Article Per Year (5 Year)
p-Index From 2021 - 2026
1.532
P-Index
This Author published in this journals
All Journal JURNAL TEKNIK Petro : Jurnal Ilmiah Teknik Perminyakan Journal of Earth Energy Science, Engineering, and Technology JTTT
Rohmana, Rian Cahya
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Transportation

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : JURNAL TEKNIK

 1 
Penerapan Machine Learning dalam Penentuan Porositas Batuan: Studi Kasus Menggunakan Regresi Linier Berganda dan Regresi KNN pada Data Log Sumur Rohmana, Rian Cahya; Triwanti, Delva; Setiyaningrum, Priskila Rully
Jurnal Teknik Vol 13, No 2 (2024): Juli - Desember 2024
Publisher : Universitas Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jt.v13i2.10830

Abstract

Penelitian ini bertujuan untuk memprediksi nilai porositas berdasarkan data log sumur. Log sumur berasal dari tiga sumur mencakup triple combo log dan porositas efektif yang telah divalidasi data core. Penerapan machine learning menggunakan dua model regresi, yakni regresi linier berganda dan k-nearest neighbors (KNN). Sebelum penerapan model, proses pengaturan hyperparameterdilakukan guna mengoptimalkan kedua model yang digunakan. Sebagai bagian dari evaluasi, blind test diimplementasikan pada salah satu sumur penelitian dengan tiga uji yang berbeda. Setiap uji memiliki kombinasi data yang berbeda, yakni log gamma ray, density, neutron, deep resistivity, dan photoelectric effect. Evaluasi model dilakukan dengan metrik R2 (coefficient of determination), RMSE (root mean squared error), dan MAE (mean absolute error). Hasil menunjukkan bahwa model regresi linear berganda mendapatkan R2 sebesar 90.6% pada uji 1, 90.59% pada uji 2, dan 90.59% pada uji 3. Sementara model regresi KNN mendapatkan nilai R2 sebesar 94.85% pada uji 1, 92.54% pada uji 2, dan 92.26% pada uji 3. RMSE pada model regresi linear berganda pada semua uji adalah 0.0225, sedangkan pada model regresi KNN uji 1 mendapatkan 0.0167, uji 2 mendapatkan 0.0201, dan uji 3 mendapatkan 0.0204. MAE pada model regresi linear berganda adalah 0.0088 pada uji 1 dan 0.0089 pada uji 2 dan 3. Sementara itu, MAE pada model regresi KNN adalah 0.0047 pada uji 1, 0.0053 pada uji 2, dan 0.0056 pada uji 3. Berdasarkan hasil evaluasi, model regresi KNN memiliki performa yang lebih optimal dibandingkan dengan regresi linear berganda dalam prediksi nilai porositas pada dataset yang digunakan, terutama dalam uji 1. Penelitian ini menunjukkan prediksi nilai porositas batuan dapat dengan baik dilakukan menggunakan metode ML dan dapat disesuaikan dengan beragam skenario. Hal ini dapat membantu dalam analisis petrofisika, terutama jika terdapat keterbatasan data core atau dapat membantu mempercepat proses analisis petrofisika dalam jumlah data yang besar.
Perbandingan Metode Klasifikasi Machine Learning: Studi Kasus Prediksi Jenis Litologi Berdasarkan Data Well Log Pada Formasi Sleipner, North Sea Sastra, Mahdani Mahardika; Rohmana, Rian Cahya
Jurnal Teknik Vol 13, No 2 (2024): Juli - Desember 2024
Publisher : Universitas Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jt.v13i2.10882

Abstract

Perkembangan era dunia industri 4.0 mendorong para ahli untuk melakukan digitalisasi terhadap berbagai bidang khususnya di industri minyak dan gas bumi. Penelitian ini membahas tentang penggunaan metode machine learning untuk prediksi litologi dalam eksplorasi migas yang terletak di Formasi Sleipner, North Sea. Formasi Sleipner disusun oleh litologi batupasir dengan sisipan batulanau, batuserpih dan batubara. Tujuan utama dari penelitian ini adalah untuk membandingkan tiga algoritma machine learning yang berbeda dalam konteks prediksi litologi berdasarkan data log sumur. Studi ini menggunakan lima data well log yang mencakup data log gamma ray, log resistivitas, log neutron, log densitas, dan log PEF. Data litologi rinci berdasarkan batuan inti (core) digunakan untuk validasi hasil prediksi dari machine learning. Penelitian ini menggunakan tiga algoritma machine learning yakni decision tree (DT), k-nearest neighbor (KNN), dan extra tree classifier (ETC). Ketiga algoritma tersebut juga sudah dilakukan tuning hyperparameter, agar menghasilkan model terbaik saat menganalisis data penelitian ini. Hasil evaluasi prediksi pada sumur blind test didapatkan metode DT memiliki akurasi sebesar 83%, metode KNN 85% dan algoritma ETC 82%. Hasil penelitian menunjukkan bahwa ketiga algoritma machine learning ini memiliki potensi untuk prediksi litologi yang cukup akurat. Pada penelitian ini, algoritma KNN menjadi yang terakurat dalam memprediksi litologi. Penelitian ini diharapkan memberikan pengetahuan baru dalam penggunaan metode machine learning untuk memprediksi litologi, terutama berguna dalam efisiensi waktu dan pada sumur yang tidak memiliki data batuan inti (core).
Analisis Facies dan Petrofisika pada Zona Prospek Hidrokarbon Pada Lapangan “U”, Formasi Talang Akar, Cekungan Sumatera Setiyaningrum, Priskila Rully; Rohmana, Rian Cahya; Nursidik, Unggul Setiadi
Jurnal Teknik Vol 13, No 2 (2024): Juli - Desember 2024
Publisher : Universitas Muhammadiyah Tangerang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31000/jt.v13i2.10819

Abstract

Penelitian dilakukan di Cekungan Sumatera Selatan, berfokus pada Formasi Talang Akar sebagai salah satu formasi penghasil minyak dan gas. Tujuan dari penelitian ini adalah mengidentifikasi fasies dan mengevaluasi kualitas reservoar pada tiga zona prospek hidrokarbon di Formasi Talang Akar. Metode analisis mencakup sedimentologi rinci untuk penentuan fasies serta analisis petrofisika berdasarkan data well log. Data tambahan melalui deskripsi cutting, biostratigrafi, dan core diintegrasikan untuk validasi. Hasil menunjukkan Formasi Talang Akar mengalami pengendapan di lingkungan delta dengan topografi rendah pada Oligosen Akhir. Pada tiga zona prospek hidrokarbon, OR3 memiliki fasies prodelta dengan dominasi butir halus seperti batulempung dan batulanau. Nilai petrofisika pada OR3 mencakup porositas 0.38 – 2.2%, permeabilitas 0.04 – 3.12 mD, dan saturasi air 2.5 – 9.6%, mengindikasikan kualitas zona ini sebagai reservoar kurang baik. Zona prospek hidrokarbon OR6, dengan fasies distributary mouth bar, memiliki karakteristik berbentuk channel dan butiran dominan pasir. Nilai petrofisika pada OR6 mencakup porositas 0.07 – 3.5%, permeabilitas 0.008 – 752 mD, dan saturasi air 2.1 – 9.3%, mengindikasikan kualitas zona ini sebagai reservoar yang cukup baik. Sementara itu, zona prospek hidrokarbon OR8 menunjukkan fasies prodelta shale, memiliki porositas antara 0,13 – 3,1%, permeabilitas batuan antara 0,2 – 4430 mD, dan saturasi air antara 1,84 – 8,6%, menunjukkan kualitas reservoar yang baik. Berdasarkan penelitian ini menunjukkan, fasies pengendapan dapat berpengaruh terhadap kualitas reservoar hidrokarbon. Hal ini dikarenakan, fasies terbentuk dengan proses sedimentasi unik sesuai dengan tempat lingkungan pengendapannya.
Co-Authors Aditya, Rhera Baihaqie, Qosha Budiono Effendi, Dahrul Fardiansyah, Iqbal Harishidayat, Dicky Hidayat, Dicky Haris Maulana, M.Raja Nursidik, Unggul Setiadi Purnomo, Rezandy Purnomo Setyo Safitri, Mairani Ananda Sastra, Mahdani Mahardika Setiyaningrum, Priskila Rully Taufani, Leon Triwanti, Delva Varayesi, Fidya Widi Atmoko