STTMCILEUNGSISTTMCILEUNGSI

TEKNOSAINS : Jurnal Sains, Teknologi dan InformatikaTEKNOSAINS : Jurnal Sains, Teknologi dan Informatika

Pemilihan metode angkat buatan yang tepat sangat penting dalam industri minyak dan gas untuk memastikan kelanjutan produksi saat tekanan reservoir menurun. Namun, proses pemilihan saat ini masih bergantung pada keahlian teknis dan pendekatan heuristik konvensional, yang sering kali tidak cukup untuk menangani kompleksitas karakteristik reservoir dan kondisi operasional dinamis. Studi ini bertujuan mengevaluasi kinerja tiga algoritma machine learning berbasis pohon, yaitu Decision Tree, Random Forest, dan Gradient Boosting, dalam memprediksi metode angkat buatan optimal. Data historis lapangan, termasuk laju aliran fluida, suhu, API gravity, dan label metode angkat buatan, digunakan untuk melatih model. Data mengalami proses pra-pemrosesan seperti pembersihan data, encoding, dan pemisahan menjadi himpunan pelatihan dan pengujian sebelum dimodelkan menggunakan perpustakaan Scikit-learn. Kinerja ketiga model dievaluasi menggunakan metrik klasifikasi standar, termasuk akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa algoritma Decision Tree mencapai akurasi sekitar 81%, Random Forest memberikan akurasi tertinggi sekitar 94% (dengan akurasi validasi 93,67%), sedangkan Gradient Boosting paling tidak efektif dengan akurasi sekitar 64%. Analisis penting fitur dan SHAP menunjukkan bahwa suhu adalah variabel paling berpengaruh dalam memilih metode angkat buatan, diikuti oleh API gravity dan laju aliran fluida. Kesimpulannya, Random Forest adalah model terbaik, menawarkan kombinasi akurasi dan stabilitas terbaik dalam memprediksi metode angkat buatan optimal.

Berdasarkan evaluasi dan perbandingan kinerja tiga algoritma klasifikasi utama, yaitu Decision Tree, Random Forest, dan Gradient Boosting, dalam mengidentifikasi metode angkat buatan menggunakan parameter seperti laju aliran, suhu, dan API gravity, hasil menunjukkan bahwa Random Forest unggul, mencapai akurasi validasi 93,67%, ROC AUC 0,994, dan PR AUC 0,970.Meskipun Decision Tree cocok sebagai model dasar, ia rentan terhadap overfitting, dan Gradient Boosting menunjukkan kinerja yang tidak stabil.Analisis penting fitur dan SHAP memperkuat bahwa suhu memainkan peran dominan, terutama dalam memprediksi metode Jet Pump, diikuti oleh API gravity dan laju aliran.Secara keseluruhan, Random Forest menawarkan kombinasi terbaik antara akurasi, stabilitas, dan interpretasi, menjadikannya pilihan utama untuk sistem pendukung keputusan dalam memilih metode angkat buatan.

Penelitian lanjutan dapat fokus pada integrasi data real-time dari sensor IoT untuk meningkatkan responsivitas model dalam kondisi operasional yang berubah-ubah. Selain itu, eksplorasi algoritma machine learning lain seperti neural networks atau ensemble methods yang lebih kompleks mungkin menghasilkan prediksi yang lebih akurat untuk skenario reservoir heterogen. Penelitian juga bisa mengevaluasi adaptasi model ini di wilayah dengan karakteristik geologi dan lingkungan berbeda, seperti daerah dengan suhu ekstrem atau tekanan reservoir sangat rendah, untuk memastikan generalisasi universal dari pendekatan ini. Dengan menggabungkan analisis data historis dan pengumpulan data lapangan secara kontinu, peneliti dapat mengembangkan sistem keputusan yang lebih dinamis dan efektif untuk pemilihan metode angkat buatan.

  1. Vol 13 No 1 (2026): TEKNOSAINS: Jurnal Sains, Teknologi dan Informatika | TEKNOSAINS : Jurnal Sains,... doi.org/10.37373/tekno.v13i1Vol 13 No 1 2026 TEKNOSAINS Jurnal Sains Teknologi dan Informatika TEKNOSAINS Jurnal Sains doi 10 37373 tekno v13i1
  2. Artificial lift selection methods in conventional and unconventional wells a summary and review from... doi.org/10.38124/ijisrt/IJISRT24MAR2108Artificial lift selection methods in conventional and unconventional wells a summary and review from doi 10 38124 ijisrt IJISRT24MAR2108
  3. Optimasi Gas Injeksi Pada Sembur Buatan Gas Lift Untuk Meningkatkan Besarnya Laju Produksi Minyak Maksimum... journal.uir.ac.id/index.php/JEEE/article/view/993Optimasi Gas Injeksi Pada Sembur Buatan Gas Lift Untuk Meningkatkan Besarnya Laju Produksi Minyak Maksimum journal uir ac index php JEEE article view 993
Read online
File size599.53 KB
Pages15
DMCAReport

Related /

ads-block-test