Pemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network

Transkripsi

1 D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural Nework Windia Cinde Prameswari, Desri Susilaningrum, dan Suharono Jurusan Saisik Fakulas MIPA, siu Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 6 donesia desri_s@saisika.is.ac.id, suharono@saisika.is.ac.id, dan windia.cinde@mhs.saisika.is.ac.id Absrak Minyak dan gas bumi dapa diambil secara langsung melalui sumur-sumur yang dibu namun sumursumur ersebu idak akan menghasilkan jumlah minyak dan gas bumi yang konsan seiap hari. Keika kandungan minyak dan gas mulai urun maka yang harus dilakukan adalah memberikan reamen erhadap sumur ersebu, sehingga minyak dan gas yang masih erkandung di dasar bumi bisa naik dengan jumlah yang lebih banyak. Tujuan dilakukannya peneliian ini adalah unuk membanu perusahaan dalam menganalisis jumlah produksi minyak dan gas bumi selama periode 4 hari selanjuny sehingga dapa dikeahui apakah selama periode 4 hari selanjunya diperlukan reamen erhadap sumur. Daa yang digunakan adalah jumlah produksi minyak dan gas bumi pada plaform MK pada ahun 25. Pemodelan jumlah produksi minyak dan gas bumi dilakukan menggunakan iga meode, yaiu ARIMA, neural nework, dan Hibrida ARIMA-neural nework. Hasil yang diperoleh berdasarkan analisis keiga meode ersebu adalah pada jumlah produksi minyak bumi model erbaik diperoleh dari meode hibrida ARIMA-neural nework, dengan hasil ramalan yang cenderung sama selama 4 hari yaiu 96 barel. Sedangkan jumlah produksi gas bumi model erbaik diperoleh dari meode neural nework, dengan ramalan produksi unuk 4 hari selanjunya cenderung meningka. Kaa Kunci ARIMA, Hibrida ARIMA-NN, Minyak dan Gas Bumi, Neural Nework. M I. PENDAHULUAN inyak dan gas bumi adalah campuran senyawa hidrokarbon yang ersusun dari sebagian besar karbon dan hidrogen dengan sediki belerang, nirogen, dan unsur-unsur lainnya. Minyak dan gas bumi diduga secara idak langsung berasal dari sisa-sisa organisme hidup. Di donesia cadangan minyak bumi yang ersisa saa ini sebanyak 3,7 miliar barel, sedangkan konsumsi minyak dunia per harinya sebesar barel dan diperkirakan akan habis 0 sampai ahun mendaang []. Hal yang pening dilakukan unuk dapa mengambil kandungan minyak yang ada di dasar bumi adalah dengan melakukan pengeboran sumur. Dalam proses penyedoan minyak bumi, sebuah sumur idak bisa hanya menyedo minyak saja. Banyak kandungan lain dari dasar bumi yang juga erambil, conohnya adalah gas yang selanjunya gas ini disebu dengan gas bumi. Siklus hidup sumur pening diperhaikan unuk mendapakan minyak bumi yang banyak. Sebuah sumur idak akan erus-menerus menghasilkan minyak bumi yang berlimpah secara konsan. Keika kandungan minyak dan gas mulai urun maka hal yang harus dilakukan adalah memberikan reamen erhadap sumur ersebu, sehingga minyak dan gas yang masih erkandung di dasar bumi ersebu bisa naik. Dalam melakukan reamen erhadap sumur, dibuuhkan persiapan-persiapan khusus sebelumnya. Agar perusahaan dapa merencanakan dilakukan reamen pada sumur ersebu, maka perlu mengeahui jumlah produksi minyak dan gas bumi unuk periode selanjunya. Keika produksi minyak dan gas mengalami penurunan yang idak sediki, maka pada saa iu dibuuhkan reamen unuk sumur ersebu [2]. Tujuan dari peneliian ini adalah meramalkan jumlah produksi minyak dan gas unuk periode 4 hari selanjuny sehingga dapa dikeahui selama 4 hari selanjunya dibuuhkan reamen erhadap sumur aau idak. Pemodelan ini dilakukan dengan iga meode, yaiu ARIMA, neural nework, dan hibrida ARIMA-neural nework. Peneliian ini diharapkan dapa memberikan informasi mengenai jumlah produksi minyak dan gas unuk periode 4 hari selanjuny sehingga perusahaan dapa membua kebijakan baru keika jumlah produksi minyak dan gas bumi menurun selama periode 4 hari selanjunya. II. Saisika Deskripif TINJAUAN PUSTAKA Saisika deskripif adalah meode-meode yang berkaian dengan pengumpulan dan penyajian suau gugus daa sehingga memberikan informasi yang berguna [3]. ARIMA Model ARIMA merupakan gabungan anara model AR dan MA sera differencing orde d. Model ARIMA dapa digunakan pada daa musiman maupun non musiman [4]. Secara umum, model ARIMA non musiman dapa diuliskan sebagai ARIMA (p,d,q) dengan model maemais sebagai beriku. d ( B)( B) ( B () p Z 0 q ) a Unuk daa yang mengandung pola musiman dengan differencing orde ke-d dapa dinoasikan sebagai ARIMA (P,D,Q) s. Secara umum model ARIMA muliplikasi musiman dapa diulis pada persamaan sebagai beriku.

2 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) (23-928X Prin) D-379 s d s D s P ( B ) p ( B)( B) ( B ) Z q ( B) Q ( B ) a (2) Dalam melakuka analisis menggunakan meode ARIMA, erdapa beberapa ahapan yang harus dilakukan. Perama adalah pengecekan sasionerias da kemudian pendugaan model melalui plo ACF dan PACF, selanjunya pengujian signifikansi parameer, uji kesesuaian model, dan erakhir adalah pemilihan model erbaik. Krieria yang digunakan dalam memilih model erbaik adalah krieria RMSE, beriku rumus umum dari RMSE. M 2 RMSE ( Z nl Z n ( l)) (3) M l Neural Nework Neural nework menggunakan elemen perhiungan nonlinier dasar yang disebu neuron yang diorganisasikan sebagai jaringan yang saling berhubungan. NN dienukan oleh iga hal yaiu pola hubungan neuron, meode raining/learning, dan fungsi akivasi. Seiap pola-pola informasi inpu dan oupu yang diberikan ke dalam NN diproses dalam neuron [5]. Hubungan anara oupu dan inpu memiliki rumus maemais sebagai beriku. q p Z w0 w j f ( w oj w ij Z i ) (4) j i w j (j =,2,...,q) dan w ij (i =,2,...,p; j =,2,...,q) p adalah jumlah inpu nodes dan q adalah jumlah hidden nodes. Fungsi akivasi yang sering digunakan adalah fungsi sigmoid dengan rumus maemais sebagai beriku. Hibrida f ( x) (5) x e Hibrida adalah kombinasi dua aau lebih sisem dalam sau fungsi, dalam peneliian ini adalah kombinasi ARIMA dan NN. Model ARIMA dapa menghasilkan peramalan yang baik pada kondisi yang non-linier unuk iu dilakukan kombinasi dengan NN yang menunjukkan performa yang baik jika daa bersifa non-linier. Jadi model hibrida dapa membanu mengaasi srukur yang kompleks dari suau daa [6]. Secara umum kombinasi dari model ime series dapa diuliskan sebagai beriku. y L N (6) Dimana L menunjukkan komponen linier dan N menunjukkan komponen non linier. Terdapa dua komponen yang harus di esimasi, yaiu model ARIMA digunakan unuk menyelesaikan kasus daa linier dimana residual dari model linier masih mengandung informasi hubungan non linier. Secara maemais dapa diuliskan sebagai beriku. e y Lˆ (7) Minyak dan Gas Bumi Minyak dan gas bumi adalah campuran senyawa hidrokarbon, yang ersusun dari sebagian besar karbon dan hidrogen, dengan sediki belerang, nirogen, dan unsur-unsur lainnya. Minyak dan gas bumi diduga secara idak langsung berasal dari sisa-sisa organisme hidup. Terdapa beberapa cara unuk menemukan minyak dan gas bumi, yaiu dengan cara observasi geologi, survei graviasi, survei magneik, survei seismik, membor sumur uji, aau dengan fakor keberunungan. seelah yakin menemukan minyak selanjunya adalah membangun sumur yang melipui pemboran (drilling), memasang ubular sumur (casing), dan penyemenan (cemening). Lalu proses compleion unuk membua sumur siap digunakan. Keika sumur sudah dapa digunakan, selanjunya secara berkala dilakukan pengujian kandungan minyak bumi dari sumur ersebu aau biasa disebu well esing [2]. III. METODOLOGI PENELITIAN Daa yang digunakan pada peneliian ini merupakan daa sekunder, yaiu daa jumlah produksi minyak dan gas bumi selama ahun 25 dari bulan Januari hingga Desember yang berasal pada plaform MK di PT X. Pengukuran daa dilakukan seiap 2 jam dalam sehari, sehingga daa yang digunakan merupakan daa harian sebanyak 365 daa. Variabel yang akan digunakan pada peneliian ini adalah jumlah produksi minyak dan gas bumi di plaform MK seiap hari dalam sauan barel unuk minyak dan sauan mscf unuk gas. Langkah langkah dalam pemodelan jumlah produksi minyak dan gas bumi dengan iga meode adalah sebagai beriku.. Mendeskripsikan karakerisik daa jumlah produksi minyak bumi di plaform MK. 2. Membagi daa ime series menjadi daa in dan ou sampel. 3. Memodelkan daa menggunakan meode ARIMA, neural nework, dan hibrida ARIMA-NN. Model ARIMA a. Membua ime series plo. b. Melakukan pengecekan sasionerias erhadap varians dan mean. Jika daa idak sasioner dalam varian maka dilakukan ransformasi. Sedangkan jika daa idak sasioner dalam mean, maka dilakukan differencing. c. Melakukan idenifikasi model daa jumlah produksi minyak bumi di plaform MK berdasarkan plo ACF dan PACF. d. Melakukan esimasi dan pengujian parameer berdasarkan model yang elah diduga. e. Melakukan pengujian asumsi yaiu, whie noise dan disribusi normal. Jika daa idak berdisribusi normal, maka dapa dideeksi dengan oulier. f. Pemilihan model erbaik dengan meliha nilai RMSE paling rendah Model Neural-Nework a. Menenukan arsiekur neural nework yaiu menenukan banyak inpu, jumlah neuron dalam hidden layer, bobo awal, dan fungsi akivasi. b. Melakukan pelaihan (in-sampling raining) pada daa pelaihan dengan memasukkan bobo dan arsiekur neural nework yang elah didapakan

3 D-380 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) (23-928X Prin) unuk mendapakan model erbaik. c. Menghiung nilai RMSE dan memilih model erbaik berdasarkan nilai RMSE erkecil. Hibrida ARIMA-NN a. Menenukan model ARIMA erbaik b. Melakukan pemodelan dengan meode ARIMA c. Residual yang diperoleh dari peramalan model ARIMA digunakan sebagai inpu, kemudian dimodelkan kembali menggunakan neural nework. d. Menenukan model erbaik dari meode hibrida ARIMA NN dengan meliha nilai RMSE erendah. e. Menggabungkan model a dan c sehingga didapakan model hibrida ARIMA NN. 4. Membandingkan model ARIMA, neural nework, dan hibrida ARIMA-NN berdasarkan nilai RMSE. 5. Meramalkan jumlah produksi minyak dan gas bumi di plaform MK menggunakan model erbaik. IV. HASIL DAN PEMBAHASAN Karakerisik Produksi Minyak dan Gas Bumi Langkah perama yang perlu dilakukan dalam peneliian ini adalah meliha karakerisik daa dari jumlah produksi minyak dan gas bumi di plaform MK selama ahun 25. Hasil karakerisik dapa diliha pada Tabel. TABEL. KARAKTERISTIK MINYAK DAN GAS BUMI Variabel Minyak Bumi Gas Bumi Raa-raa 2555,6 5704, Maximum 407,0 878,0 Minimum 649,5 577,0 Varians 42576, ,9 Median 2587,6 5790,0 Raa-raa jumlah produksi minyak bumi seiap harinya sebanyak 2555,6 barel dengan median sebesar 2587,6. Arinya adalah hasil produksi minyak bumi seiap hari hampir sama jumlahnya. Tidak berbeda jauh dengan karakerisik pada minyak bumi, dikeahui bahwa raa-raa produksi gas bumi seiap hari selama ahun 25 sebesar 5704,23 barel dengan median sebesar Raa-raa jumlah produksi gas bumi seiap hari hampir sama dengan variansi sebesar ,9. Pemodelan Produksi Minyak Bumi Dalam memodelkan jumlah produksi minyak dan gas bumi digunakan iga meode sebagai perbandingan, yaiu meode ARIMA, neural nework, dan hibrida ARIMAneural nework. Pemodelan perama menggunakan meode ARIMA pada daa jumlah produksi minyak bumi ahun 25. ) Pemodelan Produksi Minyak Bumi Dengan ARIMA Langkah perama yang harus dilakukan dalam memodelkan daa dengan ARIMA adalah membua plo daa ime series unuk mengeahui pola daa yang erbenuk. Selain iu juga dapa menduga apakah daa yang digunakan sudah sasioner aau belum. Hasil dari plo daa ime series diampilkan pada Gambar. BBL Day Monh Jan Gambar. Time Series Plo Produksi Minyak Bumi Berdasarkan ime series plo di aas dikeahui bahwa daa jumlah produksi minyak bumi ahun 25 memiliki pola yang flukuaif dan idak erdapa pola musiman. Berdasarkan ime series plo dan plo ACF dapa diduga bahwa daa belum sasioner dalam mean, karena pola ACF urun secara lamba. Sehingga perlu dilakukan differencing sebanyak sau kali. Selanjunya plo ACF dan PACF dari daa yang sudah sasioner digunakan unuk menduga model ARIMA. Plo ACF menunjukkan cu off seelah lag 2, sedangkan plo PACF menunjukkan dies down. Berdasarkan hasil plo ACF dan PACF ersebu diduga bahwa model ARIMA yang erbenuk adalah ARIMA (0,,) dan ARIMA (0,,2). Kedua model ersebu memiliki parameer yang signifikan erhadap model, Namun belum memenuhi asumsi whie noise dan berdisribusi normal, sehingga dilakukan deeksi oulier dengan cara memasukkan daa oulier ke dalam model. Hasil yang diperoleh dari deeksi oulier adalah pada model ARIMA (0,,) erdapa 84 oulier yang dimasukkan ke dalam model dan residual sudah memenuhi asumsi whie noise, namun eap idak berdisribusi normal. Kemudian unuk model ARIMA (0,,2) erdapa 57 oulier yang dimasukkan ke dalam model dan hasilnya adalah residual sudah whie noise dan berdisribusi normal. Langkah selanjunya adalah melakukan pemilihan model erbaik. Krieria yang digunakan adalah nilai RMSE paling kecil. Tabel 2 beriku menunjukkan krieria model erbaik berdasarkan in dan ou. TABEL 2. PEMILIHAN MODEL TERBAIK PRODUKSI MINYAK BUMI Model Feb Mar Apr Mei RMSE Ou ARIMA (0,,) 65,5 6,48 ARIMA (0,,2) 7,47 48,92 Jun Berdasarkan hasil pemilihan model erbaik diperoleh nilai RMSE yang paling kecil pada ou erdapa pada model ARIMA (0,,2), sehingga model maemais yang erbenuk adalah sebagai beriku Z Z 0,987a 0,59695a 2 a,436.6 I 88,3 I ,5 I 99,3 I 923,2 I 793,9 I 73,0 I , I 240,8 I 804,I 67,3I 559,3I , I 56,5I 568,8 I 426,0 I 298,0 I ,7 I 433,6 I 340,6 I 764,7 I 675,8 I ,4 I 3,4 I 363,7 I 346,6 I 295,I ,6 I 268,2 I 248,5 I 327,0I 26,4 I ,I 67, I 284,5I 344,7 I 253,0 I ,2 I 79,2 I 260,3I 294,6 I 373,0 I ,8 I 80,8I 88,6 I 242,3I 53,7 I ,2 I 467,0I 368,6 I 320,7 I 247,8I ,0 I 294,6 I 694,9 I 327,3I 3,3 I Jul Agu Sep Ok Nov Des

4 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) (23-928X Prin) D-38 2) Pemodelan Produksi Minyak Bumi Dengan NN Langkah awal dalam melakukan pemodelan dengan neural nework adalah menenukan inpu, jumlah neuron pada hidden layer, dan fungsi akivasi apa yang digunakan. pu yang digunakan dalam NN berdasarkan pada model ARIMA erbaik. Karena model ARIMA erbaik adalah ARIMA (0,,2) dengan lag yang keluar dari plo PACF yaiu lag, 2, dan 3, maka inpu pada NN adalah Y -, Y -2, Y -3, dan Y -4 karena ada differencing. Jumlah neuron yang digunakan pada hidden layer mulai dari hingga 0. Nilai RMSE dari pemodelan menggunakan NN dapa diliha pada Tabel 3. TABEL 3. NILAI RMSE PEMODELAN METODE NN DATA PRODUKSI MINYAK BUMI Ou Ou 278,4 94, ,22, ,46 86, ,83 7, ,55 92, ,50 34, ,50 24, ,50 96, ,90 70, ,88 87,46 Berdasarkan hasil dari nilai RMSE dengan menggunakan NN pada daa ou, dikeahui bahwa yang erkecil erdapa pada neuron 5. Arsiekur jaringan model NN dapa dimodelkan sesuai dengan fungsi akivasi sigmoid pada hidden layer dan fungsi linier pada oupu. Gambar 2 menunjukkan arsiekur dari model NN 5 neuron. inpu dalam meode hibrida adalah N -, N -2, N -3, dan N - 4. Pemodelan menggunakan meode hibrida ini juga menggunakan jumlah neuron pada hidden layer yang berbeda yaiu mulai hingga 0. Nilai RMSE dari pemodelan menggunakan hibrida ARIMA-NN dapa diliha pada Tabel 4. TABEL 4. NILAI RMSEPEMODELAN METODE HIBRIDA ARIMA-NN DATA PRODUKSI MINYAK BUMI Ou Ou 7,55 47,02 6 7,45 47,4 2 7,56 46,88 7 7,47 46,8 3 7,5 47,43 8 7,44 47,20 4 7,42 47, ,54 5,88 5 7,38 47, ,67 46, Berdasarkan hasil pemodelan menggunakan meode hibrida ARIMA-NN, diperoleh nilai RMSE pada ou yang paling kecil yaiu pada jumlah neuron 0. Beriku persamaan maemaik yang diperoleh dari model hibrida ARIMA-NN 0 neuron. Nˆ 0,64,768H (,) 0,859H (,2) 0,499H (,3),98H (,4),697H (,5),097H (,6) 0,04H (,7),225H (,8) 0,24H (,9),525H (,0) H (,) H (,2) exp (,724 2,857 N,959 N 2,585 N 3,042 N ) exp ( 0,444 0,245 N 0,50 N 0,443 N 0,205 N ) H (,3) exp (0,43 0,849 N 0,022 N 0,047 N,75 N ) Gambar 2. Arsiekur NN 5 Daa Produksi Minyak Bumi Persamaan maemaik yang didapakan berdasarkan model NN 5 neuron adalah sebagai beriku. Zˆ 0,995 2,266H (,) 0,544H (,2) 0,289H (,3) 0,48H (,4),356H (,5) H (,) H (,2) H (,3) H (,4) H (,5) exp (0,802,933 Z 0,449 Z 0,6 Z 0,237 Z ) exp ( 0,096 0,353 Z 0,483 Z 0,370 Z 0,378 Z ) exp (0, 0,79 Z 0,3 Z 0,226 Z 0,443 Z ) exp (0,7 0,225 Z 0,222 Z 0,296 Z 0,359 Z ) exp ( 0,090 0,37 Z 0,047 Z 0,646 Z 0,90 Z ) ) Pemodelan Produksi Minyak Bumi Dengan Hibrida ARIMA-NN Dalam melakukan pemodelan menggunakan meode hibrida ARIMA-NN, yang menjadi inpu adalah nilai residual dari model ARIMA erbaik. Model ARIMA erbaik adalah ARIMA (0,,2), sehingga yang menjadi H (,4) H (,5) H (,6) H (,7) H (,8) H (,9) H (,0) exp (0,748 2,096 N 0,46 N 0,222 N 0,528 N ) exp (,660,487 N,666 N 0,429 N,052 N ) exp (0,744 0,62 N,54 N,686 N 2,368 N ) exp ( 0,207 0,404 N 0,69 N 0,502 N 0,644 N ) exp ( 0,833,236 N 0,893 N,6 N 0,67 N ) exp (0,207 0,266 N 0,347 N 0,024 N 0,2 N ) exp (,782,32 N 0,078 N 0,479 N,92 N ) Seelah dilakukan pemodelan pada daa jumlah produksi minyak bumi menggunakan 3 meode, maka dapa disimpulkan bahwa yang memiliki nilai RMSE pada ou erkecil erdapa pada meode hibrida ARIMA- NN. Selanjunya model hibrida ARIMA-NN digunakan unuk meramalakan produksi minyak bumi 4 hari selanjunya. Hasil ramalan minyak bumi 4 hari ke depan dapa diliha pada Tabel 5.

5 D-382 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) (23-928X Prin) TABEL 5. RAMALAN PRODUKSI MINYAK BUMI Hari Ramalan Hari Ramalan //26 926,2 08//26 96,408 02//26 962,49 09//26 96,396 03//26 962,369 0//26 96,395 04//26 96,5 //26 96,398 05//26 96,435 2//26 96,396 06//26 96,45 3//26 96,397 07//26 96,36 4//26 96,397 Pemodelan Produksi Gas Bumi Analisis selanjunya adalah memodelkan daa jumlah produksi gas bumi di plaform MK. Sama seperi sebelumny dalam memodelkan produksi gas bumi ini dilakukan dengan iga meode, yaiu ARIMA, NN, dan hibrida ARIMA-NN. ) Pemodelan Produksi Gas Bumi Dengan ARIMA Langkah perama dalam melakukan pemodelan menggunakan ARIMA adalah meliha pola daa yang akan dimodelkan erlebih dahulu. Hasil ime series plo dapa diliha pada Gambar 3. Berdasarkan Gambar 3 dikeahui bahwa pola daa dari jumlah produksi gas bumi selama ahun 25 adalah flukuaif. Berdasarkan ime series plo dan plo ACF dapa diduga bahwa daa belum sasioner dalam mean, sehingga perlu dilakukan differencing sebanyak sau kali. mscf Day Monh Jan Gambar 3. Time Series Plo Produksi Gas Bumi Selanjunya plo ACF dan PACF dari daa yang sudah sasioner digunakan unuk menduga model ARIMA. Plo ACF menunjukkan cu off seelah lag, sedangkan plo PACF menunjukkan dies down. Berdasarkan hasil plo ACF dan PACF ersebu diduga bahwa model ARIMA (0,,), ARIMA (,,), ARIMA (2,,), dan ARIMA (3,,). Berdasarkan hasil dari uji signifikansi parameer, dikeahui bahwa model yang memiliki parameer yang signifikan semua adalah model ARIMA (0,,) dan ARIMA (,,). Kedua model ARIMA ersebu belum memenuhi asumi whie noise dan berdisribusi normal, sehingga perlu melakukan deeksi oulier. Seelah melakukan deeksi oulier dikeahu bahwa residual dari kedua model ersebu sudah memenuhi asumsi whie noise dan berdisribusi normal. Selanjunya memilih model erbaik berdasarkan nilai RMSE yang paling kecil. Hasil pemilihan model erbaik dapa diliha pada Tabel 6. TABEL 6. PEMILIHAN MODEL TERBAIK DATA PRODUKSI GAS BUMI Model Feb Mar Apr Mei Jun RMSE Ou ARIMA (0,,) 98,2455 8,772 ARIMA (,,) 95, ,7969 Berdasarkan hasil pemilihan model erbaik, diperoleh nilai RMSE yang paling kecil erdapa pada model ARIMA (,,) dengan deeksi oulier, sehingga model maemais yang erbenuk adalah sebagai beriku Jul Agu Sep Ok Nov Des 07 Z Z 0,4492Z 0,4492Z 2 0,88073a a 2992,3 I ,3 I 2804,6 I 877,4 I 627,3 I 526,5 I ,8 I 929,I 742,I 689,7 I 470,3I 346,5 I ,2 I 559, I 09,3 I 32,5 I 54,2 I ,2 I 978,7 I 688,4 I 887,2I 959,9 I 597,I ,9 I 04,2 I 67, I 529,4 I 457,0I I ,9 I 398,0 I 605,9 I 77,9I 426,9 I 630,9 I ,7 I 773,9 I 4659,0 I 65,7 I 799,5I 646,I ,3 I 47, I 747,3I 55,0 I 39,9 I 400,2 I ,5 I 454,5I 464,5I 353,9 I 382,2 I 2) Pemodelan Produksi Gas Bumi Dengan NN pu yang digunakan dalam meode NN adalah model ARIMA erbaik yang diperoleh sebelumny yaiu ARIMA (,,) sehingga yang menjadi inpu adalah Y - dan Y -2 karena ada efek diffrencing. Jumlah neuron yang digunakan mulai dari sampai 0. Nilai RMSE dari pemodelan menggunakan NN dapa diliha pada Tabel 7. TABEL 7. NILAI RMSE PEMODELAN NN DATA PRODUKSI GAS BUMI Ou Ou 582,95 92, ,95 26, ,43 90, ,05 340, ,92 268, ,0 284, ,03 26, ,00 282, ,52 294, ,73 97,39 Berdasarkan abel nilai RMSE ou yang paling kecil erdapa pada jumlah neuron 2, sehingga dipilih model NN dengan neuron dengan arsiekur yang dapa diliha pada Gambar 4. Gambar 4. Arsiekur NN 2 Daa Produksi Gas Bumi Arsiekur jaringan model NN dapa dimodelkan sesuai dengan fungsi akivasi sigmoid pada hidden layer dan fungsi linier pada oupu. Beriku persamaan maemaik dari model NN 2 neuron. Z ˆ 0,344,743H (,),860H (,2) H (,) exp ( 0,408,37Z 0,04Z 2 ) H (,2) exp (0,462,083Z 0,254Z 2 ) 3) Pemodelan Produksi Gas Bumi Dengan Hibrida ARIMA-NN pu dalam meode hibrida ARIMA-NN adalah nilai residual dari model ARIMA erbaik, yaiu ARIMA (,,). Jumlah neuron yang digunakan mulai dari sampai 0. Nilai RMSE yang diperoleh dari meode hibrida ARIMA-NN dapa diliha pada Tabel 8. TABEL 8. NILAI RMSE PEMODELAN HIBRIDA ARIMA-NN PRODUKSI GAS BUMI Ou Ou 67,29 95,4 6 67,09 95, , 95, ,08 95,53

6 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) (23-928X Prin) D ,20 95, ,03 95, ,0 95, ,05 95, ,07 95, ,05 95,60 Nilai RMSE erkecil pada daa ou erdapa pada jumlah neuron, sehingga model hibrida ARIMA-NN yang dipilih adalah model dengan neuron. Beriku model maemaik dari model hibrida ARIMA-NN neuron. H (,) N ˆ,843 3,52H (,) exp (0,525,536N 0,052N 2 ) Seelah melakukan pemodelan menggunakan iga meode yaiu ARIMA, NN, dan hibrida ARIMA-NN pada daa jumlah produksi gas bumi di plaform MK ahun 25, maka dapa disimpulkan bahwa meode NN memiliki nilai RMSE pada ou paling kecil. Selanjunya meode NN digunakan unuk meramalkan produksi gas bumi 4 hari ke depan. Ramalan produksi gas bumi dapa diliha pada Tabel 9. TABEL 9. RAMALAN PRODUKSI GAS BUMI Hari Ramalan Hari Ramalan // ,4 08// ,976 02// ,388 09// ,63 03// ,97 0//26 44,56 04// ,928 // ,264 05// ,023 2// ,56 06// ,823 3// ,523 07//26 439,693 4// ,239 Kesimpulan V. KESIMPULAN DAN SARAN Berdasarkan pada hasil analisis dapa diambil kesimpulan:. Raa-raa jumlah produksi minyak bumi seiap hari cenderung konsan selama ahun 25, yaiu sekiar 2500 barel seiap hari. Jumlah produksi erendah sebesar 649,5 barel erjadi pada hari Sabu. Unuk gas bumi memiliki raa-raa jumlah produksi seiap hari juga cenderung konsan yaiu sebesar 5500 mscf. Pada hari Sabu selama ahun 25 erdapa jumlah produksi yang sanga inggi dan sanga rendah yaiu rendah sebesar 577 mscf. 2. Model erbaik dari daa jumlah produksi minyak bumi adalah model hibrida ARIMA-neural nework. Hasil ramalan yang diperoleh unuk 4 hari ke depan jumlah produksi minyak bumi cenderung konsan. 3. Model erbaik dari daa jumlah produksi gas bumi adalah model neural nework. Hasil ramalan unuk 4 hari ke depan mengalami peningkaan jumlah produksi, namun idak signifikan. Saran Saran dari hasil analisis dan pembahasan yang dilakukan pada peneliian ini yaiu pihak perusahaan idak perlu melakukan reamen pada sumur di plaform MK selama anggal -4 Januari 26, karena produksi minyak dan gas bumi cenderung naik perlahan. DAFTAR PUSTAKA [] Ansyari, I. (25). Beberapa Faka Menarik Tenang Minyak Bumi. hp://learnmine.blogspo.co.id/25/04/ faka-menarikenang-minyak-bumi.hml. Diakses pada anggal 0 Februari 26. [2] Samperuru, D. (2007). Dari Mana Daangnya Minyak Bumi. Buku Pinar Migas donesi -7. [3] Walpole, E. R.,995. Ilmu Peluang dan Saisika Unuk Ilmuwan dan sinyur Edisi Keiga. Bandung : ITB. [4] Wei, W. W. S. (2006). Time Series Analysis: Univariae and Mulivariae Mehod 2 nd Ediion. New York: Pearson. [5] Khashei, M., & Bijari, M. (2). A Novel Hybridizaion of Arificial Neural Nework and ARIMA Model for Time Series Forecasing. Applied Sof Compuing, [6] Jan, S., & Kaarin H. (20). The Implemenaion of Hybrid ARIMA-Neural Nework Predicion Model. Journal of Applied Mahemaic volume 3,