Penentuan Cadangan

Simulasi Monte Carlo

Pendahuluan (1)

• Persoalan memperkirakan suatu harga dari suatu variabel dalam

suatu proses alam yang mengandung ketidakpastian
• Dalam industri minyak, ketidakpastian terdapat dalam
1. perkiraan modal
2. cadangan
3. parameter ekonomi
• Ketidakpastian dikuantifikasi dengan selang harga (bukan satu
harga pasti) yang mungkin serta tingkat kemungkinannya
• Ketidakpastian berkenaan dengan analisis risiko dan analisis
probabilitas

Penentuan Cadangan, hal. 1

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Pendahuluan (2)
Ketidakpastian yang menyangkut analisis risiko:
1. Suatu sumur wild cat memerlukan waktu antara 56 sampai 87
hari untuk mengebornya – tidak mengatakan persis 65 hari.
2. Biaya total untuk pemboran tersebut antara US$ 4.3 juta sampai
US$ 7.2. juta – tidak menyebutkan persis US$ 5.2 juta

Ketidakpastian yang menyangkut analisis probabilitas:

1. Berapa kemungkinan mendapatkan NPV suatu prospek melebihi
target yang ditetapkan sebesar US$ 2.0 juta?
2. Seberapa mungkin tambahan cadangan dari program eksplorasi
yang sedang dijalankan tahun ini akan menambah produksi tahun
berikutnya?

Penentuan Cadangan, hal. 2

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Pendahuluan (3)
• Untuk mendapatkan harga suatu variabel dapat menggunakan
pendekatan deterministik atau stokastik
• Proses deterministik → satu keluaran (output)
• Proses stokastik → keluaran lebih dari satu (banyak), mempunyai
kemungkinan yang sama
• “Kelebihan” metode stokastik adalah memasukkan unsur
ketidakpastian

Penentuan Cadangan, hal. 3

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Pendahuluan (4)
• Simulasi Monte Carlo → proses perhitungan menggunakan suatu
model yang berulang-ulang yang mensimulasi suatu proses
dengan variabel berupa penyebaran (distribusi) harga
• Hasil dari proses simulasi Monte Carlo adalah hubungan
probabilitas vs. harga variabel

Penentuan Cadangan, hal. 4

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga
• Model berupa persamaan matematis dengan variabel yang
dinyatakan berdasarkan distribusi frekuensi (probability density
function) dan distribusi kumulatif (probability distribution function)
• Distribusi frekuensi dari variabel dalam model diperkirakan
berdasarkan data yang terbatas sehingga distribusi yang
dihasilkan tidak berbentuk kurva yang continous
• Hanya dapat memperkirakan harga minimum, maksimum, dan
paling mungkin (most likely) - distribusi segi tiga (triangular)
atau
hanya harga minimum dan maksimum saja - distribusi segi empat
(uniform distribution)

Penentuan Cadangan, hal. 5

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga: Distribusi Segitiga dan Segiempat (1)

Harga minimum, maksimum, dan yang paling mungkin – distribusi
berbentuk segi tiga:

w(x) Distribusi segi

tiga

a b c

Harga minimum dan maksimum saja – distribusi berbentuk segi

empat:

w(x) Distribusi segi

empat (seragam)

a x b

Penentuan Cadangan, hal. 6

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga: Distribusi Segitiga dan Segiempat (2)

• Untuk menghindari pengaruh subjektivitas dalam penentuan

model distribusi variabel, digunakan bilangan acak (random
number)

• Hasil perhitungan tersebut dinyatakan dalam histogram dan

distribusi kumulatif

Penentuan Cadangan, hal. 7

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga: Histogram (1)

• Kumpulan harga pengamatan suatu variabel dalam suatu model
dinyatakan dalam bentuk distribusi frekuensi (bentuk histogram)
• Histogram diperoleh dari n hasil pengamatan yang dikelompokkan
dalam suatu selang harga, x
• Jumlah pengamatan dalam selang harga dinyatakan dalam
frekuensi absolut, fi, atau dalam frekuensi relatif, wi, dimana

fi
wi =
n

Penentuan Cadangan, hal. 8

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga: Histogram (2)

 pengamatan = n
selang harga = x

Penentuan Cadangan, hal. 9

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga: Histogram (3)

• Frekuensi per satuan harga x sepanjang selang x disebut
kerapatan jenis frekuensi (frequency density), w(x):
w
w(xi) = i
x
• Plot w(x) terhadap x berbentuk histogram; luas daerah w(xi)xi di
bawah kurva sepanjang internal xi merupakan frekuensi (relatif)
• Luas daerah di bawah kurva w(xi) sama dengan satu, sehingga:
n n
 w(xi) xi =  wi = 1
i =1 i −1
• Bentuk histogram akan mendekati continous bila jumlah
pengamatan banyak (harga n besar)

Penentuan Cadangan, hal. 10

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga: Distribusi Normal dan Log-Normal (1)

• Distribusi frekuensi yang sering ditemukan untuk sifat fisik
reservoir adalah distribusi normal atau log-normal
Distribusi Distribusi
normal log-normal Positive
skew Negative
skew

• Distribusi frekuensi normal berbentuk lonceng (bell shaped) yang

simetris sehingga
Xmean = Xmode = Xmedian
• Distribusi log-normal berbentuk seperti distribusi normal dengan
salah satu sisinya menceng (skewness) ke kiri atau ke kanan
Penentuan Cadangan, hal. 11
Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga: Distribusi Normal dan Log-Normal (2)

• Hasil pengolahan data pengamatan dapat juga dinyatakan sebagai
distribusi frekuensi kumulatif, W(x<xi), dimana:
xi
W(x  xi) =  w(x)dx
−
• Harga W(x<xi) merupakan luas daerah di bawah kurva distribusi
frekuensi w(x) untuk x < xi
• Harga tersebut menggambarkan besarnya peluang atau probability
untuk mendapatkan harga x  xi.
• Harga maksimum W(x<xi) adalah 1, sehingga:
W(x  xi ) = 1 − W(x  xi )

Penentuan Cadangan, hal. 12

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Harga: Distribusi Normal dan Log-Normal (3)

• Untuk distribusi normal, kurva x terhadap W(x<xi) pada
probability paper berbentuk linier
• Untuk distribusi log-normal, kurva x terhadap W(x<xi) pada
probability paper juga linier bila sumbu log digunakan untuk
variabel x.

Penentuan Cadangan, hal. 13

Credit to Ir. Asep K. Permadi, P.hD
PR 4 No.1

Selesaikan Contoh 3: Penentuan Distribusi Variabel pada diktat

dengan memplot pada kertas grafik (probability paper) x terhadap
W(x<xi) sehingga diperoleh ciri (bentuk kurva) untuk jenis distribusi
normal dan log-normal.

Catatan: Probability paper dapat diminta di asisten.

Penentuan Cadangan, hal. 14

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Segi Tiga (Distribusi ) (1)

w(x)

a b c

x = a → harga minimum
x = b → paling mungkin
x = c → maksimum
Luas daerah di bawah kurva = 1

Penentuan Cadangan, hal. 15

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Segi Tiga (Distribusi ) (2)

Persamaan untuk distribusi frekuensi w(x) dan distribusi frekuensi
kumulatif W(x<xi):
2(x − a)
w(x) = xb (1)
(c − a)(b − a)
2(c − x)
= xb (2)
(c − a)(c − b)
w(x) = distribusi frekuensi.

W(x<xi) =
(x − a)2 xb (3)
(c − a)(b − a)

=1−
(c − x )2 xb (4)
(c − a)(c − b)
W(x<xi) = distribusi frekuensi kumulatif.

Penentuan Cadangan, hal. 16

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Segi Empat (Distribusi ) (1)

w(x)

a x b

x = a → harga minimum
x = b → maksimum
Distribusi frekuensi w(x) tetap untuk setiap harga x

Penentuan Cadangan, hal. 17

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Segi Empat (Distribusi ) (2)

Persamaan untuk distribusi frekuensi w(x) dan distribusi frekuensi

kumulatif W(x<xi):
1
w(x) = axb (5)
b−a
(x − a)
W(x  xi) = axb (6)
b−a

Akibatnya:
→ Grafik W(x<xi) terhadap x untuk distribusi segi tiga berbentuk S
(S-shaped)
→ Grafik W(x<xi) terhadap x untuk distribusi segi empat berbentuk
linier
Penentuan Cadangan, hal. 18
Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Distribusi Frekuensi w(x) dan

Distribusi Frekuensi Kumulatif W(x<xi)

1
w(x) W(x<xi)

a b c a x c

w(x) W(x<xi)

a c a x c

Penentuan Cadangan, hal. 19

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Proses Simulasi (1)

• Simulasi Monte Carlo adalah proses perhitungan berulang-ulang

sehingga menghasilkan sejumlah keluaran (output)
• Harga variabel x diperoleh berdasarkan persamaan distribusi
frekuensi kumulatif (segitita dan segi empat)
• Berdasarkan persamaan untuk kedua distribusi tersebut diperoleh:
1. Distribusi segi tiga
x = a + W(x  xi)(c − a)(b − a)0.5 x1  b

x = c − 1 − W(x  xi)(c − a)(c − b)0.5 x1  b

2. Distribusi segi empat
x = a + W(x  xi)(b − a)

Penentuan Cadangan, hal. 20

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Proses Simulasi (2)

• Jadi, variabel x dapat dihitung jika W(x<xi) diketahui

• Agar tidak bersifat subyektif, W(x<xi) dicari dengan menggunakan
bilangan acak (random number)
• Bilangan acak dapat diperoleh dengan cara:
1. Menggunakan random number generator yang tersedia dalam
komputer
2. Menggunakan buku telepon dengan mengambil dua (dua) digit
terakhir dari nomor telepon sebagai W(x<xi) dalam bentuk
fraksi.

Penentuan Cadangan, hal. 21

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Prosedur Simulasi

1. Tentukan model yang berupa satu atau lebih persamaan dengan

asumsi dan hubungan antar variabel yang logik.
2. Pandang setiap parameter dalam model sebagai variabel acak
yang memenuhi hubungan probabilitas vs. harga kumulatif
3. Pilih satu harga untuk setiap parameter dan kemudian run model.
Proses ini menghasilkan satu keluaran dan disebut sebagai satu
realisasi.
4. Ulangi Langkah 3. Proses ini disebut simulasi yaitu pengulangan
sebanyak ribuan atau ratusan ribu kali perhitungan.
5. Lakukan pengolahan data dan analisis terhadap hasil dari
Langkah 4 dengan menggunakan histogram atau distribusi
frekuensi kumulatif
Penentuan Cadangan, hal. 22
Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Penggunaan Bilangan Acak (1)

• Satu perhitungan dilakukan dengan satu set bilangan acak

• Jumlahnya bilangan acak sama dengan jumlah variabel dalam
model perhitungan yang digunakan
• Simulasi dilakukan dengan jumlah set bilangan acak (n) lebih
besar dari 1000
• Urutan penggunaan bilangan acak dalam model bersifat tetap

Penentuan Cadangan, hal. 23

Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Penggunaan Bilangan Acak (2)

Assigned to variable
Bilangan acak
A B C
RN1 Xa - -
RN2 - Xb -
RN3 - - Xc
RN4 Xa - -
RN5 - Xb -
RN6 - - Xc
dst.

• RN1, RN2, RN3 → satu set bilangan acak pertama

• RN4, RN5, RN6 → satu set bilangan acak kedua, dst.
• Dengan demikian, n set bilangan acak akan menghasilkan n
keluaran (output)
Penentuan Cadangan, hal. 24
Credit to Ir. Asep K. Permadi, P.hD
Penentuan Cadangan
Simulasi Monte Carlo

Pengolahan Data dan Analisis

1. Tentukan harga terkecil dan terbesar dari keluaran
2. Tentukan jumlah selang - dapat digunakan rule of thumb:
S = 1 + 3.3 log(n)
dimana:
S = jumlah selang
n = jumlah data hasil simulasi
3. Tentukan frekuensi absolut fi dan frekuensi relatif, wi, untuk tiap
selang, kemudian buat histogram.
4. Tentukan frekuensi kumulatif, kemudian plot distribusi frekuensi
kumulatif.

Penentuan Cadangan, hal. 25

Credit to Ir. Asep K. Permadi, P.hD
15 •Belum/tida
Water-Oil
5100
Interval
A
OWC
0Sumur
Unproved
Recovera
Ditemuka
Probable
Produksi
Possible
45678Reserve
Patahan
pRegion
Luas 8A=1
7
6
5
4
3
2
1
Proved
nn+1SDA
Non 5 ft
23max
Contact
V
n/Discover
Recovera
Minyak/G
kumulatif
Daerah =k  h da
R ble
ditemukan
Dalam as ble
ed
Total 0
Undiscove
Kontur
red
Isopach

PR 4 No.2

Selesaikan Contoh 4: Aplikasi Simulasi Monte Carlo Dalam

Perhitungan Cadangan pada diktat dengan:

1. Melakukan simulasi dengan n = 1000 menggunakan Excel (Excel

dapat menggenerate bilangan acak dengan fungsi @RAND)

2. Buat histogram dan kurva distribusi frekuensi kumulatif serta

tentukan cadangan:

• Proven

• Proven + probable

• Proven + probable + possible

Penentuan Cadangan, hal. 26

Credit to Ir. Asep K. Permadi, P.hD