Tesis sarjana ini membahas tentang identifikasi zona lempung reaktif dari data log sumur menggunakan *machine learning* untuk aplikasi injeksi air salinitas rendah (LSWI). LSWI adalah metode EOR yang efektif di formasi batupasir dengan lempung reaktif, namun dapat menimbulkan masalah jika komposisi mineral reservoir tidak homogen. Tujuan penelitian ini adalah mengidentifikasi jenis lempung menggunakan data log sumur, memperkirakan cation exchange capacity (CEC), dan merekomendasikan zona injeksi LSWI yang optimal.
Data diperoleh dari delapan sumur di lapangan S, Sumatera Selatan, dengan parameter log yang digunakan meliputi Gamma Ray (GR), Bulk Density (RHOB), Neutron Porosity (CNL), dan Photoelectric Factor (PEF). Klasifikasi dilakukan dengan metode Euclidean Distance, K-Means, dan Proximity Similarity Classification (PSC), berdasarkan referensi petrofisika mineral lempung dari literatur.
Hasil klasifikasi menunjukkan variasi distribusi lempung di seluruh sumur dan zona reservoir. Beberapa sumur didominasi oleh smektit dengan nilai CEC tinggi, sementara yang lain didominasi oleh illit dan kaolinit dengan nilai CEC rendah hingga sedang. Zona dengan lempung stabil direkomendasikan untuk injeksi, sedangkan zona kaya smektit dapat digunakan dengan *preflush treatment*. Pendekatan ini memungkinkan identifikasi lempung reaktif secara efisien hanya dari data log sumur, tanpa memerlukan analisis inti atau XRD, dan dapat menjadi dasar untuk merancang strategi injeksi LSWI yang lebih aman dan terarah.
Secara ringkas, penelitian ini menyimpulkan bahwa kombinasi data log sumur dan *machine learning* dapat secara efektif mengidentifikasi zona dengan lempung reaktif, memungkinkan perencanaan injeksi LSWI yang lebih optimal dan mengurangi risiko kerusakan formasi. Zona injeksi potensial dievaluasi berdasarkan jenis lempung dan nilai CEC.
