Gambar 5.8 Crossplot korelasi regresi multiatribut CC = Gambar 5.9 Crossplot korelasi multiatribut-pnn CC = 0.87

Transkripsi

1 Korelasi yang dihasilkan dari neural network lebih besar dari regresi multiatrribute, hal ini karena neural network mempunyai operasi yang non-linear. Neural network hanya dilakukan dalam window analysis yang kecil karena akan memakan waktu yang sangat lama jika di aplikasikan ke seluruh waktu, neural network sangat baik dalam interpoalsi di dalam data uji, tapi tidak untuk ekstrapolasi data, oleh karena itu interval yang berada diluar window analysis akan mempunyai validitas yang rendah. Gambar 5.8 Crossplot korelasi regresi multiatribut CC = 0.62 Gambar 5.9 Crossplot korelasi multiatribut-pnn CC =

2 Gambar 5.10 Aplikasi MLFN Gambar 5.11 Aplikasi RBF 55

3 Pada training PNN, prosesnya adalah mencari set sigma yang memperkecil validasi error. Ada satu sigma untuk setiap atribut masukan, dimana operator konvolusi memperbesar jumlah atribut dengan faktor ini. Misalnya pada kasus ini kita menggunakan 6 attribut dengan panjang operator 7 maka akan ada 42 sigma yang dideterminasi. Ini adalah optimasi non-linear. Ada dua tahapan dalam menyelesaikan optimasi ini, yang pertama adalah mengasumsikan seluruh sigma sama, kemudian langkah kedua adalah mendeterminasi sigma-sigma individual dengan conjugate-gradient analysis dengan sigma global sebagai nilai awal. Cross Validation adalah proses sistematik untuk tidak menggunakan nilai training, dan memprediksi nilainya dengan point yang sudah ada. Pada training MLFN algoritmanya tidak menggunakan back propagation network. MLFN yang digunakan pada kasus ini mempunyai 3 layer. Layer input terdiri dari banyak nodal sebagai atribut masukan, dimana operator konvolusi meningkatkan banyak nodal sesuai dengan faktor bobotnya. Pada kasus ini kita mempunyai 6 atribut, berarti akan ada 18 nodal pada layer input. Layer kedua adalah "hidden layer" dan Layer ketiga adalah layer output dimana berisi satu nodal karena menggunakan network untuk mapping. Semakin banyak nodal akan menguji data dengan baik tapi juga beresiko untuk terjadinya "over-fitting", semakin sedikit nodal akan membuat hasil lebih smooth tetapi membawa perubahan yang kecil. Parameter ini bekerja seperti polynomial fitting. Training MLFN mencari bobot optimal diantara koneksi antar nodal. Bobot akan optimum saat prediction error mengecil, jadi saat nilai baru di prediksi untuk beberapa point dapat terjadi kemungkinan tidak berbeda jauh dengan nilai awal. Algoritma ini adalah solusi non-linear dengan nilai-nilai minimum lokal. MLFN menggunakan kombinasi simulated annealing dan conjugate-gradient analysis untuk menemukan nilai minimum global. Iterasi total terdiri dari conjugate-gradient analysis yang disertai simulated annealing untuk mencari nilai awal terbaik. Pada training RBF menggunakan algoritma feed-forward dengan Gaussian bell curve sebagai fungsi basisnya. Algoritmanya mitip dengan PNN karena menggunakan seluruh data atribut dan log untuk mencari hubungan spasialnya. Hanya saja RBF menghitung bobot dari data training menggunakan persamaan yang telah diturunkan. 56

4 5.3. Analisa Validasi dan Neural Network Jika kita memperhatikan hasil validasi data setelah aplikasi neural network, kita dapat melihat bahwa kurva prediksi ada di event yang tepat, tetapi ada beberapa bagian yang sedikit mengalami shifting. Karena prediksi frekuensi yang sangat tinggi, perhitungan dari korelasi sangat sensitif terhadap perhitungan konversi waktu ke kedalaman dan dapat menyebabkan validasi dari error sangat pesimis untuk perhitungan Neural Network. Untuk alasan inilah kita akan meninggalkan sumur dengan validasi error yang tinggi. Gambar 5.12 Cross Validasi Neural Network Kemungkinan lain untuk meningkatkan hasil dari PNN adalah menggunakan trend dari perhitungan regresi multi linear. Ini berguna karena Neural Network bekerja dengan baik pada data dengan statistik yang stasioner contohnya seperti data dengan perioda yang mempunyai trend khusus yang signifikan. Log porositas diharapkan mempunyai trend yang cukup signifikan pada analysis window, sehingga dapat bekerja dengan optimal. 57

5 5.4. Aplikasi Log P -Wave Gambar 5.13 Analisa Multi Atribut untuk Log Target P -Wave Gambar 5.14 Maximum Atrribute Aplikasi multi atribut dan neural network dapat di gunakan tidak hanya dalam satu jenis log saja, tapi bisa untuk log yang lain termasuk P wave hal ini selama Log target diharapkan mempunyai trend yang cukup signifikan pada analysis window, sehingga dapat bekerja dengan optimal. 58

6 Gambar 5.15 Aplikasi PNN Korelasi 0.84 Gambar 5.16 Validasi PNN 59