Perpustakaan Digital ITB

Industri minyak dan gas berperan penting dalam penyediaan energi, namun memiliki risiko tinggi terhadap keselamatan, lingkungan, dan ekonomi. Risk-Based Inspection (RBI) digunakan untuk merancang strategi inspeksi, tetapi efektivitasnya sangat dipengaruhi oleh kelengkapan data. Banyak fasilitas menghadapi masalah data tidak lengkap, sehingga penelitian ini mengintegrasikan pendekatan machine learning untuk memprediksi risiko berdasarkan pola data, guna mendukung perencanaan inspeksi pada fasilitas hulu migas. Penelitian dimulai dengan pengelompokan dua lapangan, Lapangan AAA dengan data lengkap dan Lapangan BBB dengan data tidak lengkap. RBI kuantitatif dilakukan pada Lapangan AAA untuk mendapatkan output risiko peralatan. Model machine learning kemudian dibangun dari data tersebut untuk memprediksi risiko di Lapangan BBB. Analisis RBI secara kuantitatif menunjukkan bahwa salah satu segmen pipa di stream 16 memiliki nilai POF 0,331 (kategori 5) dan COF kategori D, dengan potensi kerugian finansial hingga $1.274.345 dan area konsekuensi sebesar 212 m². Selain itu, studi mengenai skenario jika terdapat komposisi H2S pada fluida proses menunjukkan dengan keberadaan 5% H?S pada V-1010 area konsekuensi membesar dari 289 m² menjadi 2.481 m². Model prediksi dibangun menggunakan enam algoritma: Decision Tree, k-NN, Logistic Regression, Random Forest, SVM, dan XGBoost untuk 13 parameter yang tersedia pada Lapangan BBB. Model XGBoost menunjukkan performa terbaik yaitu akurasi 94,25% dan macro F1-score 94,54%. Oleh karena itu, XGBoost dipilih sebagai model utama untuk prediksi risiko pada Lapangan BBB. Hasil prediksi menunjukkan bahwa mayoritas peralatan berada pada kategori risiko rendah, seiring dengan tingginya rasio ketebalan pipa terhadap batas minimumnya. Selain itu, didapatkan bahwa dengan hanya 6 parameter utama yaitu temperatur, tekanan, ketebalan terakhir, ketebalan minimum, laju korosi, dan umur sejak inspeksi terakhir, model prediksi risiko sudah bisa menjadi akurat dengan akurasi 90,37%.