153210410.pdf - Repository Universitas Islam Riau

PREDIKSI TINGKAT KEBERHASILAN

STEAMFLOODING DENGAN MENGGUNAKAN

METODE ARTIFICIAL NEURAL NETWORK

TUGAS AKHIR

Diajukan guna melengkapi syarat dalam mencapai gelar Sarjana Teknik

Oleh

AZKHIATUN NISA

NPM 153210410

PROGRAM STUDI TEKNIK PERMINYAKAN

UNIVERSITAS ISLAM RIAU

PEKANBARU

2020

iii

Universitas Islam Riau

KATA PENGANTAR

Puji syukur saya ucapkan kepada Allah Subhanahu wa Ta’ala karena atas

Rahmat dan curahan ilmu dari-Nya, saya dapat menyelesaikan tugas akhir ini. Saya

menyadari penulisan tugas akhir ini tak luput dari kekurangan. Telah banyak pihak

yang membantu saya untuk menyelesaikan tugas akhir ini. Ucapan terima kasih ini

termasuk syarat dari mencapai gelar sarjana di Teknik Perminyakan Universitas Islam

Riau. Oleh karena itu saya ingin mengucapkan terima kasih kepada:

1. Bapak Tomi Erfando, S.T., M.T. selaku dosen pembimbing saya yang telah

menyediakan waktu dan pikiran untuk memberikan masukan dan mengoreksi

penyusunan tugas akhir ini. Sekaligus sekretaris prodi Teknik Perminyakan UIR.

2. Ibu Dr. Musyidah, Msc selaku dosen penasehat akademik saya yang selalu

memberikan semangat secara moral kepada saya.

3. Ibu Novia Rita, S.T., M.T sebagai ketua prodi serta dosen-dosen yang sangat

banyak membantu terkait perkuliahan, ilmu pengetahuan dan hal yang tidak

dapat saya sebutkan satu per satu.

4. Mentor saya Mas Chriswandaru, Mas Chairul Ichsan dan Mas Ahmad Syahputra

yang telah banyak memberikan dan mengajarkan ilmu baru bagi saya terutama

dalam bidang Artificial Intelligence.

5. Ayah saya tercinta Joni Amir, S.sos dan Ibu saya Yurleni, S.ST serta kakak dan

adik saya dr. Meidya Mukarramah, Aqila Salsa dan Muhammad Aqil yang tidak

pernah berhenti mendoakan saya dan memberikan dukungan penuh secara

material maupun moral.

6. Sahabat saya Nurul Istiqamah, Jehan, Windi, Gerry, serta keluarga besar

Petroleum 15C yang membantu saya tanpa kenal waktu tanpa kenal lelah

serta selalu memberikan motivasi.

Pekanbaru, 20 Juli 2020

Azkhiatun Nisa

iv


DAFTAR ISI

HALAMAN PENGESAHAN ............................................................................. i

PERNYATAAN KEASLIAN TUGAS AKHIR ................................................ ii

KATA PENGANTAR ....................................................................................... iii

DAFTAR ISI ..................................................................................................... iv

DAFTAR GAMBAR ......................................................................................... vi

DAFTAR TABEL ............................................................................................ vii

DAFTAR LAMPIRAN ................................................................................... viii

DAFTAR SINGKATAN ................................................................................... ix

DAFTAR SIMBOL ............................................................................................ x

ABSTRAK ......................................................................................................... xi

ABSTRACT....................................................................................................... xii

BAB I PENDAHULUAN ................................................................................... 1

1.1 Latar Belakang....................................................................................... 1

1.2 Tujuan Penelitian ................................................................................... 2

1.3 Manfaat Penelitian ................................................................................. 2

1.4 Batasan Masalah .................................................................................... 3

BAB II TINJAUAN PUSTAKA ........................................................................ 4

2.1 Steamflooding ........................................................................................ 4

2.2 Artificial Neural Network ....................................................................... 6

BAB III METODOLOGI PENELITIAN ....................................................... 12

3.1 Simulasi Reservoir ............................................................................... 12

3.2 Pemodelan ANN .................................................................................. 15

3.3 Jadwal Penelitian ................................................................................. 15

v


3.4 Diagram Alir Tugas Akhir ................................................................... 16

BAB IV PEMBAHASAN ................................................................................. 17

4.1 Analisis Artificial Neural Network ....................................................... 17

BAB V KESIMPULAN DAN SARAN ............................................................ 23

5.1 Kesimpulan.......................................................................................... 23

5.2 Saran ................................................................................................... 23

DAFTAR PUSTAKA ....................................................................................... 24

LAMPIRAN ..................................................................................................... 28

vi


DAFTAR GAMBAR

Gambar 2. 1 Proyek steamflooding di Dunia ....................................................... 4

Gambar 2. 2 Dua Bipolar Neuron (Mohaghegh, Shahab ..................................... 7

Gambar 2. 3 Jaringan ANN backpropogation ..................................................... 8

Gambar 3. 1 Model reservoir 3D

CMG…………………………………………122

Gambar 3. 2 Diagram Alir Tugas Akhir .......................................................... 166

Gambar 4. 1 Pengaturan parameter pada CMG

CMOST………………….……177

Gambar 4. 2 Coefficient of determination (R2) 0.99707 antara nilai actual dan

prediksi data training dengan 20 nodes hidden layer .......................................... 20

Gambar 4. 3 Coefficient of determination (R2) 0.99735 antara nilai output dan

prediksi data testing dengan 20 nodes hidden layer ......................................... 211

vii


DAFTAR TABEL

Tabel 2.1 Screening Criteria dalam steamflooding .............................................. 6

Tabel 2.2 Hasil Prediksi Menggunakan ANN ...................................................... 9

Tabel 2.3 Hasil prediksi EOR ............................................................................ 10

Tabel 3.1 Data reservoir dan Fluida Properties ............................................... 133

Tabel 3.2 Range Parameter ............................................................................. 144

Tabel 3.3 Jadwal Penelitian ............................................................................. 155

Tabel 4. 1 Hasil Trial and Error dengan Jumlah hidden layer 3 node .............. 199


Tabel 4. 3 Hasil Trial and Error dengan Jumlah hidden layer 10 node ............ 199

Tabel 4. 4 Hasil Trial and Error dengan Jumlah hidden layer 15 node ............ 199


viii


DAFTAR LAMPIRAN

LAMPIRAN I Data dan Hasil Prediksi

LAMPIRAN II Pemograman Phyton

ix


DAFTAR SINGKATAN

CSS Cyclic Steam Simulation

EOR Enhance Oil Recovery

CMG Computer Modelling Group

ANN Artificial Neural Network

RMSE Root Mean Square Error

MAPE Mean Absolute Precentage Error

r2 Cooficient determination

AI Artificial Inttelegence

BP Back Propagation

So Saturation Oil

K Permeability

T Temperature

D Depth

H Thickness

Cp Centipoise

Md Milidarcy

Ft feet

RF Recovery Factor

SAGD Steam Assisted Gravity Drainage

API American Petroleum Institute

STARS Steam and Additive Reservoir Simulations

x


DAFTAR SIMBOL

µo Viskositas minyak

Ø Porositas

xi


Prediksi Tingkat Keberhasilan Steamflooding Menggunakan Metode

Artificial Neural Network

Azkhiatun Nisa

153210410

ABSTRAK

Banyak upaya metode pendekatan untuk memprediksi kinerja sistem produksi

minyak, termasuk metode analitik dan numerik. Namun, kesalahan estimasi dan

penyimpangan yang signifikan terjadi antara hasil prediksi dan data lapangan

aktual. Artificial neural network merupakan salah satu metode dalam artificial

intelligence yang dapat secara efektif memberikan prediksi yang memiliki

maksimum eror lebih sedikit dari pada metode lainnya, sehingga dapat membuat

keputusan yang lebih baik untuk menguragi waktu yang tidak produktif.

Pengaplikasian terhadap metode artificial neural network ini sudah banyak

dingunakan dalam penelitian sebelumnya terhadap beberapa bidang seperti

eksplorasi, pengeboran, produksi dan reservoir. Steamflooding merupakan salah

satu metode EOR termasuk dalam metode thermal ini yang banyak dingunakan

dalam meningkatkan perolehan minyak karena dapat memulihkan 50- 60 % dari

OOIP. Hal ini yang mendasari penelitian prediksi terhadap steamflooding ini

dilakukan. Adapun tujuan penelitian ini adalah untuk memprediksi tingkat

keberhasilan kinerja steamflooding menggunakan artificial neural network

(ANN). Metode yang digunakan dalam penelitian ini adalah metode simulation

research menggunakan CMG Stars untuk pemodelan simulasi reservoir dan

sensitvitas data menggunakan CMG CMOST dengan input parameter API,

viskositas minyak, steam quality, porositas, permeabilitas reservoir, rate

injection, temperature reservoir dan output berupa recovery factor

menggunakan artificial neural network dengan metode back propagation

sehingga dapat menghasilkan prediksi yang akurat. Model prediksi menggunakan

metode artificial neural network dengan algoritma backpropoagation terhadap

nilai recovery factor dengan 2187 data sampel didapatkan hasil yang tergolong

sangat baik menggunakan 20 nodes hidden layer dengan RMSE untuk data

training 0.090 dan testing 0.085. MAPE (mean absolut percentage error) untuk

data training 0.483245 dan testing 0.469495. Coefficient determination (r2)

0.99707 untuk training dan testing 0.99735 sehingga dapat digolongkan memiliki

hasil akurasi yang tinggi karena mendekati nilai 1.

Kata Kunci:, Steamflooding, Artificial Intelligence, Artificial Neural Network

(ANN), Recovery factor

xii


The Successful Predicition of Steamflooding Injection By Using Artificial

Neural Network

Azkhiatun Nisa

153210410

ABSTRACT

Many approaches attempt to predict the performance of oil production systems,

including analytical and numerical methods. However, estimation errors and

significant deviations occur between the predicted results and the actual field

data. Artificial neural networkis one of the methods in artificial intelligence that

can effectively provide predictions that have a maximum error less than other

methods, so that they can make better decisions to reduce unproductive time. The

application of this artificial neural network method has been widely used in

previous research on several fields such as exploration, drilling, production and

reservoir. Steamflooding is one of the EOR methods included in this thermal

method which is widely used in increasing oil recovery because it can recover 50-

60% of OOIP. This is what underlies this predictive research on steamflooding.

The method used in this research is the simulation research method using CMG

Stars for reservoir simulation modeling and data sensitivity using CMG CMOST

with the input parameters of API, oil viscosity, steam quality, porositas, reservoir

permeability, rate injection, reservoir temperature and output in the form of

recovery factor using artificial neural network with back propagation method so

that it can produce accurate predictions. Prediction model using artificial neural

network method with backpropoagation algorithm to the recovery factor value

with 2187 sample data obtained relatively good results using 20 hidden layer

nodes with RMSE for training data 0.090 and testing 0.085. MAPE (mean

absolute percentage error) for training data 0.483245 and testing 0.469495.

Coefficient correlation (r2) 0.99707 for training and testing 0.99735 so that it can

be classified as having high accuracy results because it is close to a value of 1.

Key Words :, Steamflooding, Artificial Intelligence, Artificial Neural Network

(ANN), Recovery factor

1


BAB I PENDAHULUAN

1.1 Latar Belakang

Enhanced Oil Recovery (EOR) merupakan metode yang memiliki prospek

besar dalam pemulihan minyak setelah dilakukannya primary recovery dan

secondary recovery (Abdurrahman, Bae, Novriansyah, & Khalid, 2016). Salah

satu metode enhanced oil recovery yang banyak digunakan untuk meningkatkan

perolehan minyak adalah steamflooding yang termasuk ke dalam metode thermal.

Steamflooding dapat meningkatkan pemulihan minyak hingga 55% dari perolehan

sebelumnya (Bagheripour Haghighi, Ayatollahi, & Shabaninejad, 2012). Di

Indonesia, lapangan Duri merupakan salah satu lapangan yang melakukan proyek

steamflooding yang mana hasil dari steamflooding ini dapat meningkatkan

recovery factor dari 8% menuju 64% (Sigit, Satriana, Peifer, & Linawati, 1999).

Proyek steamflooding dilakukan dalam meningkatkan jumlah produksi

minyak dan recovery minyak,, namun terdapat banyak ketidakpastian dalam

kinerja operasi tersebut. Sebuah prediksi yang efektif diperlukan untuk

meminimalisir ketidakpastian dan kegagalan dalam suatu operasi. Beberapa upaya

metode pendekatan untuk memprediksi kinerja sistem produksi minyak, termasuk

metode analitik dan beberapa metode numerik telah dilakukan. Namun, kesalahan

estimasi dan penyimpangan yang signifikan terjadi antara hasil prediksi dan hasil

data lapangan aktual. Artificial intelligence merupakan suatu teknik baru yang

secara efektif dapat membantu memberikan prediksi dan klasifikasi untuk operasi-

operasi yang dilakukan dalam meningkatkan produksi minyak (Hassan, Al-Majed,

Mahmoud, Elkatatny, & Abdulraheem, 2019). Model pendekatan dengan

menggunakan Artificial Intelligence –Artificial Neural Network dapat dingunakan

dalam memberikan prediksi sehingga dapat membuat keputusan yang lebih baik

(Alkinani et al., 2019; Parada & Ertekin, 2012).

2


Pendekatan menggunakan artificial neural network dapat dilakukan dalam

pediksi screening berbagai metode EOR berdasarkan karakteristik lapangan dan

mengevaluasi penerapan teknis secara efisien. Artificial Neural Network (ANN)

untuk memungkinkan engineer perminyakan memilih metode EOR yang sesuai

dengan sifat reservoir yang diberikan secara akurat (Lee, Shin, & Lim, 2011).

Menurut (Kamari, Nikookar, Sahranavard, & Mohammadi, 2014) dalam

penelitian yang dilakukannya dengan memprediksi EOR yang tepat pada suatu

lapangan berdasarkan sifat batuan dan sifat fluida (porositas, permeabilitas, oil

gravity, temperature, saturation oil, viscosity dan kedalaman) dengan hasil MSE

0.019069, correlation( r2) 0.924578 dan % correct yaitu 100%.

Penelitian sebelumnya yang dilakukan oleh (Shafiei, Dusseault,

Zendehboudi, & Chatzis, 2013) dengan memprediksi kinerja steamflooding pada

batuan karbonat dengan ketelitian yang baik correlation( r2) 0.94. Oleh karena itu,

peneliti melakukan penelitian dengan memprediksi keberhasilan kinerja

steamflooding pada suatu lapangan yang memiliki batuan sandstone dengan input

berupa graviti minyak, viskositas minyak, steam quality, rate injection,

permeabilitas reservoir, porositas, temperature reservoir dan output berupa

recovery factor menggunakan artificial neural network dengan metode

backpropagation sehingga dapat diperoleh hasil prediksi yang lebih akurat.

Penelitian ini juga menggunakan simulasi reservoir dengan software CMG

thermal & advanced processes reservoir simulator (STARS) yang digunakan

untuk memodelkan thermal EOR dan CMG CMOST untuk sensitivitas data dan

running dari parameter yang telah ditentukan.

1.2 Tujuan Penelitian

Adapun tujuan dalam penelitian yang peneliti lakukan adalah untuk

memprediksi tingkat keberhasilan kinerja steamflooding dengan menggunakan

Artificial Neural Network (ANN)

1.3 Manfaat Penelitian

Manfaat dari penelitian ini agar dapat membantu memprediksi tingkat

keberhasilan steamflooding secara efektif dengan bantuan artificial intelligence

(AI) menggunakan Artificial Neural Network (ANN) sehingga dapat memberikan

3


informasi untuk pengambilan keputusan yang lebih baik bagi industri hulu migas

dalam hal keberhasilan kinerja steamflooding pada suatu lapangan.

1.4 Batasan Masalah

Agar penelitian yang dilakukan lebih terarah dan tidak menyimpang dari

tujuan, maka dalam penelitian ini hanya dibatasi pada beberapa hal yang

mengenai:

1. Penelitian ini melakukan pemodelan reservoir dengan menggunakan CMG

Stars yang dibangun berdasarkan data sekunder dari beberapa referensi

dan data lapangan, kemudian melakukan sensitivitas data menggunakan

CMG CMOST.

2. Penelitian ini hanya berfokus pada aplikasi steamflooding menggunakan

metode Artificial Neural Network (ANN) dengan algoritma prediksi yang

dingunakan yaitu algoritma backpropagation.

3. Parameter yang dingunakan dalam penelitian ini yaitu API, viskositas

minyak, steam quality, porositas, permeabilitas reservoir, rate injection

dan temperature reservoir.

4. Penelitian ini tidak memperhitungkan masalah keekonomian dari hasil

prediksi yang dilakukan.

4

BAB II TINJAUAN PUSTAKA

Dalam pengembangan sumber daya alam termasuk di dalamnya

kandungan minyak dan gas bumi yang dapat digunakan sebagai sumber

pemanfaatan kekayaan alam. Sebagaimana dijelaskan dalam Al-Qur’an :

QS. Al-An’ām /6 : 165:

Artinya :Dan Dia lah yang menjadikan kamu penguasa-penguasa di bumi dan Dia

meninggikan sebahagian kamu atas sebahagian (yang lain) beberapa derajat, untuk

mengujimu tentang apa yang diberikan-Nya kepadamu. Sesungguhnya Tuhanmu Amat

cepat siksaan-Nya dan Sesungguhnya Dia Maha Pengampun lagi Maha Penyayang.

Al-Qur’ān menyatakan bahwa sumber daya alam yang ada dibumi ditujukan

untuk kemakmuran manusia, manusia yang menjadi khalifah untuk mengurusi dan

memanfaatkannya tanpa merusak tatanan yang telah ada.

2.1 Steamflooding

Injeksi uap (steamflooding) merupakan salah satu proses yang Enhanced

Oil Recovery yang telah digunakan sekitar lima dekade untuk meningkatkan laju

perolehan minyak dan pemulihan minyak. Steamflooding dapat meningkatkan

pemulihan minyak hingga 55% dari perolehan sebelumnya dengan (Bagheripour

Haghighi et al., 2012). Gambar 2.1 menujukan penyebaran proyek steamflooding

du Dunia.

Gambar 2. 1 Proyek steamflooding di Dunia (Hama, Wei, Saleh, & Bai, 2014)

5


Lapangan Duri merupakan salah satu lapangan yang melakukan proyek

steamflooding yang terbesar di dunia yang dioperasikan oleh PT. Caltex

Pasific Indonesia. Lapangan Duri dibagi menjadi 13 area pengembangan.

Area 1 sampai 8 merupakan area yang melaksanakan steamflooding.

Steamflooding pada lapangan Duri dilakukan pada Area 1 pertama kali pada

tahun 1985. Sejak metode pertama dilakukan hanya memulihkan sebagian

kecil dari original oil in place (OOIP), Steamflooding terus dingunakan untuk

mengurangi viskositas minyak dan mendorongnya ke sumur produksi.

Sehingga hasilnya recovery factor pada area 1 meningkat dari 8% menuju

64% (Sigit et al., 1999).

Menurut (Temizel, Rodriguez, Saldierna, & Narinesingh, 2016)

Steamflooding memberikan kondisi yang menguntungkan untuk mendorong

minyak ke sumur produksi dengan mengurangi viskositas, meningkatkan

mobilitas rasio (M) dan memberikan penyapuan secara efisien. Karena terjadi

pergerakan uap, sumur produser dan injektor selalu terlibat dalam proses

steamflooding. Untuk meningkatkan jumlah minyak yang dipulihkan,

biasanya ada dua mekanisme:

1. Pemanasan, untuk meningkatkan suhu minyak dengan demikian

mengurangi viskositasnya, sehingga minyak akan mengalir dengan

mudah melalui formasi menuju sumur produksi.

2. Perpindahan. Setelah minyak dipanaskan pada suhu yang lebih tinggi,

perpindahan terjadi yang mirip dengan waterflooding dan minyak

dimaksudkan untuk didorong ke sumur produksi.

Menurut (Hama et al., 2014) dalam steamflooding ada beberapa

parameter yang harus kita ketahui sebagai kriteria dilakukannya proyek steam

flooding yaitu graviti minyak, viskositas minyak, porositas reservoir, saturasi

minyak, permeabilitas reservoir, kedalaman reservoir dan temperature

reservoir. Dalam beberapa dekade, banyak peneliti yang mengembangkan

screening criteria untuk steamflooding mulai dari tahun 1973 hingga tahun

2010.

6


Tabel 2.1 Screening Criteria dalam steamflooding

Author Year OAPI µo

(cp)

Ø

(%)

So

(%)

K

(md)

T

(OF)

D

(ft)

h

(ft)

Geffen 1973 >10 <4000 >20

Farouq

Ali

1974 12-25 <1000 ≥30 1200-

1700

bbl/ac-ft

~1000 <3000 ≥30

(Hama et

al.,

2014)Lewin

& Assocs

1976 >10 Not

critical

>50 Not

critical

Not

critic

al

<5000 >20

Iyoho 1978 10-20 200-

1000

≥30 >50 >1000 2500-

5000

30-

400

Chu 1985 <36 >20 >40 >400 >10

Brashear

&

kuuskraa

1978 >10 Not

critical

42 Not

critical

Not

critic

al

<5000 >20

Taber &

Martin

1997 8-25 >100 >40 >200 Not

critic

al

<5000 >20

Dickson 2010 8-20 1-10 >40 >250 400-

4500

15-

150

Aladasani

& Bai

2010 8-30 5E3 12-

65

35-90 1-

15000

10-

350

200-

9000

>20

Sumber: (Hama et al., 2014)

2.2 Artificial Neural Network

Dalam industri perminyakan teknik kecerdasan buatan (artificial

inttelegence) telah banyak digunakan untuk memperkirakan kinerja beberapa

operasi. Artificial neural network (ANN), logika fuzzy, dan metode jaringan

fungsional merupakan model artificial intelligence. Teknik kecerdasan buatan

(AI) diterapkan dalam beberapa operasi di industri minyak termasuk; operasi

pengeboran, produksi minyak dan kinerja reservoir (Hassan et al., 2019).

Artificial neural network merupakan suatu model matematika yang

sudah dikenal dalam enam decade yang diperkenalkan dalam geosains dan

7


teknik reservoir untuk memperkirakan parameter distribusi parsial dimana

sebelumnya terdapat ketidakpastian data geologi (Shafiei et al., 2013) .

Artificial neural network (ANN) adalah sistem pemrosesan informasi

yang memiliki karakteristik kinerja tertentu yang sama dengan jaringan saraf.

Semua organisme hidup terdiri dari sel. Dasar sistem saraf adalah sel-sel saraf

yang disebut neuron. Neuron mengandung badan sel (di mana nukleus

berada), dendrit, dan akson. Informasi dalam badan sel masuk melalui dendrit.

Badan sel kemudian menyediakan sebuah output yang bergerak melalui akson

lalu menuju saraf penerima lainnya. Ouput dari saraf pertama akan menjadi

input untuk saraf kedua dan begitu seterusnya (Mohaghegh, Shahab (SPE,

2000)

Gambar 2. 2 Dua Bipolar Neuron (Mohaghegh, Shahab (SPE, 2000)

Artificial Neural Network (ANN) merupakan simulasi yang dilakukan

seperti proses biologi yang terlah dijelaskan sebelumnya, dalam hal ini

menurut (Mohaghegh, Shahab (SPE, 2000) ANN dibangun berdasarkan model

matematik dengan beberapa asumsi:

1. Pemrosesan informasi terjadi dalam banyak elemen sederhana yang

disebut neuron

2. Ada penghubung koneksi antara neuron yang memungkinkan

informasi untuk lewat

3. Setiap hubungan koneksi memiliki bobotnya masing masing

4. Setelah input diterima oleh neuron, neuron akan menerapkan fungsi

aktivasi untuk menentukan ouput.

8


Berdasarkan asumsi tersebut, output dari neuron lain dikalikan dengan

berat penghubung koneksi dan masuk ke neuron. Input kemudian dijumlahkan

dan fungsi aktivasi neuron diterapkan yang mengarah ke output. Dengan

demikian, neuron memiliki banyak input dan hanya satu output. Pada artificial

neural network terdiri dari satu lapisan input, satu atau lebih lapisan tersembunyi,

dan satu lapisan ouput. Lapisan input dan lapisan output berguna sebagai

pemasukan dan keluaran. Lapisan tersembunyi bertanggung jawab untuk ekstraksi

fitur dari data.

Gambar 2. 3 Jaringan ANN backpropogation (Julpan, Nababan, & Zarlis, 2018)

Backpropagation merupakan salah satu model yang terdapat pada ANN

yang menggunakan supervised learning. Algoritma ini sering digunakan untuk

menyelesaikan suatu masalah yang rumit. Hal ini dikarenakan algoritma ini dilatih

menggunakan metode pembelajaran. Metode ini mempunyai tiga fase dalam

melakukan pelatihan backpropagation, yaitu feed forward, backpropagation, dan

fase untuk memodifikasi bobot. Ketiga fase ini akan selalu dijalankan sampai

kondisi penghentian terpenuhi (Suhartanto, Dewi, & Muflikhah, 2017).

Menurut (Sari, 2017) untuk mengevaluasi akurasi dan peramalan kinerja

model, ada beberapa parameter evaluasi untuk prediksi diantaranya Root Mean

Square Error (RMSE) dan Mean Absolut Percentage Error (MAPE). Fungsi

perhitungan parameter evaluasi tersebut:

1. Root Mean Square Error (RMSE)

Root Mean Square Error adalah aturan penilaian kuadrat yang juga

mengukur besarnya rata-rata kesalahan. Ini adalah akar kuadrat rata-rata

perbedaan kuadrat antara prediksi dan pengamatan aktual.

9


𝑅𝑀𝑆𝐸 = √∑(𝐴𝑐𝑡𝑢𝑎𝑙 − 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖)2

𝑛

2. Mean Absolute Persentage Error (MAPE)

Mean Absolute Percentage Error adalah ukuran kesalahan perkiraan yang

paling umum. Fungsi MAPE paling baik bila tidak ada angka ekstrem pada

data .

𝑀𝐴𝑃𝐸 = ∑

𝑎𝑘𝑡𝑢𝑎𝑙 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖𝑎𝑘𝑡𝑢𝑎𝑙 𝑥 100

𝑛

Beberapa referensi dari jurnal-jurnal yang berhubungan dengan penelitian

yang akan dilakukan, seperti yang telah dilakukan oleh (Lee et al., 2011) yang

mana dalam penelitian ini diberikan lima metode EOR yaitu steam, CO2 miscible,

hydrocarbon miscible, in-situ combustion, dan polymer flooding. Tujuan dari

penelitian ini adalah untuk screening berbagai metode EOR berdasarkan

karakteristik lapangan dan mengevaluasi penerapan teknis / ekonomi secara

efisien. Dalam penelitian ini disajikan pendekatan Artificial Neural Network

(ANN) untuk memungkinkan engineer perminyakan memilih metode EOR yang

sesuai dengan sifat reservoir yang diberikan. ANN yang dikembangkan dalam

penelitian ini adalah jaringan Back Propagation (BP) dengan satu input, satu

ouput dan 2 hidden layer. Hasil prediksi dari penelitian ini dapat dilihat pada table

berikut

Tabel 2.2 Hasil Prediksi Menggunakan ANN

EOR Type

Succed Failed Total

No. of data set % No. of data set % No. of

data set

Steam 33 100 0 0 33

Carbon dioxide

miscible 19 95 1 5 20

hydrocarbon

miscible 10 100 0 0 10

In- situ combustion 3 75 1 25 4

Polymer flooding 4 100 0 0 4

Total 69 97,5 2 2,8 71

Sumber: (Lee et al., 2011)

10


Penelitian yang dilakukan oleh (Kamari et al., 2014) juga melakukan

prediksi terhadap pemilihan EOR yang tepat pada sebuah lapangan dengan

menggunakan parameter sifat fluida dan sifat batuan secara akurat dan efisien.

Hasil prediksi pada penelitian ini terdapat dalam tabel 2-3 berikut

Tabel 2.3 Hasil prediksi EOR

Performance Combustion Hot

Water

CO2

Miscible

HC

Miscible Chemical Steam

CO2

Immiscible

No of Row 5 1 33 10 5 51 1

MSE 0.023385 0.021494 0.022115 0.036012 0.023259 0.019069 0.019070

Correlation 0.700545 0.592188 0.953089 0.932082 0.618369 0.924578 0.383829

No. Correct 4 0 33 8 4 51 0

No.Incorrect 1 1 0 2 1 0 1

% Correct 80 0 100 80 80 100 0 Sumber: (Kamari et al., 2014)

Penelitian yang berhubungan lainnya dilakukan oleh (Shafiei et al., 2013)

yang mana dalam jurnalnya melakukan penelitian evaluasi kinerja steamflooding

pada batuan karbonat. Pada penelitian ini diperkenalkan sebuah screening tool

untuk memprediksi kinerja steamflooding dengan menggunakan Artificial Neural

Network (ANN). Model ANN dalam penelitian ini menggunakan data field

mengandung tiga lapisan yaitu satu lapisan input, satu lapisan hidden dan satu

lapisan output yang di training dengan metode back propagation. Hasil dari

penelitian ini menunjukan bahwa model ANN merupakan sebuah model baru

yang dapat memprediksi kinerja steamflooding dengan ketelitian yang baik untuk

tingkat maksimum eror kurang dari 11% dan coefficient determination r2 sebesar

0.94

Kemudian, penelitian yang dilakukan oleh (Sun & Ertekin, 2017) yang

membahas tentang penggunaan ANN pada Cyclic steam stimulation (CSS). ANN

digunakan untuk bertindak sebagai alat pengelompokan untuk memprediksi

jumlah siklus dalam CSS dengan tingkat rata rata error 14%. . Menurut (Ersahin

& Ertekin, 2019) yang melakukan penelitian kinerja cyclic steam injection (huff

and puff) pada batuan karbonat dengan menggunakan artificial neural network

yang memecahkan dan mengklasifikasikan hubungan non-linear antara parameter

input dan output secara akurat dan hemat waktu. Penelitian lainnya yaitu

penelitian oleh (Ansari, Heras, Nones, Mohammadpoor, & Torabi, 2019)

11


melakukan prediksi kinerja steam assisted gravity drainage (SAGD) dengan

parameter input berupa viskositas minyak, permeabilitas, porositas, ketebalan

reservoir, steam injection pressure, steam injection rate dan output berupa

recovey factor sehingga didaptakan hasil error kurang dari 10% dan coeficient

determination r2 sebesar 0.94.

12


BAB III METODOLOGI PENELITIAN

3.1 Simulasi Reservoir

Pada penelitian ini, pemodelan dilakukan dengan menggunakan software

CMG thermal & advanced processes reservoir simulator (STARS) yang dapat

digunakan untuk memodelkan thermal EOR termasuk steam. Parameter yang

dibutuhkan dalam membangun model reservoir adalah rock properties, fluid

propoerties dan formation properties. Penelitian ini dilakukan di lapangan x yang

mana model reservoir memiliki dimensi 25x25x5 sehingga total grid block

sebanyak 3125 grid blocks dan memiliki number of layering sebanyak 5 layer.

Pemilihan pola sumur dan ukuran pattern didasarkan pada penelitian sebelumnya

(Silalahi et al., 2019) yang menyebutkan bahwa lapangan duri memiliki pola 5-

spot, 7-spot dan 9- spot dengan ukuran pattern 5.5 acre- 15.5 acre. Gambar 3-1

menunjukan ilustrasi dari model yang akan peneliti simulasikan dengan pola 7 –

spot inverted

Gambar 3. 1 Model reservoir 3D CMG

13


Berikut merupakan data reservoir properties dan fluida properties pada

lapangan x yang berasal dari penelitian oleh (Ferizal et al., 2013; Kusumastuti,

Erfando, & Hidayat, 2019) yang di tunjukan pada tabel 3.1 berikut ini

Tabel 3.1 Data reservoir dan Fluida Properties

Properties Satuan Angka

Porositas - 0.25

Initial Water Saturation - 0.2

Initial Oil Saturation - 0.8

Irreducable Oil Saturation - 0.1

Initial Formation Temperature 0F 110

Saturated Steam Temperature

@500 psig

0F 450

Average Formation Thickness Ft 70

Specific Heat Rock Btu/lb0F 0.21

Specific Heat Water Btu/lb0F 0.938

Specific Heat Oil Btu/lb0F 0.5

Rock Grain Density lb/ft3 167

Water Density lb/ft3 62.4

Oil Density API 11

Ov.Brdn.Thermal Conductivity ft-hr-oF 1.5

Ov.Brdn.Thermal Diffusivity ft2/hr 0.0482

Available Heat of Steam Btu/lb 1150

Quality Steam % 0.9

Reservoir Depth Ft 2000

Initial Reservoir Pressure Psia 1000

Permeability i Md 300

Permeability j Md 300

Permeability k Md 150

Maximal Bottom Hole Pressure Psia 1100

Minimal Bottom Hole Pressure Psia 100

14


Maximal Injection Rate STB/D 1000

Compressibility 1/psi 5E-6

Viskositas Cp 500

Sumber: (Ferizal et al., 2013)

Setelah model dibuat, selanjutnya dilakukan pembuatan sensitivitas data

dan running menggunakan CMG CMOST dengan input range parameter dan

output berupa recovery factor. Pemilihan parameter yang akan dingunakan

sebagai input dalam CMG dan ANN didasari oleh screening criteria dari

steamflooding yang terdapat dalam penelitian oleh (Hama et al., 2014) yang

diperkuat dengan data tambahan dari penelitian sebelumnya oleh (Shafiei et al.,

2013) yang melakukan evaluasi kinerja dari steamflooding menggunakan ANN

pada batuan karbonat dan penelitian oleh (Hong, 1994) yang menjelaskan

parameter pada steamflooding yang berpengaruh terhadap recovey factor.

. Tabel 3.2 menujukan parameter beserta range minimum, median dan

maximum.

Tabel 3.2 Range Parameter

Property Min Median Max

Porositas 0.20 0.25 0.30

Permeability, Km (mD) 200 300 400

Oil Viscosity (cp) 250 350 500

Temperature (F) 100 120 140

Steam Quality (Fraction) 0.5 0.7 0.9

API 12 16 20

Rate Injection 500 700 1000

15


3.2 Pemodelan ANN

Setelah dilakukannya running terhadap data input sesuai dengan range

yang telah ditentukan menggunakan CMG CMOST, maka akan terbentuk sekitar

2.187 skenario data simulasi yang dingunakan kembali untuk membangun model

ANN. Dalam penelitian ini algoritma yang akan dingunakan adalah algoritma

backpropagation dengan 1 Input Layer, 1 Hidden Layer, 1 Output.

Langkah pertama adalah melakukan pengimputan data pada software

ANN Anaconda 2.7 terhadap input data yang dinormalisasikan menggunakan

normalisasi min max. Data tersebut akan dibagi menjadi 80% untuk Training dan

20% untuk Testing dan validation. Kemudian pemilihan arsitektur akan diplih

dengan percobaan trial and error dengan 3, 7, 10 ,15, 20 terhadap jumlah node

pada hidden layer. Fungsi aktifasi yang dingunakan pada penelitian adaah fungsi

aktifasi sigmoid dengan rentang dengan rentang [-1, 1].

3.3 Jadwal Penelitian

Penelitian ini dilakukan di Laboratorium Simulasi Teknik Perminyakan

Universitas Islam Riau dengan menggunakan data sekunder yakni data yang

berasal dari buku, jurnal dan bulan referensi lainnya yang berhubungan dengan

penelitian ini. Penelitian ini akan dilaksanakan dalam waktu 2,5 Bulan dari bulan

Juni 2020 smpai dengan bulan Agustus 2020.

Tabel 3.3 Jadwal Penelitian

Tahap Penelitian

Tahun 2020

Juni Juli Agustus

3 4 1 2 3 4 1 2 3 4

Persiapan Data

Persiapan model

CMG Stars

Pembuatan

sensitivitas data dan

running

Pemodelan ANN

Laporan Penelitian

16


3.4 Diagram Alir Tugas Akhir

Mulai

Pemodelan Simulasi Reservoir

menggunakan CMG Stars

Pembuatan Sensitivitas Data Menggunakan CMG

CMOST dengan Input Parameter Sesuai dengan

Range yang telah ditentukann

Didapatkan Nilai

RF

Normalisasi Data

Pemodelan ANN

Penentuan Jumlah Hidden Layer,

Training dan Testing

Hasil Model ANN

(Weight) dan

Pembahasan

Selesai

Gambar 3. 2 Diagram Alir Tugas Akhir

17


BAB IV PEMBAHASAN

4.1 Analisis Artificial Neural Network

Pada penelitian ini peneliti melakukan prediksi terhadap keberhasilan

steamflooding menggunakan metode Artificial Neural Network dengan algoritma

Back Propagation (BP). Parameter yang uji pada penelitian ini adalah input

berupa API, viskositas minyak, steam quality, rate injection, permeabilitas

reservoir, porositas, temperature reservoir dan output berupa recovery factor.

Pemilihan parameter yang mempengaruhi recovery factor yang akan dingunakan

sebagai input dalam ANN didasari oleh screening criteria dari steamflooding

yang terdapat dalam penelitian oleh (Hama et al., 2014) yang diperkuat dengan

data tambahan dari penelitian oleh (Shafiei et al., 2013) yang melakukan evaluasi

kinerja dari steamflooding.

Pemodelan reservoir dilakukan dengan menggunakan software CMG Stars

kemudian melakukan sensitifitas data menggunakan CMG CMOST terhadap

parameter min, median dan max yang kemudian akan terbentuk 2.187 skenario

data simulasi yang dingunakan kembali sebagai input dalam membangun model

ANN. Kemudian data diambil untuk nantinya dilakukan prediksi perhitungan nilai

RF menggunakan ANN BP. Gambar 4.1 merupakan pengaturan input parameter

pada CMG CMOST sehingga didapatkan 2187 beserta distribusi datanya.

Gambar 4. 1 Pengaturan parameter pada CMG CMOST

18


Pemograman backpropagation pada penelitian ini dilakukan dengan

nmenggunakan software Anaconda 2.7 dengan bahasa pemograman Phython.

Menurut (Handayanto & Herlawati, 2020) bahasa pemograman Phyton adalah

bahasa pemograman interpretatif multiguna, tidak seperti bahasa lain yang susah

dibaca dan dipahami. Phython sangat mudah dipahami bagi pemula maupun untuk

yang sudah menguasai bahasa pemograman yang lain karena mempunyai kode

yang simpel dan mudah diimplementasikan.

Langkah pertama dalam membuat pemodelan ANN adalah normalisasi data.

Pada penelitian ini dingunakan normalisasi data Min Max. Metode normalisasi

data Min Max me-rescale data dari suatu range ke range lainnya. Data discalakan

dalam range 0 sampai 1. Cara kerjanya setiap nilai pada sebuah fitur dikurangi

dengan nilai minimum fitur tersebut, kemudian dibagi dengan rentang nilai atau

nilai maksimum dikurangi nilai minimum dari fitur tersebut (Chamidah &

Salamah, n.d.)

Dalam melakukan prediksi menggunakan artificial neural network –back

propagation dibutuhkan kombinasi data training dan testing, seperti pada

penelitian yang dilakukan oleh (Shafiei, Dusseault, Zendehboudi, & Chatzis,

2013) menggunakan rasio 75% data training dan 25% data testing, penelitian

(Hassan et al., 2019) menggunakan rasio 70% untuk training dan 30% untuk

testing dan penelitian (Ersahin & Ertekin, 2019) menggunakan raso 80% untuk

training dan 20% untu testing. Oleh karena itu, pada penelitian ini dingunakan

kombinasi data dengan rasio 0,8:0,2 ( 80% :20%), sehingga jumlah data untuk

training yaitu 1750 dan data untuk testing 427. Data training dingunakan dalam

membangun, membentuk dan melatihkan data dalam pemodelan artificial neural

network sedangkan data testing dingunakan dalam melakukan prediksi serta

mengukur validasi keakuratan model. Setiap data training dan data testing akan

memberikan nilai RMSE, r2 dan MAPE.

Pada artificial neural network, untuk mendapatkan hasil error yang

minimum harus dilakukan metode trial and error untuk data training dan testing.

Metode trial and error ini digunakan untuk mendapatkan jumlah nodes yang

optimal pada hidden layer. Menurut (Kholis, 2015) hidden layer pada

19


backpropagation berfungsi sebagai tempat untuk mengupdate dan menyesuaikan

bobot, sehingga didapatkan nilai bobot yang baru yang bisa diarahkan mendekati

ouput yang diinginkan. Setiap jumlah hidden layer akan mempengaruhi nilai r2,

RMSE dan MAPE. Penelitian ini dilakukan trial and error dengan jumlah hidden

layer 3, 7, 10, 15 dan 20 node. Berikut adalah hasil masing-masing dari trial and

error.

Tabel 4. 1 Hasil Trial and Error dengan Jumlah hidden layer 3 node

Data r2 Root MSE Mean APE

Training 0.83090 0.68264 3.93658

Testing 0.83804 0.70237 4.05699



Training 0.98768 0.18768 1.00063

Testing 0.98523 0.19646 1.01286



Training 0.99644 0.99042 0.52381

Testing 0.99623 0.10708 0.57915



Training 0.99706 0.08982 0.47558

Testing 0.99702 0.09515 0.51202

20




Training 0.99707 0.090894 0.483245

Testing 0.99735 0.085739 0.469495

Tingkat keakurasian data salah satunya dapat dilihat pada coeficient

determination (r2) yang merupakan hubungan antara data aktual dan prediksi. Dari

hasil trial and error yang telah didapatkan, nilai untuk jumlah hidden layer 3

node jauh berbeda dengan jumlah hidden layer 7, 10, 15 dan 20 node. Nilai

optimum pada hidden layer 20 node yaitu 0.99707 untuk training dan 0.99735

untuk testing. Berikut adalah hasil grafik hasil optimum antara data aktual dan

data prediksi.

Gambar 4. 2 Coefficient of determination (R2) 0.99707 antara nilai actual

dan prediksi data training dengan 20 nodes hidden layer

R² = 0.9971

10

11

12

13

14

15

16

17

18

19

20

10 11 12 13 14 15 16 17 18 19 20

Pre

dic

tio

n

Actual

Train

21


Gambar 4. 3 Coefficient of determination (R2) 0.99735 antara nilai output

dan prediksi data testing dengan 20 nodes hidden layer

Setelah dilakukan proses trial and error didapatkan hasil optimum

terhadap nilai hidden layer dengan jumlah 20 node sehingga arsitektur

backpropagation dalam penelitian ini adalah 7-20-1 (7 input, 20 hidden layer dan

1 output). Pada penelitian ini semakin banyak jumlah node pada hidden layer

maka hasil yang didapatkan akan semakin bagus dan semakin cepat didapatkan

nilai outpout yang diinginkan, namun waktu training dan testing juga akan

semakin lama. Nilai RMSE dan MAPE memiliki hubungan yang berbanding

terbalik dengan r2. Semakin kecil nilai MSE hingga mendekati angka 0 maka

prediksinya akan semakin bagus, dan semakin besar nilai r2 hingga mendekati

angka 1 maka korelasi antara output dan prediksi tidak jauh berbeda. (Widayati,

2009) dan (Lareno, 2015) menyebutkan bahwa keakuratan metode estimasi

kesalahan pengukuran diindikasikan dengan adanya RMSE yang kecil. Metode

estimasi yang mempunyai RMSE kecil dikatakan lebih akurat daripada metode

estimasi yang mempunyai RMSE lebih besar. Menurut (Maricar, 2019) MAPE

merupakan perhitungan yang dingunakan untuk menghitung rata- rata presentase

R² = 0.9974

10

11

12

13

14

15

16

17

18

19

20

10 11 12 13 14 15 16 17 18 19 20

Pre

dic

tio

n

Actual

Testing

22


kesalahan mutlak. Semakin rendah nilai MAPE, kemampuan dari model

peramalan yang dingunakan dapat dikatakan baik. Kemampuan peramalan sangat

baik jika memiliki nilai MAPE kurang dari 10% dan mepunyai kemampuan

peramalan yang baik jika nilai MAPE kurang dari 20% (Margi & Pendawa, 2015)

Pada penelitian ini tingkat keakurasian dan nilai error dari model ANN

tergolong bagus, karena nilai nya yaitu 0.99707 dan 0.99735 hampir mendekati

nilai 1 dan juga nilai error bahkan tidak mencapai 1%. Hal ini disebabkan oleh

jumlah data yang dingunakan sebanyak 2187 data sehingga ANN memiliki data

yang banyak dalam melakukan training. Faktor lain yang mempengaruhi yaitu

karena data merupakan hasil simulasi yang konsisten sehingga dapat membatu

dalam pemodelan ANN. Hasil ini tentu akan berbeda jika menggunakan real data

lapangan.

23


BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil dan pembahasan serta analisis dari simulasi yang telah

dilaksanakan maka didapatkan kesimpulan pada penelitian ini yaitu model

prediksi menggunakan metode artificial neural network dengan algoritma

backpropoagation terhadap nilai recovery factor dengan 2187 data sampel

didapatkan hasil yang tergolong sangat baik menggunakan 20 nodes hidden layer

dengan RMSE untuk data training 0.090 dan testing 0.085. MAPE (mean

absolut percentage error) untuk data training 0.483245 dan testing 0.469495.

Coefficient correlation (r2) 0,99707 untuk training dan testing 0,99735 sehingga

dapat digolongkan memiliki hasil akurasi yang tinggi karena mendekati nilai 1.

.

5.2 Saran

Melalui penelitian ini, peneliti memberikan saran agar lebih dikembangkan

kembali kepada penelitian selanjutnya. Adapun saran dari peneliti adalah

Melakukan prediksi dan optimisasi dari parameter injeksi steamflooding

menggunakan Artificial Intelligence seperti Genetic Algorithm, Ant Colony

Optimization atau Particle Swarm Optimization

24


DAFTAR PUSTAKA

Abdurrahman, M., Bae, W. S., Novriansyah, A., & Khalid, I. (2016). Enhanced

Oil Recovery (EOR) Challenges and Its Future in Indonesia. Proceeding of

the IRES 28th International Conference, Jakarta, Indonesia, 6.

Alkinani, H. H., Al-Hameedi, A. T. T., Dunn-Norman, S., Flori, R. E., Alsaba, M.

T., & Amer, A. S. (2019). Applications of Artificial Neural Networks in the

Petroleum Industry: A Review. SPE Middle East Oil and Gas Show and

Conference. Society of Petroleum Engineers.

Ansari, A., Heras, M., Nones, J., Mohammadpoor, M., & Torabi, F. (2019).

Predicting the performance of steam assisted gravity drainage (SAGD)

method utilizing artificial neural network (ANN). Petroleum.

Bagheripour Haghighi, M., Ayatollahi, S., & Shabaninejad, M. (2012).

Comparing the performance and recovery mechanisms for steam flooding in

heavy and light oil reservoirs. SPE Heavy Oil Conference Canada. Society

of Petroleum Engineers.

Chamidah, N., & Salamah, U. (n.d.). Pengaruh normalisasi data pada jaringan

syaraf tiruan backpropagasi gradient descent adaptive gain (bpgdag) untuk

klasifikasi. ITSMART: Jurnal Teknologi Dan Informasi, 1(1), 28–33.

Ersahin, A., & Ertekin, T. (2019). Artificial Neural Network Modeling of Cyclic

Steam Injection Process in Naturally Fractured Reservoirs. SPE Reservoir

Evaluation & Engineering.

Ferizal, F. H., Netzhanova, A. A., Lee, J., Bae, W., Am, S., & Gunadi, T. A.

(2013). Revitalizing Indonesia’s Potential for Oil Production: The Study of

Electromagnetically Heated Gravel Packs for Steam-produced Heavy Oil

Reservoirs. SPE Heavy Oil Conference-Canada. Society of Petroleum

Engineers.

Hassan, A., Al-Majed, A., Mahmoud, M., Elkatatny, S., & Abdulraheem, A.

(2019). Improved Predictions in Oil Operations Using Artificial Intelligent

25


Techniques. SPE Middle East Oil and Gas Show and Conference. Society of

Petroleum Engineers.

Hama, M. Q., Wei, M., Saleh, L. D., & Bai, B. (2014). SPE-170031-MS Updated

Screening Criteria for Steam Flooding Based on Oil Field Projects Data.

(1973), 1–19.

Handayanto, R. T., & Herlawati, H. (2020). Machine Learning Berbasis Desktop

dan Web dengan Metode Jaringan Syaraf Tiruan Untuk Sistem Pendukung

Keputusan. Jurnal Komtika (Komputasi Dan Informatika), 4(1), 15–26.

Hong, K. C. (1994). Effects of steam quality and injection rate on steamflood

performance. SPE Reservoir Engineering, 9(04), 290–296.

Julpan, J., Nababan, E. B., & Zarlis, M. (2018). Analisis Fungsi Aktivasi Sigmoid

Biner dan Sigmoid Bipolar dalam Algoritma Backpropagation pada Prediksi

Kemampuan Siswa. Jurnal Teknovasi: Jurnal Teknik Dan Inovasi, 2(1),

103–116.

Kamari, A., Nikookar, M., Sahranavard, L., & Mohammadi, A. H. (2014).

Efficient screening of enhanced oil recovery methods and predictive

economic analysis. Neural Computing and Applications, 25(3–4), 815–824.

Kholis, I. (2015). Analisis Variasi Parameter Backpropagation Artificial Neural

Network Terhadap Pengenalan Pola Data Iris. Jurnal Teknik Dan Ilmu

Komputer Ukrida, 1–12.

Kusumastuti, I., Erfando, T., & Hidayat, F. (2019). Effects of Various Steam

Flooding Injection Patterns and Steam Quality to Recovery Factor. Journal

of Earth Energy Engineering, 8(1), 33–39.

Lareno, B. (2015). Analisa dan Perbandingan akurasi model prediksi rentet waktu

arus lalu lintas jangka pendek. CSRID (Computer Science Research and Its

Development Journal), 6(3), 148–158.

Lee, J. Y., Shin, H. J., & Lim, J. S. (2011). Selection and evaluation of enhanced

oil recovery method using artificial neural network. Geosystem Engineering,

14(4), 157–164.

Margi, K., & Pendawa, S. (2015). Analisa Dan Penerapan Metode Single

Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu

26


(Studi Kasus: Pt. Media Cemara Kreasi). Prosiding SNATIF, 2.

Maricar, M. A. (2019). Analisa Perbandingan Nilai Akurasi Moving Average dan

Exponential Smoothing untuk Sistem Peramalan Pendapatan pada

Perusahaan XYZ. Jurnal Sistem Dan Informatika (JSI), 13(2), 36–45.

Mohaghegh, Shahab (SPE, W. V. U. . (2000). Virtual-Intelligence Applications in

Petroleum Engineering : Part 1 — Artificial Neural Networks. Journal of

Petroleum Technology, (September), 64–72.

Parada, C. H., & Ertekin, T. (2012). A new screening tool for improved oil

recovery methods using artificial neural networks. SPE Western Regional

Meeting. Society of Petroleum Engineers.

Sari, Y. (2017). Prediksi Harga Emas Menggunakan Metode Neural Network

backpropagation Algoritma Conjugate Gradient. Jurnal Eltikom, 1, 2.

Shafiei, A., Dusseault, M. B., Zendehboudi, S., & Chatzis, I. (2013). A new

screening tool for evaluation of steamflooding performance in naturally

fractured carbonate reservoirs. Fuel, 108, 502–514.

Sigit, R., Satriana, D., Peifer, J. P., & Linawati, A. (1999). Seismically Guided

Bypassed Oil Identification in A Mature Steamflood Area, Duri Field,

Sumatra, Indonesia. SPE Asia Pacific Improved Oil Recovery Conference.

Society of Petroleum Engineers.

Silalahi, H., Aji, M., Elisa, A., Perdayeni, A., Oktasari, R., Lie, H., & Akbarrizal,

A. (2019). Advancing Steamflood Performance Through a New Integrated

Optimization Process: Transform the Concept into Practical. SPE/IATMI

Asia Pacific Oil & Gas Conference and Exhibition. Society of Petroleum

Engineers.

Suhartanto, R. S., Dewi, C., & Muflikhah, L. (2017). Implementasi Jaringan

Syaraf Tiruan Backpropagation untuk Mendiagnosis Penyakit Kulit pada

Anak. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer E-

ISSN, 2548, 964X.

Sun, Q., & Ertekin, T. (2017). Structuring an artificial intelligence based decision

making tool for cyclic steam stimulation processes. Journal of Petroleum

Science and Engineering, 154, 564–575.

27


Temizel, C., Rodriguez, D. J., Saldierna, N., & Narinesingh, J. (2016). Stochastic

optimization of steamflooding heavy oil reservoirs. SPE Trinidad and

Tobago Section Energy Resources Conference. Society of Petroleum

Engineers.

Widayati, C. S. W. (2009). Komparasi beberapa metode estimasi kesalahan

pengukuran. Jurnal Penelitian Dan Evaluasi Pendidikan, 13(2).

153210410.pdf - Repository Universitas Islam Riau

Documents