Analisis Kinerja Algoritma Deep Neural Network dalam Melakukan Prediksi Laju Alir Produksi Minyak pada Lapangan X PT. Pertamina Hulu Rokan

Abstract

Forecasting produksi minyak dalam industri perminyakan merupakan suatu tujuan untuk perencanaan produksi, manajemen persediaan, dan pengambilan keputusan investasi. Metode yang biasa digunakan yaitu dengan metode konvensional seperti analisis kurva penurunan produksi. Dalam penggunaan metode konvensional seperti Decline Curve Analysis (DCA) memiliki keterbatasan dalam menangkap pola data ketika ada perubahan perilaku pada sumur sementara keterbatasan Numerical Reservoir Simulation (NRS) banyaknya fitur tertentu yang harus di input Untuk mengatasi keterbatasan tersebut machine learning, terutama Artificial Neural Network (ANN), telah menunjukkan peningkatan akurasi peramalan dengan mengidentifikasi pola kompleks dalam data. Penelitian ini membandingkan algoritma berbasis time series yaitu Recurrent Neural Network (RNN) dan Long-Short Term Memory (LSTM) dalam forecasting produksi minyak. Pengujian performa model juga dilakukan dengan metode validasi Walk-Forward Validation over actual data dan over predicted data. Pada penelitian dihasilkan bahwa algoritma LSTM menghasilkan performa yang lebih baik dari RNN baik pada data test maupun data blind test. Algoritma LSTM juga lebih efektif dari segi waktu pelatihan model. Perbandingan LSTM dan DCA menghasilkan bahwa prediksi terbaik pada LSTM apabila asumsi kondisi reservoir tidak ada perubahan sehingga prediksi didasari dari laju alir minyak saja. LSTM WFV over predicted data dapat menghasilkan prediksi yang baik setelah model dilatih kembali dengan window size lebih besar yakni 160 hari.