bidang
TEKNIK
JOHN ADLER
Program Studi Teknik Komputer - FTIK
Universitas Komputer Indonesia
Batu gamping dikenal sebagai batuan karbonat adalah salah satu kelas batuan
sedimen yang mineral pembentuknya (sebesar 95% atau lebih) adalah calcite
(CaCO3, kalsium karbonat), dolomite (CaMg(CO3)2) dan aragonite. Batuan kar-
bonat ini menjadi sangat penting karena lebih dari 50% reservoar minyak dan
gas di dunia adalah reservoar karbonat. Namun tantangannya adalah ketidak-
teraturan dan kompleksitas struktur geometri pori karbonat dan frame (rangka)
yang bisa teralterasi (berubahnya komposisi mineral batuan dan struktur ki-
mianya).
Pada penelitian ini, batuan akan dikarakterisasi menggunakan thin section
(sayatan tipis) untuk mendapatkan gambar (image) berukuran 1000 mikrometer
dengan bantuan mikroskop electron. Dengan metode baru, akan dikaji
fenomena Seismic Rock Physics pada thin section yaitu menghitung kecepatan
gelombang elastic pada suatu pori-pori batuan menggunakan Jaringan Syaraf
Tiruan Backpropagation, merupakan salah satu jenis Jaringan Syaraf Tiruan
(JST) feed forward dengan proses belajar dibimbing (supervised learning), ber-
fungsi memilah-milah citra warna yang terdapat dalam image (metoda RGB, Red
-Green-Blue). Metode pembelajaran yang dipakai adalah metode Levenberg-
Marquardt.
Kata kunci : Calcite, Thin Section, Jaringan Syaraf Tiruan, dan Levenberg-Marquardt
H a l a ma n 3
Majalah Ilmiah UNIKOM Vol.12, No. 1 John Adler
H a l a m a n 4
John Adler Majalah Ilmiah UNIKOM Vol. 12 , No1.
akurat dibandingkan dengan software ge- dalam lapisan output, erornya diback-
ologi dalam hal menentukan parameter propagasi lagi dalam masing-masing neu-
petrofisika seperti porositas dan saturasi ron yang akan dipindahkan hitungannya
air [Tadayoni, dkk, 2002], juga cukup ber- ke lapisan hidden yang mengupdate atau
hasil menghubungkan rumusan menghi- memperbarui masing-masing bobot dan
tung permeabilitas, porositas, dan ukuran bias. Proses ini diulang-ulang sampai
pori dibandingkan dengan regresi linear. diperoleh eror yang minimum dan ke-
ANN juga salah satu alat penyelesai ma- mudian pelatihannya berhenti.
salah kompleks yang umumnya terjadi
pada batuan gamping [Rezaee, dkk, Arsitektur Jaringan Syaraf
2006]. Jaringan dengan banyak lapisan memiliki
1 atau lebih lapisan yang terletak diantara
Dari image yang dihasilkan setelah pre- lapisan input dan lapisan output
parasi sampel, akan dirancang suatu pro- (memiliki 1 atau lebih lapisan tersem-
gram pengenalan bermacam-macam bunyi). Umumnya, ada lapisan bobot-
warna yang dihasilkan image dengan Jar- bobot yang terletak antara 2 lapisan yang
ingan Syaraf Tiruan MATLAB mengguna- bersebelahan. Jaringan dengan banyak
kan metoda Back Propagation Levenberg- lapisan ini dapat menyelesaikan perma-
Marquardt. salahan yang lebih sulit daripada jaringan
dengan lapisan tunggal, tentu saja den-
Jaringan Syaraf Tiruan merupakan gan pembelajaran yang lebih rumit. Na-
teknologi yang lahir dari upaya manusia mun demikian, pada banyak kasus, pem-
untuk mencari tahu bagaimana sistem belajaran pada jaringan dengan ban-
koordinasi hewan terjadi, bagaimana yak lapisan ini lebih sukses dalam
syaraf bekerja, mengoptimasi diri, dan menyelesaikan masalah.
mampu menjadi pusat segala sistem ha-
yati hewan. Suatu jaringan saraf tiruan Tipe pembelajaran dalam Jaringan Syaraf
memproses sejumlah besar informasi se- Tiruan, adalah Pembelajaran terawasi
cara paralel dan terdistribusi, hal ini terin- (supervised learning)
spirasi oleh model kerja otak biologis.
Metode pembelajaran pada jaringan
syaraf disebut terawasi jika output yang
diharapkan telah diketahui sebelumnya.
Pada proses pembelajaran, satu pola in-
put akan diberikan ke satu neuron pada
lapisan input. Pola ini akan dirambatkan
di sepanjang jaringan syaraf hingga sam-
pai ke neuron pada lapisan output.
Lapisan output ini akan membangkitkan
pola output yang nantinya akan dicocok-
Gambar 2 Sampel Jaringan Backpropaga- kan dengan pola output targetnya. Apa-
tion banyak lapisan bila terjadi perbedaan antara pola output
hasil pembelajaran dengan pola target,
Pada gambar di atas, ada tiga lapisan maka disini akan muncul error. Apabila
utama jaringan backpropagation yaitu nilai error ini masih cukup besar, mengin-
lapisan input, hidden, dan output. Lapisan dikasikan bahwa masih perlu dilakukan
input dari ekstraksi gambar akan menghi- lebih banyak pembelajaran lagi.Terdapat
tung umpan maju (feed forward) ke berbagai tipe pembelajaran terawasi be-
lapisan tersembunyi dan kemudian ke berapa diantaranya Hebb Rule, Percep-
lapisan output. Setelah perhitungan eror tron, Delta Rule, Backpropagation, Hetero
H a l a ma n 5
Majalah Ilmiah UNIKOM Vol.12, No. 1 John Adler
H a l a m a n 6
John Adler Majalah Ilmiah UNIKOM Vol. 12 , No1.
sayat tipis dengan alat penyayat, ditaburi 4. Tempel permukaan sampel pada kaca
zat kimia sehingga diperoleh image preparat 2,5 cm x 7,5 cm.
dalam bentuk *.jpg. Sampel yang akan
diteliti diambil di daerah Rajamandala- HASIL PENELITIAN DAN PEMBAHASAN
Padalarang, Kabupaten Bandung Barat.
Data yang digunakan adalah citra RGB
Riset ini difokuskan pada analisis
(matriksi 2 dimensi dengan 3 lapisan) dari
Mikrostruktur (struktur batuan berukuran
thin section karbonat yang telah distain
mikrometer) saja yaitu metoda Thin Slice
menggunakan alizarin red s sehingga
untuk menyelidiki pola citra warna dalam
mineral calcite dan dolomite tampak
sebuah image untuk dilatih, sehingga
dalam warna berbeda dan menggunakan
didapatkan sebaran warna yang tepat untuk
blue dye sehingga teridentifikasi warna
disimulasikan terhadap batuan reservoar
biru sebagai warna pori-pori batuan.
gamping.
Dolomite dengan warna merah, calcite
berwarna putih, dan pori berwarna biru.
Citra ini kemudian dilatih di dalam
software MATLAB dengan
mengeksekusinya menggunakan list
program yang telah dibuat. Sebagai input
pelatihan dilakukan cropping pada area
dolomite, calcite, dan pori. Input pelatihan
diumpankan ke jaringan syaraf tiruan
backpropagation dengan 6 hidden layer.
Selanjutnya digunakan untuk pelatihan
dengan metode Lavenberg-Marquadt.
Output jaringan berupa matriks 2 Dimensi
dengan nilai target yang diberikan.
H a l a ma n 7
Majalah Ilmiah UNIKOM Vol.12, No. 1 John Adler
H a l a m a n 8
John Adler Majalah Ilmiah UNIKOM Vol. 12 , No1.
Tabel 1. Data dua mineral utama yaitu Calcite (CaCO3) dan Dolomite (Ca (Mg)CO3)2, konstanta
elastic serta kecepatan gelombang seismic (Gelombang-P dan Gelombang-S)
H a l a ma n 9
Majalah Ilmiah UNIKOM Vol.12, No. 1 John Adler
H a l a m a n 10
John Adler Majalah Ilmiah UNIKOM Vol. 12 , No1.
H a l a ma n 11
Majalah Ilmiah UNIKOM Vol.12, No. 1 John Adler
Lampiran 1
H a l a m a n 12
John Adler Majalah Ilmiah UNIKOM Vol. 12 , No1.
Lampiran 2
H a l a ma n 13
Majalah Ilmiah UNIKOM Vol.12, No. 1
H a l a m a n 14