View/Open

Author
YULIA, HANDAYANI

Date Published
17 Dec 2025

Advisor
Dr. Handoyo, S.Si., M.T.,
Putu Pradnya Andika, S.T., M.T.,

Subject
Teknik Geofisika

Publisher

Penelitian ini membahas proses klasifikasi litologi pada wilayah King Stone, Ogan Komering Ulu, dengan memanfaatkan data well logging dari tiga sumur, yaitu DH-N01, DH-N02GT, dan DH-N03. Parameter petrofisika yang digunakan mencakup log Gamma Ray (GR), densitas, porositas, kecepatan gelombang primer (Vp), dan kecepatan gelombang sekunder (Vs). Hasil interpretasi litologi menunjukkan empat satuan utama, yaitu sandstone, siltstone, claystone, dan coal seam, dengan tiga seam batubara yang memiliki variasi ketebalan dan tingkat kemenerusan antar sumur. Untuk mengotomatisasi proses klasifikasi litologi, penelitian ini menerapkan dua algoritma machine learning, yaitu K-Nearest Neighbor (K-NN) dan Random Forest (RF). Hasil evaluasi menunjukkan bahwa K-NN menghasilkan akurasi sebesar 83%, dengan kinerja yang baik pada litologi mayoritas namun kurang optimal dalam mengenali litologi minoritas seperti carbonaceous dan siltstone. Sebaliknya, Random Forest memberikan akurasi lebih tinggi, yaitu 94%, disertai nilai precision, recall, dan f1-score yang stabil pada seluruh kelas litologi, termasuk kelas minoritas. Visualisasi hasil prediksi pada sumur DH-N03 juga menunjukkan bahwa RF mampu membentuk batas litologi yang lebih jelas dan menghasilkan prediksi yang lebih stabil dibandingkan K-NN. Secara keseluruhan, Random Forest terbukti lebih efektif dalam klasifikasi litologi berbasis data well logging dan direkomendasikan sebagai metode yang lebih akurat untuk interpretasi petrofisika di wilayah King Stone.

URI
https://repository.itera.ac.id/depan/submission/SB2512090007

Keyword
K-Nearest Neighbor Litologi Petrofisika Random Forest Well Logging