Karakterisasi reservoir merupakan proses fundamental dalam industri minyak dan gas, namun identifikasi litologi yang akurat sering kali terhambat oleh kompleksitas geologi dan sifat 'kotak hitam' dari model machine learning (ML) modern. Penelitian ini menyajikan metode alternatif yang tidak disupervisi untuk klasifikasi litologi berbasis distribusi statistik hierarkis sebagai solusi untuk meningkatkan transparansi dan interpretasi. Metode ini menggunakan data well log utama gamma-ray, sonic slowness, densitas, dan resistivitas dari enam sumur di area geologi deltaik yang stabil. Pendekatan hierarkis ini secara sistematis mengklasifikasikan lima litologi utama (batubara, serpih, batugamping, batupasir basah, dan batupasir hidrokarbon) dengan menerapkan ambang batas kuantil yang ditentukan dari distribusi statistik setiap log. Hierarki dimulai dengan identifikasi serpih menggunakan log gamma-ray, diikuti oleh batubara dengan log densitas, batu gamping dengan log slowness, dan terakhir, batupasir diklasifikasikan berdasarkan log resistivitas. Hasil penelitian menunjukkan bahwa metode ini berhasil mengklasifikasikan litologi dengan distribusi serpih (66%), batubara (5%), batu gamping (0.63%), dan pasir (27%). Secara kualitatif, hasil ini dianggap lebih "masuk akal secara geologis" jika dibandingkan dengan metode KNN, karena metode hierarkis ini didasarkan pada prinsip-prinsip fisika batuan yang eksplisit, memungkinkan interpretasi dan validasi yang mudah oleh geosaintis. Sebagai metode yang adaptif terhadap distribusi data, pendekatan ini menawarkan alternatif yang transparan dan dapat dipercaya untuk karakterisasi litologi.