View/Open

Author
FAUZAN, AHMAD

Date Published
19 Jan 2026

Advisor
Muhamad Ragil Setiawan, S.Pd., M.Sc.,
Ade Lailani, S.Si., M.Si.,

Subject
Fisika

Publisher

Mineralogi sangat memengaruhi sifat elastis batuan, terutama dalam aplikasi perhitungan numerik menggunakan Digital Rock Physics. Meskipun demikian, pemisahan mineral melalui thresholding masih menjadi kendala utama. Oleh karena itu, penelitian ini bertujuan untuk melakukan segmentasi multifasa dan analisis komposisi mineralogi batuan tuff dengan menerapkan machine learning menggunakan kombinasi algoritma Gray-Level Co-occurrence Matrix (GLCM) dan K-Means, serta menentukan sifat elastis batuan. Sampel batuan tuff yang digunakan memiliki resolusi 6,42857 µm pada dimensi 860 × 840 piksel dan 500 × 500 × 200 piksel. Segmentasi citra dilakukan menggunakan tiga metode, yaitu K-Means, GLCM + K-Means, dan GLCM Up Contrast + K-Means untuk mengidentifikasi enam fasa mineral. Perhitungan sifat elastis menggunakan program Garboczi 2D dan 3D. Hasil penelitian menunjukkan bahwa metode GLCM Up Contrast + K-Means menghasilkan segmentasi paling optimal dengan kemampuan mempertegas batas antarmineral dan mengoreksi estimasi porositas dari 12% menjadi 10,81%. Komposisi mineral yang teridentifikasi didominasi oleh Albite dan Montmorilonite, dengan kesesuaian kualitatif terhadap hasil XRD. Pada model 3D, metode GLCM Up Contrast + K-Means menghasilkan nilai elastisitas tertinggi dengan modulus bulk 27,37 GPa, modulus geser 22,18 GPa, dan konvergensi yang lebih stabil. Penelitian ini membuktikan bahwa integrasi fitur tekstur GLCM dengan peningkatan kontras berperan penting dalam meningkatkan akurasi segmentasi mineral dan estimasi sifat mekanik batuan tuff.

URI
https://repo.itera.ac.id/depan/submission/SB2601190085

Keyword
Batuan Tuff DRP GLCM Machine Learning K-Means XRD Segmentasi Mineral Sifat Elastis