knn facies prediction well data

Informasi disampaikan kurang dari seminggu bahwa akan sidang TA 2 [1], dengan draft disampaikan setengah jam kemudian [2] dan dikirimkan kembali satu hari sebelum hari presentasinya [3]. Versi PDF diberikan setelah diminta pada malam harinya [4]. Metode K Nearest Neighbors (KNN) merupakan metode non-parametrik, yang digunakan untuk klasifikasi dan regresi, termasuk kepada 10 algoritma paling berpengaruh dalam penam-bangan data dan dianggap sebagai salah satu metode tersederhana dalam bidang pembelajaran mesin [5].

presentation#

Presentasi karya berjudul “Penggunaan Metode K-Nearest Neigbors (KNN) untuk Prediksi Fasies Berdasarkan Data Sumur” oleh Fakhrul Rahadian di Ruangan 1203 pada pada pukul 1330.

Gambar 1. Presentasi Tugas Akhir 2 oleh Fakhrul Rahadian dengan pembim-bing Umar Fauzi.

Presentasi dilakukan dengan cukup banyak istilah geofisika sehingga masih dapat lebih dimudahkan istilah yang digunakan agar lebih umum dapat dipahami oleh seorang fisikawan yang bukan geofisikawan.

Gambar 2. Sesi diskusi setelah presentasi selesai dilakukan.

Diskusi dilakukan dengan menarik dan muncul berbagai ide yang dapat ditindaklanjuti. Beberapa hal menarik yang dapat dicoba seperti

• penafsiran / prediksi bukan dengan data log langsung yang terukur tetapi telah diubah menjadi parameter fisis dari fasies atau lapisan buminya,
• KNN dapat dipilih yang unsupervised sehingga jumlah kolompok tidak dipaksa menjadi dua atau tiga macam akan tetapi seadanya saat optimasi telah tercapai,
• nilai $k$ yang memberikan kesalahan prediksi terkecil perlu dikaitkan dengan kemiripannya dengan data faktual, apakah selalu berkorelasi,
• penggunaan istilah dan indeks dari jarak yang disampaikan dapat dijabarkan dengan lebih baik dan tertruktur sehingga memudahkan pembacaannya, dan
• menerapkan KNN ini, bila telah menggunakan parameter fisis, pada bahan lain yang menjadi parameter bahan secara umum (polimer, optik, semikonduktor, logam, keramik, organik, dan lainnya).

to-do#

• Mempelajari metode KNN dan implementasinya dalam bahasa pemrograman yang diketathui, misalnya dalam Python [6].
• Mencari penerapannya dalam data bahan butiran, baik simulasi maupun eksperimen.

notes#

1. Fakhrul Rahadian, “Komunikasi pribadi”, WhatsApp, 2:29 PM, 9/6/2022.
2. Fakhrul Rahadian, “Komunikasi pribadi”, WhatsApp, 2:50 PM, 9/6/2022, url https://osf.io/c54v9 [20220913].
3. Fakhrul Rahadian, “Komunikasi pribadi”, WhatsApp, 16:26, 12.9.2022, url https://osf.io/bzpmc [20220913].
4. Fakhrul Rahadian, “Komunikasi pribadi”, WhatsApp, url https://osf.io/sw968 [20220913].
5. Mouselimis Lampros, “Kernel k nearest neighbors”, mlampros, 10 Jul 2016, url https://mlampros.github.io/2016/07/10/KernelKnn/ [20220913].
6. Isha Bansal, “K-Nearest Neighbors (KNN) in Python”, DigitalOcean, 4 Aug 2022, url https://www.digitalocean.com/community/tutorials/k-nearest-neighbors-knn-in-python [20220913].