<![CDATA[Reservoir vulkanik dikenal memiliki heterogenitas yang tinggi akibat aktivitas geologi kompleks seperti aliran lava, pengendapan tuf, serta proses alterasi hidrotermal. Salah satu karakteristik penting dalam reservoir ini adalah keberadaan rekahan alam, yang secara langsung memengaruhi permeabilitas dan produktivitas fluida. Rekahan dapat terbentuk secara alami maupun akibat proses tektonik dan diklasifikasikan menjadi beberapa tipe, seperti rekahan konduktif (conductive), rekahan tertutup (sealed), dan rekahan campuran (mixed). Penentuan tipe rekahan secara konvensional memerlukan interpretasi dari log citra borehole dan analisis deskripsi core, yang bersifat subjektif, memakan waktu, dan mahal. Penelitian ini bertujuan untuk mengembangkan pendekatan berbasis machine learning untuk memprediksi tipe rekahan pada Reservoir Vulkanik Jatibarang menggunakan data log dan data Well Image Log. Lima algoritma digunakan: Random Forest (RF), Gradient Boosting Machine (GBM), CatBoost, Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN). Validasi dilakukan menggunakan akurasi, precision, recall dan F1-score. Hasil menunjukkan bahwa algoritma Random Forest menghasilkan akurasi tertinggi dengan nilai Accuracy sebesar 0.8678, Precision sebesar 0.8678, Recall sebesar 0.8870 dan F1 sebesar 0.8756 (89,2%), pada data Blind Testing. dengan fitur paling penting adalah DEPTH, GR, ILD, NPHI, dan DT . Studi ini membuktikan bahwa machine learning dapat digunakan sebagai metode alternatif yang cepat dan akurat dalam klasifikasi rekahan, membantu proses evaluasi reservoir dan pengambilan keputusan pengembangan lapangan.]]>
Copyrights © 2025
