digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Ratih Pratiwi
PUBLIC Yati Rochayati

COVER Ratih Pratiwi
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan

BAB 1 Ratih Pratiwi
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan

BAB 2 Ratih Pratiwi
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan

BAB 3 Ratih Pratiwi
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan

BAB 4 Ratih Pratiwi
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan

BAB 5 Ratih Pratiwi
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan

PUSTAKA Ratih Pratiwi
Terbatas  Yati Rochayati
» Gedung UPT Perpustakaan

Shale gas adalah gas nonkonvensional yang diperoleh dari reservoir batuan shale yang dapat dimanfaatkan sebagai sumber energi alternatif atas semakin menurunnya pasokan energi dunia. Oleh karena itu, studi terkait shale gas menjadi sesuatu yang penting untuk dilakukan. Salah satu lingkup studi shale gas ialah mengenai kandungan mineral pada batuan shale. Pada penelitian ini teknik X-Ray Diffraction (XRD) digunakan untuk mengidentifikasi kandungan mineral batuan shale. Machine learning digunakan untuk mengkarakterisasi dan mengkorelasikan kandungan mineral clay hasil XRD sebagai penyusun utama batuan shale antar lapangan dan antar formasi. Algoritma Support Vector Machine (SVM), Self-Organizing Map (SOM), dan K-Means digunakan untuk klasifikasi dan clustering fasies clay dari litologi shale lapangan-X dan lapangan-Y yang berlokasi di cekungan Sumatra Tengah. Hasil XRD menunjukkan persentase clay pada sampel lapangan-X didominasi illite dan kaolinite, sedangkan sampel lapangan-Y didominasi illite dan chlorite. Relasi kandungan mineral dengan porositas menunjukkan persentase illite berbanding terbalik dengan porositas, sedangkan persentase kaolinite berbanding lurus dengan porositas. Analisis data menunjukkan terdapat nilai korelasi sampel lapangan-X dan Y yang cukup kuat, yakni senilai 0.566. Klasifikasi SVM menunjukkan terdapat sekitar 50% dataset pasangan fitur yang dapat memisahkan kelas brown shale dan upper red bed. Clustering dengan SOM dan K-Means sudah dapat membagi titik data ke dalam dua cluster meskipun masih belum akurat dikarenakan SOM dan K-Means merupakan algoritma unsupervised machine learning. Ke depannya perlu diuji coba untuk melakukan analisis clustering menggunakan jumlah cluster yang lebih banyak.