ESTIMASI OIL RECOVERY DENGAN METODE DATA-DRIVEN PREDICTIVE ANALYSIS (DDPA) PADA LAPANGAN EF

Maharsya, Rendito Elfreda Faiz (2026) ESTIMASI OIL RECOVERY DENGAN METODE DATA-DRIVEN PREDICTIVE ANALYSIS (DDPA) PADA LAPANGAN EF. Skripsi thesis, UPN Veteran Yogaykarta.

[thumbnail of 113220104_Cover - Elfreda Faiz.pdf] Text
113220104_Cover - Elfreda Faiz.pdf

Download (80kB)
[thumbnail of 113220104_Abstrak - Elfreda Faiz.pdf] Text
113220104_Abstrak - Elfreda Faiz.pdf

Download (124kB)
[thumbnail of 113220104_Halaman Pengesahan - Elfreda Faiz.pdf] Text
113220104_Halaman Pengesahan - Elfreda Faiz.pdf

Download (93kB)
[thumbnail of 113220104_Daftar Isi - Elfreda Faiz.pdf] Text
113220104_Daftar Isi - Elfreda Faiz.pdf

Download (194kB)
[thumbnail of 113220104_Daftar Pustaka - Elfreda Faiz.pdf] Text
113220104_Daftar Pustaka - Elfreda Faiz.pdf

Download (79kB)
[thumbnail of 113220104_Fulltext - Elfreda Faiz.pdf] Text
113220104_Fulltext - Elfreda Faiz.pdf
Restricted to Repository staff only

Download (3MB)
Official URL: https://www.upnyk.ac.id/

Abstract

Lapangan EF merupakan lapangan minyak karbonat Formasi Baturaja di Cekungan Sumatera Selatan dengan mekanisme weak water drive, OOIP 124,3 MMBO, dan Recovery Factor (RF) aktual sebesar 48,3%. Evaluasi potensi Improved Oil Recovery (IOR) pada lapangan ini masih terbatas dalam objektivitas dan kuantifikasi ketidakpastian, karena pendekatan konvensional yang mengandalkan analogi manual cenderung memakan waktu. Oleh karena itu, penelitian ini bertujuan untuk menerapkan workflow Data-Driven Predictive Analytics (DDPA) berbasis ensemble machine learning guna memprediksi RF Ultimate secara probabilistik (P10/P50/P90) pada Lapangan EF, mengidentifikasi parameter dominan melalui analisis SHAP, serta menurunkan RF Primary dan RF Secondary menggunakan tabel analogi S:P ratio berbasis drive mechanism.
Penelitian dilaksanakan melalui tahapan: (i) ekstraksi dan penyaringan data dari 1.446 rekaman Benchmark Tool EF menjadi 951 lapangan dari 176 cekungan; (ii) eksplorasi data, feature engineering menghasilkan 7 parameter turunan, dan target encoding interaksi basin × drive mechanism; (iii) pembangunan tabel S:P ratio dari 386 lapangan analogi; (iv) pelatihan stacked ensemble (Random Forest, Extra Trees, Gradient Boosting, XGBoost) dengan validasi silang 5-fold dan hyperparameter tuning; (v) prediksi RF Lapangan EF dan interpretasi SHAP (Shapley additive explanations); serta (vi) validasi independen menggunakan pendekatan analitik Buckley-Leverett.
Prediksi RF P50 Lapangan EF = 50,5%, dengan deviasi 2,2 pp dari RF aktual 48,3% dengan menggunakan model Stacked Ensemble menghasilkan R² = 0,69 dan RMSE = 6,54 poin persentase. Analisis SHAP mengidentifikasi mobility sebagai prediktor paling dominan, diikuti basin target encoding, interaksi basin × drive mechanism, dan permeability. Estimasi RF Primary & Secondary menunjukkan hasil Primary P50 = 19,6% dan Secondary P50 = 30,9% (S:P = 1,57) mengkonfirmasi potensi IOR yang signifikan. Validasi Buckley-Leverett (RF 49–51,12%) membuktikan konsistensi DDPA sebagai alat screening IOR yang andal.

Item Type: Tugas Akhir (Skripsi)
Uncontrolled Keywords: Buckley-Leverett, DDPA, ensemble machine learning, IOR, recovery factor
Subjek: T Technology > TN Mining engineering. Metallurgy
Divisions: Fakultas Teknologi Mineral dan Energi > (S1) Teknik Perminyakan
Depositing User: UPA Perpustakaan
Date Deposited: 10 Nov 2026 08:04
Last Modified: 10 Nov 2026 08:04
URI: http://eprints.upnyk.ac.id/id/eprint/50304

Actions (login required)

View Item View Item