Perpustakaan Digital ITB

Pipa banyak digunakan pada industri minyak dan gas untuk menyalurkan fluida karena efektivitas biaya, keandalan, dan keamanannya. Namun, kegagalan selama pemasangan dan operasi sering terjadi, sehingga penilaian risiko diperlukan. Penilaian risiko melibatkan evaluasi probabilitas kegagalan (PoF) dan konsekuensi kegagalan (CoF). Perangkat lunak PEATRICE menyediakan perhitungan mengenai penilaian ini, tetapi memerlukan banyak data, analisis yang kompleks, dan waktu yang lama. Tugas akhir ini mengembangkan machine learning untuk memprediksi tingkat risiko pipa sebagai hasil penilaian risiko. Metode penilaian risiko yang digunakan adalah penilaian risiko kuantitatif untuk mengevaluasi 361 segmen pipa. Kemudian, lima aloritma machine learning, logistic regression, random forest, support vector machine, k-nearest neighbor, and decision tree, digunakan untuk memprediksi tingkat risiko berdasarkan beberapa fitur. Hasil penilaian menunjukkan bahwa 58% dari total segmen memiliki PoF kategori 4, 71% memiliki area konsekuensi kategori D, dan 45% memiliki konsekuensi keuangan kategori D. Kandungan CO2 juga berkorelasi positif dengan probabilitas kegagalan. Selain itu, lebih dari 78% segmen memiliki tingkat risiko medium-high. Kemudian, machine learning terbukti dapat membuat prediksi berdasarkan fitur yang dipilih, dengan support vector machine mencapai akurasi 78,24% untuk prediksi tingkat risiko berbasis area dan logistic regression 84,8% untuk keuangan.