📊 Pertemuan 09 | Week 9

Unsupervised Learning

Memahami konsep, algoritma, dan aplikasi unsupervised learning dalam konteks geofisika: clustering, dimensionality reduction, dan pattern recognition

⏱️ 3 × 50 menit
🎯 K-Means, Hierarchical, DBSCAN, PCA
📈 Clustering & Dimensionality Reduction

📽️ Slide Presentation

💡 Cara Menggunakan Slide

Gunakan tombol panah atau klik untuk navigasi slide. Tekan tombol fullscreen untuk tampilan layar penuh. Slide dapat diakses kapan saja untuk review materi.

🎯 Tujuan Pembelajaran

Setelah menyelesaikan pertemuan ini, mahasiswa diharapkan mampu:

  1. Memahami konsep fundamental unsupervised learning dan perbedaannya dengan supervised learning
  2. Menjelaskan dan mengimplementasikan berbagai algoritma clustering (K-Means, Hierarchical, DBSCAN)
  3. Memahami prinsip dimensionality reduction menggunakan PCA (Principal Component Analysis)
  4. Menentukan jumlah cluster optimal menggunakan Elbow Method dan Silhouette Analysis
  5. Mengaplikasikan unsupervised learning pada data geofisika untuk pattern recognition
  6. Menginterpretasi hasil clustering dalam konteks geologis dan geofisika
  7. Memilih algoritma yang tepat berdasarkan karakteristik data dan tujuan analisis

📚 Topik Pembahasan

🔍

Pengantar Unsupervised Learning

Konsep dasar, perbedaan dengan supervised learning, aplikasi dalam geofisika, dan overview algoritma utama

🎯

K-Means Clustering

Algoritma, cara kerja iterasi, centroid initialization, convergence criteria, dan implementasi praktis

🌳

Hierarchical Clustering

Agglomerative vs divisive, dendrogram interpretation, linkage methods (single, complete, average, Ward)

📊

Density-Based Clustering

DBSCAN algorithm, epsilon parameter, min_samples, handling noise and outliers, arbitrary-shaped clusters

📐

Dimensionality Reduction

Principal Component Analysis (PCA), eigenvalues, variance explained, feature visualization, curse of dimensionality

✅

Cluster Validation

Elbow Method, Silhouette Score, Davies-Bouldin Index, Calinski-Harabasz Index, determining optimal K

🛢️

Aplikasi: Facies Clustering

Well log clustering untuk identifikasi litologi, reservoir characterization, seismic facies analysis

🌍

Aplikasi: Seismic Pattern Recognition

Clustering seismic attributes, anomaly detection, unsupervised feature learning dari data seismik

💡 Konsep Kunci

Supervised vs Unsupervised Learning

Supervised Learning: Algoritma belajar dari data yang sudah memiliki label (target). Contoh: prediksi litologi dari well log dengan data training yang sudah diberi label.

Unsupervised Learning: Algoritma mencari pola tersembunyi dalam data tanpa label. Contoh: clustering well log untuk menemukan fasies yang berbeda tanpa informasi litologi awal.

Clustering Algorithms Comparison

⚖️ Perbandingan Algoritma
  • K-Means: Cepat, efficient untuk large datasets, assumes spherical clusters, requires K predetermined
  • Hierarchical: No need to specify K, creates dendrogram, computationally expensive for large data
  • DBSCAN: Finds arbitrary-shaped clusters, handles outliers, sensitive to parameter tuning (epsilon, min_samples)
  • GMM: Soft clustering (probabilistic), flexible cluster shapes, assumes Gaussian distribution

Dimensionality Reduction: PCA

Principal Component Analysis (PCA) mentransformasi data ke dalam set orthogonal principal components yang menangkap variance maksimum. Manfaat PCA:

  • Reduksi dimensi untuk visualisasi (3D → 2D)
  • Noise reduction dan feature extraction
  • Mengatasi multicollinearity
  • Preprocessing untuk machine learning algorithms

Applications in Geophysics

  • Well Log Clustering: Identifikasi fasies litologi berdasarkan similarity log response (GR, RHOB, NPHI, DT)
  • Seismic Facies Analysis: Clustering seismic attributes untuk identifikasi geological features
  • Reservoir Characterization: Segmentasi zona reservoir vs non-reservoir
  • Anomaly Detection: Identifikasi outliers atau unusual patterns dalam data geofisika
  • Time Series Clustering: Pattern recognition dalam earthquake catalogs atau production data

📖 Referensi & Resources

Textbooks & Papers:

  • Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning - Chapter 14: Unsupervised Learning
  • Bishop, C. M. (2006). Pattern Recognition and Machine Learning - Chapter 9: Mixture Models and EM
  • Dubrule, O. (2003). Geostatistics for Seismic Data Integration in Earth Models

Online Resources:

  • Scikit-learn Documentation: Clustering Algorithms
  • Towards Data Science: Well Log Facies Classification
  • SEG Machine Learning Resources

Practice:

📝 Evaluasi

Kriteria Penilaian:

  • ✅ Pemahaman konsep unsupervised learning (20%)
  • ✅ Implementasi algoritma clustering (30%)
  • ✅ Cluster validation & interpretation (25%)
  • ✅ Aplikasi pada data geofisika (25%)

Deliverables:

  • 🔬 Praktikum 03: K-Means clustering implementation dengan South Barrow 18 well data
  • 📊 Report: Clustering results, validation metrics, geological interpretation
  • 📈 Visualization: Clustered well logs, cross-plots, dendrogram (jika applicable)