LPPM Politeknik Bengkalis

PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK VISUALISASI
DUA DIMENSI WELL PRODUCTION FORECASTING
DENGAN GENETIC ALGORITHM

Danuri
Teknologi Informasi Politeknik Bengkalis
Jl. Bathin Alam, Sei-Alam, Bengkalis -Riau
dhony@polbeng.ac.id

Abstrak
Minyak bumi merupakan sumber energi dan pendapatan terbesar bagi manusia. Produksi yang
berubah-ubah mendorong manusia melakukan perhitungan yang tepat dalam memprediksi produksi
minyak bumi untuk waktu yang akan datang. Pada penelitian ini dibuat sebuah perangkat lunak
menggunakan metode Algoritma Genetika yang dirancang menggunakan konsep UML dan
diimplementasikan dengan bahasa pemograman java serta database MySQL. Teknik penyandian
yang digunakan dalam Algoritma Genetika adalah string bit dilanjutkan dengan proses
penyeleksian menggunakan Seleksi Roda Roulette. Proses penyilangan dilakukan dengan
penyilangan satu titik dan dimodifikasi dengan mutasi biner. Data yang digunakan adalah data
produksi sumur minyak bumi yang terdiri dari data produksi minyak bumi, air, gas dan tidak
melibatkan data luar, seperti data tekanan, data gempa bumi, data keuangan dan lain sebagainya.
Data tersebut dianalisa menggunakan Algoritma Genetika sehingga dihasilkan nilai prediksi
beberapa tahun kedepan. Nilai prediksi divisualisasikan dalam bentuk dua dimensi yaitu line chart
dan bar chart. Algoritma Genetika menghasilkan nilai prediksi yang tidak konstan. Rata-rata error
yang dihasilkan pada tahap pembelajaran kurang dari 5 % dan rata-rata error yang dihasilkan
setelah membandingkan dengan data actual kurang dari 10%.

Kata kunci : algoritma genetika, chart, java, nilai actual, nilai prediks

1. PENDAHULUAN Pada penelitian ini dikembangkan suatu
perangkat lunak untuk memprediksi produksi
Kemajuan teknologi dan sifat manusia yang sumur minyak bumi kedepannya
cenderung mencari cara termudah serta menggunakan Algoritma Genetika (Genethic
dibutuhkannya ketelitian dalam menyelesaikan Algorithm). Data yang digunakan adalah data
suatu pekerjaan mendorong suatu industri produksi sumur minyak bumi. Algoritma
untuk menggunakan aplikasi perangkat lunak Genetika akan mempelajari pola perubahan
tertentu. produksi sumur minyak bumi dari beberapa
satuan waktu sebelumnya sehingga dapat
Industri perminyakan memiliki data produksi diprediksi produksi sumur minyak bumi pada
sumur minyak bumi yang cukup besar dan satuan waktu yang akan datang.
akan menimbulkan kesulitan-kesulitan bila
dilakukan penganalisaan satu persatu tanpa Rumusan Masalah
bantuan suatu media dan teknik yang tepat.
Masalah yang akan diselesaikan adalah
Kapasitas produksi minyak bumi yang tidak bagaimana Algoritma Genetika dapat
konstan dari waktu ke waktu berpengaruh menganalisa data produksi sumur minyak dari
terhadap pengambilan kebijakan bagi beberapa interval waktu sebelumnya sehingga
kelangsungan produksi suatu sumur minyak dapat diprediksi produksi sumur minyak bumi
bumi. untuk waktu yang akan datang serta dapat

Disampaikan Pada Seminar Nasional Industri dan Teknologi [SNIT] 2008 11
Bengkalis, 03-04 Desember 2008

kromosom akan melalui proses 1. Algoritma Genetika Algoritma Genetika adalah algoritma dimana : y = hasil x1 = komponen input pencarian heuristik yang didasarkan atas mekanisme evolusi biologis. Seleksi Algoritma Genetika. yang terdapat dalam satu populasi. Teknik penyandian (encoding process) evolusi dengan menggunakan suatu alat ukur yang digunakan adalah string bit yang yang disebut nilai fitness. sedangkan visualisasi dua dimensi. Menganalisa dan mengimplementasi Algoritma Genetika untuk memprediksi 1. Penentuan Parameter Produksi Minyak Bumi Algoritma Genetika untuk Forecasting Produksi minyak bumi dalam bidang perminyakan bukan diartikan untuk membuat Algoritma Genetika bertujuan untuk minyak bumi. dari kromosom induk dan nilai fitness dari kromosom anak.b1’. 03-04 Desember 2008 . penyilangan satu titik dan dimodifikasi Generasi berikutnya dikenal dengan istilah dengan mutasi biner. LANDASAN TEORI 6. dilanjutkan dengan proses penyeleksian menggunakan Seleksi Roda Roulette. dengan lebih tepatnya untuk memperkecil kesalahan suatu pola.w = parameter mungkin. Tujuan Penelitian Komponen Utama Algoritma Genetika adalah: 1. Persamaan fungsi fitness: menggunakan pemboran dan pompa-pompa. Selain 3. anak (offspring) terbentuk dari gabungan dua 2. 5. 2. Populasi Disampaikan Pada Seminar Nasional Industri dan Teknologi [SNIT] 2008 12 Bengkalis. LPPM Politeknik Bengkalis menampilkan hasil analisanya berupa awal dibangun secara random. Data yang digunakan adalah data produksi operator penyilangan. operator penyilangan (crossover). Fungsi Evaluasi sumur minyak bumi hasil dari analisa 4. Menvisualisasikan hasil prediksi produksi 3. populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi yang Batasan Masalah disebut dengan istilah generasi. Pada setiap generasi. Analisa data dalam satuan waktu tahun dan kromosom generasi sekarang yang bertindak prediksi yang dilakukan untuk beberapa sebagai induk (parent) dengan menggunakan tahun kedepan. Teknik penyandian produksi sumur minyak bumi di PT X. Nilai fitness dari kromosom menunjukkan Proses penyilangan dilakukan dengan kualitas kromosom dalam populasi tersebut. data operator mutasi. Operator Genetika (penyilangan dan mutasi biner) 2. tetapi hanyalah membuat memperkecil error (kesalahan) antara nilai fasilitas untuk mengalirkan minyak bumi dari yang sebenarnya dengan nilai hasil prediksi bawah tanah ke atas permukaan tanah. y’(k+1) = b0’ (k)+b1’x1 (k)+w’e(k). Pelestarian kromosom terbaik 7. suatu kromosom dapat sumur minyak bumi dan tidak melibatkan juga dimodifikasi dengan menggunakan data luar seperti data tekanan. e = kesalahan / error k = pola Populasi merupakan jumlah solusi yang b0’. Populasi generasi yang baru pengaruh gempa. Prosedur Inisialisasi 2. Kromosom merupakan individu perkiraan. data keuangan dan lain dibentuk dengan cara menyeleksi nilai fitness sebagainya.

Tujuannya inputan jumlah tahun dalam satu pola tidak melebihi n jumlah total tahun yang ada.X. Selanjutnya hitung error dengan maksimal selisih error Visualisasi Dua Dimensi dengan API Java yang ditetapkan. error[k] = |y(actual) – y(forecast)| Analisa Penyelesaian Masalah Persentase error : Langkah awal dimulai dengan memilih salah % error[k] = ( |y(actual) – y(forecast)| / y(actual) ) * satu variabel yang ada pada sumur minyak 100% bumi misalkan minyak. aplikasi piranti lunak. LPPM Politeknik Bengkalis Gambar 1. merupakan data sekunder pada PT. 3. dimana aplikasi tersebut dapat berjalan pada piranti keras. Objek-objek Java 2D didefinisikan dalam Algoritma Genetika suatu bidang dengan sistem koordinat cartesian. Penyelesaian berikutnya dilanjutkan dengan MSE = i =1 n Algoritma Genetika. Data yang digunakan nilai prediksi pada tiap pola k. sistem Setelah dilakukan inisialisasi kromosom operasi dan jaringan apapun. Setiap pola jumlahkan data yang ada ∑e 2 i sehingga didapat total nilai perpola. dengan persamaan fungsi fitness. Sebelum dipolakan terlebih dahulu dicari jarak tahun dasar dengan tahun Cumulative sum of Forecast Errors (CFE) terakhir pada data actual. Undefied Modeling Language Inisialisasi kromosom merupakan langkah awal dari Algoritma Genetika untuk UML dapat membuat model untuk semua jenis membangkitkan kromosom secara random. 03-04 Desember 2008 . ANALISA DAN PERANCANGAN Kebutuhan Data Evaluasi mekanisme seleksi fungsi fitness diperoleh dari pola kesalahan pada saat k Data yang dibutuhkan adalah data produksi (error[k]) yaitu antara nilai sebenarnya dengan sumur minyak bumi. Device space adalah sistem koordinat yang bergantung pada device yang bervariasi sesuai dengan device-nya. Jika selisih error lebih kecil 2D dari maksimal selisih yang ditetapkan maka didapatlah kromosom yang terbaik pada Disampaikan Pada Seminar Nasional Industri dan Teknologi [SNIT] 2008 13 Bengkalis. Pengukuran performa hasil prediksi Data minyak dikelompokkan dalam beberapa menggunakan beberapa cara diantaranya : kelompok(pola). CFE = ∑ ei i =1 Ketahui jumlah tahun dalam satu pola sesuai dengan keinginan yang diinputkan pengguna Mean Square Error (MSE) dan tidak melebihi dari maksimum data actual n yang ada. Bidang ini disebut dengan user space ketika objek digambarkan ke layar koordinat user space dikonversikan ke koordinat device space. serta ditulis selanjutnya menghitung nilai prediksi sesuai dalam bahasa pemrograman apapun.

sebelumnya. Pencarian kromosom terbaik object oriented dilakukan dengan system tools dengan membandingkan bilangan random (r) dari Rational Rose. terbaik Perancangan Perangkat Lunak Pelestarian kromosom terbaik dilakukan dengan menggantikan kromosom yang kurang Perancangan perangkat lunak meliputi fit dengan kromosom terbaik pada awal perancangan tabel dan antar muka. data proyek (well list). tabel GA Result. Kromosom terbaik Analisa Pengembangan Sistem kemudian diseleksi. tabel Well List. Bahasa pemrograman dengan fitness kumulatif. Kromosom Analisa Model Data hasil penyilangan digunakan untuk proses selanjutnya yaitu mutasi biner. Pengembangan kumulatif. dilanjutkan untuk pola ke dua. Disampaikan Pada Seminar Nasional Industri dan Teknologi [SNIT] 2008 14 Bengkalis. Sistem ini akan dibangun dengan pendekatan Seleksi roda roulette diawali dengan berorientasi objek (obejct oriented) yang menghitung total fitness. data login. Proses penyelesaian untuk variabel yang lain sama seperti proses penyelesaian untuk variabel minyak. 03-04 Desember 2008 . data historis uji Kromosom hasil mutasi biner digunakan pada (performance). Hasil prediksi kemudian divisualisasikan dalam bentuk chart dua dimensi. data pada kromosom yang akan dimutasi. Langkah yang dilakukan hanya dengan menggantikan variabel yang 4. IMPLEMENTASI DAN PENGUJIAN ingin dianalisa. Jika telah ditemukan maka Perancangan antar muka eksekusi Algoritma Genetika. tabel TempError. Proses selanjutnya penyilangan kromosom dengan penyilangan satu titik. Implementasi Metode Penganalisaan data dengan Algoritma Genetika untuk sumur minyak bumi yang lain Algoritma Genetika yang digunakan mengolah proses penyelesaiannya sama seperti proses data dan menghasilkan nilai prediksi beberapa penyelesaian untuk sumur minyak bumi tahun kedepan dari data produksi yang ada. proses pengulangan kedua sehingga dihasilkan error yang kecil dari maksimum selisih yang Gambar 2. LPPM Politeknik Bengkalis kelompok pertama. hasil eksekusi (ga result). tabel Kromosom hasil pelestarian digunakan untuk Performance. Pola kedua dan seterusnya dilakukan pengulangan proses dari proses inisialisasi kromosom sampai pelestarian kromosom untuk menemukan error yang kecil dari maksimal selisih yang ditetapkan. data error sementara proses selanjutnya yaitu pelestarian kromosom (temperror). yang akan dipakai untuk mengembangkan sistem ini adalah bahasa pemrograman Java. ditetapkan. Data yang dibutuhkan dalam pembuatan sistem ini yaitu data sumur minyak bumi (well Mutasi biner dilakukan dengan memilih bit production data). Tabel-tabel populasi yang dirancang yaitu tabel Well Production. Setelah didapat merupakan penerapan dari konsep UML fitness relatif dilanjutkan dengan fitness (unified modeling language). tabel Login.

menunjukkan perbedaan antara tahap I dan tahap II. 03-04 Desember 2008 . LPPM Politeknik Bengkalis Form Execute GA berfungsi sebagai dialog Gambar 4. Pengujian selanjutnya dilakukan dengan menginputkan nilai parameter yang berbeda Rata-rata error yang dihasilkan kurang dari 7 dari nilai parameter yang ada sebelumnya. Data yang error pada fase pembelajaran juga ada dimulai tahun 1985 sampai 2005. Pengujian Data Pembanding Eksekusi dilakukan dua kali yaitu tahap I dan tahap II dengan inputan parameter yang sama. Gambar 5. sistem untuk mengolah data produksi sumur Line chart hasil pengujian data pembanding minyak bumi menggunakan Algoritma Genetika. Hasil parameter yang berbeda Algoritma Genetika pengujian data pembanding dalam bentuk bar juga tidak memberikan hasil yang konstan. Implementasi Antarmuka Antar muka yang telah dirancang diimplementasikan menggunakan bahasa pemograman java. Pengujian data pembanding dilakukan dengan Dari dua kali eksekusi terjadi perbedaan antara menggunakan sebagian data actual dari sebuah nilai prediksi tahap I dengan tahap II. sebagai data pembanding dengan nilai prediksi yang dihasilkan. terlihat dari grafik nilai antara nilai prediksi tahap I dengan tahap II. Nilai variabel suatu sumur minyak bumi. chart ditunjukkan pada gambar 5. Dari dua kali eksekusi dengan inputan parameter yang berbeda terjadi perbedaan Dari gambar 4. Disampaikan Pada Seminar Nasional Industri dan Teknologi [SNIT] 2008 15 Bengkalis.3 %. Hasil pengujian data pembanding dalam bentuk bar Implementasi Antarmuka chart Analisis Hasil Pengujian Metode Pengujian Parameter Pengujian metode dilakukan dengan dua cara yaitu pengujian data pembanding dan Pertama dilakukan pengujian dengan nilai pengujian parameter. inputan parameter yang sama. %. Bahkan pada tahun-tahun tertentu error yang dihasilkan kurang dari 4 . prediksi pada fase pembelajaran mendekati Ini menunjukkan bahwa dengan inputan data actual sesuai tahun yang dipelajari. Data walaupun dengan inputan parameter yang actual dari tahun 2001 sampai 2005 digunakan sama. Gambar 3. Ini menunjukkan bahwa Algoritma Data actual dari tahun 1985 sampai 2000 Genetika tidak memberikan hasil yang konstan digunakan untuk fase pembelajaran.

03-04 Desember 2008 . Sumayang. Lalu. Jonathan. 5. Kusumadewi. Ini ditunjukkan dengan kecilnya rata-rata error yang dihasilkan. penurunan nilai produksi untuk beberapa tahun kedepan dari data produksi yang ada. Jakarta: Salemba grafik akan memperlihatkan kenaikan atau Empat. Menguasai Java2 & Object Oriented Programming. Cara untuk Hasil prediksi yang dihasilkan dari Algoritma Menentukan Kandungan Minyak/Gas Bumi di Genetika tidak selalu konstan dengan nilai Sekitar Sumur Pengeboran dengan Memakai yang diperoleh pada setiap eksekusi (run). KESIMPULAN Algoritma Genetika tidak memberikan suatu nilai prediksi yang konstan. 025. Hasto Widodo. Java 2D Graphics. Suprajitno. Yogyakarta: Graha pembelajaran < 5 % dan rata-rata error yang Ilmu. Hasil prediksi bisa divisualisasikan dalam bentuk line chart. Sri. 1999 mendekati nilai actual. USA : Nilai prediksi pada fase pembelajaran O’Relly & Associates. Disampaikan Pada Seminar Nasional Industri dan Teknologi [SNIT] 2008 16 Bengkalis.676. Bambang Widarsono. Somsong. Hermawan. Rata. random. Dasar-Dasar Manajemen Hasil prediksi yang di tampilkan dalam bentuk Produksi Dan Operasi. LPPM Politeknik Bengkalis Kesimpulan Pengujian Knudsen. Bangkok . DAFTAR PUSTAKA Chiraphadhanakul. Ilmu Komputer. Impedansi Akustik yang dikalibrasi. Pattern Extracting Engine Using Genetic Algorithms. 1997 Dharwiyanti Sri. Benny. dan bar chart.Thailand: Jurnal Assumption University. Fakhriyadi Saptono. Yogyakarta: Andi. Jakarta : Kejadian ini disebabkan penggunaan bilangan Jurnal LEMIGAS No.Inc. 2003. 2000. 2004. Ini disebabkan Algoritma Genetika menggunakan bilangan random dalam mencari nilai terbaik Perangkat lunak yang telah dibuat ini bisa memprediksi produksi sumur minyak bumi untuk beberapa tahun kedepan. dihasilkan untuk perbandingan data actual < 10 %. 2003. Munadi. 2003. Artificial Intelligence: rata error yang dihasilkan pada fase Teknik dan Aplikasinya. Pengantar Unified Modeling Pengantar Unified Modeling Language (UML).