Prediksi Litologi Menggunakan Algoritma K-Nearest Neighbors (KNN) di Formasi Cibulakan Atas

Muhammad, Rafi (2023) Prediksi Litologi Menggunakan Algoritma K-Nearest Neighbors (KNN) di Formasi Cibulakan Atas. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 03411940000020_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2025. Download (2MB) | Request a copy

Abstract

Pengetahuan dalam karakterisasi dan evaluasi formasi hidrokarbon dengan mengidentifikasi jenis litologi merupakan langkah yang penting dalam eksplorasi migas. Namun cara ini tidak cukup efisien karena membutuhkan banyak waktu dan usaha. Oleh karena itu diterapkan pendekatan dalam metode machine learning untuk meningkatkan efisiensi dan akurasi dari identifikasi jenis litologi. Pada penelitian ini berfokus pada prediksi litologi menggunakan input data log dengan mengaplikasikan salah satu algoritma machine learning yaitu K-Nearest Neighbors (KNN). Algoritma KNN ini dapat mengklasifikasikan data berdasarkan nilai K untuk memprediksi litologi. Penentuan nilai Hyperparameter K ini dilakukan berdasarkan jumlah nearest neighbors yang terhitung dengan menggunakan prinsip Euclidean distance. Nilai K pada KNN perlu dilakukan optimasi agar dapat mengetahui nilai K terbaik untuk mendapatkan akurasi yang tinggi. Nilai akurasi model yang didapatkan dengan membandingkan hasil interpretasi kualitatif litologi yang sebenarnya dengan hasil prediksi litologi dengan KNN. Pada data train sumur KP-24, KP-54 dan KP-57 serta data test yaitu sumur KP-34, nilai k=5 memiliki nilai akurasi yang tertinggi yaitu 89.9%. Dengan dominasi litologi pada hasil prediksi yaitu limestone, sesuai informasi area data sumur yaitu Formasi Cibulakan atas dan kedalam sumur mencapai Formasi Baturaja. Hasil ini menunjukkan bawa litologi hasil prediksi algoritma KNN dari data train sudah dapat mewakili terhadap data litologi yang sebenarnya. Perbandingan hasil interpretasi kualitatif dengan hasil dari prediksi machine learning pada sumur KP-34 dapat memprediksi lapisan-lapisan serta label data yang tipis atau kecil dengan waktu yang relatif cepat. Untuk pengembangan model selanjutnya perlu dilakukan pengaturan parameter dan jumlah data train yang banyak serta berasal dari sumur yang berada di area dan kondisi geologi yang sama. Hasil kinerja algoritma machine learning ini mempercepat kinerja sehingga lebih efisien dan efektif.
=======================================================================================================================================
Knowledge in the characterization and evaluation of hydrocarbon formations by identifying the type of lithology is an important step in oil and gas exploration. However, this method is not efficient enough because it requires a lot of time and effort. Therefore an approach is applied in the machine learning method to increase the efficiency and accuracy of identifying lithology types. This study focuses on lithology predictions using log data input by applying one of the machine learning algorithms, namely K-Nearest Neighbors (KNN). This KNN algorithm can classify data based on K values to predict lithology. The Hyperparameter K value is determined based on the number of nearest neighbors calculated using the Euclidean distance principle. The K value in KNN needs to be optimized in order to find out the best K value to get high accuracy. The accuracy value of the model is obtained by comparing the results of the actual qualitative interpretation of lithology with the prediction results of lithology with KNN. In the data train wells KP-24, KP-54 and KP-57 as well as test data, namely the KP-34 well, the value of k = 5 has the highest accuracy value of 89.9%. With the dominance of lithology in the predicted results, namely limestone, according to the information on the well data area, namely the Cibulakan Formation above and into the well, it reaches the Baturaja Formation. These results indicate that the lithology predicted by the KNN algorithm from the train data is already representative of the actual lithology data. Comparison of the results of qualitative interpretation with the results of machine learning predictions on the KP-34 well can predict thin or small layers and data labels in a relatively short time. For further model development, it is necessary to set the parameters and the large number of data trains originating from wells located in the same area and geological conditions. The results of the performance of this machine learning algorithm accelerate performance so that it is more efficient and effective.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Prediksi Litologi, K-Nearest Neighbors (KNN), Hyperparameter K, Nilai akurasi Lithology Prediction, K-Nearest Neighbors (KNN), Hyperparameter K, Accuracy score
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning.
Divisions:	Faculty of Civil, Planning, and Geo Engineering (CIVPLAN) > Geophysics Engineering > 33201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Rafi
Date Deposited:	08 Feb 2023 07:56
Last Modified:	08 Feb 2023 07:56
URI:	http://repository.its.ac.id/id/eprint/96464

Actions (login required)

View Item