PERBANDINGAN X-GRADIENT BOOSTING ALGORITHM DAN RANDOM FOREST ALGORITHM TERHADAP SENSITIVITAS PARAMETER SURFACTANT FLOODING DALAM MENINGKATKAN RECOVERY FACTOR PADA LAPANGAN LANGGAK

MULYANI, SARI IGA (2025) PERBANDINGAN X-GRADIENT BOOSTING ALGORITHM DAN RANDOM FOREST ALGORITHM TERHADAP SENSITIVITAS PARAMETER SURFACTANT FLOODING DALAM MENINGKATKAN RECOVERY FACTOR PADA LAPANGAN LANGGAK. Tesis thesis, UPN "Veteran" Yogyakarta.

	Text a.Cover_213232003_Sari Iga Mulyani.pdf Download (260kB)
	Text b.Abstrak_213232003_Sari Iga Mulyani.pdf Download (304kB)
	Text c.Halaman Pengesahan_213232003_Sari Iga Mulyani.pdf Download (56kB)
	Text d.Daftar Isi_213232003_Sari Iga Mulyani.pdf Download (343kB)
	Text e.Daftar Pustaka_213232003_Sari Iga Mulyani.pdf Download (232kB)
	Text f.Pernyataan Keaslian_213232003_Sari Iga Mulyani.pdf Download (171kB)
	Text g.Tesis Akhir_213232003_Sari Iga Mulyani.pdf Restricted to Repository staff only Download (3MB)

Abstract

Peningkatan efisiensi perolehan minyak (enhanced oil recovery/EOR) menjadi
tantangan penting dalam pengelolaan lapangan crude oil seperti Lapangan Langgak.
Salah satu metode yang menjanjikan adalah injeksi surfaktan (surfactant flooding),
yang bertujuan menurunkan tegangan antarmuka antara minyak dan air serta
meningkatkan mobilitas minyak. Namun, keberhasilan metode ini sangat bergantung
pada kondisi reservoir dan formulasi surfaktan yang tepat, sehingga diperlukan
evaluasi sensitivitas parameter-parameter kunci untuk mendukung desain strategi
injeksi yang optimal.
Dalam penelitian ini, dilakukan simulasi numerik menggunakan perangkat lunak
reservoir simulator dan analisis sensitivitas berbasis algoritma pembelajaran mesin,
yaitu X‑Gradient Boosting (X-Gradient Boosting) dan Random Forest (RF). Data input
mencakup variasi parameter fisik dan kimia yang mempengaruhi kinerja surfaktan,
seperti suhu, salinitas, adsorpsi, interfacial tension (IFT), dan konsentrasi. Performa
masing-masing algoritma dievaluasi menggunakan metrik statistik seperti R² dan root
mean square error (RMSE), sekaligus dibandingkan kemampuan keduanya dalam
mengidentifikasi parameter yang paling berpengaruh terhadap peningkatan recovery.
Hasil perbandingan X-Gradient Boosting dan Random Forest menunjukkan
bahwa X-Gradient Boosting berhasil mengidentifikasi suhu dan salinitas sebagai
parameter paling dominan, serta memberikan hasil prediksi yang lebih akurat (R² =
0,972; RMSE = 2,71) dibandingkan Random Forest (R² = 0,965; RMSE = 3,08). Selain
itu, X-Gradient Boosting memberikan distribusi kepentingan parameter yang lebih
seimbang dan representatif, sehingga direkomendasikan sebagai kerangka utama dalam
analisis sensitivitas dan optimasi injeksi surfaktan di Lapangan Langgak.
Kata Kunci : surfactant flooding, x-gradient boosting, random forest, machine
learning

Item Type:	Tugas Akhir (Tesis)
Uncontrolled Keywords:	surfactant flooding, x-gradient boosting, random forest, machine learning
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknologi Mineral dan Energi > (S1) Teknik Perminyakan
Depositing User:	Eny Suparny
Date Deposited:	22 Sep 2025 08:13
Last Modified:	22 Sep 2025 08:13
URI:	http://eprints.upnyk.ac.id/id/eprint/43780

Actions (login required)

View Item