Klasifikasi Fluida Reservoir Berbasis Machine Learning dengan Input Parameter Hasil Metode GOWS (Gas Oil Water Scanner) di Lapangan “CH”, Cekungan Sumatra Selatan

Nazwa Sheptia Salsabilla, Dr. Theodosius Marwan Irnaka, S.Si., M.Sc.; Benedictus Dicky Pradnya Agung Pramudhita, S.T.

2026 | Skripsi | GEOFISIKA

Penurunan produktivitas lapangan mature di Indonesia menuntut pendekatan yang lebih akurat dan adaptif dalam identifikasi fluida reservoir. Penelitian ini mengintegrasikan metode Gas Oil Water Scanner (GOWS), yang dikembangkan dari metode Mahakam Integrated Fluid Interpretation (MIFI), dengan algoritma machine learning untuk mengklasifikasikan fluida reservoir di Lapangan "CH", Cekungan Sumatra Selatan. Penelitian difokuskan pada Formasi Baturaja dan Talang Akar menggunakan data open hole log, OH-MDT, dan data produksi dari enam sumur yang diperoleh dari PT Pertamina Hulu Rokan – Zona 4. Alur penelitian diawali dengan pre-conditioning data log dan perhitungan parameter petrofisika, meliputi volume serpih (Vsh) dan porositas efektif (?e), yang selanjutnya digunakan sebagai input metode GOWS. Klasifikasi fluida dilakukan dalam dua tahap. Stage 1 memisahkan zona water dan hidrokarbon menggunakan algoritma Random Forest dan XGBoost yang dioptimasi dengan hyperparameter tuning berbasis Optuna. Stage 2 memisahkan oil dan gas dari hasil Stage 1 menggunakan pendekatan rule-based cutoff berdasarkan parameter GOWS. Model XGBoost menunjukkan performa terbaik pada blind test dengan nilai accuracy 0,980, F1-weighted 0,979, F1-macro (average per well) 0,981, F1-macro (multi-class wells) 0,974, dan Cohen’s kappa 0,962. Analisis feature importance menunjukkan bahwa parameter resistivitas (RD, RGBE, RPBE) dan densitas (DNS) merupakan fitur paling berpengaruh dalam klasifikasi. Penerapan model pada seluruh interval reservoir berkualitas baik mengidentifikasi potensi hidrokarbon yang belum terproduksi, dengan estimasi ketebalan oil sebesar 39,62 m dan gas sebesar 10,66 m, yang mengindikasikan peluang pengembangan reservoir lebih lanjut pada Lapangan "CH".

The declining productivity of mature oil and gas fields in Indonesia demands a more accurate and adaptive approach to reservoir fluid identification. This study integrates the Gas Oil Water Scanner (GOWS) method, derived from the Mahakam Integrated Fluid Interpretation (MIFI) technique, with machine learning algorithms to classify reservoir fluids in the "CH" Field, South Sumatra Basin. The study focuses on the Baturaja and Talang Akar Formations using open hole log data, OH-MDT, and production data from six wells obtained from PT Pertamina Hulu Rokan – Zone 4. The workflow begins with log pre-conditioning and petrophysical parameter calculations, including shale volume (Vsh) and effective porosity (?e), which are subsequently used as input for the GOWS method. Fluid classification is carried out in two stages. Stage 1 separates water zones from hydrocarbon zones using Random Forest and XGBoost algorithms optimized through Optuna-based hyperparameter tuning. Stage 2 further distinguishes oil from gas using a rule-based cutoff approach derived from GOWS parameters. The XGBoost model demonstrated the best performance on blind test data, achieving an accuracy 0,980, F1-weighted 0,979, F1-macro (average per well) 0,981, F1-macro (multi-class wells) 0,974, and Cohen’s kappa 0,962. Feature importance analysis revealed that resistivity (RD, RGBE, RPBE) and density (DNS) parameters were the most influential features in fluid classification. Application of the model across all goodquality reservoir intervals identified unproduced hydrocarbon potential with an estimated thickness of 39.62 m of oil and 10.66 m of gas, indicating opportunities for further reservoir development in the "CH" Field. 

Kata Kunci : klasifikasi fluida reservoir, machine learning, GOWS, XGBoost, Random Forest, petrofisika, Cekungan Sumatra Selatan