digilib@itb.ac.id +62 812 2508 8800

Salah satu aspek penting dalam teknik perminyakan adalah dalam hal pendefinisian zona interest, yang menunjukkan bahwa terdapat potensi cadangan hidrokarbon di dalamnya. Sampai saat ini, metode evaluasi zona yang berpotensi mengandung hidrokarbon ini adalah melalui analisa log sumur dengan menentukan nilai saturasi air menggunakan korelasi yang dikembangkan para ahli, seperti persamaan Archie untuk clean sandstone, Simandoux dan Waxman-Smits untuk shaly sandstone. Namun, penentuan pay zone melalui well log analysis sangat bergantung pada interpretasi manusia dan evaluasi lapangan. Hasil penentuan saturasi air berdasarkan analisa log terbatas oleh asumsi - asumsi yang ditetapkan berdasarkan persamaan yang digunakan, sehingga sangat mungkin terjadi kesalahan pada saat menginterpretasi pay zone. Di dalam studi ini akan dilakukan pendekatan untuk mengeliminasi asumsi-asumsi yang dilibatkan pada saat menganalisa potensi cadangan pada pay zone, dengan menggunakan aplikasi dari machine learning untuk menghasilkan prediksi berdasarkan data dari analisa log sumur tanpa memerlukan interpretasi manusia. Sebuah model Sistem Saraf Jaringan dihasilkan dengan input data dari analisa log sumur dan output data dari data laju alir produksi, kemudian model sistem saraf jaringan diuji untuk memberikan prediksi pada beberapa sumur. Berdasarkan data laju alir produksi, nilai dari aliran fraksional dapat ditentukan dan dijadikan sebagai output data. Model Sistem Saraf Jaringan Buatan yang dibuat terdiri dari 2 layer dan 5 jumlah neuron optimum dengan menggunakan algoritma pembelajaran feedforward back-propagation. Model Sistem Saraf Jaringan Buatan memberikan hasil correlation factor sebesar 0.8990 untuk training, 0.9233 untuk validasi dan 0.9910 untuk tes. Kemudian model digunakan untuk melakukan prediksi zona potensial, yang meliputi dua jenis tes prediksi. Tes prediksi pertama diaplikasikan terhadap 30 data sampel data tes produksi sebagai pembanding, memberikan hasil berupa correlation factor sebesar 0.8432. Prediksi kedua dilakukan pada satu sumur tanpa data tes sebagai pembanding. Secara keseluruhan, model Sistem Saraf Jaringan Buatan mampu memberikan hasil prediksi zona potensial yang sesuai dengan data tes dengan keterbatasan bahwa model sangat bergantung terhadap kualitas data dan jumlah data yang digunakan.