Model Prediksi Produksi Harian Sumur Minyak Mentah Menggunakan Jaringan Saraf Tiruan Backpropagation

Abstract

Minyak dan gas bumi (migas) merupakan sumber daya alam strategis Indonesia, tidak hanya sebagai pemasok bahan bakar dan bahan baku industri, namun juga merupakan sumber pendapatan negara. Pertumbuhan ekonomi yang cepat, jumlah penduduk yang besar, dan faktor geografis akan menyebabkan peningkatan permintaan sumber daya migas di masa mendatang, meskipun dari sisi produksi minyak, Indonesia terus mengalami penurunan sejak tahun 2016. Salah satu kegiatan penting dalam kegiatan hulu migas adalah pengukuran sumur produksi di mana semua jenis pengukuran atau pengujian merupakan bagian rutin dalam menjalankan operasi. Suatu ladang minyak yang sudah tua biasanya memerlukan pengukuran produksi yang lebih sering untuk mendeteksi penurunan produksi. Dengan melakukan pengujian sumur produksi, kinerja sumur produksi dapat dievaluasi dan dibandingkan dengan hasil simulasi. Namun, pengujian produksi harian yang ada di lapangan Langgak, Central Sumatra Basin, tidak dapat dilakukan secara rutin dan berkala karena beberapa tantangan ekonomi dan teknis. Penelitian ini bertujuan untuk mengidentifikasi serta mengevaluasi kinerja pengujian produksi harian sumur minyak mentah yang saat ini diterapkan (existing production test), menerapkan metode Jaringan Saraf Tiruan (JST) Backpropagation untuk memprediksi laju produksi harian, dan menganalisis tingkat akurasi prediksi guna menentukan parameter serta arsitektur jaringan optimal. Sebanyak 17.394 data produksi harian yang dikumpulkan dari 26 sumur digunakan dalam studi ini. Data dibagi menjadi 80% untuk pelatihan dan validasi, serta 20% untuk pengujian. Selanjutnya, data pelatihan dibagi menjadi 10 subset dan divalidasi secara bergilir menggunakan teknik 10-fold cross-validation. Hasil penelitian menunjukkan perlunya revisi dan perbaikan pada standar operasional prosedur (SOP) pengujian produksi harian, peningkatan pelatihan intensif dan sertifikasi bagi personil pengujian, dan penggunaan peralatan serta perangkat lunak analisis data yang lebih canggih untuk meningkatkan akurasi pengujian. Implementasi JST Backpropagation berhasil memberikan prediksi produksi yang sangat akurat dengan arsitektur jaringan optimal 3-20-1, hidden node sebanyak 20, learning rate 0,05, dan epoch 481. Dengan nilai koefisien korelasi (R) yang tinggi pada tahap pelatihan, validasi, dan pengujian, serta nilai mean square error (MSE) sangat rendah, menunjukkan efektivitas metode ini. Penelitian ini memperkuat potensi JST Backpropagation sebagai pendekatan prediksi yang adaptif dan akurat dalam industri migas, selaras dengan penelitian terdahulu mengenai penerapan kecerdasan buatan untuk peramalan produksi migas. Temuan ini diharapkan dapat mendukung optimalisasi operasi hulu migas dan pengambilan keputusan berbasis data di lapangan Langgak, Central Sumatra Basin.