Diyah Rosiani
STEM “Akamigas”, Jl. Gajah Mada No. 38, Cepu
E-mail : ani_diyah@yahoo.com
ABSTRAK
Estimasi cadangan minyak merupakan hal yang penting, khususnya dalam perencanaan pengem-
bangan lapangan. Ketersediaan data menjadi hal yang sangat menentukan dalam perhitungan estimasi
cadangan. Pada kegiatan eksplorasi, data yang tersedia masih terbatas sehingga akurasi dari data yang
diperoleh cenderung tidak pasti. Pendekatan secara probabilistik dapat mengurangi faktor ketidak-
pastian. Metode yang digunakan adalah Simulasi Monte Carlo dimana perhitungannya dilakukan ber-
ulang-ulang dengan menggunakan bilangan random dalam jumlah yang besar pada variabel input yang
diekspresikan sebagai distribusi probabilitas untuk menghasilkan output yang sesuai dalam bentuk dis-
tribusi probabilitas juga. Estimasi cadangan minyak di lapangan X dengan menggunakan simulasi
Monte Carlo menghasilkan rata-rata sebesar 115,33 MMST. Cadangan minimum sebesar 13,66
MMSTB dan cadangan maksimum sebesar 311,27 MMSTB. Distribusi probabilitas untuk variabel
input net pay, porositas dan saturasi air adalah berdistribusi normal terpotong (Truncated Normal
Distribution), sedangkan parameter luas area menggunakan distribusi segiempat (Uniform). Kekon-
vergenan simulasi Monte Carlo dicapai dengan menggunakan 50.000 bilangan random pada masing-
masing set data variabel input.
ABSTRACT
Oil reserves estimation is important for planning field development. Therefore, the data availability is
needed for calculating oil reserves estimation. In exploration, the accuracy of the data is still
uncertain, so that probabilistic approach is used to minimize this condition. The method used is Monte
Carlo Simulation, in which the calculation is done repeatedly by using a large amount of random
numbers on input variable which is expressed as probability distribution, in order to create suitable
output. The average estimation of oil reserves by using Monte Carlo estimation is 115.33 MMSTB.
The minimum reserve is 13.66 MMSTB and the maximum reserve is 311.27 MMSTB. Probability
distributions for the input variables of net pay, porosity and water saturation are Truncated Normal
Distribution, while the parameter area using rectangular distributions (uniform). Monte Carlo
simulation convergence is achieved by using 50,000 random numbers for each input variable data
sets.
1. PENDAHULUAN
besar volume hidrokarbon yang dapat di-
Besarnya volume awal hidrokarbon peroleh (recoverable volume) atau sering di-
yang terakumulasi di batuan reservoir ini sebut reserves atau cadangan. Kebutuhan da-
menjadi faktor yang sangat penting dalam ta dan informasi mengenai suatu lapangan
pengembangan dan perencanaan produksi ataupun reservoir minyak pada kegiatan eks-
minyak dan gas bumi. Perkiraan besar vo- plorasi mutlak diperlukan untuk mengesti-
lume awal hidrokarbon ini dapat menentukan masi cadangan hidrokarbon. Setiap data dan
informasi yang diperoleh selalu memiliki
1
Jurnal ESDM, Volume 5, Nomor 1, Mei 2013, hlm. 11-18
faktor ketidakpastian. Simulasi Monte Carlo datanya terbatas dan hanya diketahui nilai
adalah metode statistik yang biasa digunakan minimum, nilai maksimum dan nilai yang
untuk mengestimasi cadangan hidrokarbon. paling mungkin muncul (most probable),
Simulasi Monte Carlo ini membutuhkan bi- maka distribusi yang sering digunakan ada-
langan random yang cukup besar untuk si- lah distribusi segiempat (distribusi uniform)
mulasinya. Berpijak dari permasalahan ter- dan distribusi segitiga. Distribusi lainnya
sebut, maka penelitian ini akan digunakan yang sering digunakan juga adalah distribusi
metode simulasi Monte Carlo untuk meng- normal dan distribusi log normal.
estimasi cadangan minyak dilapangan X. Ciri distribusi ini adalah tiap-tiap nilai
Ruang lingkup pembahasan penelitian ini antara nilai maksimum dan nilai minimum
adalah : mempunyai nilai mungkin atau probability
1. Parameter yang digunakan sebagai va- value yang sama, sedangkan nilai mungkin
riabel input meliputi net pay, porositas, diluar selang antar nilai maksimum dan nilai
saturasi air, luas area, faktor volume for- minimum adalah nol. Sehingga nilai mung-
masi minyak dan faktor perolehan (re- kin dari suatu variabel antara nilai mak-
covery factor). simum dan nilai minimum adalah merata,
2. Metode yang digunakan adalah Simulasi tidak ada yang lebih tinggi atau lebih ren-
Monte Carlo dah.3) Persamaan yang digunakan adalah
3. Tidak ada interaksi antara parameter va- mencari harga X dengan membangkitkan
riabel input bilangan acak (random number) adalah:
2. METODE X Xmin (RN) (Xmax Xmin)............... (1)
Istilah Monte Carlo pertama digunakan Distribusi ini dicirikan oleh adanya nilai
selama masa pengembangan bom atom di yang paling mungkin muncul atau most
Los Alomos tahun 1940. Simulasi adalah probable, yang terletak antara nilai mini-
suatu teknik numerik untuk melakukan eks- mum dan nilai maksimum.3) Jika Xmin X
perimen pada suatu komputer digital yang Xmode, maka cumulative probability dari X
berkaitan dengan dasar perhitungan mate- diberikan dengan:
matik dan model logika tertentu.1)
Simulasi Monte Carlo (MC) adalah me- 2
min ...........................(2)
tode yang khas untuk model ketidakpastian F X X
XX min X
mode X
2
Rosiyani, Simulasi Monte Carlo Estimasi...
Distribusi normal sering disebut dengan mudian X dengan syarat a < X < b memiliki
distribusi Gaussian adalah salah satu jenis distribusi normal terpotong.
distribusi probabilitas kontinyu yang paling Distribusi log normal adalah distribusi
sering digunakan dalam menjelaskan sebaran kemungkinan dari variabel acak yang logarit-
data. Berbagai eksperimen mengikuti dis- manya terdistribusi secara normal. Jika X
tribusi probabilitas yang normal atau yang adalah variabel acak dengan distribusi nor-
sangat mendekati distribusi normal.4) Fungsi mal, maka exp(X) memiliki distribusi log
distribusi normal atau yang disebut pro- normal. Probability density function (pdf)
bability density fuction (pdf) adalah sebagai untuk a<X<b diberikan oleh:
berikut:
2 1 x
f x; , 2 1
e
1 2 x
1 x
, x
....(6) ............. (8)
R
f x; , , a,
2 2
b a
b
Kolmogorov Smirnov (KS) Test di-
gunakan untuk menguji apakah suatu data Distribusi log normal sama seperti dis-
berdistribusi normal atau tidak. Misalkan tribusi normal memiliki dua distribusi para-
sampel terdiri dari n pengamatan. Pengamat- meter, yaitu rata-rata (μ) dan standart deviasi
an diurutkan x1 x2 x3 … xn. Dari (σ). Probability density function (pdf) dari
sampel diperoleh nilai mean μ dan varians distribusi log normal adalah sebagai berikut:
σ2, dan distribusi normal kumulatif pada xk
f x; ,
1 ln(x) 2
x 2
1 ln(x)
, x0
1 e 2
adalah
...(9)
.
k
x 2 2
Statistik KS dirumuskan sebagai berikut:
Data hasil simulasi kemudian ditabelkan
k xk xk k
dalam tabel distribusi frekuensi. Dari tabel
KS, max
1 . , distribusi frekuensi dapat digunakan untuk
1k nn
n
(7) membuat histogram. Sumbu mendatar (sum-
bu X) pada histogram menyatakan interval
Hipotesis dari K-S Test adalah: kelas dan sumbu tegak (sumbu Y) menyata-
H0 : Data mengikuti sebaran normal. kan frekuensi.5) Distribusi frekuensi relatif
H1 : Data tidak mengikuti sebaran nomal. dibuat, dimana frekuensi relatifnya diperoleh
Sebuah hipotesis statistik adalah asumsi dengan membagi frekuensi interval kelas
tentang parameter populasi. Dimana asumsi dengan total frekuensi keseluruhan.
ini mungkin benar atau mungkin tidak benar. Terakhir adalah membuat distribusi fre-
Para peneliti biasanya memeriksa sampel kuensi relatif kumulatif dimana frekuensi re-
acak dari populasi. Jika data sampel yang latif kumulatifnya didapat dengan menjum-
tidak konsisten dengan hipotesis statistik, lahkan frekuensi relatif pada distribusi fre-
hipotesis ditolak. kuensi relatif. Distribusi frekuensi relatif ku-
Dalam probabilitas dan statistik, dis- mulatif dapat menggambarkan besarnya ting-
tribusi normal terpotong (Truncated Normal kat kepercayaan dari cadangan minyak bumi
Distribution) adalah distribusi probabilitas yang dimiliki.7) Besarnya cadangan terbukti
dari variabel acak yang terdistribusi normal atau proven reserves dinyatakan dengan P1
yang nilainya dibatasi di bawah atau di atas atau besarnya cadangan ketika frekuensi re-
(atau keduanya). latif kumulatifnya sama dengan 10%.
Distribusi normal terpotong memiliki Besarnya cadangan mungkin atau pro-
aplikasi luas dalam statistik dan ekono- bable reserves dinyatakan dengan P2 atau
metrik. besarnya cadangan ketika frekuensi kumula-
Misal X ~ N(μ,σ2) mempunyai distribusi tifnya sama dengan 50% dikurangi dengan
normal yang terletak dalam interval. Ke- besarnya P1. Sedangkan besarnya cadangan
harapan atau possible reserves dinyatakan
3
Jurnal ESDM, Volume 5, Nomor 1, Mei 2013, hlm. 11-18
4
Rosiyani, Simulasi Monte Carlo Estimasi...
nilai minimum, maksimum, rata-rata dan rungan distribusi dari data yang dimiliki da-
standar deviasi dapat dilihat pada Tabel 1. pat diamati dari histogram dari masing-
Tabel 1. Data Variabel Input. masing variabel input. Berdasarkan histo-
Parameter Min. Maks
Rata- Standard gram pada Gambar 2 sampai 4, kecende-
rata Deviasi rungan distribusi probabilitas dari parameter
Net pay (h), ft 34 377 189.25 78.19
Porositas (), % 10,5 18,7 14.27 0.0208
net pay, porositas dan saturasi air adalah ber-
Saturasi air distribusi normal.
24,33 34,57 30.96 0.0252
(Sw), %
Luas (A), acre 2780 3075 Hisogram Net Pay
Frequen
2
dorong, korelasi empirik faktor perolehan di- 0
34119.75205.5291.25More
peroleh dengan metode J.J. Arps. Sedangkan
besarnya faktor volume formasi minyak ni-
lainya tetap yaitu 1,253 bbl/STB.
Data dari parameter net pay, porositas
dan saturasi air diperoleh dari kegiatan log- Gambar 2. Histogram Net Pay.
ging sumur. Luas area reservoir X mem-
punyai range antara 2780 acre sampai 3075 Histogram Porositas
acre. Range luas area ini diperoleh setelah 13
8
tahun kegiatan pemboran dengan jumlah su- 7
6
mur sebanyak 24 sumur. Range yang relatif 5
kecil ini diakibatkan semakin banyaknya
Frequen
4
3
jumlah sumur yang sudah dibor tersebut. 2
1
Simulasi Monte Carlo (MC) adalah suatu 0
metode yang melakukan perhitungan ber- 0.1050.12550.1460.1665More
2
1
cadangan tersebut adalah adalah net pay, 0
0.243333333 0.2689166670.2945 0.320083333More
area, porositas, saturasi air, recovery factor
dan faktor volume formasi minyak.
Besarnya recovery factor (RF) dan faktor
volume formasi minyak (Boi) diasumsikan
Gambar 4. Histogram Saturasi Air.
nilainya konstan. Empat parameter yang di-
gunakan sebagai variabel input simulasi MC Untuk membuktikan distribusi probabi-
dalam mengestimasi besarnya cadangan mi- litas dari variabel input diatas adalah distri-
nyak adalah net pay, porositas, saturasi air busi normal, maka dilakukan pengujian dis-
dan luas area, dapat dilihat pada Tabel 1. tribusi normal dengan Kolmogorov Smirnov
Distribusi probabilitas dari parameter ca- (KS), hipotesis:
dangan harus dapat mencerminkan distribusi H0 : Data berdistribusi normal
dari data yang dimiliki. Untuk itu kecende- H1 : Data tidak berdistribusi normal.
5
Jurnal ESDM, Volume 5, Nomor 1, Mei 2013, hlm. 11-18
Apabila plot mendekati garis lurus dari sudut meter net pay, porositas dan saturasi air ada-
kiri bawah menuju kanan atas, atau jika nilai lah normal. Karena distribusi normal dari ke-
p-value > α (sebesar 5%), maka dapat di- tiga parameter tersebut dibatasi oleh range
katakan data berdistribusi normal. Dengan nilai minimum sampai maksimum, maka dis-
bantuan software minitab diperoleh hasil: tribusi probabilitas yang paling cocok untuk
parameter net pay, porositas dan saturasi air
adalah metode distribusi normal terpotong
(Truncated Normal Distribution).
Probability Plot of net pay (ft)
Normal
80
Gambar 5. Normal Probability area, data yang tersedia sangat terbatas yaitu
1
(R )(A A
N
95
90 min A max min
Per
80
x RF ..(12)
N19
KS0.117
P-Value >0.150 Npa w
Boi
95
90
Per
80
70
Dengan mensubtitusikan nilai RF sebe-
60
50
40
sar 34% dan Boi sebesar 1.253 bbl/STB di-
peroleh persamaan estimasi cadangan mi-
30
20
10
5
nyak sebagai berikut:
6
Rosiyani, Simulasi Monte Carlo Estimasi...
Cadangan minyak yang dihasilkan oleh Variabel input yang mempunyai dis-
simulasi MC dengan 50.000 random number tribusi probabilitas uniform dan truncated
diperoleh cadangan minimum sebesar 13,66 normal distribution, menghasilkan suatu out-
MMSTB dan cadangan maksimum sebesar put nilai cadangan yang cenderung mem-
311,27 MMSTB dengan standar deviasi se- punyai distribusi probabilitas log normal.
besar 49,59 juta. Cadangan rata-ratanya se- Selanjutnya adalah membuat distribusi
besar 115,33 MMSTB dan besarnya cadang- frekuensi relatif kumulatif berdasarkan be-
an pada persentil 50 (P50) adalah 112,71 sarnya cadangan dengan simulasi MC yang
MMSTB. Besarnya cadangan dengan fre- dapat dilihat pada Gambar 9.
kuensi relatif terbesar (most probable) ada-
lah 105,75 MMSTB. Distribusi Frekuensi Relatif Kumulatif
Dengan melihat nilai rata-rata dan me- 1.00
dian yang tidak sama, maka cadangan mi- 0.90
0.80
0.30
fik yang biasa digunakan untuk menggam- 0.20
0.10
700
Besarnya frekuensi relatif kumulatif
menggambarkan besarnya tingkat kepercaya-
600
an dari cadangan minyak yang dimiliki yang
500 terbagi menjadi P10, P50 dan P90. Semakin
Freque
400
tinggi nilai frekuensi relatif kumulatif maka
tingkat ketidakpastian akan semakin tinggi.
Dengan kata lain, nilai cadangan P10 akan
300
77.72250
109.7517
141.7810
173.8103
13.66392
627
29.67857
118
609
61.70786
101
592
93.73715
083
957
125.7664
407
856
157.7957
305
754
189.8250
203
100
0
cadangan pada P10 sebesar 51,03 MMSTB,
P50 sebesar 112,71 MMSTB dan P90 se-
Gambar 8. Histogram dengan Simulasi besar 180,48 MMSTB.
Monte Carlo.
4. SIMPULAN
Histogram distribusi frekuensi dapat Cadangan (MMSTB)
menunjukkan nilai most probable dari ca- Simpulan pada penelitian ini adalah
dangan. Berdasarkan bentuk histogram, ca- distribusi probabilitas dari variabel input net
dangan minyak X cenderung mempunyai pay, porositas dan saturasi air yang berdis-
distribusi log normal. tribusi normal terpotong (Truncated Normal
Distribution). Sedangkan parameter untuk
7
Jurnal ESDM, Volume 5, Nomor 1, Mei 2013, hlm. 11-18
5. DAFTAR PUSTAKA
Daftar Simbol