Pendekatan Statistical Mass Balancing Menggunakan JK Metal Accounting (JKMA) Pada Industri Pertambangan
DOI:
https://doi.org/10.70294/k4n96598Keywords:
Metal Accounting, Statistical Mass Balancing, Weighted Least Squares, JK Metal Accounting, Data Reconciliation, Measurement Uncertainty, AMIRA P754Abstract
Latar Belakang: Metal accounting membutuhkan data produksi yang dapat ditelusuri dan direkonsiliasi terhadap prinsip konservasi massa dan logam. Dalam pengolahan mineral, data hasil pengukuran memiliki ketidakpastian yang berasal dari pengukuran, sampling, preparasi sampel, dan analisis laboratorium. Statistical mass balancing menyediakan kerangka untuk menyesuaikan data pengukuran terhadap batasan neraca dengan tetap mempertimbangkan ketidakpastian pengukuran. Tujuan Penelitian: Artikel ini menyusun kerangka metodologis penerapan statistical mass balancing menggunakan JK Metal Accounting (JKMA) melalui metode Weighted Least Squares (WLS) untuk mendukung rekonsiliasi pada sistem metal accounting. Metode Penelitian: Pembahasan difokuskan pada hubungan antara data pengukuran, model flowsheet, batasan neraca massa dan neraca logam, ketidakpastian pengukuran, proses fitting, serta evaluasi hasil balancing. JKMA ditempatkan sebagai balance engine untuk memperoleh balanced data dari jaringan proses. Hasil Penelitian: Fitted value, fitted standard deviation, Weighted Sum of Squares (WSSQ), Pooled Standard Error (PSE), jumlah iterasi, dan convergence digunakan sebagai indikator untuk mengevaluasi proses optimisasi dan hasil balancing. Kesimpulan: Artikel ini tidak menggunakan, menampilkan, atau menganalisis data operasional rahasia maupun dataset yang diberikan untuk keperluan tesis. Kerangka yang disusun ditujukan sebagai dasar metodologis untuk penerapan pada data publik, data simulasi, atau sumber data lain yang tidak dibatasi kerahasiaan.
Unduhan
References
Chieregati, A. C., Prado, G. C., Fernandes, F. L., Villanova, F. L. S. P., & Dominy, S. C. (2023). A comparison between the standard heterogeneity test and the simplified segregation free analysis for sampling protocol optimisation. Minerals, 13(5), 680. https://doi.org/10.3390/min13050680
Cresswell, M. (2025). Mass balancing for coal processing plant design. MATEC Web of Conferences, 416, 07005. https://doi.org/10.1051/matecconf/202541607005
Datamine Software. (2025a). Datamine Production Accounting 1.14.0 public release. https://dataminesoftware.com/production-accounting-1-14-0-public-release/
Datamine Software. (2025b). Production Accounting 1.14.0 release notes. https://docs.dataminesoftware.com/ProductionAccounting/Production%20Accounting%201.14.0%20Release%20Notes.pdf
Datamine Software. (2025c). Datamine Production Symposium 2025 – Production Accounting Part 2/3 [Video]. YouTube. https://www.youtube.com/watch?v=UGXN437LaRk
Datamine Software. (n.d.). Production Accounting. https://dataminesoftware.com/production-accounting/
Ghorbani, Y., Nwaila, G. T., & Chirisa, M. (2022). Systematic framework toward a highly reliable approach in metal accounting. Mineral Processing and Extractive Metallurgy Review, 43(5), 664–678. https://doi.org/10.1080/08827508.2020.1784164
Macfarlane, A. S. (2015). Reconciliation along the mining value chain. Journal of the Southern African Institute of Mining and Metallurgy, 115(8), 679–685. https://doi.org/10.17159/2411-9717/2015/V115N8A3
Ramsey, M. H., & Rostron, P. D. (2024). Measurement uncertainty from sampling and its role in validation of measurement procedures. Accreditation and Quality Assurance, 29(2), 153–162. https://doi.org/10.1007/s00769-024-01575-0
Sadeghi, M., Hodouin, D., & Bazin, C. (2018). Mineral processing plant data reconciliation including mineral mass balance constraints. Minerals Engineering, 123, 117–127. https://doi.org/10.1016/j.mineng.2018.04.023
