Anda di halaman 1dari 11

Proceeding Simposium Nasional IATMI

25 - 28 Juli 2007, UPN Veteran Yogyakarta


_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

IMPLEMENTASI JARINGAN SYARAF TIRUAN DALAM PEMILIHAN
METODE ENHANCED OIL RECOVERY

Oleh :

Malunlana Alamsah, Anas Puji Santoso, Boni Swadesi
Jurusan Teknik Perminyakan, Universitas Pembangunan Nasional Veteran Yogyakarta
Jl. SWK 104 (Lingkar Utara) Condongcatur, Yogyakarta 55283
Telp. (0274) 486056, Facs. (0274) 486056
e-mail : malunlanaalamsah@lycos.com, pujisnts@yahoo.com, noni_utekma@yahoo.com
ABSTRAK

Pengambilan keputusan dalam pengembangan lapangan sangat sulit dilakukan pada awal
suatu lapangan dieksploitasi. Hal ini disebabkan kurangnya data sehingga mempersulit dalam
penentuan langkah-langkah selanjutnya. Untuk merencanakan EOR, diperlukan suatu penelitian yang
sangat rumit dan membutuhkan biaya yang mahal. Biasanya suatu lapangan menggunakan simulator
untuk memprediksi kelakuan reservoir yang nantinya digunakan sebagai acuan dalam
mengembangkan suatu lapangan. Kegiatan simulasi reservoir membutuhkan data reservoir yang harus
lengkap dan membutuhkan waktu yang cukup lama untuk mendapatkan hasil yang bagus.
Biasanya, perencanaan strategi pengembangan lapangan dilakukan pada awal dilakukannya
pengembangan lapangan. Hal ini berhubungan dalam penyusunan Plan of Development (POD) suatu
lapangan sehingga dapat direncanakan pula biaya yang diperlukan dalam pengembangan lapangan
tersebut. Diperlukan suatu alat untuk membantu dalam pengambilan keputusan dengan tersedianya
informasi reservoir yang terbatas. Dengan menggunakan suatu alat, bisa ditentukan metode EOR yang
akan dilakukan pada suatu lapangan dengan hanya menggunakan data reservoir yang terbatas.
Menggunakan konsep Jaringan Syaraf Tiruan (JST) dapat ditentukan metode EOR yang sesuai pada
suatu lapangan dengan melihat dari tingkat keberhasilannya.
Screening criteria yang digunakan berdasarkan dari data reservoir dari lapangan yang telah
melakukan EOR dengan karakteristik dan kondisi reservoir yang berbeda-beda. Data yang diperlukan
adalah parameter reservoir kunci yaitu: gravity minyak, viscositas minyak, komposisi minyak,
saturasi minyak, jenis batuan, ketebalan batuan, permeabilitas rata-rata, kedalaman, dan temperatur.
Dilakukan pembelajaran backpropagation pada data pembelajaran. Model JST mampu mengolah data
yang berbeda, mengurangi kemungkinan pengambilan keputusan yang tidak berdasar, dan mampu
menginvestigasi secara cepat dan akurat. Pada penelitian ini menghasilkan software yang dinamakan
PiXel.

Keywords : Jaringan Syaraf Tiruan, Backpropagation, Enhanced Oil Recovery.
PENDAHULUAN

Awal dilakukan pengembangan
suatu lapangan hanya memiliki data
reservoir yang terbatas. Di saat yang sama
dibutuhkan suatu keputusan untuk
pengembangan lapangan jangka panjang
termasuk dalam pemilihan metode
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

Enhanced Oil Recovery yang akan
dilakukan dimasa yang akan datang. Hal ini
berhubungan dengan pembuatan Plan of
Development (POD) suatu lapangan.
Pemilihan metode Enhanced Oil
Recovery (EOR) telah lama dilakukan
dengan menggunakan screening criteria.
Dari screening criteria ini hanya bisa
dilakukan pemilihan secara kualitatif, yaitu
pemilihan berdasarkan kecocokan data
reservoir yang akan dilakukan EOR dengan
screening criteria yang ada. Hal ini bisa
menjadikan pemilihan yang kurang tepat
karena pada suatu data reservoir
memungkinkan sesuai dengan lebih dari satu
metode EOR. Cara ini sangat sulit
menentukan metode mana yang lebih sesuai
pada reservoir tersebut. Dari masalah ini
dibutuhkan alat untuk menghitung
persentase kesesuaian data reservoir yang
diteliti terhadap masing-masing metode
EOR.
Jaringan Syaraf Tiruan (JST)
merupakan suatu struktur perhitungan yang
mempelajari proses-proses susunan syaraf
biologis. Ada beberapa jenis jaringan syaraf
tiruan, dari yang sederhana sampai yang
sangat komplek sebagai gambaran teoritis
dari proses syaraf biologis. Model JST
dirancang menyerupai kemampuan berpikir
manusia seperti proses ilmu pengetahuan,
berbicara, perkiraan, dan control. Sehingga,
tidak berlebihan apabila penerapan JST
digunakan dalam pemilihan metode EOR
baik secara kualitatif maupun kuantitatif
walaupun dengan data reservoir yang
terbatas.

EOR Screening Criteria
EOR screening criteria telah lama
digunakan pada kebanyakan reservoir
sebelum dilakukan penelitian yang lebih
lanjut. Screening criteria ini berdasarkan
dari parameter kunci reservoir, baik itu
kerakteristik minyak, karakteristik batuan,
maupun kondisi reservoirnya. Secara umum
diperoleh dari pengalaman di lapangan baik
yang sukses maupun yang gagal atau dari
penelitian di laboratorium mengenai proses
EOR.
Pada penelitian ini digunakan
screening criteria dari beberapa sumber
yang saling melengkapi satu sama lain
(Tabel 1). Digunakan 9 data parameter
reservoir yaitu: gravity minyak, viscositas
minyak, komposisi minyak, saturasi minyak,
jenis batuan, ketebalan batuan, permeabilitas
rata-rata, kedalaman, dan temperatur.
Metode EOR yang akan diperoleh adalah
injeksi N
2
, injeksi gas hidrokarbon, injeksi
CO
2
, injeksi surfaktan, injeksi polimer,
injeksi alkalin, in-situ combustion, dan
injeksi uap.

Jaringan Syaraf Tiruan (JST)
JST adalah implementasi dari
teknologi artificial intelligence. Merupakan
representasi buatan dari otak manusia yang
selalu mencoba untuk mensimulasikan
proses pembelajaran pada otak manusia
tersebut. Istilah tiruan ini karena jaringan
syaraf ini diimplementasikan menggunakan
program komputer yang mampu
menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran. Otak manusia
terdiri dari banyak neuron, axon, dan
dendrit. JST memiliki node yang
dianalogikan sebagai neuron pada otak
manusia. Proses dari input yang diperoleh
untuk menghasilkan respon keluaran pada
node ini. JST merupakan model sederhana
dari kemampuan otak dalam menganalisa
objek dan data.
JST merupakan sistem pemroses
informasi yang mempunyai kemampuan
untuk belajar, mengingat informasi,
menyamakan data, dan menentukan pola
selama proses pembelajaran.
JST telah dikembangkan
menggunakan metode matematika dari
pengertian manusia atau syaraf biologis,
berdasarkan asumsi-asumsi, sbb:
1. Pemrosesan informasi terjadi pada elemen
sederhana yang disebut neuron.
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

2. Sinyal dialirkan diantara neuron melalui
connection link.
3. Setiap connection link memiliki masing-
masing bobot
4. Setiap neuron dilakukan fungsi aktivasi
pada setiap input untuk menentukan sinyal
output.
Arsitektur
JST pada umumnya diklasifikasikan
sebagai satu lapisan atau banyak lapisan.
Pengaturan neuron pada lapisan dan pola
hubungan di antara lapisan disebut sebagai
arsitektur jaringan. Beberapa JST memiliki
input lapisan dengan aktivasi pada setiap
unit yang sama pada sinyal external input.
Kebanyakan JST menggunakan lapisan
banyak dengan satu lapisan tersembunyi
seperti yang digunakan pada penelitian ini
(Gambar 1). Untuk menyelesaikan masalah
yang berbeda sangat penting dalam
menentukan jumlah lapisan dan jumlah
neuron pada setiap lapisannya. Untuk
menentukan jumlah lapisan, unit input tidak
dihitung sebagai lapisan, karena tidak
dilakukan perhitungan.

Algoritma
Metode untuk menentukan nilai
bobot sangat penting dalam membedakan
karakteristik dari jaringan syaraf yang
berbeda. Secara umum dua tipe
pembelajaran untuk JST yaitu terawasi dan
tak terawasi. Kebanyakan JST diatur dan
dilatih berdasarkan urutan pembelajaran
vektor, atau pola yang masing-masing
berubungan dengan vektor target output.
Proses ini disebut sebagai pembelajaran
terawasi.
Beberapa algoritma pembelajaran
dikembangkan pada JST. Algoritma ini
berdasarkan pada kelayakan pembelajaran
yang disesuaikan dengan optimasi dari teori.
Pada pembelajaran ini dipengaruhi oleh
besarnya learning rate.
Pada penelitian ini digunakan
pembelajaran terawasi metode
backpropagation. Pembelajaran
backpropagation memiliki tiga tahapan
yaitu: langkah maju (feedforward) dari pola
pembelajaran input, perhitungan error dan
langkah mundur (backpropagation) apabila
belum mencapai error yang dikehendaki,
serta memperbaiki bobot.
Setelah dilakukan pembelajaran,
JST bisa digunakan untuk menyelesaikan
masalah tertentu dengan memasukkan data
pada lapisan input sehingga didapat hasil
pada lapisan output.
Implementasi
Penelitian ini menggunakan metode
backpropagation untuk melatih JST pada
penentuan tingkat keberhasilan EOR.
Diperlukan 9 node pada lapisan input, hal ini
disesuaikan dari jumlah input parameter
reservoir yang digunakan dengan 8 metode
EOR yang dituju sehingga memerlukan 3
node pada output lapisan. Lapisan
tersembunyi dapat diubah-ubah jumlah
node-nya sesuai kebutuhan (Gambar 3).
Masing-masing parameter reservoir
dibagi dalam batasan-batasan tertentu sesuai
screening criteria yang digunakan.
Ditentukan nilai bobot awal pada masing-
masing batasan. Sedangkan pada output
yaitu metode EOR yang dituju ditentukan
nilai output pada masing-masing metode
menggunakan bilangan biner.
Pembelajaran backpropagation:
sebelum JST bisa menginvestigasi pada
suatu reservoir, dilakukan terlebih dahulu
pembelajaran. Digunakan sebanyak 64 data
sampel untuk pembelajaran JST. Kemudian
data yang ada akan dipelajari oleh JST
dengan terlebih dahulu ditentukan jumlah
hidden node, learning rate, maksimal iterasi,
dan error targetnya.
Perhitungan tingkat keberhasilan
diperoleh dari error yang dicapai pada suatu
investigasi berdasarkan bobot yang
diperoleh pada pembelajaran sebelumnya.

Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

error output *
8
100
100 %

=
Contoh hasil pada penelitian ini
ditentukan 10 hidden node, 0.5 learning
rate, 20,000 max iteration, dengan target
error (RMSE) sebesar 0.01. Pembelajaran
akan berhenti pada maksimal iterasi atau
telah memperoleh target error yang
ditentukan. Contoh pembelajaran
menunjukkan target error 0.01 dicapai pada
iterasi ke-19,361.

CONTOH KASUS

Contoh kasus ini dilakukan terhadap
suatu lapangan di Wyoming, USA. Semua
data reservoir yang diperlukan tersedia
kecuali komposisi minyak (Tabel 2).
Sebelum dilakukan investigasi
terhadap lapangan tersebut, dilakukan
pembelajaran, kemudian memasukkan data
reservoir dari lapangan tersebut.
Hasil investigasi menunjukkan
lapangan tersebut memiliki tingkat
keberhasilan terbesar jika dilakukan injeksi
CO
2
dibandingkan metode yang lain yaitu
sebesar 96.42 % (Gambar 4).
KESIMPULAN

1. Pembuatan software pembelajaran JST
dapat digunakan dalam pemilihan
metode EOR.
2. Keterbatasan data dapat diatasi
menggunakan JST dalam penentuan
metode EOR yang akan digunakan
sebagai pertimbangan dalam
pengembangan lapangan.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih
kepada Sekar Ayu Intan Maharani, Yanuar
Hadiyanto dan Jurusan Teknik Perminyakan
UPN Veteran Yogyakarta atas dukungan
yang diberikan dalam penulisan paper ini.

DAFTAR PUSTAKA

1. Kusumadewi, Sri; Artificial
Intelligence (Teknik dan Aplikasinya);
Graha Ilmu; Yogyakarta; 2003.
2. Manrique, Eduardo; CO
2
Capture and
Sequestration: EOR Advanced
Screening Criteria; Questa Engineering
Corporation; ________.
3. OBrien, John, et all; Time-lapse VSP
Reservoir Monitoring; The Leading
Edge; Houston; 2004.
4. Taber, J.J. and Martin, F.D.; Technical
Screening Guides for the Enhanced of
Oil, paper SPE 12069 presented at the
1983 Annual Technical Conference and
Exhibition; San Fransisco; 1983.
5. Taber, J.J, Martin, F.D., and Seright,
R.S.; EOR Screening Criteria
Revisited: Part 1 Introduction to
Screening Criteria and Enhanced
Recovery Fields Project; SPERE
(August 1997).
6. Taber, J.J, Martin, F.D., and Seright,
R.S.; EOR Screening Criteria
Revisited: Part 2 Applications and
Impact of Oil Prices; SPERE (August
1997).

Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

TABEL 1. EOR SCREENING CRITERIA

TABEL 2. CONTOH DATA RESERVOIR

Reservoir Properties Field Data
Oil Gravity (API) 43
Oil Viscosity (cp) 0.85
Oil Composition no data available
Oil Saturation (%) 54
Formation Type sandstone
Thickness (Ft) 25
Permeability (mD) 30
Depth (Ft) 4800
Temperature (F) 120
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

data
id gravity
vis
cos
ity
composition
satura
tions
formation
thick
ness
perme
ability
depth
tempe
rature
method
1 49 0.2 high percent
of C1-C7
65 Carbonate 22 130 10000 60 N2
2 25 2 high percent
of C2-C7
35 Sandstone 100 45 8000 200 Hydrocarbon
3 34 20 light
intermediate
44 Sandstone 120 55 4500 90 Surfactant
4 12 70
0
no data
available
59 Sandstone 50 290 3500 110 Steam
5 21 14
0
some organic
acid
47 Sandstone 20 140 7500 140 Alkaline
6 27 0.7 high percent
of C2-C7
38 Sandstone 50 30 6500 100 Hydrocarbon
7 19 90
0
no data
available
75 Sandstone 50 200 3500 110 Combustion
8 12 49
0
no data
available
45 Sandstone 30 300 3900 120 Steam
9 26 80 some organic
acid
55 Sandstone 30 59 6000 120 Alkaline
10 20 70
0
some
asphaltic
component
80 Sandstone 28 250 20000 150 Combustion
11 50 90 no data
available
70 Sandstone 100 750 750 150 Steam
12 14 19
0
no data
available
36 Sandstone 15 21 8900 199 Surfactant
13 50 7 light
intermediate
70 Sandstone 200 5 950 145 Surfactant
14 53 1 high percent
of C1-C7
60 Carbonate 10 150 11000 160 N2
15 14 60
0
no data
available
59 Sandstone 69 69 11400 190 Combustion
16 26 29 light
intermediate
31 Sandstone 11 23 7900 170 Surfactant
17 45 0.2 high percent
of C1-C7
48 Sandstone 54 100 6001 105 N2
18 52 15 no data 48 Sandstone 68 125 5700 152 Surfactant
TABEL 3. DATA PEMBELAJARAN
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

available
19 50 60
0
no data
available
75 Sandstone 45 750 100 90 Steam
20 39 13
5
no data
available
75 Sandstone 200 200 7500 185 Polymer
21 24 8 high percent
of C5-C12
55 Sandstone 25 50 6500 176 CO2
22 40 0.5 high percent
of C2-C7
60 Carbonate 75 9 7000 155 Hydrocarbon
23 38 0.8 high percent
of C2-C7
84 Sandstone 72 20 7400 190 Hydrocarbon
24 32 50 no data
available
71 Sandstone 75 120 4000 95 Alkaline
25 14 50
0
high percent
of C2-C7
75 Sandstone 45 210 4200 127 Steam
26 41 8 light
intermediete
40 Sandstone 24 85 7000 100 Surfactant
27 47 0.3 high percent
of C1-C7
76 Carbonate 20 120 8000 250 N2
28 29 1 no data
available
55 Carbonate 71 150 9100 200 CO2
29 35 0.5 no data
available
59 Carbonate 48 35 9500 150 Hydrocarbon
30 21 11
5
light
intermediate
70 Sandstone 70 70 6500 160 Polymer
31 8 85
0
high percent
of C2-C7
55 Sandstone 30 250 4000 120 Steam
32 13 20
0
no data
available
73 Sandstone 140 140 7000 130 Combustion
33 12 49
0
no data
available
55 Sandstone 15 60 11000 136 Combustion
34 23 8 high percent
of C5-C12
30 Sandstone 50 10 3000 250 CO2
35 45 0.2 no data
available
47 Sandstone 150 300 9000 150 N2
36 49 4 high percent
of C5-C12
56 Sandstone 55 5 8900 80 CO2
37 15 50 no data
available
75 Sandstone 250 75 3000 186 Alkaline
38 27 70 no data
available
67 Sandstone 45 100 5500 100 Alkaline
39 50 0.2 high percent
of C2-C7
70 Carbonate 59 46 6500 140 Hydrocarbon
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

40 80 0.1 no data
available
60 Carbonate 50 5 10000 95 N2
41 12 65
0
no data
available
67 Sandstone 65 300 3750 115 Steam
42 29 25 no data
available
51 Sandstone 35 67 4000 115 Surfactant
43 23 9 no data
available
21 Carbonate 34 7 6030 70 CO2
44 19 80 high percent
of C2-C7
65 Sandstone 40 40 7000 180 Polymer
45 28 75 no data
available
45 Sandstone 50 45 3500 75 Alkaline
46 50 0.2 no data
available
50 Carbonate 75 80 7000 100 N2
47 20 80
0
some
asphaltic
component
80 Sandstone 50 250 3600 119 Combustion
48 51 0.6 no data
available
25 Sandstone 29 130 6100 65 CO2
49 37 0.4 no data
available
79 Sandstone 68 15 8500 115 Hydrocarbon
50 34 95 no data
available
81 Sandstone 66 145 7200 130 Alkaline
51 16 60
0
some
asphaltic
component
65 Sandstone 80 80 9000 143 Combustion
52 50 50 no data
available
60 Sandstone 150 100 1000 75 Polymer
53 16 50 high percent
of C1-C7
60 Sandstone 15 15 8900 195 Polymer
54 17 60 high percent
of C5-C12
52 Sandstone 300 300 6000 155 Polymer
55 36 3.1 no data
available
64 Sandstone 72 17 10010 150 CO2
56 41 1.7 no data
available
55 Carbonate 55 5 10250 100 Hydrocarbon
57 16 10
5
some organic
acid
38 Sandstone 10 90 4500 99 Alkaline
58 30 5 light
intermediate
40 Sandstone 25 30 5000 150 Surfactant
59 30 0.5 high percent
of C5-C12
34 Carbonate 15 37 3750 280 CO2
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________

___________________________________________________________________________________
IATMI 2007-TS-34

GAMBAR 1. ARSITEKTUR JST PiXeL

60 40 0.3 high percent
of C1-C7
45 Sandstone 45 5 6100 70 N2
61 22 11
8
no data
available
56 Sandstone 25 25 4200 95 Polymer
62 57 26 some
asphaltic
component
63 Sandstone 400 400 8500 190 Polymer
63 17 10
00
no data
available
72 Sandstone 160 160 4000 120 Combustion
64 11.75 70
00
0
no data
available
59 Sandstone 50 290 3500 110 Steam
Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________
___________________________________________________________________________________
IATMI 2007-TS-34

GAMBAR 2. PiXeL INPUT FORM

GAMBAR 3. KEADAAN AWAL DAN AKHIR PROSES PEMBELAJARAN PADA PiXeL

Proceeding Simposium Nasional IATMI
25 - 28 Juli 2007, UPN Veteran Yogyakarta
_______________________________________________________________________________
___________________________________________________________________________________
IATMI 2007-TS-34

GAMBAR 4. CONTOH HASIL INVESTIGASI PiXeL