Amman Mineral Gunakan Kecerdasan Buatan untuk Tingkatkan Perolehan Mineral

Di balik setiap ton bijih yang diangkut dari perut bumi, tersimpan potensi ekonomi yang luar biasa—tembaga, emas, perak, dan mineral ikutan lainnya. Namun realitas di pabrik pengolahan seringkali tak seindah harapan. Sebagian mineral berharga itu lolos dan ikut terbuang bersama limbah tailing, menjadi kerugian senyap yang terus menggerogoti margin perusahaan tambang. Di tengah tantangan itu, PT Amman Mineral Nusa Tenggara mengambil langkah tegas: mengintegrasikan kecerdasan buatan (AI) ke dalam sirkuit pemrosesan bijih untuk memaksimalkan recovery rate, sekaligus menekan dampak lingkungan.

Ketika Setiap Persen Berarti Puluhan Juta Dolar

Di tambang Batu Hijau, Kabupaten Sumbawa Barat, Nusa Tenggara Barat, Amman Mineral mengolah lebih dari 200.000 ton bijih per hari. Angka perolehan mineral—persentase tembaga atau emas yang berhasil dipisahkan dari batuan induk—menjadi metrik sakral. Peningkatan recovery rate tembaga sebesar 1% saja dapat menambah pendapatan hingga USD 40 juta per tahun dengan asumsi harga tembaga saat ini. Selama ini, optimalisasi dilakukan melalui pendekatan metalurgi konvensional: penyesuaian pH, dosis reagen kimia, atau kecepatan aliran udara di sel flotasi. Namun, variabel yang saling terkait begitu kompleks sehingga seringkali keputusan operator bersifat reaktif, bukan prediktif.

“Kami memiliki ribuan sensor yang merekam data setiap detik—ukuran partikel, densitas pulp, kadar mineral dalam umpan, recovery di setiap tahap flotasi. Tapi manusia hanya bisa mengolah segelintir informasi dalam waktu bersamaan. Di sinilah AI masuk,” ujar Direktur Pengolahan Amman Mineral, Dr. Raden Kusumo, dalam wawancara eksklusif pekan lalu.

Arsitektur Sistem: Dari Data Historis ke Model Prediktif

Tim data science Amman Mineral membangun model machine learning berbasis gradient boosting dan jaringan saraf tiruan yang dilatih menggunakan tiga tahun data historis operasi pabrik. Model ini mampu memprediksi recovery rate dalam rentang waktu 15 menit ke depan, memberi peringatan dini jika ada deviasi dari target, dan merekomendasikan penyesuaian parameter—seperti laju penambahan kolektor atau frother—secara otomatis. Sistem telah beroperasi penuh sejak triwulan ketiga 2025, terhubung langsung ke distributed control system (DCS) pabrik.

Arsitektur ini tidak menggantikan operator manusia, melainkan menyajikan decision support dashboard yang menampilkan rekomendasi berbasis probabilitas. “Operator tetap memegang kendali akhir, tapi kini mereka dibekali prediksi yang tingkat akurasinya mencapai 93% berdasarkan validasi back-testing,” tambah Kusumo. Model juga terus diperbarui secara berkala menggunakan data streaming, sehingga kemampuannya beradaptasi terhadap perubahan karakteristik bijih yang dinamis.

Dampak Nyata pada Produksi dan Jejak Lingkungan

Hasil awal menunjukkan perbaikan yang menjanjikan. Recovery tembaga meningkat rata-rata 1,8% dan recovery emas naik 2,2% dibandingkan periode baseline sebelum penerapan AI. Angka ini setara dengan tambahan produksi sekitar 6.000 ton tembaga dan 8.000 ons emas per tahun. Lebih dari sekadar angka, peningkatan pemulihan berarti mineral berharga yang sebelumnya terbuang kini berhasil diambil—mengurangi volume tailing yang harus dikelola dan menurunkan intensitas eksplorasi untuk mengimbangi produksi yang hilang.

“Ini bukan sekadar efisiensi biaya. Setiap gram emas yang berhasil kami pulihkan dari bijih yang sama berarti kami mengurangi tekanan untuk membuka lahan tambang baru. AI membantu kami tumbuh lebih bertanggung jawab,” tegas Kusumo.

Dari sisi operasional, sistem juga menekan konsumsi reagen kimia hingga 5% karena dosis dioptimalkan secara presisi sesuai kebutuhan riil, bukan berdasarkan jadwal tetap. Penurunan ini berdampak langsung pada biaya operasional sekaligus mengurangi residu kimia yang terlepas ke lingkungan.

Tantangan dan Peta Jalan ke Depan

Meski menjanjikan, perjalanan tidak sepenuhnya mulus. Kualitas data historis yang tidak seragam sempat menjadi hambatan awal. “Kami harus menghabiskan waktu berbulan-bulan membersihkan data dari sensor yang mati atau kalibrasi yang meleset,” aku Kusumo. Selain itu, resistensi internal dari sebagian operator yang khawatir peran mereka tergerus oleh otomatisasi butuh pendekatan budaya yang pelan-pelan.

Ke depan, Amman Mineral berencana memperluas cakupan model AI ke sirkuit grinding dan thickener, serta mengintegrasikan visi komputer untuk analisis buih flotasi secara real-time. Total investasi tahap awal mencapai USD 8,5 juta, dan perusahaan memproyeksikan break-even point dalam waktu kurang dari dua tahun berkat penghematan reagen dan tambahan pendapatan dari peningkatan recovery.

Langkah Amman ini menjadi cerminan bagaimana sektor pertambangan—yang sering dianggap kuno dan padat modal—kini bergerak cepat menuju Industry 4.0. Ketika kecerdasan buatan menyentuh sirkuit flotasi, setiap persen peningkatan bukan lagi sekadar angka, tetapi manifestasi dari efisiensi yang menghormati keterbatasan bumi.