PERBANDINGAN ANTARA METODE DETERMINISTIK DAN MACHINE LEARNING LOGISTIC REGRESSION UNTUK PREDIKSI ZONA PRODUKTIF RESERVOIR (STUDI KASUS: SUMUR MANGUNJAYA)

Dhiya Bunga Syafina Ramadhani, . (2026) PERBANDINGAN ANTARA METODE DETERMINISTIK DAN MACHINE LEARNING LOGISTIC REGRESSION UNTUK PREDIKSI ZONA PRODUKTIF RESERVOIR (STUDI KASUS: SUMUR MANGUNJAYA). Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_124220070.pdf Download (272kB)
	Text Abstrak_124220070.pdf Download (209kB)
	Text Halaman Pengesahan_124220070.pdf Download (836kB)
	Text Daftar Isi_124220070.pdf Download (259kB)
	Text Daftar Pustaka_124220070.pdf Download (178kB)
	Text Fulltext_124220070.pdf Restricted to Repository staff only Download (4MB)

Abstract

Penentuan zona produktif reservoir dalam evaluasi petrofisika menggunakan data well logging merupakan aspek krusial dalam eksplorasi dan evaluasi hidrokarbon. Metode deterministik memiliki keterbatasan dalam memberikan hasil prediksi karena bergantung pada penetapan nilai cut-off empiris. Hal ini menyebabkan risiko kehilangan potensi produksi (missed opportunities) ataupun risiko kerugian operasional. Penelitian ini bertujuan untuk membandingkan metode deterministik dan machine learning algoritma Logistic Regression dalam memprediksi zona produktif pada studi kasus sumur Mangunjaya. Metode deterministik diterapkan melalui analisis crossplot multi-parameter untuk menentukan nilai cut-off pada Porositas Efektif, Saturasi Air, dan Volume Serpih yang diintegrasikan dengan log quad-combo. Pengembangan model Logistic Regression mencakup tahapan persiapan data, penggunaan RobustScaler pada proses standarisasi, implementasi Ploynomial Features, serta metode ADASYN dalam menangani ketidakseimbangan data logging. Validasi model dilakukan secara komprehensif menggunakan confusion matrix dan analisis kurva ROC untuk mengukur performa prediksi zona pay. Hasil penelitian ini menunjukkan bahwa metode deterministik cenderung menghasilkan prediksi underestimation zona produktif akibat tingginya false negative, dengan prediksi 25.36% interval kedalaman sebagai zona pay. Sebaliknya, model dengan algoritma Logistic Regression menunjukkan performa klasifikasi yang sangat baik dengan akurasi 94.5% dan nilai ROC-AUC sebesar 0.973. Validasi terhadap data aktual (ground truth) menunjukkan bahwa metode deterministik memberikan hasil underestimation dengan hanya memprediksi sebanyak 555 sampel dari total 1053 zona produktif pada data aktual, sementara model machine learning memberikan hasil prediksi sebanyak 1176 sampel produktif. Penelitian ini menggunakan penetapan ambang batas (threshold) optimal sebesar 0,7970 yang terbukti mampu meningkatkan objektivitas prediksi dan menangani bias interpretasi pada metode deterministik. Temuan ini menegaskan bahwa algoritma Logistic Regression mampu meningkatkan akurasi dan objektivitas prediksi zona produktif dibandingkan metode deterministik berbasis cut-off, sehingga menawarkan solusi yang andal untuk mendukung keputusan eksplorasi hidrokarbon pada industri minyak dan gas.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Dhiya Bunga Syafina Ramadhani (124220070-Penulis) Herry Sofyan (Pembimbing)
Uncontrolled Keywords:	Reservoir, Zona Produktif, Metode Deterministik, Machine Learning, Logistic Regression
Subjek:	T Technology > T Technology (General) T Technology > TN Mining engineering. Metallurgy
Divisions:	Fakultas Teknik Industri > (S1) Sistem Informasi
Depositing User:	Bayu Pambudi
Date Deposited:	20 Feb 2026 01:06
Last Modified:	20 Feb 2026 01:06
URI:	http://eprints.upnyk.ac.id/id/eprint/47105

Actions (login required)

View Item