Penyelidik Geologi (Rumpun Mineral)

- Pengenalan PSDMBP, tugas dan fungsi Badan Geologi. - Regulasi dan kebijakan pengelolaan mineral di KESDM. - Konsep dasar keprospekan mineral: mineral system dan model genetik endapan (porfiri, epitermal, orogenik, laterit, dsb). - Inventarisasi dan kompilasi data eksplorasi lama (geokimia stream sediment, soil, batuan, data geologi, dan geofisika). - Instalasi dan pengenalan perangkat lunak kerja. - Dasar statistik deskriptif untuk data geokimia eksplorasi.

- Digitasi dan standardisasi data geokimia historis (penyeragaman satuan, metode analisis, dan format basis data). - QA/QC data geokimia: identifikasi outlier, penanganan data di bawah limit deteksi (censored data), duplikat, dan standar acuan. - Pembangunan basis data geokimia terpadu untuk wilayah kajian. - Exploratory Data Analysis (EDA): histogram, boxplot, dan probability plot unsur-unsur kunci (Au, Ag, As, Sb, Bi, Cu, Pb, Zn, Mn, dll). - Analisis statistik univariat dan bivariat, termasuk matriks korelasi antar unsur. - Penentuan latar belakang (background) dan ambang batas (threshold) anomali geokimia secara klasik.

- Analisis Komponen Utama (Principal Component Analysis/PCA) pada data geokimia multi-unsur. - Analisis Faktor (Factor Analysis) dan Cluster Analysis untuk pengelompokan asosiasi unsur. - Identifikasi unsur penciri (pathfinder elements) dan asosiasi geokimia terkait model genetik endapan. - Interpretasi hasil statistik multivariat dalam konteks tatanan geologi regional dan sistem mineralisasi. - Integrasi hasil analisis statistik dengan peta geologi dan struktur menggunakan QGIS. - Penyusunan peta anomali geokimia awal berbasis hasil statistik klasik.

- Konsep dasar machine learning: pembelajaran terarah (supervised) dan tak terarah (unsupervised). - Persiapan data untuk pemodelan: feature engineering, normalisasi/standardisasi, dan penanganan missing value. - Unsupervised learning - Supervised learning - Validasi - Kajian studi kasus penerapan machine learning pada eksplorasi mineral dari literatur ilmiah.

- Konsep dan alur kerja Mineral Prospectivity Mapping (MPM) berbasis machine learning. - Integrasi data multi-sumber (geokimia, geologi, struktur, dan geofisika bila tersedia) sebagai fitur (predictor) model. - Pembangunan model prediktif untuk penentuan zona prospek. - Visualisasi dan pemetaan hasil model ke dalam peta target eksplorasi menggunakan QGIS. - Uji sensitivitas, evaluasi ketidakpastian, dan validasi hasil model terhadap data lapangan/lubang bor yang tersedia. - Penyusunan peta prioritas target eksplorasi berikut ranking area prospek.

- Finalisasi laporan evaluasi data eksplorasi lama dan hasil pemodelan machine learning. - Finalisasi peta target eksplorasi beserta rekomendasi tindak lanjut (tahap eksplorasi rinci berikutnya). - Seminar hasil magang di hadapan Tim Kerja Keprospekan dan Evaluasi Sumber Daya dan Cadangan Mineral. - Evaluasi keterampilan teknis, kedisiplinan, dan kerja tim. - Penyerahan sertifikat Magang Nasional Batch 4.