Page 1
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
Page 2
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
Page 3
iv
Universitas Islam Riau
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
Page 4
v
Universitas Islam Riau
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
Page 5
vi
Universitas Islam Riau
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
Page 6
vii
Universitas Islam Riau
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. 2 Hasil Trial and Error dengan Jumlah hidden layer 7 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
Tabel 4. 5 Hasil Trial and Error dengan Jumlah hidden layer 20 node .............. 20
Page 7
viii
Universitas Islam Riau
DAFTAR LAMPIRAN
LAMPIRAN I Data dan Hasil Prediksi
LAMPIRAN II Pemograman Phyton
Page 8
ix
Universitas Islam Riau
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
Page 9
x
Universitas Islam Riau
DAFTAR SIMBOL
µo Viskositas minyak
Ø Porositas
Page 10
xi
Universitas Islam Riau
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
Page 11
xii
Universitas Islam Riau
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
Page 12
1
Universitas Islam Riau
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).
Page 13
2
Universitas Islam Riau
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
Page 14
3
Universitas Islam Riau
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.
Page 15
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)
Page 16
5
Universitas Islam Riau
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.
Page 17
6
Universitas Islam Riau
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
Page 18
7
Universitas Islam Riau
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.
Page 19
8
Universitas Islam Riau
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.
Page 20
9
Universitas Islam Riau
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)
Page 21
10
Universitas Islam Riau
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)
Page 22
11
Universitas Islam Riau
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.
Page 23
12
Universitas Islam Riau
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
Page 24
13
Universitas Islam Riau
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
Page 25
14
Universitas Islam Riau
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
Page 26
15
Universitas Islam Riau
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
Page 27
16
Universitas Islam Riau
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
Page 28
17
Universitas Islam Riau
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
Page 29
18
Universitas Islam Riau
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
Page 30
19
Universitas Islam Riau
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
Tabel 4. 2 Hasil Trial and Error dengan Jumlah hidden layer 7 node
Data r2 Root MSE Mean APE
Training 0.98768 0.18768 1.00063
Testing 0.98523 0.19646 1.01286
Tabel 4. 3 Hasil Trial and Error dengan Jumlah hidden layer 10 node
Data r2 Root MSE Mean APE
Training 0.99644 0.99042 0.52381
Testing 0.99623 0.10708 0.57915
Tabel 4. 4 Hasil Trial and Error dengan Jumlah hidden layer 15 node
Data r2 Root MSE Mean APE
Training 0.99706 0.08982 0.47558
Testing 0.99702 0.09515 0.51202
Page 31
20
Universitas Islam Riau
Tabel 4. 5 Hasil Trial and Error dengan Jumlah hidden layer 20 node
Data r2 Root MSE Mean APE
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
Page 32
21
Universitas Islam Riau
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
Page 33
22
Universitas Islam Riau
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.
Page 34
23
Universitas Islam Riau
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
Page 35
24
Universitas Islam Riau
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
Page 36
25
Universitas Islam Riau
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
Page 37
26
Universitas Islam Riau
(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.
Page 38
27
Universitas Islam Riau
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).