Interpretasi Seismik Terintegrasi dengan Metode Deep Learning Convolutional Neural Network

Abstract

Penelitian ini bertemakan pendayagunaan sektor kecerdasaran buatan (artificial intelligence) dalam bidang Geofisika terutama dalam bidang seismik. Cabang artificial intelligence yang diuji adalah metode convolutional neural network (CNN) dengan dua tipe training yang berbeda yaitu encoder-decorder dan patch-based model. Encoderdecorder model digunakan dalam prediksi patahan dan sequence boundary, sedangkan patch-based model digunakan untuk prediksi terminasi dan internal reflector. Dalam proses train data, dua jenis dataset digunakan yaitu sintetic seismic data untuk prediksi patahan dan real seismic data berupa seismic F3 dan seismic Perihaka. Semua proses yang dilakukan baik dalam preprocessing, dan plotting menggunakan bahasa pemrograman python. Hasil dari prediksi patahan dapat dikatakan sangat baik walaupun beberapa patahan mayor tidak terprediksi secara sempurna atau pada beberapa bagian patahannya tidak terputus-putus, sedangkan pada prediksi terminasi, sequence boundary, dan internal geometry mendapatkan hasil yang sangat baik walaupun beberapa titik mengalami missinerpretation. Dalam peneitian ini juga dapat diketahui jumlah dataset yang digunakan serta kompleksitas data seismik memiliki pengaruh sejajar dengan hasil prediksi dimana semakin kompleks data seismik, maka dibutuhkan jumlah training set yang lebih banyak agar memperoleh predikisi yang lebih baik. Kata Kunci : Kecerdasan Buatan, Convolutional Neural Network, Patahan, Reflektor Internal, Terminasi, Batas Sikuen