KLASIFIKASI ZONA POTENSIAL HIDROKARBON BERBASIS DATA WELL LOG MENGGUNAKAN XGBOOST

Sabila Khairina Saktiwati, . (2026) KLASIFIKASI ZONA POTENSIAL HIDROKARBON BERBASIS DATA WELL LOG MENGGUNAKAN XGBOOST. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220085.pdf Download (188kB)
	Text Abstrak_123220085.pdf Download (209kB)
	Text Halaman Pengesahan_123220085.pdf Download (259kB)
	Text Daftar Isi_123220085.pdf Download (211kB)
	Text Daftar Pustaka_123220085.pdf Download (175kB)
	Text TAFull_123220085.pdf Restricted to Repository staff only Download (2MB)

Abstract

Kebutuhan energi global akan minyak dan gas bumi terus meningkat, sedangkan cadangan yang dapat dieksploitasi semakin berkurang. Identifikasi zona potensial hidrokarbon secara tradisional dilakukan dengan menganalisis data well log yang memerlukan waktu lama dan ketelitian tinggi. Tantangan utama dalam klasifikasi otomatis menggunakan machine learning adalah distribusi kelas yang sangat tidak seimbang (imbalanced), di mana zona Oil dan Gas jauh lebih sedikit dibandingkan zona NonReservoir dan NoHC. Oleh karena itu, diperlukan metode untuk menangani ketimpangan distribusi tersebut sekaligus mengidentifikasi fitur-fitur pada well log yang paling berpengaruh dalam proses klasifikasi.
Penelitian ini menerapkan model XGBoost dengan metode Weighted-XGBoost dan optimasi hyperparameter menggunakan GridSearchCV untuk mengklasifikasikan zona potensial hidrokarbon ke dalam empat kelas yaitu NonReservoir, NoHC, Oil, dan Gas pada data well log sumur Poolowanna 1 yang diperoleh dari Australian Government Geoscience Australia. Data tersebut terdiri dari 20.082 baris dan 20 kolom. Metode Weighted-XGBoost diterapkan dengan menggunakan fungsi compute_sample_weight untuk menentukan bobot invers proporsional pada setiap kelas, sedangkan GridSearchCV dengan Stratified 5-Fold Cross Validation digunakan untuk mencari kombinasi hyperparameter terbaik dari 216 kombinasi yang diuji. Selain itu, analisis feature importance dilakukan untuk mengidentifikasi fitur well log yang paling berpengaruh terhadap hasil klasifikasi.
Penerapan metode Weighted-XGBoost dan optimasi hyperparameter menggunakan GridSearchCV menghasilkan model dengan nilai precision macro sebesar 99.85% pada test set yang terdiri dari 4.017 sampel, dengan precision per kelas NonReservoir 99.8%, NoHC 99.6%, Oil 100%, dan Gas 100%. Kombinasi hyperparameter terbaik yang diperoleh adalah n_estimators = 200, learning_rate = 0,05, max_depth = 6, subsample = 0,8, dan colsample_bytree = 1,0. Analisis feature importance mengidentifikasi SP (Spontaneous Potential), RHOB (Bulk Density), dan Vshale (Shale Volume) sebagai tiga fitur terpenting dari well log yang memberikan kontribusi sebesar 71% dari total gain model, sedangkan fitur NPHI, DRHO, dan RMED dieliminasi karena nilai feature importance-nya di bawah ambang batas yang ditentukan.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Sabila Khairina Saktiwati (Penulis-123220085) Frans Richard Kodong (Pembimbing)
Uncontrolled Keywords:	XGBoost, Klasifikasi Hidrokarbon, Well Log, Imbalanced Dataset, Feature Importance
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	12 Mar 2026 06:51
Last Modified:	12 Mar 2026 06:51
URI:	http://eprints.upnyk.ac.id/id/eprint/47333

Actions (login required)

View Item