Studi Awal Klasifikasi Litologi Pada Data Lapangan Poseidon, Browse Basin Menggunakan Prinsip Automasi Convolutional Neural Network (CNN).

Abstract

Metode Convolutional Neural Network yang merupakan cabang dari Machine Learning, merupakan metode yang diadaptasi dari cara kerja otak manusia, dimana jaringan-jaringan akan terbentuk dan berfungsi untuk mengingat berbagai macam input untuk menghasilkan suatu output yang unik. Penggunaan Machine Learning ini sangat mempermudah pengerjaan data-data yang bersifat besar (secara kuantitas) dan memerlukan waktu yang lama dalam pengerjaannya dikarenakan metode ini menerapkan prinsip automasi. Automasi inilah yang akan mengambil peran besar dalam pemangkasan waktu kerja secara signifikan. Dalam penerapannya pada proses klasifikasi litologi, input yang digunakan berupa kombinasi data log yaitu Gamma Ray, Density Log (RHOB) dan Neutron Porosity Log (NPHI) sebagai training data dan test data dari 2 sumur yang berbeda. Penelitian dilakukan pada Lapangan Poseidon, Browse Basin, dimana 2 sumur yang akan digunakan adalah Poseidon-1 sebagai data training serta Poseidon 2 sebagai data test atau data yang akan diprediksi. Penelitian ini nantinya akan berfokus pada seberapa akurat model CNN yang terlatih dengan data training yang ada ketika melakukan proses prediksi. Selain itu penelitian ini juga akan melihat bagaimana kepekaan model CNN dalam mendeteksi lapisan tipis dengan variasi ketebalan yang berbeda. Berbagai parameter dan pengembangan metode juga akan dilakukan untuk mencari hasil yang paling optimal yang mungkin diraih.

Kata kunci (sentence case): Convolutional Neural Network, Klasifikasi litologi, well-log, Lapisan Tipis, train dan test data, Poseidon