PREDIKSI KECEPATAN GELOMBANG S DENGAN MACHINE LEARNING PADA SUMUR “S-1”, CEKUNGAN SUMATERA TENGAH, INDONESIA

Sthevanie Dhita Sudrazat, Humbang Purba, Egie Wijaksono, Waskito Pranowo, Muhammad Irsyad Hibatullah

Sari


Data kecepatan gelombang S (shear) sangat diperlukan untuk karakterisasi reservoar dalam menentukan zona reservoar. Namun data kecepatan gelombang S sangat terbatas dan tersedia pada sumur tertentu saja. Penelitian ini dilakukan untuk memprediksi nilai kecepatan gelombang S dengan menggunakan metode supervised machine learning pada sumur S-1 lapangan migas di cekungan Sumatra Tengah. Simulasi algoritma machine learning dilakukan melalui tahapan sebelum dan setelah tuning pada algoritma library Scikit learn dan algoritma artificial neural network (ANN). Selain itu, parameter dan jumlah data yang digunakan dalam memprediksi nilai kecepatan gelombang akan menentukan nilai error dan akurasi. Hasil analisis menunjukkan bahwa algoritma yang digunakan untuk memperoleh akurasi terbaik pertama dalam memprediksi kecepatan gelombang S, yaitu random forest dengan nilai parameter n_estimator terbaik 10 dan algoritma kedua yang terbaik yaitu k-nearest neighbor dengan nilai parameter n_neighbor terbaik 5.


Kata Kunci


Kecepatan gelombang S; machine learning; algoritma; parameter

Teks Lengkap:

PDF

Referensi


Farizawani, A., Puteh, M., Marina, Y. & Rivaie, A., 2020. A Review of Artificial Neural Network Learning Rule Based On Multiple Variant of Conjugate Gradient Approaches. Bandung, Indonesia, IOP Publishing Ltd.

fchollet, 2020. Introduction to Keras for Engineers. [Online] Available at: https://keras.io/getting_started/intro_to_keras_for_engineers/ [Accessed 18 Juni 2020].

Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K., 2006. Extreme learning machine: theory and applications. Neurocomputing, 70(1-3), pp. 489-501.Keras.io, 2020. About Keras. [Online] Available at: https://keras.io/about/ [Accessed 5 Desember 2020].

Maulana, N., Setiawan, B. & Dewi, C., 2019. Implementasi Metode Support Vector Regression (SVR) Dalam Peramalan Penjualan Roti (Studi Kasus: Harum Bakery). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(3), pp. 2986-2995.

Scikit-learn developers, 2019. Scikit-learn user guide 0.21.3. Scikit-learn developers. [Online] Available at: https://scikit-learn.org/0.21/_downloads/scikit-learn-docs.pdf [Accessed 10 Juli 2020].

Somvanshi, M., Chavan, P., Tambade, S. & shinde, S. V., 2016. Machine Learning Techniques Using Decision Tree nd Support Vector Machine. Pune, India, IEEE, pp. 1-7.

Wu, J., Chen, X.-Y., Zhang, H., Xiong, L.-D., Lei, H., & Deng, H., 2019. Hyperparameter Optimization for Machine Learning Models Based on Bayesian Optimization. Journal of Electronic Science and Technology, 17(1), pp. 26-40.




DOI: https://doi.org/10.29017/LPMGB.54.1.502