Temperatur merupakan parameter terpenting dalam penentuan kelayakan suatu lapangan geotermal. Penentuan temperatur yang digunakan saat ekplorasi selama ini dengan menngunakan teknologi geokimia yang cenderung hanya mampu memperkirakan temperatur di reservoar saja. Metode drilling juga dipakai untuk mengetahui temperatur sepanjang borehole  yang cenderung hanya 1 dimensi (1D) secara vertikal saja. Untuk mengetahui sebaran temperatur bawah permukaan perlu dilakukan dengan memakai metode lain. Dalam penelitian ini dilakukan dengan teknologi Neural Network Gradient Descent (NNGD) dengan memanfaatkan data inversi 3D MT dan temperatur borehole. Data yang dipakai dalam penelitian adalah data temperatur dari borhole yang akan di cari pola korelasinya dengan data resistivitas formasi batuan hasil inversi 3D MT. Pola korelasi yang dihasilkan dipakai dalam prediksi sebaran temperatur dengan memakai NNGD menggunakan program MATLAB. Data yang digunakan untuk data set adalah koordinat posisi Bujur Timur (X), Lintang Utara (Y), dan Elevasi (Z), nilai Resistivitas formasi batuan (r), dan gradien resistivitas formasi batuanarah vertikal (Dr) dengan temperatur (T) sebagai targetnya. Karena data target hanya satu dimensi arah vertikal saja yang berasal dari borehole maka perubahan resistivitas formasi batuan yang dipakai hanya yang arah vertikal saja. Adanya korelasi antara TOR (Top of Reservoir) dengan BOC (Base of Conductor) yang memiliki pola dan trend yang mirip diharapkan metode ini dapat dipergunakan untuk memprediksi sebaran temperatur dengan memanfaatkan teknologi NNGD. Bobot pada tersimpan di jaringan yang didapat dari proses training NNGD akan dipakai untuk memprediksi temperatur pada lokasi lain dengan memanfaatkan data inversi 3D MT. Hal ini dikarenakan data inversi 3D MT sudah banyak di pakai untuk menggambarkan kondisi resistivitas bawah permukaan pada lapangan geotermal dengan baik. Dengan memanfaatkan NNGD diperoleh adanya hubungan pola dan trend antara countour prediksi temperatur dan countor resitivitas batuan pada lapangan geotermal SML di lintasan 1. Temperatur tinggi berada di selatan borehole H1 dan H1, sementara di sebelah utara cenderung temperatur semakin rendah.

---

Temperature is the most important parameter in determining the feasibility of a geothermal field. Determination of the temperature used during exploration so far is by using geochemical technology which tends to only be able to estimate the temperature in the reservoir. The drilling method is also used to determine the temperature along the borehole which tends to be only 1 dimension (1D) vertically. To find out the subsurface temperature distribution, it is necessary to use other methods. In this research, this is done with Neural Network Gradient Descent (NNGD) technology which utilizes 3D MT inversion data and borehole temperature. The data used in this research is the temperature data from the borehole which will be looking for a correlation pattern with the resistivity data of the rock formation from the 3D MT inversion. The resulting correlation pattern is used in predicting the temperature distribution using NNGD using the MATLAB program. The data used for the data set are the coordinates of the position of East Longitude (X), North Latitude (Y), and Elevation (Z), the value of rock formation resistivity (r), and the resistivity gradient of rock formations in the vertical direction (Dr) with temperature (T ) as the target. Because the target data is only one dimension in the vertical direction, which comes from the borehole, the change in the resistivity of the rock formation is used only in the vertical direction. The correlation between TOR (Top of Reservoir) and BOC (Base of Conductor) which has similar patterns and trends, it is hoped that this method can be used to predict the temperature distribution by utilizing NNGD technology. The weights stored in the network obtained from the NNGD training process will be used to predict the temperature at other locations by utilizing 3D MT inversion data. This is because 3D MT inversion data has been widely used to describe subsurface resistivity conditions in geothermal fields well. By utilizing NNGD, there is a pattern and trend relationship between the temperature prediction contour and the rock resistivity contour in the geothermal field SML at path 1. High temperatures are in the south of the H1 and H1 boreholes, while in the north the temperature tends to be lower.