BAB II

KAJIAN TEORI

Bab II berisi kajian teori. Teori-teori yang digunakan pada penelitian ini

diantaranya cadangan hidrokarbon, fuzzy logic, sistem inferensi fuzzy, MATLAB,

dan penelitian-penelitian terdahulu.

A. Cadangan Hidrokarbon (Oil Reserve)

1. Pengertian Cadangan Hidrokarbon

Metode perhitungan cadangan hidrokarbon dalam dunia perminyakan adalah

jumlah kandungan hidrokarbon yang terdapat di dalam reservoir. Berdasarkan

nilainya, cadangan hidrokarbon digolongkan dalam dua jenis (Tim Staff Asisten

Laboratorium Geologi Minyak dan Gas Bumi, 2012: 142):

a. Cadangan hidrokarbon mula-mula di reservoir/ OOIP (Original Oil in Place)

Cadangan hidrokarbon mula-mula di reservoir merupakan jumlah cadangan

hidrokarbon pada reservoir secara keseluruhan sebelum diproduksikan, biasa

ditulis dengan OOIP.

b. Cadangan hidrokarbon ekonomis (Recoverable Reserve)

Cadangan hidrokarbon ekonomis adalah jumlah cadangan hidrokarbon pada

reservoir yang masih dapat diproduksikan, biasa dinotasikan RR.

2. Metode Volumetric

Metode volumetric merupakan metode perhitungan cadangan hidrokarbon yang

paling sederhana, yaitu dengan menghitung volume hidrokarbon yang terakumulasi

7
pada batuan reservoir menggunakan batas-batas berupa interval pada peta net pay.

Peta net pay menggambarkan ketebalan batu pasir yang mengandung hidrokarbon

(Tim Staff Asisten Laboratorium Geologi Minyak dan Gas Bumi, 2012: 141-142).

Data-data yang menunjang dalam perhitungan cadangan ini adalah volume bulk,

porositas batuan, saturasi hidrokarbon, dan faktor volume formasi hidrokarbon.

Persamaan yang digunakan pada metode volumetric adalah (Tim Staff Asisten

Laboratorium Geologi Minyak dan Gas Bumi, 2012: 144):

× × ×
= (dalam satuan STB) (2.1)

atau

× ×
= (dalam satuan STM3) (2.2)

dimana

= volume hidrokarbon mula-mula, dalam satuan (2.1) stock tank barrels

= (STB) atau (2.2) STM3
= volume bulk, dalam satuan (2.1) acre-feet atau (2.2) m3
= porositas batuan, dalam satuan fraksi
= saturasi hidrokarbon, dalam satuan fraksi
= faktor volume formasi hidrokarbon, dalam satuan (2.1) barrel/stock tank
= barrels (BBL/STB) atau (2.2) m3/STM3
7758 = konstanta konversi, dalam satuan barrel/acre-feet (BBL/acre-feet)

3. Parameter Metode Volumetric dalam Menentukan Cadangan

Hidrokarbon

Berdasarkan persamaan (2.1) dan (2.2), parameter yang mempengaruhi nilai

OOIP pada metode volumetric antara lain:

a. Volume bulk (Vb)

Volume bulk adalah volume formasi total yang mencakup volume pori-pori dan

volume batuan (DeSorcy, 1994: 333). Nilai volume bulk didapatkan dari

pemetaan bawah permukaan. Parameter yang memiliki variabilitas terbesar

8
 dalam persamaan (2.1) dan (2.2) mewakili luas area kolam. Pemilihan nilai area

memiliki peran penting dalam menghitung cadangan hidrokarbon untuk setiap

lapisan (DeSorcy, 1994: 12).

b. Saturasi hidrokarbon (Sh)

Saturasi fluida didefinisikan sebagai fraksi dari fluida yang menempati volume

pori-pori sehingga definisi saturasi hidrokarbon adalah fraksi cair maupun gas

yang menempati volume pori-pori. Saturasi hidrokarbon merupakan sifat

terpenting dalam analisis reservoir (Austin dan Lamb, 1994: 65). Identifikasi

saturasi hidrokarbon diperoleh dari analisis cutting (hancuran batuan) yang

dilakukan dalam kerangka pekerjaan Mud Logging (Dedy dan Cahyoko, 2012:

8).

c. Porositas batuan

Porositas adalah fraksi volume bulk reservoir yang terisi fluida (dalam hal ini

bukan mineral) atau dengan kata lain porositas adalah kemampuan batuan untuk

menyimpan fluida (Austin dan Lamb, 1994: 55). Kondisi fluida terhadap

porositas batuan disajikan pada Gambar 2.1.. Berbagai log yang digunakan

untuk menentukan porositas batuan diantaranya adalah log densitas, neutron,

dan sonic (Tim Staff Asisten Laboratorium Geologi Minyak dan Gas Bumi,

2012).

9
 Gambar 2.1. Kondisi fluida terhadap porositas batuan

d. Faktor volume formasi hidrokarbon/ BOI

Faktor volume formasi hidrokarbon didefinisikan sebagai volume tangki dalam

meter kubik (barel) yang menempati formasi pada suhu dan tekanan reservoir

yang berlaku. Volume tangki dalam meter kubik (barel) adalah volume yang

berisi satu meter kubik (barrel) hidrokarbon pada tekanan dan suhu standar.

Dilakukan beberapa tahapan dalam menentukan nilai BOI, diantaranya sumber,

penambahan, analisis, dan penyesuaian data. Nilai BOI selalu lebih besar dari

satu karena suhu dan gas meningkatkan volume tangki hidrokarbon di formasi.

Simbol digunakan dalam persamaan untuk merujuk faktor volume formasi

(Giegerich, 1994: 96).

B. Fuzzy Logic

1. Pengertian Fuzzy Logic

Fuzzy didefinisikan sebagai kabur atau samar sedangkan logic atau logika

adalah studi mengenai metode-metode dan dasar-dasar reasoning. Reasoning

adalah penemuan dalil-dalil baru dari dalil-dalil yang ada. Pada logika klasik, dalil

harus bernilai benar atau salah dengan nilai kebenaran 0 atau 1. Fuzzy logic

10
menyamaratakan dua nilai logika klasik dengan memberikan sebarang nilai

kebenaran pada interval [0,1] (Wang, 1997: 73).

Dalam kehidupan sehari-hari, kata sering digunakan untuk mendeskripsikan

variabel. Nilai variabel yang berupa bilangan mudah untuk membangun kerangka

matematikanya sedangkan nilai variabel yang berupa kata tidak dapat dibuat

kerangka pada teori matematika klasik. Untuk mengatasi masalah tersebut,

diperkenalkan variabel linguistik. Variabel linguistik adalah variabel yang nilainya

berupa kata dari bahasa alami dimana kata didefinisikan dengan himpunan fuzzy

pada himpunan semesta variabel didefinisikan (Wang, 1997: 59).

2. Himpunan Klasik

Menurut Klir (1997: 48-49), himpunan adalah sekumpulan hal yang dapat

dibedakan dari lainnya sebagai individu yang memiliki beberapaa sifat. Setiap

individu pada kumpulan ini disebut anggota atau elemen himpunan. Himpunan

dinotasikan dengan huruf kapital , , , … , , , sedangkan anggota himpunan

dinotasikan dengan , , , … , , , . Jika adalah anggota himpunan , maka

pernyataan tersebut dapat dinotasikan ∈ . Jika bukan anggota himpunan ,

maka dapat dituliskan dengan simbol ∉.

Terdapat banyak cara dalam mendeskripsikan himpunan, cara yang paling

umum adalah dengan list method dan rule method. List method biasanya digunakan

pada himpunan kecil. Pada cara ini, himpunan dideskripsikan dengan menyebutkan

satu per satu anggotanya yang dituliskan diantara tanda kurung. Sebagai contoh,

himpunan dengan anggota , , dan dinyatakan dengan cara:

={ , , } (2.3)

11
Dengan rule method, suatu himpunan, misal , dinyatakan dengan menetapkan

aturan himpunan yang diinginkan:

= { | ( )} (2.4)

3. Himpunan Fuzzy

Teori himpunan klasik mengharuskan suatu himpunan memiliki sifat yang

terdefinisi dengan baik. Dalam kenyatannya, tidak semua himpunan dapat

terdefinisi dengan baik. Pada tahun 1965, Zadeh memodifikasi teori himpunan

klasik yang disebut dengan himpunan fuzzy. Suatu himpunan fuzzy pada himpunan

semesta dinyatakan dengan fungsi keanggotan ( ) yang memiliki nilai pada

interval [0, 1]. Berdasarkan definisi, tidak ada “fuzzy” pada himpunan fuzzy, yang

ada adalah himpunan sederhana dengan fungsi keanggotaan yang kontinu.

Himpunan fuzzy pada dinyatakan sebagai himpunan pasangan terurut dari

anggota dan derajat keanggotaannya (Wang, 1997: 21-22):

= , ( ) (2.5)

4. Fungsi Keanggotaan Himpunan Fuzzy

Fungsi adalah pemetaan anggota suatu himpunan ke anggota himpunan lain.

Setiap anggota dari himpunan pertama dipasangkan dengan tepat satu anggota pada

himpunan kedua. Anggota himpunan kedua disebut bayangan dari anggota

himpunan pertama (Klir, 1997: 61). Fungsi keanggotaan (membership function)

adalah suatu kurva yang menunjukkan pemetaan titik-titik input data (domain) ke

dalam derajat keanggotaan dengan interval [0,1] (Sri, 2002: 18).

Pada himpunan semesta tak terhingga, mustahil mendaftarkan semua anggota

dengan derajat keanggotaannya untuk himpunan bilangan riil. Sebagai contoh,

12
himpunan semesta dari himpunan fuzzy 5 adalah himpunan semua

bilangan riil. Jenis himpunan fuzzy ini disebut bilangan fuzzy. Dalam

pendeskripsian, seringnya bilangan fuzzy dinyatakan dalam bentuk analitik (Klir,

1997: 83). Secara matematis 5 dinyatakan dengan:

−4 4≤ ≤5
( )= 6− 5≤ ≤6 (2.6)
0

Dalam merepresentasikan pengetahuan himpunan fuzzy, dibutuhkan model

yang tepat karena model fuzzy sensitif terhadap jenis pendeskripsian himpunan

fuzzy. Terdapat berbagai jenis pendeskripsian himpunan fuzzy, namun pada

penelitian ini hanya disajikan representasi linear, kurva segitiga, dan kurva

trapesium. Berikut penjelasan masing-masing representasi dengan fungsi

keanggotaannya (Sri, 2002: 30-35):

a. Representasi linear

Representasi linear merupakan bentuk paling sederhana yang digambarkan

sebagai suatu garis lurus. Terdapat dua keadaan himpunan fuzzy linear. Pertama,

kenaikan himpunan dari derajat keanggotaan nol bergerak ke kanan menuju

derajat keanggotaan yang lebih tinggi (Gambar 2.2.).

1
Derajat Keanggotaan

a b
Domain

Gambar 2.2. Representasi linear naik

13
 Fungsi keanggotaan linear naik:

0 ≤
( )= ≤ ≤ (2.7)
1 =

Kedua, merupakan kebalikan yang pertama (Gambar 2.3.).

1
Derajat Keanggotaan

a b
Domain

Gambar 2.3. Representasi linear turun

Fungsi keanggotaan linear turun:

≤ ≤
( )= (2.8)
0 ≥

b. Representasi kurva segitiga

Kurva segitiga (Gambar 2.4.) merupakan gabungan dua garis, linear naik dan

linear turun. Fungsi keanggotaan kurva segitiga didefinisikan sebagai:

0 ≤ ≥
( )= ≤ ≤ (2.9)
≤ ≤

14
 1

Derajat Keanggotaan
0

a b c
Domain

Gambar 2.4. Representasi kurva segitiga

c. Representasi kurva trapesium

Pada dasarnya kurva trapesium seperti bentuk segitiga, namun ada beberapa

titik yang memilki derajat keanggotaan 1 (Gambar 2.5.). Fungsi keanggotaan

kurva trapesium didefinisikan sebagai:

0 ≤ ≥
⎧
⎪ ≤ ≤
( )= (2.10)
⎨ 1 ≤ ≤
⎪ ≤ ≤
⎩

1
Derajat Keanggotaan

a b c d
Domain

Gambar 2.5. Representasi kurva trapesium

Pada penelitian ini, variabel input direpresentasikan dengan gabungkan ketiga

fungsi keanggotaan tersebut.

15
5. Operasi pada Himpunan Fuzzy

Terdapat tiga operasi yang didefinisikan secara khusus untuk mengombinasi

dan memodifikasi himpunan fuzzy. Berikut tiga operasi pada himpunan fuzzy

dengan dan adalah himpunan fuzzy pada himpunan semesta (Sri, 2002: 60):

AND ∩ ( ) = min[ ( ), ( )] (2.11)

OR ∪ ( ) = max[ ( ), ( )] (2.12)

NOT ̅( ) =1− ( ) (2.13)

Operasi-operasi ini diaplikasikan pada derajat keanggotaan karena himpunan fuzzy

tidak dapat dibagi dengan tepat seperti pada himpunan klasik.

C. Sistem Inferensi Fuzzy/ Fuzzy Inference System (FIS)

1. Pengertian Sistem Inferensi Fuzzy

Menurut Rinaldi (2011: 2), inferensi adalah penarikan kesimpulan sehingga

sistem inferensi fuzzy (FIS) adalah penarikan kesimpulan dari sekumpulan kaidah

fuzzy. FIS harus memuat minimal dua buah kaidah fuzzy, dimana input dan output-

nya berupa nilai.

2. Metode Sugeno

Metode Sugeno diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985.

Metode Sugeno hampir sama dengan metode lainnya, hanya saja output

(konsekuen) sistem berupa konstanta (orde nol) atau persamaan linear (orde satu).

Berikut bentuk umum kedua model fuzzy Sugeno (Sri, 2002: 98-99):

a. Model fuzzy Sugeno orde nol

Secara umum bentuk model fuzzy Sugeno orde nol adalah:

( ) ⋅ …⋅ ( ) = (2.14)

16
 dimana

= himpunan fuzzy ke- sebagai anteseden

⋅ = operasi pada himpunan fuzzy (AND, OR, atau NOT)
= suatu konstanta (klasik) sebagai konsekuen

b. Model fuzzy Sugeno orde satu

Secara umum bentuk model fuzzy Sugeno orde nol adalah:

( )⋅ …⋅( ) = ∗ + ⋯+ ∗ + (2.15)

dimana

= himpunan fuzzy ke- sebagai anteseden

⋅ = operasi pada himpunan fuzzy (AND, OR, atau NOT)
= suatu konstanta (klasik) ke-
= konstanta dalam konsekuen

Terdapat lima tahapan di dalam FIS. Lima tahapan FIS yang dijalankan dengan

metode Sugeno (Agus, 2009: 31-38):

a. Fuzzifikasi

Fuzzifikasi adalah proses memetakan nilai klasik ke dalam himpunan fuzzy dan

menentukan derajat keanggotaannya dalam semua himpunan fuzzy

menggunakan fungsi keanggotaan masing-masing himpunan fuzzy.

b. Operasi fuzzy logic

Operasi fuzzy logic perlu dilakukan jika bagian anteseden lebih dari satu

pernyataan. Hasil akhir operasi adalah derajat kebenaran anteseden yang berupa

bilangan tunggal dari derajat keanggotaan suatu himpunan fuzzy. Bilangan ini

akan diteruskan ke bagian konsekuen. Input operasi fuzzy berupa dua atau lebih

derajat keanggotaan variabel-variabel input sedangkan output-nya berupa nilai

kebenaran tunggal. Operasi fuzzy logic antara lain AND, OR, dan NOT.

17
c. Implikasi

Implikasi adalah proses mendapatkan konsekuen berupa suatu aturan IF-THEN

berdasarkan derajat kebenaran anteseden. Agar implikasi berjalan, setiap aturan

harus diberi bobot. Besarnya nilai bobot yaitu dari 0 sampai 1. Umumnya bobot

aturan disetel satu sehingga tidak mempunyai pengaruh pada proses ini. Input

implikasi berupa derajat kebenaran bagian anteseden dan himpunan fuzzy pada

bagian konsekuen. Fungsi implikasi pada metode Sugeno adalah min.

d. Agregasi

Agregasi adalah proses mengombinasikan semua output aturan IF-THEN

menjadi suatu himpunan fuzzy tunggal. Jika konsekuen lebih dari satu

pernyataan maka agregasi dilakukan secara terpisah untuk setiap variabel output

aturan IF-THEN. Secara singkat, agregasi adalah operasi fuzzy logic OR dengan

input berupa semua output himpunan fuzzy dari aturan IF-THEN. Fungsi

agregasi pada metode Sugeno adalah max.

e. Defuzzifikasi

Defuzzifikasi merupakan kebalikan dari fuzzifikasi, yaitu proses memetakan

besaran himpunan fuzzy ke dalam nilai klasik. Input defuzzifikasi adalah

himpunan fuzzy yang berupa singleton-singleton (hasil agregasi) sedangkan

output-nya berupa konstanta (orde nol). Output defuzzifikasi berupa suatu

weighted average. Defuzzifikasi pada metode Sugeno dilakukan dengan

menghitung nilai rata-ratanya:

∑
= (2.16)
∑

18
 dimana

= hasil operasi fuzzy logic anteseden

= output aturan ke-

1. Pengujian Model Fuzzy

Pengujian dilakukan untuk mengetahui apakah model fuzzy yang dibangun

sudah sesuai atau belum. Pada penelitian ini, pengujian dilakukan dengan

menghitung kesalahan dalam persentase. Mean absolute percentage error (MAPE)

dihitung dengan mencari kesalahan absolut pada setiap data yang dibagi dengan

nilai aktual, kemudian merata-rata persentase kesalahan absolut pada semua data.

Perhitungan MAPE ditunjukan pada persamaan (2.17).

1 −
= × 100% (2.17)

dimana

= nilai aktual, ≠ 0
= nilai dugaan
= banyaknya data

Pendekatan ini dipilih ketika nilai besar dan ukuran atau besar variabel yang

berpengaruh (variabel input) penting dalam mengevaluasi ketepatan perhitungan

(Hanke dan Wichern, 2005: 80). Menurut Makridarkis, Wheelwright, dan McGee

dalam Jurnal Teknik POMITS (2012: 7), model dikatakan sangat baik apabila nilai

MAPE kurang dari 10% dan baik apabila nilai MAPE antara 10% sampai 20%.

D. MATLAB (Matrix Laboratory)

1. Pengertian MATLAB

MATLAB adalah bahasa pemrograman tingkat tinggi dimana arti perintah dan

fungsi-fungsinya dapat dimengerti dengan mudah bahkan seorang pemula. Hal ini
19
terjadi karena masalah dan solusi dapat diekspresikan pada MATLAB dengan

notasi-notasi matematis yang biasa dipakai. MATLAB telah berevolusi selama

bertahun-tahun karena masukan dari banyak pemakai. Saat ini MATLAB telah

dilengkapi dengan berbagai toolbox. Suatu toolbox MATLAB adalah sekumpulan

fungsi MATLAB (M-Files yaitu file berekstensi .m) yang merupakan perluasan

MATLAB untuk memecahkan masalah-masalah khusus pada bidang tertentu

(Agus, 2009: 39).

2. Fuzzy Logic Toolbox

Fuzzy logic toolbox adalah sekumpulan tool yang membantu dalam merancang

model fuzzy untuk diapliaksikan dalam berbagai bidang. Fuzzy logic toolbox

menyediakan lima tools untuk keperluan rancang bangun FIS (Agus, 2009: 39):

a. Editor sistem inferensi fuzzy (FIS editor)

FIS editor merupakan tampilan awal yang muncul setelah mengetikkan fuzzy

pada command window (Gambar 2.6.). Metode FIS disetel dengan metode

Mamdani. Untuk mengubah ke metode Sugeno, tahapan yang dilakukan yaitu

memilih menu File>New FIS>Sugeno.

20
 Gambar 2.6. FIS editor

b. Editor fungsi keanggotaan (membership function editor)

Fungsi-fungsi keanggotaan variabel input dan output didefinisikan melalui

membership function editor. Untuk membuka membership function editor pada

FIS editor (Gambar 2.7.), tahapan yang dilakukan yaitu memilih menu

Edit>Membership Functions atau menekan tombol Ctrl+2 secara bersamaan.

Gambar 2.7. Membership function editor

21
c. Editor aturan (rule editor)

Rule editor memudahkan dalam penyusunan aturan IF-THEN secara otomatis

berdasarkan deskripsi variabel input dan output yang didefinisikan pada FIS

editor, yaitu dengan memilih sebuah item opsi himpunan fuzzy pada setiap

variabel FIS. Untuk membuka rule editor pada FIS editor (Gambar 2.8.),

tahapan yang dilakukan yaitu memilih menu Edit>Rules atau menekan tombol

Ctrl+3 secara bersamaan.

Gambar 2.8. Rule editor

d. Penglihat aturan (rule viewer)

Untuk mengevaluasi apakah FIS bekerja seperti yang diinginkan, hal yang perlu

dilakukan adalah membuka rule viewer dengan memilih menu View>Rules

atau menekan tombol Ctrl+5 secara bersamaan pada FIS editor. Rule viewer

menampilkan proses keseluruhan yang terjadi dalam FIS (Gambar 2.9.). Plot

paling kanan bawah adalah plot hasil agregasi sedangkan defuzzifikasi

ditampilkan secara numerik pada bagian paling atas kanan.

22
 Gambar 2.9. Rule viewer

e. Penglihat permukaan (surface viewer)

Surface viewer mempunyai kemampuan khusus yang sangat membantu dalam

kasus dengan dua atau lebih input dan sebuah output FIS. Untuk membuka

surface viewer pada FIS editor (Gambar 2.10.), tahapan yang dilakukan yaitu

memilih menu View>Surface atau menekan tombol Ctrl+6 secara bersamaan.

Gambar 2.10. Surface viewer

23
3. Graphical User Interface (GUI)

GUI adalah suatu media visual yang membuat pengguna memberikan perintah

tertentu pada komputer tanpa mengetik perintah tersebut, tetapi menggunakan

gambar yang tersedia (Vicky, 2012: 1). GUI dapat dimunculkan dari MATLAB

dengan mengetikkan guide pada command window (Gambar 2.11.).

Gambar 2.11. Layar default GUI

E. Penelitian-Penelitian Terdahulu

Penelitian-penelitian terdahulu yang berkaitan dengan perhitungan cadangan

hidrokarbon antara lain:

1. Rizal Risnul Wathan, Indra Shahab, dan Rudiyanto (2001) memperkirakan

potensi hidrokarbon pada beberapa zona produktif di struktur Kuala Simpang

Barat dengan Reservoir Saturation Tool (RST). RST adalah alat untuk

mengetahui kandungan hidrokarbon reservoir, baik pada lubang terbuka

maupun terutup oleh casing. Hasil evaluasi RST pada struktur tersebut
24
 menunjukkan efektivitas manfaat penggunaan RST dalam memperkirakan

potensi hidrokarbon yang tersisa didalam reservoir secara kualitatif pada

struktur-struktur tua maupun muda.

2. C. Karacaer dan M. Onur (2012) menggunakan Analytical Uncertainty

Propagation Method (AUPM) untuk memodelkan ketidakpastian metode

volumetric pada perhitungan cadangan hidrokarbon. Analytical Uncertainty

Propagation Equations (AUPEs) dibagi berdasarkan perluasan Taylor-series

disekitar rata-rata variabel input. Berdasarkan penelitian ini, metode AUPM

memberikan hasil seakurat metode Monte Carlo. Metode AUPM memberikan

alternatif yang lebih cepat pada simulasi Monte Carlo untuk menggolongkan

ketidakpastian secara akurat.

3. Sudra Irawan, Sismanto, dan Adang Sukmatiawan (2014) mengaplikasikan

metode horizon based tomography untuk menghitung cadangan hidrokarbon

pada Lapangan SBI, Cekungan Utara Jawa Timur. Metode ini mengurangi

kesalahan seismic wave travel time dengan analisis horizon. Ketebalan

reservoir pada lapangan tersebut diperkirakan antara 71-175 meter dan

cadangan hidrokarbon sekitar 1.134×106 STB dengan porositas 22,6% dan

saturasi air 70,7%.

4. O. A. Omoniyi dan T. O. Obafemi (2014) meninjau metode-metode yang umum

digunakan dalam menghitung cadangan hidrokarbon. Metode yang dikaji antara

lain metode volumetric, material balance, dan decline curve. Ketiga metode

tidak memberikan hasil yang sama pada titik dan waktu manapun. Dari

penelitian ini, disimpulkan bahwa perhitungan cadangan hidrokarbon

25
 merupakan suatu ketidakpastian sehingga masing-masing metode tidak pernah

mampu memberikan hasil yang akurat. Akan tetapi, kesalahan dapat

diminimalkan.

5. Hirzi Farizi (2015) menggunakan data log sumur dan data inti batuan untuk

mengetahui jumlah cadangan hidrokarbon (OOIP) pada Lapisan H Formasi

Bekasap, Lapangan Pelita, Cekungan Sumatera Tengah. Analisis petrofisika

Lapisan H memiliki nilai volume shale rata-rata 43%, porositas rata-rata 19%,

saturasi air rata-rata 71%, dan saturasi hidrokarbon rata-rata 29%. Dari hasil

perhitungan menggunakan metode volumetric, didapat cadangan pada lapisan

H berjumlah 78.508,66 STB.

Sejauh ini belum ada penelitian mengenai penerapan fuzzy logic pada metode

volumetric. Penelitian-penelitian terdahulu yang berkaitan dengan perhitungan

cadangan hidrokarbon dilakukan dengan menerapkan penemuan metode baru pada

alat dan ilmu pemboran, mengkaji metode perhitungan cadangan hidrokarbon yang

biasa digunakan dalam bidang geologi, serta melakukan perhitungan cadangan

hidrokarbon pada kasus yang berbeda (letak geografis tak sama).

26