Penerapan Machine Learning Dalam Penentuan Porositas, Permeabilitas dan Jenis Rekahan Pada Formasi Batuan Beku di Lapangan "Aaf"

Abstract

Penelitian ini bertujuan memprediksi porositas, permeabilitas, dan jenis rekahan pada formasi batuan beku di Lapangan “AAF” dengan metode machine learning sebagai solusi atas keterbatasan data dan mahalnya metode konvensional seperti coring dan well testing. Data sekunder dari log sumur dan coring diolah melalui tahapan seleksi fitur, transformasi data, serta pembagian data untuk pelatihan dan pengujian menggunakan lima algoritma: Decision Tree, Random Forest, Gradient Boosting, Support Vector Machine, dan K-Nearest Neighbors. Evaluasi dilakukan dengan F1-score untuk jenis rekahan, serta R² dan RMSE untuk porositas dan permeabilitas. Hasil menunjukkan Random Forest unggul dalam prediksi jenis rekahan (F1-score 0,8776), sedangkan Gradient Boosting Regressor paling optimal dalam prediksi porositas (R² 0,9477 dan RMSE 0,0179) dan permeabilitas (R² 0,9643 dan RMSE 0,0119). Penambahan fitur hasil prediksi terbukti meningkatkan akurasi model, dengan log Gamma Ray, Sonic, ILD, dan Nphi sebagai parameter paling berpengaruh. Dengan demikian, pendekatan machine learning terbukti efektif dalam karakterisasi reservoir batuan beku dan pada lapangan dengan kondisi data terbatas.