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.