Abstrak—Minyak dan gas bumi dapat diambil secara menghasilkan minyak bumi yang berlimpah secara
langsung melalui sumur-sumur yang dibuat, namun sumur- konstan. Ketika kandungan minyak dan gas mulai turun
sumur tersebut tidak akan menghasilkan jumlah minyak maka hal yang harus dilakukan adalah memberikan
dan gas bumi yang konstan setiap hari. Ketika kandungan treatment terhadap sumur tersebut, sehingga minyak dan
minyak dan gas mulai turun maka yang harus dilakukan
adalah memberikan treatment terhadap sumur tersebut,
gas yang masih terkandung di dasar bumi tersebut bisa
sehingga minyak dan gas yang masih terkandung di dasar naik. Dalam melakukan treatment terhadap sumur,
bumi bisa naik dengan jumlah yang lebih banyak. Tujuan dibutuhkan persiapan-persiapan khusus sebelumnya. Agar
dilakukannya penelitian ini adalah untuk membantu perusahaan dapat merencanakan dilakukan treatment pada
perusahaan dalam menganalisis jumlah produksi minyak sumur tersebut, maka perlu mengetahui jumlah produksi
dan gas bumi selama periode 14 hari selanjutnya, sehingga minyak dan gas bumi untuk periode selanjutnya. Ketika
dapat diketahui apakah selama periode 14 hari selanjutnya produksi minyak dan gas mengalami penurunan yang
diperlukan treatment terhadap sumur. Data yang digunakan tidak sedikit, maka pada saat itu dibutuhkan treatment
adalah jumlah produksi minyak dan gas bumi pada platform untuk sumur tersebut [2].
“MK” pada tahun 2015. Pemodelan jumlah produksi
minyak dan gas bumi dilakukan menggunakan tiga metode,
Tujuan dari penelitian ini adalah meramalkan jumlah
yaitu ARIMA, neural network, dan Hibrida ARIMA-neural produksi minyak dan gas untuk periode 14 hari
network. Hasil yang diperoleh berdasarkan analisis ketiga selanjutnya, sehingga dapat diketahui selama 14 hari
metode tersebut adalah pada jumlah produksi minyak bumi selanjutnya dibutuhkan treatment terhadap sumur atau
model terbaik diperoleh dari metode hibrida ARIMA-neural tidak. Pemodelan ini dilakukan dengan tiga metode, yaitu
network, dengan hasil ramalan yang cenderung sama selama ARIMA, neural network, dan hibrida ARIMA-neural
14 hari yaitu 1961 barel. Sedangkan jumlah produksi gas network.
bumi model terbaik diperoleh dari metode neural network, Penelitian ini diharapkan dapat memberikan informasi
dengan ramalan produksi untuk 14 hari selanjutnya mengenai jumlah produksi minyak dan gas untuk periode
cenderung meningkat.
14 hari selanjutnya, sehingga perusahaan dapat membuat
Kata Kunci—ARIMA, Hibrida ARIMA-NN, Minyak dan kebijakan baru ketika jumlah produksi minyak dan gas
Gas Bumi, Neural Network. bumi menurun selama periode 14 hari selanjutnya.
s
P (B ) p ( B)(1 B) d (1 B s ) D Z t s
q ( B) Q ( B ) a t (2) uji, atau dengan faktor keberuntungan. setelah yakin
menemukan minyak selanjutnya adalah membangun
Dalam melakuka analisis menggunakan metode sumur yang meliputi pemboran (drilling), memasang
ARIMA, terdapat beberapa tahapan yang harus dilakukan. tubular sumur (casing), dan penyemenan (cementing).
Pertama adalah pengecekan stasioneritas data, kemudian Lalu proses completion untuk membuat sumur siap
pendugaan model melalui plot ACF dan PACF, digunakan. Ketika sumur sudah dapat digunakan,
selanjutnya pengujian signifikansi parameter, uji selanjutnya secara berkala dilakukan pengujian
kesesuaian model, dan terakhir adalah pemilihan model kandungan minyak bumi dari sumur tersebut atau biasa
terbaik. Kriteria yang digunakan dalam memilih model disebut well testing [2].
terbaik adalah kriteria RMSE, berikut rumus umum dari
RMSE. III. METODOLOGI PENELITIAN
1 M Data yang digunakan pada penelitian ini merupakan
RMSE ( Z n l Z n (l )) 2 (3) data sekunder, yaitu data jumlah produksi minyak dan gas
M l 1 bumi selama tahun 2015 dari bulan Januari hingga
Neural Network Desember yang berasal pada platform “MK” di PT “X”.
Neural network menggunakan elemen perhitungan non- Pengukuran data dilakukan setiap 2 jam dalam sehari,
linier dasar yang disebut neuron yang diorganisasikan sehingga data yang digunakan merupakan data harian
sebagai jaringan yang saling berhubungan. NN ditentukan sebanyak 365 data.
oleh tiga hal yaitu pola hubungan neuron, metode Variabel yang akan digunakan pada penelitian ini
training/learning, dan fungsi aktivasi. Setiap pola-pola adalah jumlah produksi minyak dan gas bumi di platform
informasi input dan output yang diberikan ke dalam NN “MK” setiap hari dalam satuan barel untuk minyak dan
diproses dalam neuron [5]. Hubungan antara output dan satuan mScf untuk gas.
input memiliki rumus matematis sebagai berikut. Langkah–langkah dalam pemodelan jumlah produksi
q p minyak dan gas bumi dengan tiga metode adalah sebagai
Z t w 0 w j f ( w oj wij Z t i ) t (4) berikut.
j 1 i 1 1. Mendeskripsikan karakteristik data jumlah produksi
w j (j = 1,2,...,q) dan wij (i = 1,2,...,p; j = 1,2,...,q) minyak bumi di platform “MK”.
2. Membagi data time series menjadi data in sample dan
p adalah jumlah input nodes dan q adalah jumlah hidden out sampel.
nodes. Fungsi aktivasi yang sering digunakan adalah 3. Memodelkan data menggunakan metode ARIMA,
fungsi sigmoid dengan rumus matematis sebagai berikut. neural network, dan hibrida ARIMA-NN.
1
f ( x) (5) Model ARIMA
x
1 e a.Membuat time series plot.
Hibrida b. Melakukan pengecekan stasioneritas terhadap
varians
Hibrida adalah kombinasi dua atau lebih sistem dalam dan mean. Jika data tidak stasioner dalam
satu fungsi, dalam penelitian ini adalah kombinasi varians,
ARIMA dan NN. Model ARIMA dapat menghasilkan maka dilakukan transformasi. Sedangkan jika
peramalan yang baik pada kondisi yang non-linier untuk data tidak
itu dilakukan kombinasi dengan NN yang menunjukkan stasioner dalam mean, maka dilakukan
performa yang baik jika data bersifat non-linier. Jadi differencing.
model hibrida dapat membantu mengatasi struktur yang c.Melakukan identifikasi model data jumlah
kompleks dari suatu data [6]. Secara umum kombinasi dari produksi
model time series dapat dituliskan sebagai berikut. minyak bumi di platform “MK” berdasarkan plot
yt Lt Nt (6) ACF
Dimana Lt menunjukkan komponen linier dan Nt dan PACF.
menunjukkan komponen non linier. Terdapat dua d. Melakukan estimasi dan pengujian parameter
komponen yang harus di estimasi, yaitu model ARIMA berdasarkan model yang telah diduga.
digunakan untuk menyelesaikan kasus data linier dimana e.Melakukan pengujian asumsi yaitu, white noise
residual dari model linier masih mengandung informasi dan
hubungan non linier. Secara matematis dapat dituliskan distribusi normal. Jika data tidak berdistribusi
sebagai berikut. normal,
e t y t L̂ t (7) maka dapat dideteksi dengan outlier.
f. Pemilihan model terbaik dengan melihat nilai
Minyak dan Gas Bumi RMSE
Minyak dan gas bumi adalah campuran senyawa paling rendah
hidrokarbon, yang tersusun dari sebagian besar karbon Model Neural-Network
dan hidrogen, dengan sedikit belerang, nitrogen, dan a. Menentukan arsitektur neural network yaitu
unsur-unsur lainnya. Minyak dan gas bumi diduga secara menentukan banyak input, jumlah neuron dalam
tidak langsung berasal dari sisa-sisa organisme hidup. hidden layer, bobot awal, dan fungsi aktivasi.
Terdapat beberapa cara untuk menemukan minyak dan b. Melakukan pelatihan (in-sampling training) pada
gas bumi, yaitu dengan cara observasi geologi, survei data pelatihan dengan memasukkan bobot dan
gravitasi, survei magnetik, survei seismik, membor sumur
arsitektur neural network yang telah didapatkan
D-380 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)
3500
Hibrida ARIMA-NN
BBL
2500
1500
ARIMA Month Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des
digunakan sebagai input, kemudian dimodelkan Gambar 1. Time Series Plot Produksi Minyak Bumi
kembali menggunakan neural network. Berdasarkan time series plot di atas diketahui bahwa
d. Menentukan model terbaik dari metode hibrida data jumlah produksi minyak bumi tahun 2015 memiliki
ARIMA–NN dengan melihat nilai RMSE pola yang fluktuatif dan tidak terdapat pola musiman.
terendah. Berdasarkan time series plot dan plot ACF dapat diduga
e.Menggabungkan model a dan c sehingga bahwa data belum stasioner dalam mean, karena pola ACF
didapatkan turun secara lambat. Sehingga perlu dilakukan
model hibrida ARIMA–NN. differencing sebanyak satu kali. Selanjutnya plot ACF dan
4. Membandingkan model ARIMA, neural network, PACF dari data yang sudah stasioner digunakan untuk
dan hibrida ARIMA-NN berdasarkan nilai RMSE. menduga model ARIMA. Plot ACF menunjukkan cut off
5. Meramalkan jumlah produksi minyak dan gas bumi setelah lag 2, sedangkan plot PACF menunjukkan dies
di platform “MK” menggunakan model terbaik. down. Berdasarkan hasil plot ACF dan PACF tersebut
diduga bahwa model ARIMA yang terbentuk adalah
IV. HASIL DAN PEMBAHASAN ARIMA (0,1,1) dan ARIMA (0,1,2). Kedua model
Karakteristik Produksi Minyak dan Gas Bumi tersebut memiliki parameter yang signifikan terhadap
model, Namun belum memenuhi asumsi white noise dan
Langkah pertama yang perlu dilakukan dalam berdistribusi normal, sehingga dilakukan deteksi outlier
penelitian ini adalah melihat karakteristik data dari jumlah dengan cara memasukkan data outlier ke dalam model.
produksi minyak dan gas bumi di platform “MK” selama Hasil yang diperoleh dari deteksi outlier adalah pada
tahun 2015. Hasil karakteristik dapat dilihat pada Tabel 1. model ARIMA (0,1,1) terdapat 84 outlier yang
TABEL 1. KARAKTERISTIK MINYAK DAN GAS BUMI dimasukkan ke dalam model dan residual sudah
Variabel Minyak Bumi Gas Bumi memenuhi asumsi white noise, namun tetap tidak
Rata-rata 2555,6 5704,1 berdistribusi normal. Kemudian untuk model ARIMA
Maximum 4107,0 8718,0 (0,1,2) terdapat 57 outlier yang dimasukkan ke dalam
Minimum 649,5 1577,0 model dan hasilnya adalah residual sudah white noise dan
Varians 421576,8 2197042,9 berdistribusi normal.
Median 2587,6 5790,0 Langkah selanjutnya adalah melakukan pemilihan
model terbaik. Kriteria yang digunakan adalah nilai
Rata-rata jumlah produksi minyak bumi setiap harinya RMSE paling kecil. Tabel 2 berikut menunjukkan kriteria
sebanyak 2555,6 barel dengan median sebesar 2587,6. model terbaik berdasarkan in sample dan out sample.
Artinya adalah hasil produksi minyak bumi setiap hari TABEL 2. PEMILIHAN MODEL TERBAIK PRODUKSI MINYAK BUMI
hampir sama jumlahnya. Tidak berbeda jauh dengan RMSE
karakteristik pada minyak bumi, diketahui bahwa rata-rata Model
In sample Out Sample
produksi gas bumi setiap hari selama tahun 2015 sebesar
ARIMA (0,1,1) 65,5 61,48
5704,123 barel dengan median sebesar 5790. Rata-rata ARIMA (0,1,2) 71,47 48,92
jumlah produksi gas bumi setiap hari hampir sama dengan
variansi sebesar 2197042,9. Berdasarkan hasil pemilihan model terbaik diperoleh
nilai RMSE yang paling kecil pada out sample terdapat
Pemodelan Produksi Minyak Bumi
pada model ARIMA (0,1,2), sehingga model matematis
Dalam memodelkan jumlah produksi minyak dan gas yang terbentuk adalah sebagai berikut.
bumi digunakan tiga metode sebagai perbandingan, yaitu
107 42
metode ARIMA, neural network, dan hibrida ARIMA- Z t Z t 1 0 ,19187a t 1 0 , 59695a t 2 a t 1, 436.6 I a ,t 1188, 3 I a ,t
2) Pemodelan Produksi Minyak Bumi Dengan NN input dalam metode hibrida adalah Nt-1, Nt-2, Nt-3, dan Nt-
Langkah awal dalam melakukan pemodelan dengan 4.
neural network adalah menentukan input, jumlah neuron Pemodelan menggunakan metode hibrida ini juga
pada hidden layer, dan fungsi aktivasi apa yang menggunakan jumlah neuron pada hidden layer yang
digunakan. Input yang digunakan dalam NN berdasarkan berbeda yaitu mulai 1 hingga 10. Nilai RMSE dari
pada model ARIMA terbaik. Karena model ARIMA pemodelan menggunakan hibrida ARIMA-NN dapat
terbaik adalah ARIMA (0,1,2) dengan lag yang keluar dari dilihat pada Tabel 4.
plot PACF yaitu lag 1, 2, dan 3, maka input pada NN TABEL 4. NILAI RMSEPEMODELAN METODE HIBRIDA ARIMA-NN
adalah Yt-1, Yt-2, Yt-3, dan Yt-4 karena ada differencing. DATA PRODUKSI MINYAK BUMI
Jumlah neuron yang digunakan pada hidden layer mulai In Out In Out
Neuron Neuron
sample Sample sample Sample
dari 1 hingga 10. Nilai RMSE dari pemodelan
1 71,55 47,02 6 71,45 47,41
menggunakan NN dapat dilihat pada Tabel 3.
2 71,56 46,88 7 71,47 46,81
TABEL 3. NILAI RMSE PEMODELAN METODE NN DATA PRODUKSI
MINYAK BUMI 3 71,51 47,43 8 71,44 47,20
In Out In Out 4 71,42 47,38 9 65,54 51,88
Neuron Neuron
sample Sample sample Sample 5 71,38 47,04 10 66,67 46,11
1 278,41 94,84 6 257,22 111,25
Berdasarkan hasil pemodelan menggunakan metode
2 265,46 86,56 7 254,83 171,26
hibrida ARIMA-NN, diperoleh nilai RMSE pada out
3 270,55 92,77 8 243,50 134,59
sample yang paling kecil yaitu pada jumlah neuron 10.
4 264,50 124,64 9 276,50 96,28
Berikut persamaan matematik yang diperoleh dari model
5 271,90 70,84 10 274,88 87,46 hibrida ARIMA-NN 10 neuron.
Berdasarkan hasil dari nilai RMSE dengan Nˆ t 0,164 1, 768H (1,1) t 0,859H (1, 2 ) t 0, 499H (1,3) t 1,198H (1, 4 ) t
menggunakan NN pada data out sample, diketahui bahwa 1, 697H (1, 5) t 1, 097H (1, 6 ) t 0, 041H (1, 7 ) 1, 225H (1,8) t
t
yang terkecil terdapat pada neuron 5. Arsitektur jaringan 0, 241H (1, 9 ) t 1, 525H (1,10) t
model NN dapat dimodelkan sesuai dengan fungsi aktivasi 1
sigmoid pada hidden layer dan fungsi linier pada output. H (1,1) t
Gambar 2 menunjukkan arsitektur dari model NN 5 1 exp ( 1, 724 2 , 857 N t 1 1, 959 N t 2 2 , 585 N t 3 3, 042 N t 4 )
neuron. 1
H (1, 2 ) t
1 exp ( 0 , 444 0 , 245 N t 1 0 ,150 N t 2 0 , 443 N t 3 0 , 205 N t 4 )
1
H (1, 3 ) t
1 exp ( 0 , 431 0 , 849 N t 1 0 , 022 N t 2 0 , 047 N t 3 1, 751 N t 4 )
1
H (1, 4 ) t
1 exp ( 0 , 748 2 , 096 N t 1 0 , 416 N t 2 0 , 222 N t 3 0 , 528 N t 4 )
Gambar 2. Arsitektur NN 5 Neuron Data Produksi Minyak Bumi
1
Persamaan matematik yang didapatkan berdasarkan H (1, 5 ) t
model NN 5 neuron adalah sebagai berikut. 1 exp (1, 660 1, 487 N t 1 1, 666 N t 2 0 , 429 N t 3 1, 052 N t 4 )
6000
5 531,52 294,29 10 539,73 197,39
mScf
5000
Berdasarkan tabel nilai RMSE out sample yang paling
4000
3000
kecil terdapat pada jumlah neuron 2, sehingga dipilih
2000 model NN dengan neuron 1 dengan arsitektur yang dapat
1000
Day 01 01 01 01 01 01 01 01 01 01 01 01
dilihat pada Gambar 4.
Month Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des
3 167,20 195,46 8 167,03 195,75 bumi memiliki rata-rata jumlah produksi setiap hari
4 167,10 195,62 9 167,05 195,57 juga cenderung konstan yaitu sebesar 5500 mScf. Pada
5 167,07 195,75 10 167,05 195,60 hari Sabtu selama tahun 2015 terdapat jumlah produksi
Nilai RMSE terkecil pada data out sample terdapat pada yang sangat tinggi dan sangat rendah yaitu rendah
jumlah neuron 1, sehingga model hibrida ARIMA-NN sebesar 1577 mScf.
yang dipilih adalah model dengan 1 neuron. Berikut model 2. Model terbaik dari data jumlah produksi minyak bumi
matematik dari model hibrida ARIMA-NN 1 neuron. adalah model hibrida ARIMA-neural network. Hasil
ramalan yang diperoleh untuk 14 hari ke depan jumlah
Nˆ t 1,843 3,152H (1,1) t
produksi minyak bumi cenderung konstan.
1 3. Model terbaik dari data jumlah produksi gas bumi
H (1,1) t
adalah model neural network. Hasil ramalan untuk 14
1 exp ( 0 , 525 1, 536N t 1 0 , 052N t 2 )
hari ke depan mengalami peningkatan jumlah
Setelah melakukan pemodelan menggunakan tiga produksi, namun tidak signifikan.
metode yaitu ARIMA, NN, dan hibrida ARIMA-NN pada
data jumlah produksi gas bumi di platform “MK” tahun Saran
2015, maka dapat disimpulkan bahwa metode NN Saran dari hasil analisis dan pembahasan yang
memiliki nilai RMSE pada out sample paling kecil. dilakukan pada penelitian ini yaitu pihak perusahaan tidak
Selanjutnya metode NN digunakan untuk meramalkan perlu melakukan treatment pada sumur di platform “MK”
produksi gas bumi 14 hari ke depan. Ramalan produksi selama tanggal 1-14 Januari 2016, karena produksi
gas bumi dapat dilihat pada Tabel 9. minyak dan gas bumi cenderung naik perlahan.
TABEL 9. RAMALAN PRODUKSI GAS BUMI
Hari Ramalan Hari Ramalan DAFTAR PUSTAKA
01/01/2016 4307,41 08/01/2016 4395,976 [1] Ansyari, I. (2015). Beberapa Fakta Menarik Tentang Minyak
02/01/2016 4330,388 09/01/2016 4399,163 Bumi. http://learnmine.blogspot.co.id/2015/04/ fakta-menarik-
03/01/2016 4352,917 10/01/2016 4401,516 tentang-minyak-bumi.html. Diakses pada tanggal 10 Februari
04/01/2016 4366,928 11/01/2016 4403,264 2016.
05/01/2016 4378,023 12/01/2016 4404,56 [2] Samperuru, D. (2007). Dari Mana Datangnya Minyak Bumi. Buku
06/01/2016 4385,823 13/01/2016 4405,523 Pintar Migas Indonesia, 1-17.
07/01/2016 4391,693 14/01/2016 4406,239 [3] Walpole, E. R.,1995. Ilmu Peluang dan Statistika Untuk Ilmuwan
dan Insinyur Edisi Ketiga. Bandung : ITB.
V. KESIMPULAN DAN SARAN [4] Wei, W. W. S. (2006). Time Series Analysis: Univariate and
Multivariate Methods, 2nd Edition. New York: Pearson.
Kesimpulan
[5] Khashei, M., & Bijari, M. (2011). A Novel Hybridization of
Berdasarkan pada hasil analisis dapat diambil Artificial Neural Network and ARIMA Model for Time Series
kesimpulan: Forecasting. Applied Soft Computing, 2664 – 2675.
1. Rata-rata jumlah produksi minyak bumi setiap hari
[6] Jan, S., & Katarina, H. (2010). The Implementation of Hybrid
cenderung konstan selama tahun 2015, yaitu sekitar ARIMA-Neural Network Prediction Model. Journal of Applied
2500 barel setiap hari. Jumlah produksi terendah Mathematics, volume 3, 124-130.
sebesar 649,5 barel terjadi pada hari Sabtu. Untuk gas