<![CDATA[Penelitian ini bertujuan untuk memprediksi nilai porositas berdasarkan data log sumur. Log sumur berasal dari tiga sumur mencakup triple combo log dan porositas efektif yang telah divalidasi data core. Penerapan machine learning menggunakan dua model regresi, yakni regresi linier berganda dan k-nearest neighbors (KNN). Sebelum penerapan model, proses pengaturan hyperparameterdilakukan guna mengoptimalkan kedua model yang digunakan. Sebagai bagian dari evaluasi, blind test diimplementasikan pada salah satu sumur penelitian dengan tiga uji yang berbeda. Setiap uji memiliki kombinasi data yang berbeda, yakni log gamma ray, density, neutron, deep resistivity, dan photoelectric effect. Evaluasi model dilakukan dengan metrik R2 (coefficient of determination), RMSE (root mean squared error), dan MAE (mean absolute error). Hasil menunjukkan bahwa model regresi linear berganda mendapatkan R2 sebesar 90.6% pada uji 1, 90.59% pada uji 2, dan 90.59% pada uji 3. Sementara model regresi KNN mendapatkan nilai R2 sebesar 94.85% pada uji 1, 92.54% pada uji 2, dan 92.26% pada uji 3. RMSE pada model regresi linear berganda pada semua uji adalah 0.0225, sedangkan pada model regresi KNN uji 1 mendapatkan 0.0167, uji 2 mendapatkan 0.0201, dan uji 3 mendapatkan 0.0204. MAE pada model regresi linear berganda adalah 0.0088 pada uji 1 dan 0.0089 pada uji 2 dan 3. Sementara itu, MAE pada model regresi KNN adalah 0.0047 pada uji 1, 0.0053 pada uji 2, dan 0.0056 pada uji 3. Berdasarkan hasil evaluasi, model regresi KNN memiliki performa yang lebih optimal dibandingkan dengan regresi linear berganda dalam prediksi nilai porositas pada dataset yang digunakan, terutama dalam uji 1. Penelitian ini menunjukkan prediksi nilai porositas batuan dapat dengan baik dilakukan menggunakan metode ML dan dapat disesuaikan dengan beragam skenario. Hal ini dapat membantu dalam analisis petrofisika, terutama jika terdapat keterbatasan data core atau dapat membantu mempercepat proses analisis petrofisika dalam jumlah data yang besar.]]>
