Tesis sarjana oleh Gianra Raditya (ITB, 2026) ini membahas tantangan analisis tekanan transien (PTA) konvensional yang memakan waktu dan sangat bergantung pada pengalaman insinyur untuk identifikasi model sumur secara visual dan estimasi parameter secara iteratif. Metode otomatis sebelumnya yang menggunakan Convolutional Neural Network (CNN) hanya mampu mengidentifikasi model, namun estimasi parameter masih harus dilakukan secara manual.
Untuk mengatasi keterbatasan ini, penelitian ini mengusulkan pendekatan *deep metric learning* menggunakan Siamese Neural Network (SNN) dengan fungsi kerugian triplet (*triplet loss*). Sebuah dataset sintetik besar berupa plot diagnostik log-log, mencakup empat skenario sumur (homogeneous infinite/one fault, dual porosity infinite/one fault), dihasilkan. SNN dilatih untuk memproyeksikan plot-plot ini ke dalam ruang embedding 128 dimensi, menempatkan kurva yang secara visual mirip berdekatan.
Algoritma K-Nearest Neighbors (KNN) kemudian mengambil kurva paling mirip dari database referensi untuk secara bersamaan memprediksi kelas skenario dan mengestimasi parameter reservoir melalui rata-rata tetangga terdekat. Model ini mencapai F1-score klasifikasi yang tinggi sebesar 0,986 pada dataset uji. Akurasi estimasi parameter, yang dievaluasi menggunakan Normalized Absolute Error (NAE), menunjukkan error yang umumnya rendah untuk permeabilitas, faktor kulit (*skin factor*), dan *wellbore storage* (secara konsisten di bawah 6% pada kasus uji validasi). Deviasi yang lebih tinggi diamati untuk jarak batas (*boundary distance*) dan rasio storativitas (*storativity ratio*), yang konsisten dengan masalah ketidakunikan yang dikenal dalam *well testing*.
Sistem otomatis yang diusulkan ini berfungsi sebagai alat tebakan awal, memberikan insinyur nilai awal yang informatif untuk mempercepat dan meningkatkan objektivitas proses pencocokan analitik selanjutnya dalam perangkat lunak komersial, bukan menggantikannya.
