Perpustakaan Digital ITB

Deep learning telah mengalami kemajuan dalam beberapa tahun terakhir untuk pengolahan data dalam skala yang besar dari berbagai disiplin ilmu. Selain itu, ia memiliki tingkat efektivitas yang tinggi, yang berdampak positif terhadap peningkatan kualitas dan pengurangan waktu yang diperlukan dalam proses konvensional sebelumnya. Hal tersebut membuka peluang besar dalam penerapan deep learning dalam eksplorasi minyak dan gas di Indonesia, terutama melalui metode seismik. Data seismik umumnya memiliki volume data yang besar, dan dalam hal ini, penerapan deep learning dapat memberikan bantuan dalam proses interpretasi data seismik. Penelitian ini bertujuan untuk menganalisis efektivitas kinerja arsitektur 2-D Convolutional Neural Network (2-D CNN) dalam penentuan batas sekuen pada data seismik Cekungan Kutai. Penelitian ini menggunakan empat jenis model arsitektur dengan jumlah lapisan berbeda-beda. Hasil penelitian menunjukkan bahwa model dengan lima lapisan konvolusi dan empat lapisan max pooling memberikan nilai RMSE paling kecil sebesar 71,7536 ms dengan tingkat kepercayaan hingga xline 4872. Selain itu, hasil penelitian menunjukan bahwa penggunaan lapisan yang terlalu banyak akan menurunkan kualitas prediksi yang disebabkan oleh overfitting. Hasil prediksi batas sekuen menggunakan aristektur 2-D CNN memberikan hasil yang cukup baik dengan tidak memotong batas sekuen yang ditandai ketidakmenerusan seperti onlap¸ downlap, dan erosional truncation. Namun, terdapat kekurangan yaitu ketidakkonsistenan hasil prediksi untuk menerus sesuai marker sumur yang dimiliki.