Perpustakaan Digital ITB

Pada 2022, kebutuhan energi Indonesia mencapai 1,185 miliar BOE, didominasi industri migas. Namun, kerusakan pipa migas sangat berbahaya dengan rata-rata terjadi 634 kecelakaan, 55 luka, 12 jiwa, dan kerugian USD 516,5 juta per tahun di Amerika Serikat. Risk Based Inspection penting untuk menilai integritas pipa, tetapi data proses dan riwayat kegagalan sering hilang akibat akibat keterbatasan sensor dan kesalahan pencatatan sehingga metode imputasi tradisional, seperti imputasi nol, rata-rata, dan median mengubah signifikan distribusi dan variansi data. Machine learning menjadi solusi terkini untuk imputasi data yang memastikan analisis risiko tetap akurat dan efisien. Ketiga model yang dikaji, yaitu K-Nearest Neighbor, Multiple Imputation by Chained Equations, dan Random Forest. Pada tugas sarjana ini, dievaluasi metode-metode machine learning untuk imputasi data pada spesifikasi pipa dasar dan dampaknya terhadap parameter hasil asesmen risiko sistem perpipaan berdasarkan API RP 581 dan metode Muhlbauer. Pada Pertamina Hulu Kalimantan Timur, terdapat 597 segmen pipa yang dianalisis tingkat risikonya dari asesmen nilai probability of failure (POF) dan consequence of failure (COF). Pada uji dengan persentase amputasi data 10%, 15%, 20%, dan 30%, ketiga metode imputasi menunjukkan bahwa Random Forest paling unggul dengan rata-rata R² sebesar 66,3% dibandingkan MICE dengan 36,5%, dan KNN dengan 23,6%. Keunggulan dari Random Forest juga terlihat dalam analisis risiko dengan R² untuk POF mencapai 94,9% dengan bias relatif serendah 0,20%, untuk konsekuensi area hingga 83% dengan bias terendah 4,6%, dan untuk kerugian finansial hingga 96,2% dengan bias terendah 1,65%. Hasil confidence interval 95% memperlihatkan margin of error POF berkisar dari 0,006-0,007 per km-tahun, konsekuensi area antara 79,2 m2 hingga 119,2 m2, dan finansial rata-rata US$ 3,36 juta dengan standar deviasi sekitar US$ 1,04 juta.