<![CDATA[Formasi Terumbu di Cekungan Natuna Timur merupakan kompleks platform karbonat terisolasi berumur Miosen yang menjadi salah satu penyimpan gas belum dikembangkan terbesar di Asia Tenggara. Kualitas reservoirnya dikendalikan oleh interaksi antara fasies pengendapan dan proses diagenesis, sehingga hubungan antara porositas dan permeabilitas menunjukkan variasi yang sangat lebar. Karakterisasi reservoir pada Lapangan X juga menghadapi keterbatasan data inti karena hanya dua dari lima sumur yang memiliki data routine core analysis (RCAL). Penelitian ini mengembangkan workflow yang mengintegrasikan rock typing berbasis Hydraulic Flow Unit (HFU) dengan machine learning untuk memprediksi porositas, permeabilitas, dan tipe batuan dari data wireline log yang dikalibrasi menggunakan 428 sampel RCAL. Penentuan tipe batuan mengikuti konsep Reservoir Quality Index dan Flow Zone Indicator (RQI/FZI), yang menghasilkan empat kelas berdasarkan nilai FZI. Setiap kelas kemudian diinterpretasikan sebagai representasi asosiasi fasies dan proses diagenesis. Prediksi dilakukan secara berurutan, dimulai dari porositas, kemudian permeabilitas, dan terakhir tipe batuan. Untuk menjaga kemampuan generalisasi model, analisis komponen utama (PCA) hanya dihitung dari data pelatihan sehingga mencegah kebocoran data (data leakage), sedangkan ketidakseimbangan kelas ditangani melalui class weighting. Seluruh metrik yang dilaporkan merupakan hasil prediksi out-of-fold, yaitu prediksi terhadap data yang tidak digunakan selama pelatihan pada setiap putaran validasi silang. Random Forest memberikan kinerja terbaik untuk prediksi porositas (R² = 0,867; RMSE = 3,17 p.u.), sedangkan CatBoost menghasilkan performa terbaik untuk prediksi log-permeabilitas (R² = 0,825) dan klasifikasi tipe batuan (akurasi = 0,570; F1-makro = 0,524). Model permeabilitas memberikan kinerja yang setara dengan transformasi power-law tunggal yang menggunakan porositas inti terukur sebagai masukan (R² = 0,826), meskipun tidak memerlukan data inti, serta meningkatkan kinerja sebesar 0,074 dibandingkan transformasi yang sama ketika menggunakan porositas hasil prediksi log (R² = 0,751). Analisis SHAP mengidentifikasi densitas bulk sebagai prediktor paling berpengaruh terhadap porositas dan permeabilitas, sejalan dengan peran densitas dalam mengendalikan volume pori pada batuan karbonat. Distribusi tipe batuan hasil prediksi memperlihatkan pola spasial timur–barat yang konsisten dengan model platform karbonat terisolasi, di mana sumur-sumur bagian timur didominasi RT-2 dan RT-3 yang berkaitan dengan fasies tepian platform dan fore-reef bertekstur grain-supported, sedangkan sumur bagian barat didominasi RT-1 yang berasosiasi dengan fasies interior platform bertekstur mud-supported. Verifikasi menggunakan dua belas sayatan tipis yang berpasangan langsung dengan data RCAL mendukung interpretasi tersebut, meskipun konfirmasi petrografi untuk RT-1 dan RT-4 masih diperlukan. Hasil penelitian ini menunjukkan bahwa integrasi HFU dan machine learning mampu merekonstruksi distribusi kualitas reservoir secara konsisten dari data log sumur serta menyediakan dasar yang andal untuk karakterisasi reservoir pada sumur tanpa data inti.]]>
