Perpustakaan Digital ITB

Pemahaman akan karakteristik dan kondisi dari reservoir merupakan hal yang penting dalam pengembangan suatu proyek migas. Salah satu karakteristik yang perlu diketahui adalah jenis litologi dari formasi reservoir. Informasi tentang jenis litologi mempengaruhi perhitungan parameter petrofisika reservoir. Umumnya identifikasi jenis litologi dilakukan secara manual oleh ahli geologi berdasarkan penampakan cutting, sampel core, dan data logging sumur, yang mungkin tidak cukup efisien karena membutuhkan banyak waktu dan usaha. Oleh karena itu diterapkan beberapa pendekatan dalam metode supervised learning untuk meningkatkan efisiensi dan akurasi dari identifikasi jenis litologi. Dalam studi ini digunakan metode supervised learning sehingga dibutuhkan data masukkan dan data keluaran yang diinginkan untuk membangun model prediktif yang akan digunakan untuk mengidentifikasi jenis litologi. Data masukkan yang digunakan berupa data logging sumur yang biasanya tersedia seperti gamma ray, SP, density, dan neutron porosity. Sedangkan data keluaran yang diinginkan didapat sampel core berupa label jenis litologi. Beberapa pendekatan dalam metode supervised learning diaplikasikan untuk mencari model dengan akurasi yang mencukupi, yaitu model K-Nearest Neighbors (KNN), model Support Vector Classifier (SVC), model NuSVC, model LinearSVC, dan model Stochastic Gradient Descent Classifier (SGDC). Kumpulan data dibagi menjadi data untuk latihan dan data untuk tes. 75% data digunakan untuk melatih model sedangkan 25% data digunakan sebagai data tes. Beberapa penyesuaian parameter dari masing-masing model telah dilakukan. Hasil prediksi masing-masing model dibandingkan. Semua model mampu mencapai akurasi lebih tinggi dari 80%, di mana akurasi dari setiap model adalah 94,09%, 93,18%, 80,91%, 84,09%, dan 84,55% untuk model KNN, SVC, NuSVC, LinearSVC, dan SGDC secara berurutan. Performa dalam memprediksi setiap label juga dibandingkan. Model KNN dan SVC menawarkan kinerja keseluruhan yang baik. Studi ini menunjukkan bahwa model KNN adalah model terbaik dalam memprediksi tipe litologi. Model KNN dapat diterapkan untuk memprediksi litologi dengan peningkatan efisiensi dan akurasi.