<![CDATA[ABSTRAKPenelitian ini bertujuan memprediksi laju penetrasi (ROP) guna mempercepat waktu pengeboran dan menekan biaya operasional. Metode yang digunakan adalah Elman Recurrent Neural Network (ERNN) dengan algoritma backpropagation, yang dipilih karena kemampuannya dalam mengenali pola data sekuensial pada data pengeboran. Data yang digunakan 2613 data ASCII Mudlogging minyak bumi dari PT Geotama Jogja dengan 5 variabel input, yaitu Kedalaman Vertikal Sejati atau TVD (m), Beban Mata Bor atau WOB (klbs), Kepadatan Sirkulasi Ekuivalen atau ECD (SG), Mud Weight in atau MWI (SG), dan Total Kecepatan Rotasi Pahat atau TRPM. Sedangkan variabel outputnya yaitu laju penetrasi atau ROP (m/hr). Data dihaluskan menggunakan Savitzky-Golay filter dan dibagi data training dan data testing yang sebesar 90% dan 10%. Model ERNN terbaik yang diperoleh yaitu 5 variabel input, 17 neuron tersembunyi, dan 1 variabel output. Nilai MAPE data training sebesar 16.18%, dengan akurasi 83.82%. Sedangkan nilai MAPE data testing sebesar 15.48%, sehingga akurasinya 84.52%. Kata kunci: Elman Recurrent Neural Network, laju penetrasi, prediksi, minyak bumi, MAPE ABSTRACTThis study aims to predict the rate of penetration (ROP) to speed up drilling time and reduce operational costs. The method used is the Elman Recurrent Neural Network (ERNN) with the backpropagation algorithm, which was chosen because of its ability to recognize sequential data patterns in drilling data. The data used are 2613 ASCII Mudlogging data from PT Geotama Jogja with 5 input variables, namely True Vertical Depth or TVD (m), Drill Bit Load or WOB (klbs), Equivalent Circulation Density or ECD (SG), Mud Weight in or MWI (SG), and Total Tool Rotation Speed or TRPM. While the output variable is the rate of penetration or ROP (m/hr). The data is smoothed using the Savitzky-Golay filter and divided into training data and testing data of 90% and 10%. The best ERNN model obtained is 5 input variables, 17 hidden neurons, and 1 output variable. The MAPE value of the training data is 16.18%, so the accuracy is 83.82%. Meanwhile, the MAPE value for the testing data was 15.48%, resulting in an accuracy of 84.52%. Keywords: Elman Recurrent Neural Network, penetration rate, prediction, petroleum, MAPE]]>
