Analisis Model Machine Learning dalam Forecasting Produksi Minyak Bumi Sumur 159-F14H pada Lapangan Volve

Abstract

Semakin maraknya kebutuhan akan artificial intelligence, terlebih di industri minyak dan gas bumi. Akurasi yang dihasilkan oleh artificial intelligence dalam memberikan informasi mengenai data yang dibutuhkan membuat para petroleum engineer mulai melakukan berbagai studi dan penelitian. Produksi minyak dan gas bumi pada suatu sumur yang terus-menerus akan membuat menurunkan produktivitas sumur itu seiring berjalannya waktu. Sumur yang tua atau yang memiliki produktivitas rendah ditandai dengan tingginya produksi air dari sumur tersebut dan masalah-masalah lainnya. Untuk mengetahui kapan suatu sumur dapat terus berproduksi beberapa orang melakukan penelitian dan eksperimen menggunakan bantuan dari artificial intelligence yaitu menggunakan pendekatan machine learning. Penelitian dilakukan untuk memprediksi rentang waktu produktivitas suatu sumur sekaligus produksi sumur tersebut. Penulis melakukan penelitian untuk memprediksi produksi minyak bumi dan melakukan studi komparatif menggunakan model machine learning. Penelitian dilakukan dengan menganalisis kinerja prediktif model machine learning yang digunakan. Peneliti menggunakan model machine learning berbasis pohon yaitu Random Forest, Extra Trees, Gradient Boosting. Kekakuratan model akan ditentukan berdasarkan koefisien determinasi dan selisih nilai pada data menggunakan RMSE dan R2 . Data yang digunakan adalah data pada sumur yang sudah ada di lapangan Volve yaitu sumur 159-F-14H dengan jumlah data yang digunakan sebanyak 1093 hari dari 14 Juli 2013 – 13 Juli 2016. Data akan dibagi menjadi 2 bagian yaitu 70% untuk training dan 30% untuk testing. Penulis menggunakan bahasa pemrograman Python dan menggunakan algoritma sklearn. Selanjutnya model, koefisien determinasi, data akan di-import lalu dilakukan training, pada tahap ini penulis melatih model menggunakan data set training dan men-set model dengan sebaik mungkin agar menghasilkan output yang dianggap baik. Pada tahap ini, penulis akan memilah-milah paramater pada setiap model yang digunakan hingga model tersebut menghasilkan nilai RMSE dan R2 yang bagus. Selanjutnya model akan digunakan untuk memprediksi data set testing. Pada tahap ini, model tidak dilakukan pemilihan parameter lagi karena tahap ini sudah tahap final dari modelling yang dilakukan. Dari tahap testing, Random Forest menunjukkan kinerja prediktif yang paling baik yaitu menghasilkan RMSE 5,134 dan R2 0,974, model dengan kinerja prediktif yang baik setelah Random Forest yaitu Gradient Boosting dengan nilai RMSE 5,927 dan R2 0,965, dan model yang menghasilkan output paling rendah adalah Extra Trees yaitu RMSE 6,524 dan R2 0,958. Hal ini menunjukkan bahwa Random Forest adalah model yang paling akurat dalam memprediksi dibanding kedua model lainnya dan memiliki error paling sedikit.