ABSTRAK Tiara Novis Saputri
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
COVER Tiara Novis Saputri
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 1 Tiara Novis Saputri
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 2 Tiara Novis Saputri
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 3 Tiara Novis Saputri
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 4 Tiara Novis Saputri
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
BAB 5 Tiara Novis Saputri
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
PUSTAKA Tiara Novis Saputri
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan
Penelitian ini mengkaji analisis kandungan mineral dalam batuan shale di
Cekungan Sumatra Tengah dan Sumatra Selatan menggunakan metode X-ray
Diffraction (XRD) serta klasifikasi fasies menggunakan metode machine learning
berupa algoritma K-Means clustering dan Support Vector Machine (SVM). Dua
lapangan, yakni lapangan A (Kel. Pematang) dari Sumatra Tengah dan lapangan B
(Lahat) dari Sumatra Selatan menjadi sumber sampel batuan shale. Hasil XRD
mengungkap dominasi mineral clay pada kedua lapangan memiliki persentase yang
berbeda: lapangan A memiliki smectite (11.9%), illite (25.9%), kaolinite (12.6%),
dan chlorite (11.7%), sedangkan lapangan B memiliki smectite (1%), illite (26.7%),
kaolinite (16%), dan chlorite (12%). Distribusi mineral dalam sampel yang
diidentifikasi menggunakan diagram mineral ternary plot menunjukkan kedua
lapangan didominasi oleh mineral clay non-swelling (illite, kaolinite, dan chlorite).
Algoritma K-Means clustering pada penelitian ini berhasil memisahkan sampel
menjadi dua cluster sesuai dengan nilai k yang ditetapkan, tetapi akurasi
pengkategorian terhadap lapangan asal masih perlu ditingkatkan. Algoritma
Support Vector Machine (SVM) berhasil mengklasifikasikan data dengan tingkat
akurasi tinggi yakni 0.83 dan 1.00. Namun kurang efektif diimplementasikan pada
data yang identik. Penelitian ini memberikan pemahaman lebih lanjut tentang sifat
dan komposisi mineral batuan shale serta penerapan machine learning dalam
klasifikasi fasies.