Evaluasi Metode Machine Learning Untuk Mengklasifikasikan Litologi Secara Otomatis

Putra, Irvan Rahadian (2019) Evaluasi Metode Machine Learning Untuk Mengklasifikasikan Litologi Secara Otomatis. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03411540000019-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Klasifikasi facies litologi dengan menggunakan data well log merupakan salah satu proses penting dalam eksplorasi migas, dimana dengan melakukan proses klasifikasi facies kita dapat mengetahui kondisi reservoir dan mengerti secara mendalam bagaimana konsep petroleum system pada daerah tersebut. Metode konvensional untuk mengidentifikasi litofacies adalah dengan interpretasi manusia. Namun, metode ini memakan waktu banyak dan memiliki tingkat bias yang tinggi. Dalam beberapa tahun terakhir, aplikasi machine learning telah sering digunakan dalam metode pemrosesan data geoscience, dimana salah satu aplikasinya dapat diterapkan untuk mengklasifikasi litologi batuan dari data well log. Namun, masih belum dapat dipastikan algoritma machine learning apa yang memiliki akurasi prediksi yang paling baik dalam menentukan facies litologi. Penelitian ini menganalisis karakteristik masing-masing algoritma machine learning dalam mengenali pola data well log untuk menginterpretasi llitologi batuan. Data yang digunakan untuk penelitian ini data open source yang sudah lengkap dengan validasi yang diperoleh dari interpretasi Dosen University of Kansas dan data core yang terletak pada pada lapangan migas Hugoton dan Panoma. Model-model ini akan dievaluasi oleh lima metode pembelajaran mesin yang berbeda, yaitu Random Forest, Support Vector Mahcine, Decision Tree, Naïve Bayes, dan K-Nearest Neighbor. Berdasarkan penerapan 5 metode dalam pengklasifikasian facies, Metode Machine Learning yang paling sesuai untuk diterapkan dalam pengklasifikasian facies lithologi adalah metode Random Forest dengan nilai Presisi=0.782, CA=0.788, F1=0,784
===============================================================================================================================
Identification of lithology facies from well log data is a very important process in oil and gas exploration which aims to characterize subsurface reservoir. Conventional method for identifying lithofacies is by human interpretation. However, this method is time-consuming and has a high level of bias. In the last few years, machine learning applications have often been used in geoscience data processing methods including identification of lithology facies from well log data. But, we still cannot ascertain the machine learning algorithm that has high predictive accuracy in determining lithofacies. This paper analyzes the characteristics of each machine learning algorithm in recognizing the lithology patterns of the well logs. The data used for this research are open source data complete with facies type that has been interprate by lecturer from University of Kansas with a validation of core data. Each model is sandstone reservoir formation with different characteristics. These data will be evaluated by five different machine learning methods, namely Random Forest, Support Vector Mahcine, Decision Tree, Naïve Bayes, and K-Nearest Neighbor. Based on the application of the 5 methods cases, the most suitable methods for automatic lithofacies classification is random forest with value of Presition=0.782, CA=0.788, F1=0,784.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Kata kunci: Facies Litologi, Machine learning, Well log
Subjects:	Q Science Q Science > QE Geology Q Science > QE Geology > QE601 Geology, Structural
Divisions:	Faculty of Civil, Environmental, and Geo Engineering > Geophysics Engineering > 33201-(S1) Undergraduate Theses
Depositing User:	Irvan Rahadian Putra
Date Deposited:	23 Jul 2026 01:03
Last Modified:	23 Jul 2026 01:03
URI:	http://repository.its.ac.id/id/eprint/64671

Actions (login required)

View Item