MULYANA, Titin (2023) Pengaruh Analisis Korelasi terhadap Penerapan Algoritma Support Vector Machine dalam Kasifikasi Fasies berdasarkan Data Log Sumur. Skripsi thesis, Universitas Jenderal Soedirman.
PDF (Cover)
COVER-Titin Mulyana-K1C018002-Skripsi-2023.pdf Download (39kB) |
|
PDF (Legalitas)
LEGALITAS-Titin Mulyana-K1C018002-Skripsi-2023.pdf Restricted to Repository staff only Download (861kB) |
|
PDF (Abstrak)
ABSTRAK-Titin Mulyana-K1C018002-Skripsi-2023.pdf Download (35kB) |
|
PDF (BabI)
BAB-I-Titin Mulyana-K1C018002-Skripsi-2023.pdf Restricted to Repository staff only until 23 May 2024. Download (40kB) |
|
PDF (BabII)
BAB-II-Titin Mulyana-K1C018002-Skripsi-2023.pdf Restricted to Repository staff only until 23 May 2024. Download (665kB) |
|
PDF (BabIII)
BAB-III-Titin Mulyana-K1C018002-Skripsi-2023.pdf Restricted to Repository staff only until 23 May 2024. Download (196kB) |
|
PDF (BabIV)
BAB-IV-Titin Mulyana-K1C018002-Skripsi-2023.pdf Restricted to Repository staff only Download (882kB) |
|
PDF (BabV)
BAB-V-Titin Mulyana-K1C018002-Skripsi-2023.pdf Download (33kB) |
|
PDF (DaftarPustaka)
DAFTAR PUSTAKA-Titin Mulyana-K1C018002-Skripsi-2023.pdf Download (152kB) |
|
PDF (Lampiran)
LAMPIRAN-Titin Mulyana-K1C018002-Skripsi-2023.pdf Restricted to Repository staff only Download (458kB) |
Abstract
Klasifikasi fasies merupakan proses identifikasi litologi batuan berdasarkan pengukuran secara tidak langsung seperti pengukuran log sumur. Proses klasifikasi fasies umumnya dilakukan secara manual oleh ahli geologi yang berpengalaman sehingga membutuhkan waktu yang relatif lama dan tidak efisien. Aplikasi machine learning dalam klasifikasi fasies dapat meningkatkan efektivitas dan efisiensi interpretasi geofisika pada data yang kompleks. Penelitian ini bertujuan untuk mengetahui keakuratan hasil estimasi fasies pada algoritma SVM tanpa analisis korelasi dengan yang menggunakan analisis korelasi. Algoritma machine learning pada penelitian ini menggunakan bahasa pemograman phyton. Keakuratan data training pada SVM tanpa analisis korelasi sebesar 72% dengan data testing sebesar 41%. Keakuratan data training dan data testing pada SVM dengan analisis korelasi memiliki keakuratan sesuai variasi. Keakuratan data training dan data testing pada SVM dengan analisis korelasi paling tinggi sebesar 70% dan 45%. Nilai akurasi prediksi pada data training dan data testing menunjukkan bahwa SVM dengan analisis korelasi memiliki nilai yang relatif lebih baik dibandingkan nilai akurasi SVM tanpa menggunakan analisis korelasi. Perbandingan tersebut berdasarkan SVM dengan analisis korelasi yang memiliki nilai yang lebih tinggi pada data testing yaitu variasi data log fisis yang berkorelasi positif dan negatif serta satu data log informasi geologi yang berkorelasi positif tinggi.
Item Type: | Thesis (Skripsi) |
---|---|
Nomor Inventaris: | K23069 |
Uncontrolled Keywords: | Fasies, machine learning, SVM, keakuratan, analisis korelasi |
Subjects: | P > P262 Physical sciences |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > S1 Fisika |
Depositing User: | Mrs. MULYANA Titin |
Date Deposited: | 23 May 2023 01:53 |
Last Modified: | 23 May 2023 01:53 |
URI: | http://repository.unsoed.ac.id/id/eprint/21388 |
Actions (login required)
View Item |