Article Details

ESTIMASI PERMEABILITAS CITRA BATUAN DIGITAL MENGGUNAKAN MACHINE LEARNING CONVOLUTIONAL NEURAL NETWORK

Oleh   Fajar Wimar Ramadhan [10215083]
Kontributor / Dosen Pembimbing : Prof. Dr.rer.nat. Umar Fauzi;
Jenis Koleksi : S1-Tugas Akhir
Penerbit : FMIPA - Fisika
Fakultas : Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA)
Subjek : Physics
Kata Kunci : berea sandstone, convolutional neural netework, machine learning, media berpori, pemrosesan citra, permeabilitas.
Sumber :
Staf Input/Edit : Ratnasari   Ena Sukmana
File : 1 file
Tanggal Input : 2019-05-17 13:34:57

Permeabilitas merupakan besaran yang penting karena dapat menggambarkan tingkat kemudahan suatu batuan untuk meloloskan fluida tanpa merusak batuan tersebut. Permeabilitas dapat diukur menggunakan beberapa cara. Pada penelitian ini, alih alih membuat suatu persamaan atau melakukan simulasi untuk menghitung nilai permeabilitas, penulis menggunakan machine learning yang akan mempelajari citra input yang diberikan beserta nilai permeabilitas acuan yang dianggap benar sehingga ketika diberikan citra lain, machine learning akan memprediksinya dengan cepat. Penelitian ini bertujuan untuk memprediksi nilai permeabilitas menggunakan machine learning convolutional neural network (CNN) pada sampel berea sandstone. Tahap tahap penelitian ini secara umum yaitu pembuatan subsampel berea sandstone, perhitungan permeabilitas menggunakan persamaan Kozeny-Carman sebagai nilai permeabilitas acuan, proses modifikasi arsitektur CNN hingga didapat arsitektur CNN yang lebih baik dari penelitian sebelumnya menggunakan sebagian dataset, tahap terakhir proses penggunaan arsitektur untuk semua dataset. Hasilnya, terdapat beberapa kecenderungan yang dihasilkan ketika arsitektur tersebut diubah seperti : akurasi hasil testing akan naik ketika jumlah konvolusi ditambah begitupun sebaliknya, penambahan dense layer akan meningkatkan akurasi begitupun sebaliknya, penggantian fungsi aktifasi dengan sigmoid dan tanh akan menurunkan akurasi dan mengurangi ukuran kernel akan meningkatkan akurasi. Setelah mendapatkan arsitektur yang lebih baik dibandingkan penelitian sebelumnya, penulis menggunakan arsitektur tersebut untuk training dan testing pada 9261 data dengan rincian 8000 data training dan 1261 data testing. Hasilnya didapat bahwa nilai ????2 yang dihasilkan ialah ????2=96.3 untuk data training dan ????2=93.38 untuk data testing. Hasil ????2 ini lebih tinggi dibandingkan pada proses modifikasi arsitektur, hal ini karena data yang digunakan untuk proses training lebih banyak dibandingkan sebelumnya sehingga arsitektur dapat mengenali beragam variasi citra lebih banyak.