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

Windia Cinde Prameswari, Destri Susilaningrum, Suhartono Suhartono
Submission Date: 2016-07-20 10:15:52
Accepted Date: 2016-12-19 18:33:11

Abstract


Minyak dan gas bumi dapat diambil secara langsung melalui sumur-sumur yang dibuat, namun sumur-sumur tersebut tidak akan menghasilkan jumlah minyak dan gas bumi yang konstan setiap hari. Ketika kandungan minyak dan gas mulai turun maka yang harus dilakukan adalah memberikan treatment terhadap sumur tersebut, sehingga minyak dan gas yang masih terkandung di dasar bumi bisa naik dengan jumlah yang lebih banyak. Tujuan dilakukannya penelitian ini adalah untuk membantu perusahaan dalam menganalisis jumlah produksi minyak dan gas bumi selama periode 14 hari selanjutnya, sehingga dapat diketahui apakah selama periode 14 hari selanjutnya diperlukan treatment terhadap sumur. Data yang digunakan adalah jumlah produksi minyak dan gas bumi pada platform “MK” pada tahun 2015. Pemodelan jumlah produksi minyak dan gas bumi dilakukan menggunakan tiga metode, yaitu ARIMA, neural network, dan Hibrida ARIMA-neural network. Hasil yang diperoleh berdasarkan analisis ketiga metode tersebut adalah pada jumlah produksi minyak bumi model terbaik diperoleh dari metode hibrida ARIMA-neural network, dengan hasil ramalan yang cenderung sama selama 14 hari yaitu 1961 barel. Sedangkan jumlah produksi gas bumi model terbaik diperoleh dari metode neural network, dengan ramalan produksi untuk 14 hari selanjutnya cenderung meningkat.

Keywords


ARIMA; Hibrida ARIMA-NN; Minyak dan Gas Bumi; Neural Network

References


Ansyari, I. (2015). Beberapa Fakta Menarik Tentang Minyak Bumi. http://learnmine.blogspot.co.id/2015/04/ fakta-menarik-tentang-minyak-bumi.html. Diakses pada tanggal 10 Februari 2016.

Samperuru, D. (2007). Dari Mana Datangnya Minyak Bumi. Buku Pintar Migas Indonesia, 1-17.

Walpole, E. R.,1995. Ilmu Peluang dan Statistika Untuk Ilmuwan dan Insinyur Edisi Ketiga. Bandung : ITB.

Wei, W. W. S. (2006). Time Series Analysis: Univariate and Multivariate Methods, 2nd Edition. New York: Pearson.

Khashei, M., & Bijari, M. (2011). A Novel Hybridization of Artificial Neural Network and ARIMA Model for Time Series Forecasting. Applied Soft Computing, 2664 – 2675.

Jan, S., & Katarina, H. (2010). The Implementation of Hybrid ARIMA-Neural Network Prediction Model. Journal of Applied Mathematics, volume 3, 124-130.


Full Text: PDF

CC Licencing


Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Refbacks

  • There are currently no refbacks.


Lembaga Penjaminan Mutu, Pengelolaan dan Perlindungan Kekayaan Intelektual (LPMP2KI) ITS
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.