Dalam kebanyakan kasus, metode konvensional yang menggunakan analisis log
sumur dan gambar dalam menentukan dan menggambarkan porositas sekunder
membutuhkan waktu dan biaya yang tidak sedikit. Akibatnya, penelitian ini akan
menggunakan metode machine learning untuk memproses dan menganalisis data
log seperti gamma ray, neutron, density dan resistivity pada sumur-sumur yang
tidak memiliki data log gambar, demi meningkatkan ketepatan dan kecepatan
identifikasi jenis porositas sekunder pada formasi batuan karbonat dengan
menggunakan dataset yang telah dianotasi dengan informasi porositas sekunder
dari Formation Micro Imager (FMI). Penelitian ini dapat meningkatkan efisiensi
dan akurasi proses identifikasi porositas sekunder pada formasi batuan karbonat,
demi membuka peluang penemuan reservoir yang lebih baik dengan biaya yang
minim. Dalam penelitian ini dibuat fitur tambahan berupa volume shale, porositas
densitas, porositas total, dan porositas efektif, untuk meningkatkan kinerja model.
Penelitian ini berhasil menemukan algoritma machine learning yang akurat dan
efisien untuk menentukan jenis porositas sekunder, sehingga diharapkan dapat
mengurangi waktu dan biaya untuk melakukan analisa dan karakterisasi reservoir.