<![CDATA[Perkembangan era dunia industri 4.0 mendorong para ahli untuk melakukan digitalisasi terhadap berbagai bidang khususnya di industri minyak dan gas bumi. Penelitian ini membahas tentang penggunaan metode machine learning untuk prediksi litologi dalam eksplorasi migas yang terletak di Formasi Sleipner, North Sea. Formasi Sleipner disusun oleh litologi batupasir dengan sisipan batulanau, batuserpih dan batubara. Tujuan utama dari penelitian ini adalah untuk membandingkan tiga algoritma machine learning yang berbeda dalam konteks prediksi litologi berdasarkan data log sumur. Studi ini menggunakan lima data well log yang mencakup data log gamma ray, log resistivitas, log neutron, log densitas, dan log PEF. Data litologi rinci berdasarkan batuan inti (core) digunakan untuk validasi hasil prediksi dari machine learning. Penelitian ini menggunakan tiga algoritma machine learning yakni decision tree (DT), k-nearest neighbor (KNN), dan extra tree classifier (ETC). Ketiga algoritma tersebut juga sudah dilakukan tuning hyperparameter, agar menghasilkan model terbaik saat menganalisis data penelitian ini. Hasil evaluasi prediksi pada sumur blind test didapatkan metode DT memiliki akurasi sebesar 83%, metode KNN 85% dan algoritma ETC 82%. Hasil penelitian menunjukkan bahwa ketiga algoritma machine learning ini memiliki potensi untuk prediksi litologi yang cukup akurat. Pada penelitian ini, algoritma KNN menjadi yang terakurat dalam memprediksi litologi. Penelitian ini diharapkan memberikan pengetahuan baru dalam penggunaan metode machine learning untuk memprediksi litologi, terutama berguna dalam efisiensi waktu dan pada sumur yang tidak memiliki data batuan inti (core).]]>
