IDENTIFIKASI SEAM BATUBARA BERBASIS CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN DATA WELL LOGGING PADA LAPANGAN SAMARINDA

DANIEL KUNCORO PANGESTU, . (2026) IDENTIFIKASI SEAM BATUBARA BERBASIS CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN DATA WELL LOGGING PADA LAPANGAN SAMARINDA. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 115220065_Cover - Daniel Pangestu.pdf Download (249kB)
	Text 115220065_Abstrak - Daniel Pangestu.pdf Download (279kB)
	Text 115220065_Halaman Pengesahan - Daniel Pangestu.pdf Download (214kB)
	Text 115220065_Daftar Isi - Daniel Pangestu.pdf Download (310kB)
	Text 115220065_Daftar Pustaka - Daniel Pangestu.pdf Download (248kB)
	Text 115220065_Fulltext - Daniel Pangestu.pdf Restricted to Repository staff only Download (5MB)

Abstract

Identifikasi seam batubara merupakan tahapan penting dalam kegiatan eksplorasi dan evaluasi sumber daya batubara, namun interpretasi data well logging secara manual memerlukan waktu yang relatif lama dan bergantung pada pengalaman interpreter. Penelitian ini bertujuan menerapkan metode Convolutional Neural Network (CNN) untuk mengidentifikasi seam batubara berdasarkan data well logging pada Lapangan Samarinda, Formasi Balikpapan, Cekungan Kutai. Data yang digunakan terdiri atas sembilan sumur dengan parameter Gamma Ray (GR) dan Density (RHOB) yang telah dilengkapi label litologi hasil interpretasi cutting dan coring. Data diproses melalui tahapan pembersihan, normalisasi, pelabelan litologi, dan segmentasi menggunakan metode sliding window sebelum digunakan sebagai masukan model CNN. Evaluasi dilakukan menggunakan metode Leave-One-Well-Out (LOWO), yaitu delapan sumur sebagai data latih dan satu sumur sebagai data uji secara bergantian. Hasil penelitian menunjukkan bahwa model CNN mampu mengklasifikasikan litologi batulempung, batupasir, serpih karbonan, dan batubara dengan nilai akurasi sebesar 70,26–91,68% dan weighted F1-score sebesar 70,78–91,42%. Litologi batubara menunjukkan performa terbaik dengan nilai F1-score hingga 0,9812. Selain itu, model berhasil mengidentifikasi seluruh seam batubara utama pada sembilan sumur uji dengan perbedaan ketebalan seam berkisar antara -0,58 m hingga 0,39 m terhadap data aktual. Hasil penelitian menunjukkan bahwa CNN memiliki potensi sebagai alat bantu interpretasi yang efektif dan konsisten untuk identifikasi seam batubara berdasarkan data well logging.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Convolutional Neural Network (CNN), density log, gamma ray log, identifikasi seam batubara, well logging
Subjek:	Q Science > QC Physics Q Science > QE Geology T Technology > TN Mining engineering. Metallurgy
Divisions:	Fakultas Teknologi Mineral dan Energi > (S1) Teknik Geofisika
Depositing User:	Indah Lestari
Date Deposited:	14 Oct 2026 03:39
Last Modified:	14 Oct 2026 03:39
URI:	http://eprints.upnyk.ac.id/id/eprint/49855

Actions (login required)

View Item