Perpustakaan Digital ITB

Industri migas memegang peranan besar terhadap pertumbuhan ekonomi nasional. Peranan tersebut tentunya tidak dapat terlepas dari efisiensi operasional perusahaan yang menjalankan industri tersebut. Pada sektor hulu migas, efisiensi sistem pengeboran menjadi aspek utama pada kegiatan eksplorasi dan produksi minyak. Sistem pengeboran lepas pantai sering mengandalkan Electrical Submersible Pump (ESP) untuk meningkatkan produktivitas. Meskipun ESP dinilai efektif, ESP juga rentan mengalami kegagalan dan memiliki biaya perawatan yang tinggi. Oleh karena itu, penelitian ini mengusulkan pengembangan sistem prediksi nilai parameter sensor downhole ESP yang dapat digunakan untuk prediksi awal kegagalan. Penelitian ini bertujuan untuk mengembangkan model prediksi nilai parameter sensor menggunakan algoritma machine learning Random Forest dan XGBoost dengan data multi-source melalui studi kasus pada PT XYZ. Metodologi CRISP-DM diterapkan, dengan evaluasi model menggunakan MAE, RMSE, dan MAPE. Hasil penelitian ini diperoleh nilai rata-rata MAE 19,28, rata-rata RMSE 49,76, dan rata-rata MAPE 3,39% yang tergolong highly accurate forecasting. Implementasi sistem prediksi ini diharapkan dapat membantu PT XYZ dalam melakukan prediksi awal kegagalan ESP untuk mengoptimalkan waktu operasional ESP, mendukung pertumbuhan sektor migas, dan berkontribusi positif terhadap perekonomian nasional.