IMPLEMENTASI ALGORITMA DEEP NEURAL NETWORKS UNTUK MENENTUKAN AKURASI PARAMETER PETROFISIKA BERDASARKAN DATA SUMUR DI CEKUNGAN NORTHERN CARNARVON DAN SUB CEKUNGAN VULCAN, CEKUNGAN BONAPARTE, AUSTRALIA

Abstract

Prediksi properti petrofisika seperti Volume Clay (VCL), Porositas Efektif (PHIE), Porositas Total (PHIT), dan Saturasi Air (SW) yang akurat dari data log sumur merupakan langkah utdalam evaluasi formasi di Cekungan Northern Carnarvorn dan Sub Cekungan Vulcan, Cekungan Bonaparte, Aust- ralia. Proses pengolahan dengan metode konvensional seringkali memakan waktu, sehingga peneli- tian ini bertujuan untuk membangun dan mengevaluasi model Deep Neural Networks (DNN) untuk mengotomatisasi proses prediksi tersebut. Model dikembangkan menggunakan data dari 85 sumur, dengan 14 data sumur sebagai data uji untuk model. Hasil evaluasi menunjukkan kinerja model DNN sangat dipengaruhi oleh karakteristik geologi. Un- tuk VCL, model menunjukkan performa baik, namun kurang akurat pada Formasi Barrow akibat kompleksitas mineral lempung pada karakteristik sedimen silisiklastik. Pada prediksi porositas PHIE , model menunjukkan eror prediksi yang rendah, dibuktikan dengan nilai Mean Absolute Error (MAE) sebesar 4.05% dan Root Mean Square Error (RMSE) sebesar 5.46% kemudian kemampuan model untuk menjelaskan variabilitas data, yang diukur dengan R² skor sebesar 0.38%, menunjukkan adanya tantangan pada formasi kandungan sedimen silisiklastik dengan campuran lempung yang masih tinggi. Sementara itu, estimasi Saturasi Air (SW) menunjukkan hasil akurasi yang belum maksimal pada semua formasi dikarenakan belum adanya pemisahan nilai yang memiliki prospek reservoir. Disim- pulkan bahwa model DNN dapat menjadi alat bantu untuk estimasi properti petrofisika secara cepat, dengan catatan bahwa pemahaman konteks geologi regional dan lingkungan pengendapan tetap kru- sial untuk interpretasi hasil. Penelitian ini dapat memberikan dasar kuantitatif untuk studi evaluasi formasi lebih lanjut.