan merupakan sumber batubara dengan persentase terbesar, sedangkan jika
dilakukan simulasi ulang dengan penyesuaian turun pada sumber batubara persentase terbesar
(Batubara P) diperoleh rata-rata sebesar -6 kcal/kg dan standar deviasi sebesar -105 kcal, artinya
hasil komposit seluruh produk pencampuran pada periode tersebut sangat akurat tetapi performa
komposit secara basis harian akan menghasilkan variasi yang sangat lebar (tidak presisi). Adanya
validasi bertingkat dengan menambahkan analisa numerik ini membuktikan juga bahwa keterlibatan
domain knowledge atau substansive expertise terhadap suatu bisnis proses masih sangat penting dan
diperlukan dalam memvalidasi sumber batubara mana yang nantinya memenuhi kualifikasi
penyesuaian naik-turun sebagai proses pengambilan keputusan selanjutnya.

Salah satu tahapan yang masih perlu banyak dilakukan pendalaman lebih lanjut adalah terkait
bagaimana metodologi untuk memilih kumpulan persamaan yang tepat agar diperoleh angka
masing-masing variabel yang paling sesuai, karena dalam tulisan ini hanya dilakukan metode
pemilihan persamaan secara urutan waktu, maka jika dilakukan pemilihan kumpulan persamaan
secara acak pastinya akan menghasilkan beragam angka pendekatan yang berbeda juga. Tetapi
paling tidak metode ini dapat menawarkan penyelesaian masalah akurasi batubara lebih baik dengan
adanya pendekatan matematis.

494
 PROSIDING TPT XXIX PERHAPI 2020

UCAPAN TERIMA KASIH

Pada kesempatan ini, kami sampaikan terima kasih sebesar-besarnya kepada PERHAPI karena telah
menyelenggarakan TPT XXIX PERHAPI 2020. Acara ini sangat mendukung pengembangan ilmu
pengetahuan dan memacu kemunculan terobosan baru di bidang pertambangan. Tidak lupa juga
kami ucapkan terima kasih kepada seluruh pihak yang telah mendukung penulisan hingga penerbitan
makalah ini, semoga Tuhan Yang Maha Esa menganugerahkan balasan yang setimpal atas kebaikan
Bapak/Ibu sekalian.

DAFTAR PUSTAKA

Array, data diperoleh melalui situs internet:

https://numpy.org/doc/stable/reference/generated/numpy.array.html. Diakses pada tanggal 27
September 2020.
Euclidean 2-Norm, data diperoleh melalui situs internet:
https://numpy.org/doc/stable/reference/generated/numpy.linalg.lstsq.html. Diakses pada
tanggal 27 September 2020.
International Organization for Standardization. (2009). Solid mineral fuels – Determination of gross
calorific value by bomb calorimetric method and calculation of net calorific value (ISO
Standard No. 1928:2009).
Sample Size Determination, data diperoleh melalui situs internet:
https://en.wikipedia.org/wiki/Sample_size_determination. Diakses pada tanggal 27
September 2020.
Speight, J.G. (2015): Thermal properties, Handbook of Coal Analysis, John Wiley & Sons Inc,
Hoboken, NJ, USA, 198 – 225.

495
 PROSIDING TPT XXIX PERHAPI 2020

Lampiran

496
 PROSIDING TPT XXIX PERHAPI 2020

Lampiran

497
PROSIDING TPT XXIX PERHAPI 2020

498