PREDIKSI KLASIFIKASI FASIES MENGGUNAKAN MACHINE LEARNING PADA LAPANGAN HUGOTON DAN PANOMA DI SOUTHWEST KANSAS

Abstract

Penggunaan machine learning pada data geosains didasarkan pada pertumbuhan volume dan tipe data yang meningkat sehingga menjadi tantangan untuk dapat membantu pekerjaan ahli geosains mengautomasikan pekerjaan. Prediksi menggunakan metode machine learning menghasilkan hasil yang non-unique dikarenakan tergantung kepada kondisi data input (feature) yang mengandung banyak noise atau pemilihan feature yang beragam. Penelitian ini bertujuan untuk melakukan prediksi klasifikasi fasies menggunakan algoritma supervised learning k-nearest neighbors, random forest dan support vector machine pada lapangan Hugoton dan Panoma di Southwest Kansas. Enam sumur dijadikan sebagai data training untuk model dapat melakukan pembelajaran sehingga dapat melakukan prediksi pada satu sumur data testing. Pengkodisian data yang digunakan untuk menghilangkan outliers atau noise pada data log adalah filter clipping dan filter median. Data juga ditransformasikan ke dalam bentuk non-linier sehingga terdapat beragam feature untuk diseleksi ke dalam 5 skenario percobaan berdasarkan nilai koefisien korelasi feature terhadap fasies. Hasil penelitian menunjukkan bahwa penggunaan feature yang paling optimal berada pada skenario ke-5 yang menghasilkan akurasi paling tinggi pada algoritma random forest kemudian diikuti oleh k-nearest neighbors dan support vector machine.