Salah satu parameter yang sangat penting dalam produksi dan eksplorasi minyak dan gas untuk mengetahui properti fisik batuan adalah kecepatan gelombang geser (Vs). Akan tetapi, dalam tahap akuisisi data ini tidak selalu tersedia karena keterbatasan biaya. Salah satu metode alternatif yang dapat dilakukan untuk mengestimasi kecepatan gelombang geser adalah memanfaatkan pemelajaran mesin (machine learning). Machine learning memiliki komputasi yang cepat setelah sekumpulan data dicoba untuk memahami pola dan faktor yang dapat mempengaruhi nilai parameter yang diprediksi, contoh kasus adalah kecepatan gelombang geser. Penelitian ini menggunakan data dari sumur X dan Y yang dapat diakses secara bebas di website SEG Wiki. Algoritma machine learning yang digunakan yaitu KNN, ANN, dan SVR. Beberapa parameter yang digunakan dalam mengestimasi nilai Vs berdasarkan nilai korelasi yang paling tinggi yaitu Depth, DTCO, NPHI, ECGR, dan ATRT, serta DTSM. Proses pembangunan model machine learning diperoleh dengan membagi data menjadi 70% sebagai data latih dan 30% sebagai data tes. Hasil prediksi kecepatan gelombang geser menunjukkan algoritma KNN lebih baik daripada ANN dan SVR dengan perolehan nilai 𝑅2 𝑠𝑐𝑜𝑟𝑒 𝐾𝑁𝑁 = 0,9686, 𝐴𝑁𝑁 = 0,9643, dan 𝑆𝑉𝑅 = 0,9697 untuk sumur X dan 𝑅2 𝑠𝑐𝑜𝑟𝑒 𝐾𝑁𝑁 = 0,6170, 𝐴𝑁𝑁 = 0,4680, dan 𝑆𝑉𝑅 = 0,5800 untuk sumur Y. Hasil prediksi pada sumur Y menunjukkan indikasi terjadinya overfitting akibat model terlalu mempelajari data percobaan.