OPTIMASI RATE OF PENETRATION (ROP) MENGGUNAKAN ALGORITMA KLASIFIKASI MACHINE LEARNING PADA SUMUR A-3, A-4, DAN A-5 LAPANGAN “AFMH”

HIDAYAT, AHMAD FAIZ MUZAKKI (2025) OPTIMASI RATE OF PENETRATION (ROP) MENGGUNAKAN ALGORITMA KLASIFIKASI MACHINE LEARNING PADA SUMUR A-3, A-4, DAN A-5 LAPANGAN “AFMH”. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_113210019_Ahmad Faiz Muzakki Hidayat.pdf Download (208kB)
	Text 3_Abstrak_113210019_Ahmad Faiz Muzakki Hidayat.pdf Download (254kB)
	Text 4_Halaman Pengesahan_113210019_Ahmad Faiz Muzakki Hidayat.pdf Download (673kB)
	Text 5_Daftar Isi_113210019_Ahmad Faiz Muzakki Hidayat.pdf Download (270kB)
	Text 6_Daftar Pustaka_113210019_Ahmad Faiz Muzakki Hidayat.pdf Download (238kB)
	Text 1_Skripsi Full_113210019_Ahmad Faiz Muzakki Hidayat.pdf Restricted to Repository staff only Download (9MB)

Abstract

Sumur A-3, A-4, dan A-5 merupakan sumur vertikal onshore di Lapangan “AFMH”
dengan perbedaan nilai ROP yang signifikan berdasarkan data mud logging,
walaupun menembus formasi yang sama. Untuk meningkatkan efisiensi pemboran
di masa mendatang, dilakukan optimasi ROP menggunakan algoritma klasifikasi
machine learning yang dapat mempelajari pola yang kompleks dalam data.
Proses optimasi ROP diawali dengan pengumpulan data yang dibutuhkan, seperti
rekaman mud logging dan desain sumur. Tahapan optimasi ini mencakup
pengolahan data mentah hingga siap digunakan, pengembangan model machine
learning, serta prediksi dan visualisasi rentang parameter pemboran yang
direkomendasikan untuk mencapai ROP optimal.
Pengolahan data dilakukan melalui tahap data preprocessing dan feature
engineering, dilanjutkan pemodelan menggunakan algoritma Random Forest untuk
section 8 ½”, Logistic Regression untuk section 17 ½” dan 12 ¼”, dan Support
Vector Machine (SVM) untuk section 26”. Model Random Forest, Logistic
Regression, dan Support Vector Machine (SVM) menunjukkan selisih nilai
accuracy yang kecil antara train data dan test data, masing-masing sebesar 0,71
0,68; 0,72-0,67; dan 0,76-0,71. Fitur utama yang dipilih untuk diprediksi adalah
WOB, TRPM, dan Flow Rate. Rentang parameter pemboran hasil prediksi machine
learning pada section 26”: WOB 5 - 6 klbs, TRPM 5 - 71, flow rate 541 – 570 gpm;
section 17 ½”: WOB 5 - 23 klbs, TRPM 173 - 199, flow rate 701 - 810 gpm; section
12 ¼”: WOB 5 - 25 klbs, TRPM 113 - 128, flow rate 810 - 821 gpm; section 8 ½”:
WOB 5 – 13 klbs, TRPM 261 - 312, flow rate 585 - 601 gpm. Berdasarkan
pengembangan dan prediksi model, dapat diambil kesimpulan bahwa machine
learning mampu memberikan rekomendasi parameter pemboran yang dapat
diterapkan untuk mengoptimalkan ROP.
Kata kunci: machine learning, optimasi ROP, parameter pemboran

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Ahmad Faiz Muzakki Hidayat (Penulis - 113210019) ; Allen Haryanto Lukmana (Pembimbing)
Uncontrolled Keywords:	machine learning, optimasi ROP, parameter pemboran
Subjek:	T Technology > TD Environmental technology. Sanitary engineering
Divisions:	Fakultas Teknologi Mineral dan Energi > Teknik Perminyakan (S1)
Depositing User:	Indah Lestari
Date Deposited:	24 Jul 2025 01:54
Last Modified:	24 Jul 2025 01:54
URI:	http://eprints.upnyk.ac.id/id/eprint/43261

Actions (login required)

View Item