Perpustakaan Digital ITB

Identifikasi elektrofasies sangat krusial untuk memahami heterogenitas internal reservoar, terutama pada lapangan dengan morfologi log yang kompleks di mana interpretasi manual seringkali bersifat subjektif. Penelitian ini mengembangkan alur kerja otomatis berbasis data yang mengintegrasikan metode ekstraksi fitur—Statistik, CNN Autoencoder, dan LSTM Autoencoder—dengan algoritma clustering: K-Means, BIRCH, dan Gaussian Mixture Model (GMM). Metodologi ini diaplikasikan pada data log Gamma Ray dari 66 sumur yang mencakup 16 reservoar di Lapangan NVS, Cekungan Sumatera Tengah, melalui tahapan pra-pemrosesan, ekstraksi fitur, clustering, serta evaluasi kinerja menggunakan Silhouette Score dan Davies–Bouldin Index. Hasil penelitian menunjukkan bahwa LSTM Autoencoder menghasilkan representasi fitur yang paling tangguh dengan kemampuan menangkap pola sekuensial yang bergantung pada kedalaman. Model optimal yang dihasilkan berhasil mengidentifikasi struktur kelompok elektrofasies yang merepresentasikan lingkungan pengendapan Tidal Bar Axis (TBA), Tidal Bar Off-Axis (TBO), dan Tidal Bar Margin (TBM). Secara kuantitatif, stabilitas clustering tertinggi dicapai pada Reservoar H (Silhouette Score 0,6763), sementara Reservoar I mencatat skor terendah (0,3325) akibat kompleksitas geologi yang tinggi. Validasi eksternal mengonfirmasi akurasi geologi model, di mana hasil clustering secara akurat mampu mendelineasi tren pengendapan Barat Laut–Tenggara (NW-SE) yang selaras dengan interpretasi geologi dan garis korelasi ahli. Studi ini membuktikan bahwa kombinasi deep learning berbasis urutan (sequence-aware) dengan clustering mampu menghasilkan model yang stabil dan konsisten secara geologi untuk memetakan distribusi spasial litologi bawah permukaan, bahkan pada kondisi data yang terbatas.