Prediksi Laju Produksi Sumur Minyak dengan Penerapan Machine Learning dan Particle Swarm Optimization

Abstract

Era Revolusi Industri 4.0 membuat teknologi analisis data yang didukung oleh big data dan sistem komputer berperforma tinggi berkembang pesat. Di dalam industri perminyakan sendiri, banyak bidang pekerjaan yang menerapkan machine learning (ML), salah satunya adalah untuk memperkirakan laju produksi minyak. Pendekatan masalah prediksi laju produksi minyak dengan algoritma machine learning dan algoritma particel swarm optimization (PSO) diharapkan dapat memperoleh hasil yang optimal dan akurat. Machine learning yang digunakan yaitu SVR, Lasso, Ridge dan XGB Regressor. Penelitian diselesaikan menggunakan analisa data sekunder dan informasi lain yang dibutuhkan dengan menggunakan literatur yang terkait seperti paper, modul, jurnal, maupun buku. Penelitian ini berfokus kepada prediksi laju produksi oil dengan menggunakan data lapangan lain seperti data downhole pressure, downhole temperature, wellhead pressure, choke size, water volume dan gas volume. Pada sumur ini mempunyai jumlah data sebanyak 3056 yang akan dibagi untuk proses training dan testing. Berdasarkan hasil penelitian diketahui bahwa data gas volume merupakan data lapangan yang paling berpengaruh baik dalam proses prediksi ini. Pada hasil penelitian, keakuratan model hasil kombinasi machine learning dan particel swarm optimization dapat terlihat pada model kombinasi XGB-PSO dengan nilai RMSE 11,19 dan R2 0,977. Best parameter yang diperoleh dari model XGB-PSO dengan data input gas volume yaitu Best learning rate: 0,104, Best max depth: 8, Best subsample: 0,962.