SIMULASI MONTE CARLO UNTUK MENENTUKAN

ESTIMASI CADANGAN MINYAK DI LAPANGAN X

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.

Kata kunci: simulasi monte carlo, cadangan minyak.

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.

Keywords: monte carlo simulation, oil reserves.

1. PENDAHULUAN
Besarnya volume awal hidrokarbon
yang terakumulasi di batuan reservoir ini
menjadi faktor yang sangat penting dalam
pengembangan dan perencanaan produksi
minyak dan gas bumi. Perkiraan besar vo-
lume awal hidrokarbon ini dapat menentukan
besar volume hidrokarbon yang dapat di-
peroleh (recoverable volume) atau sering di-
sebut reserves atau cadangan. Kebutuhan da-
ta dan informasi mengenai suatu lapangan
ataupun reservoir minyak pada kegiatan eks-
plorasi mutlak diperlukan untuk mengesti-
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
adalah metode statistik yang biasa digunakan
untuk mengestimasi cadangan hidrokarbon.
Simulasi Monte Carlo ini membutuhkan bi-
langan random yang cukup besar untuk si-
mulasinya. Berpijak dari permasalahan ter-
sebut, maka penelitian ini akan digunakan
metode simulasi Monte Carlo untuk meng-
estimasi cadangan minyak dilapangan X.
Ruang lingkup pembahasan penelitian ini
adalah :
1. Parameter yang digunakan sebagai va-
riabel input meliputi net pay, porositas,
saturasi air, luas area, faktor volume for-
masi minyak dan faktor perolehan (re-
covery factor).
2. Metode yang digunakan adalah Simulasi
Monte Carlo
3. Tidak ada interaksi antara parameter va-
riabel input
2. METODE
Istilah Monte Carlo pertama digunakan
selama masa pengembangan bom atom di
Los Alomos tahun 1940. Simulasi adalah
suatu teknik numerik untuk melakukan eks-
perimen pada suatu komputer digital yang
berkaitan dengan dasar perhitungan mate-
matik dan model logika tertentu.1)
Simulasi Monte Carlo (MC) adalah me-
tode yang khas untuk model ketidakpastian
pada input dan output.2) Simulasi ini meng-
gunakan data sampling yang telah ada (histo-
rical data) yang diketahui distribusinya. Ka-
rena simulasi ini dikembangkan dari bentuk
distribusi statistik yang ada, sehingga output
yang dihasilkan dari model akan membentuk
distribusi statistik juga. Simulasi ini meng-
gunakan bilangan acak (random number) un-
tuk penyelesaian pada modelnya, atau sering
disebut sebagai ”simulasi stokastik”.1) Kare-
na keterbatasnya data input yang ada,
sehing- ga diperlukan bilangan random yang
dibang- kitkan dengan distribusi probabilitas
tertentu,
untuk mensimulasikan proses data sampling
dari populasi sebenarnya. Distribusi input di-
usahakan dipilih yang paling sesuai dengan
data yang dimiliki. Distribusi input ini ter-
gantung dengan kondisi data yang ada, jika
2
datanya terbatas dan hanya diketahui nilai
minimum, nilai maksimum dan nilai yang
paling mungkin muncul (most probable),
maka distribusi yang sering digunakan ada-
lah distribusi segiempat (distribusi uniform)
dan distribusi segitiga. Distribusi lainnya
yang sering digunakan juga adalah distribusi
normal dan distribusi log normal.
Ciri distribusi ini adalah tiap-tiap nilai
antara nilai maksimum dan nilai minimum
mempunyai nilai mungkin atau probability
value yang sama, sedangkan nilai mungkin
diluar selang antar nilai maksimum dan nilai
minimum adalah nol. Sehingga nilai mung-
kin dari suatu variabel antara nilai mak-
simum dan nilai minimum adalah merata,
tidak ada yang lebih tinggi atau lebih ren-
dah.3) Persamaan yang digunakan adalah
mencari harga X dengan membangkitkan
bilangan acak (random number) adalah:
X  Xmin (RN) (Xmax  Xmin)............... (1)
Distribusi ini dicirikan oleh adanya nilai
yang paling mungkin muncul atau most
probable, yang terletak antara nilai mini-
mum dan nilai maksimum.3) Jika Xmin  X 
Xmode, maka cumulative probability dari X
diberikan dengan:
2
min ...........................(2)
F X   X
XX min    X
mode  X
 max  Xmin   Xmax  Xmin 
Harga F(X) didapat dari bilangan acak (RN)
dan jika RN  m  X mod e  X min , maka:
X max  X min
X  Xmin  Xmax  Xmin RNm...............(3)
Jika Xmode  X  Xmax, maka cumulative
probability dari X diberikan dengan:
2
F X   1   Xmax  X     Xmax  Xmode ...........(4)
 Xmax  Xmode   Xmax  Xmin 
Harga F(X) didapat dari bilangan acak
(RN) dan jika RN  m  X mod e  X min , maka:
X max  X min
X  Xmin  Xmax  1 RN1 m.....(5)

Xmin 1

Distribusi normal sering disebut dengan
distribusi Gaussian adalah salah satu jenis
distribusi probabilitas kontinyu yang paling
sering digunakan dalam menjelaskan sebaran
data. Berbagai eksperimen mengikuti dis-
tribusi probabilitas yang normal atau yang
sangat mendekati distribusi normal.4) Fungsi
distribusi normal atau yang disebut pro-
bability density fuction (pdf) adalah sebagai
berikut:
 2


f x; , 2   1
e
1 2 x 
 
2 2
Kolmogorov Smirnov (KS) Test di-
gunakan untuk menguji apakah suatu data
berdistribusi normal atau tidak. Misalkan
sampel terdiri dari n pengamatan. Pengamat-
an diurutkan x1  x2  x3 … xn. Dari
sampel diperoleh nilai mean μ dan varians
σ2, dan distribusi normal kumulatif pada xk
x  
  
adalah
.
k
 x 2 2

 
Statistik KS dirumuskan sebagai berikut:
k  xk     xk    k 
KS,   max  
1 .   ,
1k nn
     
(7)
Hipotesis dari K-S Test adalah:
H0 : Data mengikuti sebaran normal.
H1 : Data tidak mengikuti sebaran nomal.
Sebuah hipotesis statistik adalah asumsi
tentang parameter populasi. Dimana asumsi
ini mungkin benar atau mungkin tidak benar.
Para peneliti biasanya memeriksa sampel
acak dari populasi. Jika data sampel yang
tidak konsisten dengan hipotesis statistik,
hipotesis ditolak.
Dalam probabilitas dan statistik, dis-
tribusi normal terpotong (Truncated Normal
Distribution) adalah distribusi probabilitas
dari variabel acak yang terdistribusi normal
yang nilainya dibatasi di bawah atau di atas
(atau keduanya).
Distribusi normal terpotong memiliki
aplikasi luas dalam statistik dan ekono-
metrik.
Misal X ~ N(μ,σ2) mempunyai distribusi
normal yang terletak dalam interval. Ke-
Rosiyani, Simulasi Monte Carlo Estimasi...
mudian X dengan syarat a < X < b memiliki
distribusi normal terpotong.
Distribusi log normal adalah distribusi
kemungkinan dari variabel acak yang logarit-
manya terdistribusi secara normal. Jika X
adalah variabel acak dengan distribusi nor-
mal, maka exp(X) memiliki distribusi log
normal. Probability density function (pdf)
untuk a<X<b diberikan oleh:
1 x
   
 
1 x
, x
....(6)    ............. (8)
R 

f x; , , a,  

     b a
b  
   
     
Distribusi log normal sama seperti dis-
tribusi normal memiliki dua distribusi para-
meter, yaitu rata-rata (μ) dan standart deviasi
(σ). Probability density function (pdf) dari
distribusi log normal adalah sebagai berikut:
f x; ,
1 ln(x) 2
2 
1  ln(x)   
  , x0
1 e 2

...(9)
 
 
  
Data hasil simulasi kemudian ditabelkan
dalam tabel distribusi frekuensi. Dari tabel
 distribusi frekuensi dapat digunakan untuk
n 
membuat histogram. Sumbu mendatar (sum-
bu X) pada histogram menyatakan interval
kelas dan sumbu tegak (sumbu Y) menyata-
kan frekuensi.5) Distribusi frekuensi relatif
dibuat, dimana frekuensi relatifnya diperoleh
dengan membagi frekuensi interval kelas
dengan total frekuensi keseluruhan.
Terakhir adalah membuat distribusi fre-
kuensi relatif kumulatif dimana frekuensi re-
latif kumulatifnya didapat dengan menjum-
lahkan frekuensi relatif pada distribusi fre-
kuensi relatif. Distribusi frekuensi relatif ku-
mulatif dapat menggambarkan besarnya ting-
kat kepercayaan dari cadangan minyak bumi
yang dimiliki.7) Besarnya cadangan terbukti
atau proven reserves dinyatakan dengan P1
atau besarnya cadangan ketika frekuensi re-
latif kumulatifnya sama dengan 10%.
Besarnya cadangan mungkin atau pro-
bable reserves dinyatakan dengan P2 atau
besarnya cadangan ketika frekuensi kumula-
tifnya sama dengan 50% dikurangi dengan
besarnya P1. Sedangkan besarnya cadangan
harapan atau possible reserves dinyatakan
3
Jurnal ESDM, Volume 5, Nomor 1, Mei 2013, hlm. 11-18

dengan P3 atau besarnya cadangan ketika

frekuensi relatifnya sama dengan 90% di- Mulai
kurangi dengan P1 dan P2.
Analisis estimasi cadangan minyak di Identifikasi Semua Variabel Input
lapangan X dengan menggunakan simulasi
Monte Carlo menggunakan bantuan software Membuat Model Dengan Persamaan Cadangan
Ms.Excel. Alur penelitian dengan simulasi
Monte Carlo adalah sebagai berikut : Mendefinisikan Distribusi Variabel Input
1. Mengidentifikasi parameter variabel in-
put yang akan digunakan untuk menen- Melakukan Simulasi Dengan Menggunakan Bilangan Acak Beberapa Kali Untu
tukan respon. Parameter variabel input
yang digunakan untuk simulasi Monte
Carlo pada penelitian ini adalah net pay, Mengalikan Bilangan Acak Dengan Masing-Masing Harga Variabel Sesuai Dis
porositas, saturasi air, luas area, faktor
volume formasi minyak dan faktor re-
covery. Menghitung Cadangan
2. Membuat model yaitu dengan menentuk-
an persamaan estimasi cadangan yang di-
gunakan untuk menghitung respon. Mo- Membuat Histogram
del persamaan yang digunakan adalah
persamaan estimasi cadangan minyak vo- Membuat Kurva Distribusi Frekuensi Relatif
lumetrik.
Diperoleh Cadangan Minimum, Cadangan Maksimum, Cadangan Rata-Rata, P1
Npa 7758x A x h x  x (1  Sw ) .......... (10)
x
RF B
oi Selesai

3. Mengidentifikasi distribusi parameter va-

riabel input. Distribusi yang digunakan
tergantung kondisi data dari masing-ma-
sing variabel input yang dipakai. Pemi-
lihan distribusi tepat akan memberi peng-
aruh yang besar terhadap hasil respon.
4. Melakukan simulasi dengan menggunak-
an bilangan random beberapa kali untuk
masing-masing variabel.
5. Mengalikan bilangan acak dengan ma-
sing-masing harga variabel input sesuai
dengan distribusi yang digunakan.
6. Menghitung besarnya cadangan minyak
dengan model persamaan yang telah di-
tentukan pada point 2.
7. Membuat histogram berdasarkan hasil
estimasi cadangan yang sudah diperoleh.
8. Membuat histogram berdasarkan hasil
estimasi cadangan yang sudah diperoleh.
9. Membuat distribusi frekuensi relatif ku-
mulatif berdasarkan hasil dari estimasi
cadangan yang sudah diperoleh.
10. Diperoleh cadangan minimum, cadangan
maksimum, cadangan rata-rata, nilai P10,
nilai P50 dan nilai P90.
Gambar 1. Alur Simulasi Monte Carlo.
3. PEMBAHASAN
Lapangan minyak X terletak di wilayah
Jawa Timur. Reservoir merupakan batuan
karbonat yang terendapkan pada awal Mio-
cene ( 21 juta tahun yang lalu). Lapisan
produktif terletak pada kedalaman sekitar
8520 ft–8960 ft. Batuan Reservoir-nya meru-
pakan limestone, sehingga pada sumur-
sumur yang ada dilapangan X memiliki lime-
stone/karbonat. Data yang digunakan adalah
data pada tahap eksploitasi 19 sumur dengan
harapan supaya hasil dari perkirakan cadang-
an yang diperoleh merupakan kondisi esti-
masi cadangan yang mendekati sebenarnya.
Data yang diperoleh meliputi data luas
area, ketebalan (net pay), porositas, saturasi
air, faktor volume formasi minyak dan pero-
lehan (recovery). Besarnya parameter ca-
dangan terdistribusi secara heterogen dengan

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

Besarnya recovery factor adalah 34%, 12

10
yang dipengaruhi oleh tenaga pendorong re- 8
6
servoir yaitu water drive. Selain tenaga pen- 4

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

ulang-ulang dengan menggunakan bilangan

random dalam jumlah yang besar pada va-
riabel input yang diekspresikan sebagai dis- Gambar 3. Histogram Porositas.
tribusi probabilitas untuk menghasilkan out-
Histogram Saturasi Air
put yang sesuai dalam bentuk distribusi pro-
babilitas juga. Langkah awal sebelum mela- 8
7
kukan simulasi MC adalah menentukan para- 6
5
meter cadangan dan distribusi probabilitas 4
3
dari parameter cadangan tersebut. Parameter
Freque

cadangan tersebut adalah adalah net pay,
area, porositas, saturasi air, recovery factor
dan faktor volume formasi minyak.
Besarnya recovery factor (RF) dan faktor
volume formasi minyak (Boi) diasumsikan
nilainya konstan. Empat parameter yang di-
gunakan sebagai variabel input simulasi MC
dalam mengestimasi besarnya cadangan mi-
nyak adalah net pay, porositas, saturasi air
dan luas area, dapat dilihat pada Tabel 1.
Distribusi probabilitas dari parameter ca-
dangan harus dapat mencerminkan distribusi
dari data yang dimiliki. Untuk itu kecende-
2
1
0
0.243333333 0.2689166670.2945 0.320083333More
Gambar 4. Histogram Saturasi Air.
Untuk membuktikan distribusi probabi-
litas dari variabel input diatas adalah distri-
busi normal, maka dilakukan pengujian dis-
tribusi normal dengan Kolmogorov Smirnov
(KS), hipotesis:
H0 : Data berdistribusi normal
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

Distribusi normal terpotong ini untuk

99
Mean189.2
StDev78.19
N19
KS0.148
P-Value >0.150 menghindari adanya nilai diluar range mini-
95
90 mum dan maksimum, maka nilai yang ku-
rang dari nilai minimum akan disamakan
Perc

80

dengan nilai minimum, sebaliknya nilai yang

70
60
50
40
30
20 lebih besar dari nilai maksimum akan disa-
10 0 100 200 300 400
makan dengan nilai maksimum.
Sedangkan untuk variabel input luas
5
net pay (ft)

Gambar 5. Normal Probability area, data yang tersedia sangat terbatas yaitu
1

Plot Net Pay. data minimum dan maksimum, sehingga dis-

tribusi probabilitas untuk luas area meng-
gunakan distribusi segiempat (uniform). Se-
cara analitik persamaan yang digunakan ada-
Probability Plot of porositas
Normal
lah sebagai berikut:
99 Mean0.1427
StDev0.02079
N19
KS0.163
A  A
) .................(11)
P-Value >0.150

 (R )(A A
N
95
90 min A max min
Per

80

Karena keterbatasan data input yang

70
60
50
40
30
20
ada, sehingga diperlukan bilangan random
10
5
yang cukup besar. Kekonvergenan dicapai
dengan menggunakan sekitar 50.000 bilang-
an random pada masing-masing set data va-
riabel input.
1
10.00%
porositas Gambar 6. Normal Probability Plot
12.00% 14.00% 16.00% 18.00% 20.00%

Porositas. Selanjutnya parameter tersebut dimodel-

kan dengan persamaan estimasi cadangan
minyak, sebagai berikut:
Probability Plot of saturasi air
Normal
7758x A x h x  x (1  S )
99 Mean0.3096
StDev0.02520

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:

Gambar 7. Normal Probability Plot

Npa  7758x A xhxφx (1 Sw ) x 0,34..(13)
1
25.00%
saturasi air
27.50%
Saturasi Air.
30.00% 32.50% 35.00% 37.50%
1,253

Berdasarkan hasil ketiga gambar plot Besarnya perhitungan cadangan minyak

normal, menunjukkan garis lurus yang ter- yang diperoleh dengan secara berulang-ulang
bentuk dan nilai dari p-value > 5%, sehingga menggunakan Persamaan (13). Deskripsi
dapat disimpulkan bahwa distribusi para- besarnya cadangan yang diperoleh dengan
simulasi MC dapat dilihat pada Tabel 2.

6
 Rosiyani, Simulasi Monte Carlo Estimasi...

Tabel 2. Deskripsi Cadangan dengan Simulasi Monte Carlo

Standart Most
Jumlah Minimum Maksimum Median Deviasi Probable Rata-rata
Variabel
RN (MMSTB) (MMSTB) (MMSTB) (106) (MMSTB) (MMSTB)

Cadangan 50.000 13,66 311,27 112,71 49,59 105,75 115,33

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

nyak yang dihasilkan cenderung mendekati 0.70

0.60
0.50
distribusi log normal. Histogram adalah gra- 0.40
Frekuensi Relatif

0.30
fik yang biasa digunakan untuk menggam- 0.20
0.10

barkan distribusi frekuensi. Sumbu mendatar 0.00

(sumbu X) pada histogram menyatakan in-

terval kelas dari cadangan minyak dan sum-
bu tegak (sumbu Y) menyatakan frekuensi 0 50100150200250300350
Cadangan (MMSTB)
cadangan minyak. Histogram distribusi fre-
kuensi cadangan minyak dapat dilihat pada Gambar 9. Distribusi Frekuensi Relatif
Gambar 8. Kumulatif dengan Simulasi Monte Carlo.
Histogram

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

200 memberikan tingkat kepastian yang lebih

baik dari pada nilai cadangan P90. Estimasi
45.69321

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

luas area, distribusi probabilitasnya meng- a = batas bawah interval

gunakan distribusi segiempat (Uniform). b = batas atas interval
Kekonvergenan simulasi Monte Carlo    = probability density function (pdf) dari distribusi
dicapai dengan menggunakan sekitar 50.000 normal standart
bilangan random pada masing-masing set (-) = cumulative distribution function (cdf)
Npa = cadangan minyak, bbl
data variabel input. Cadangan minimum A = luas area, acre
sebesar 13,66 MMSTB dan cadangan h = ketebalan bersih (net pay), ft
maksimum sebesar 311,27 MMSTB.  = porositas
Sw = saturasi air konat (connate water)
Cadangan rata-ratanya sebesar 115,33 Boi = faktor volume formasi minyak, bbl/stb
MMSTB dan besarnya cadangan pada RF = recovery factor (faktor perolehan)
persen-til 50 (P50) adalah 112,71 MMSTB. Amin = nilai minimum luas area
Amax = nilai maksimum luas area
Se-dangkan frekuensi relatif terbesar (most RNA = bilangan acak (random number) untuk parameter
pro-bable) dari cadangan adalah 105,75 luas area
MMSTB. Estimasi cadangan pada P10
sebesar 51,03 MMSTB, P50 sebesar 112,71
MMSTB dan P90 sebesar 180,48 MMSTB.

5. DAFTAR PUSTAKA

1. Rubinstein, R. Y. Simulation and the

Monte Carlo Method, John Wiley &
Sons, lnc, Canada;1981
2. Mishra, S. Alternative to Monte Carlo
Simulation for Probabilistic Reserves
Estimation and Production Forecasting,
SPE 49313;1998
3. Rachmat, S. Simulasi Monte Carlo dan
Analisis Resiko untuk Pengembangan
Lapangan Minyak Bumi, Proceeding
Simposium Nasional IATMI;2001.
4. Waluyo, S.D. Statistika Untuk Peng-
ambilan Keputusan, Ghalia Indonesia
Jakarta;2001.
5. Hasan, M. I., Pokok-Pokok Materi Sta-
tistik 1, PT Bumi Aksara, 2002;47-66
6. Partowidagdo, W. Migas dan Energi di
Indonesia, Development Studies Founda-
tion;2009.

Daftar Simbol

X = nilai x yang dicari

Xmin = batas nilai x yang terkecil
Xmax = batas nilai x yang terbesar
RN = bilangan acak yang berfungsi sebagai parameter
probability kumulatif
e = 2,71828
 = 3,1415
μ = nilai rata-rata
σ = standart deviasi
k = sampel ke-k
n = jumlah sampel
 = distribusi normal kumulatif