Model Hibrida RNN dan GRU untuk Prediksi Kinerja Alat di Industri Minyak dan Gas
Abstract
Penggunaan teknologi machine learning dalam melakukan prediksi data deret waktu telah banyak
berhasil di berbagai bidang. Deep learning menjadi opsi yang sangat menjanjikan untuk prediksi
deret waktu, terutama dalam industri minyak dan gas, di mana prediksi kinerja alat sangat kru sial untuk mencegah kerusakan yang dapat menyebabkan kerugian besar. Namun, terdapat be berapa masalah pada masing-masing algoritma deep learning, seperti kelemahan RNN dalam
mengatasi pola jangka panjang serta keterbatasan LSTM dan GRU dalam menangani data non linear. Model hibrida menjadi solusi untuk mengatasi kekurangan tersebut. Beberapa penelitian
menunjukkan bahwa model hibrida lebih baik dibandingkan model tunggalnya. Penelitian ini
bertujuan untuk mengeksplorasi dan menguji model hibrida RNN dan GRU untuk memprediksi
kinerja alat di industri minyak dan gas. Model yang digunakan dalam penelitian ini terdiri
atas empat model, yaitu RNN, GRU, RNN-GRU, dan GRU-RNN. Model dibangun dengan 5
layer dan dilakukan fine-tuning terhadap learning rate. Kemudian, iterasi pemodelan dilakukan
sebanyak 100 kali untuk melihat konsistensi prediksi dan performa yang bertujuan untuk mem bandingkan keempat model tersebut. Dataset yang digunakan merupakan data multivarite den gan 3 fitur yang diambil dari industri minyak dan gas, dimana ketiga fitur tersebut memiliki
karakteristik yang berbeda-beda. Hasil evaluasi menunjukkan bahwa model hibrida RNN-GRU
memberikan performa terbaik dalam memprediksi suhu regenerasi dengan MAPE 4.12% dan
MAE 7.32, namun tidak unggul di semua fitur. Untuk tekanan saluran, model tunggal GRU
menunjukkan kinerja terbaik dengan MAPE 11.28% dan MAE 0.75. Analisis distribusi er ror melalui boxplot menunjukkan bahwa model hibrida memiliki distribusi error yang lebih
rapat dan lebih sedikit outliers dibandingkan model tunggal, namun semua model, termasuk
yang hibrida, masih menunjukkan kinerja kurang memuaskan untuk prediksi titik embun den gan MAPE tinggi. Kesimpulan ini menegaskan bahwa kinerja model bervariasi signifikan antar
fitur yang diprediksi. Model GRU menunjukkan performa terbaik secara keseluruhan untuk
tekanan saluran, sementara model hibrida RNN-GRU unggul dalam prediksi suhu regenerasi.
Efektivitas model hibrida bergantung pada karakteristik spesifik data dan kompleksitas fitur
yang diprediksi. Ada trade-off antara akurasi dan waktu komputasi, dengan model GRU paling
akurat tapi lambat, dan RNN tercepat tapi kurang akurat. Untuk aplikasi di industri minyak dan
gas, model hibrida menjanjikan namun perlu peningkatan lebih lanjut untuk menangani prediksi
data dengan pola yang sangat bervariasi.