DETEKSI DINI SEVERE SLUGGING PADA ALIRAN PRODUKSI MINYAK MENGGUNAKAN XGBOOST

RADEN AJENG KURNIA HAQIKI, . (2026) DETEKSI DINI SEVERE SLUGGING PADA ALIRAN PRODUKSI MINYAK MENGGUNAKAN XGBOOST. Skripsi thesis, UPN "VETERAN" YOGYAKARTA.

	Text 123220022_Cover - RADEN AJENG KURNIA HAQIKI.pdf Download (194kB)
	Text 123220022_Abstrak - RADEN AJENG KURNIA HAQIKI.pdf Download (384kB)
	Text 123220022_Halaman Pengesahan - RADEN AJENG KURNIA HAQIKI.pdf Download (463kB)
	Text 123220022_Daftar Isi - RADEN AJENG KURNIA HAQIKI.pdf Download (1MB)
	Text 123220022_Daftar Pustaka - RADEN AJENG KURNIA HAQIKI.pdf Download (628kB)
	Text 123220022_Fulltext - RADEN AJENG KURNIA HAQIKI.pdf Restricted to Repository staff only Download (4MB)

Abstract

Severe slugging merupakan salah satu fenomena gangguan aliran fluida multifasa yang sering terjadi pada sistem perpipaan produksi minyak bumi. Gangguan ini memicu fluktuasi fase gas dan lonjakan fase liquid yang menyebabkan aliran tidak merata. Dampak buruk gangguan ini fatal bagi fasilitas produksi bahkan mampu menyebabkan penurunan laju produksi hingga dihentikannya operasi produksi secara tiba-tiba (shutdown). Untuk mengatasi masalah tersebut, dibutuhkan tidak hanya langkah mitigasi konvensional yang reaktif, tetapi juga pendekatan proaktif untuk mencegah keadaan memburuk. Langkah proaktif ini diwujudkan dalam bentuk model deteksi dini severe slugging yang akan mengidentifikasi fase awal fenomena gangguan severe slugging dan memberi peringatan. Walaupun beberapa penelitian sebelumnya telah menggunakan model deep learning, algoritma tersebut membutuhkan daya komputasi besar. Ditambah dengan karakteristik data operasi produksi lapangan yang sangat tidak seimbang, penelitian ini didorong untuk membangun model deteksi dini yang jauh lebih efisien namun tetap akurat menggunakan algoritma XGBoost.

Pengembangan model menerapkan metode eksperimental kuantitatif menggunakan 3W Dataset yang memuat kurang lebih 70 juta baris observasi time-series. Pra-pemprosesan data melibatkan interpolasi data untuk menangani data kosong dan rekayasa fitur dinamis melalui metode rolling window untuk mengekstraksi fitur tren rata-rata, standar deviasi, skewness, dan gradien, serta memanfaatkan kemampuan bawaan algoritma terpilih dalam menangani nilai kosong secara langsung tanpa proses tambahan. Eksperimen menguji berbagai kombinasi parameter yaitu ukuran jendela observasi, jeda waktu peringatan dini, dan pengabaian fase transisi. Model klasifikasi dibagun menggunakan algoritma XGBoost yang dilakukan pengoplimalan dengan sample weight untuk mengatasi ketidakseimbangan data. Kemudian, untuk membantu validasi model, dilakukan deployment model ke dalam antarmuka interaktif berbasis Streamlit.

Hasil evaluasi menunjukkan bahwa performa optimal model dicapai oleh kombinasi parameter ke-5 (120 detik ukuran jendela observasi, 60 detik jeda waktu peringatan dini, dan 120 detik fase transisi) dengan membiarkan nilai kosong secara native dan tanpa proses pemangkasan fitur. Model ini menghasilkan tingkat akurasi maksimal dengan nilai F1-macro sebesar 99,53% dan False Alarm Rate (FAR) yang rendah (0,3244%). Lebih lanjut, hasil analisis feature importance XGBoost memvalidasi fitur standar deviasi tekanan downhole PDG sebagai prediktor fisis terkuat untuk mendeteksi fase awal slugging. Model ini terbukti proaktif dalam menyediakan jeda intervensi operasional selama 1 menit bagi operator untuk melakukan mitigasi. Kontribusi utama dari penelitian ini berupa kerangka model peringatan dini yang berkomputasi ringan, akurat, dan aplikatif guna menjaga tingkat keselamatan fasilitas produksi minyak bumi.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Severe Slugging, XGBoost, Deteksi Dini
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	08 Oct 2026 08:32
Last Modified:	08 Oct 2026 08:32
URI:	http://eprints.upnyk.ac.id/id/eprint/49631

Actions (login required)

View Item