Matakuliah

Machine Learning untuk Data Sains

- Fakultas Matematika dan Ilmu Pengetahuan Alam

Deskripsi Mata Kuliah

Mata kuliah ini membekali mahasiswa Fisika UNP dengan kemampuan machine learning yang langsung dapat diterapkan pada permasalahan nyata industri energi dan pertambangan Indonesia. Mahasiswa mempelajari spektrum lengkap algoritma ML — dari regresi dan ensemble hingga deep learning dan Physics-Informed Neural Network (PINN) — dengan setiap algoritma dipasangkan pada dataset industri autentik. Penekanan diberikan pada pemahaman fisika di balik keputusan model, sehingga mahasiswa mampu menjelaskan dan mempertahankan hasil analisis mereka kepada tim geoscience di industri. Topik mencakup klasifikasi fasies dari well log LAS, inversi data MT geotermal, prediksi laju produksi sumur dengan LSTM, dan solusi PDE reservoir menggunakan PINN

CPL Program Studi pada MK

CPL-5 - Menerapkan metode matematika untuk menjelaskan, mendeskripsikan program studi, menganalisis, dan memecahkan masalah fisika

CPL-6 - Memecahkan masalah sistem fisik standar secara komprehensif menggunakan prinsip dasar fisika, persamaan matematika, alat komputasi/TIK

CPL-8 - Menerapkan ilmunya di bidang fisika pada bidang yang lebih luas/atau masalah interdisipliner dalam kegiatan profesionalnya

CPMK

CPMK-1 - Mampu menjelaskan prinsip matematis dan fisika algoritma ML utama serta menghubungkannya dengan konsep data sains eksplorasi energi dan pertambangan

CPMK-2 - Mampu merancang pipeline ML industri yang lengkap — dari preprocessing data LAS/SEG-Y, rekayasa fitur fisika, pelatihan model, validasi, hingga interpretasi hasil

CPMK-3 - Mampu menerapkan algoritma ML untuk permasalahan industri nyata: prediksi properti reservoir, klasifikasi fasies seismik, optimasi produksi sumur geotermal, dan estimasi cadangan mineral

CPMK-4 - Mampu merancang arsitektur Physics-Informed Neural Network (PINN) yang mengintegrasikan persamaan fisika reservoir sebagai kendala pelatihan untuk masalah inversi dan prediksi produksi

CPMK-5 - Mampu menginterpretasikan hasil model ML secara fisik menggunakan teknik explainability (SHAP, feature importance) dan mengkomunikasikan temuan kepada tim geoscience industri