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

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 [email protected] 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 Kemajuan teknologi dan sifat manusia yang cenderung mencari cara termudah serta dibutuhkannya ketelitian dalam menyelesaikan suatu pekerjaan mendorong suatu industri untuk menggunakan aplikasi perangkat lunak tertentu. Industri perminyakan memiliki data produksi sumur minyak bumi yang cukup besar dan akan menimbulkan kesulitan-kesulitan bila dilakukan penganalisaan satu persatu tanpa bantuan suatu media dan teknik yang tepat. Kapasitas produksi minyak bumi yang tidak konstan dari waktu ke waktu berpengaruh terhadap pengambilan kebijakan bagi kelangsungan produksi suatu sumur minyak bumi.

Pada penelitian ini dikembangkan suatu perangkat lunak untuk memprediksi produksi sumur minyak bumi kedepannya menggunakan Algoritma Genetika (Genethic Algorithm). Data yang digunakan adalah data produksi sumur minyak bumi. Algoritma Genetika akan mempelajari pola perubahan produksi sumur minyak bumi dari beberapa satuan waktu sebelumnya sehingga dapat diprediksi produksi sumur minyak bumi pada satuan waktu yang akan datang. Rumusan Masalah Masalah yang akan diselesaikan adalah bagaimana Algoritma Genetika dapat menganalisa data produksi sumur minyak dari beberapa interval waktu sebelumnya sehingga dapat diprediksi produksi sumur minyak bumi untuk waktu yang akan datang serta dapat

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

11


menampilkan hasil analisanya visualisasi dua dimensi.

berupa

Batasan Masalah 1. Teknik penyandian (encoding process) yang digunakan adalah string bit yang dilanjutkan dengan proses penyeleksian menggunakan Seleksi Roda Roulette. Proses penyilangan dilakukan dengan penyilangan satu titik dan dimodifikasi dengan mutasi biner. 2. Analisa data dalam satuan waktu tahun dan prediksi yang dilakukan untuk beberapa tahun kedepan. 3. Data yang digunakan adalah data produksi sumur minyak bumi dan tidak melibatkan data luar seperti data tekanan, data pengaruh gempa, data keuangan dan lain sebagainya.

awal dibangun secara random, sedangkan populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi yang disebut dengan istilah generasi. Pada setiap generasi, kromosom akan melalui proses evolusi dengan menggunakan suatu alat ukur yang disebut nilai fitness. Nilai fitness dari kromosom menunjukkan kualitas kromosom dalam populasi tersebut. Generasi berikutnya dikenal dengan istilah anak (offspring) terbentuk dari gabungan dua kromosom generasi sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator penyilangan (crossover). Selain operator penyilangan, suatu kromosom dapat juga dimodifikasi dengan menggunakan operator mutasi. Populasi generasi yang baru dibentuk dengan cara menyeleksi nilai fitness dari kromosom induk dan nilai fitness dari kromosom anak.

Tujuan Penelitian Komponen Utama Algoritma Genetika adalah: 1. Menganalisa dan mengimplementasi Algoritma Genetika untuk memprediksi produksi sumur minyak bumi di PT X. 2. Menvisualisasikan hasil prediksi produksi sumur minyak bumi hasil dari analisa Algoritma Genetika. 2. LANDASAN TEORI Produksi Minyak Bumi Produksi minyak bumi dalam bidang perminyakan bukan diartikan untuk membuat minyak bumi, tetapi hanyalah membuat fasilitas untuk mengalirkan minyak bumi dari bawah tanah ke atas permukaan tanah, dengan menggunakan pemboran dan pompa-pompa. Algoritma Genetika Algoritma Genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi biologis. Populasi merupakan jumlah solusi yang mungkin. Kromosom merupakan individu yang terdapat dalam satu populasi. Populasi

1. 2. 3. 4. 5.

Teknik penyandian Prosedur Inisialisasi Fungsi Evaluasi Seleksi Operator Genetika (penyilangan dan mutasi biner) 6. Pelestarian kromosom terbaik 7. Penentuan Parameter

Algoritma Genetika untuk Forecasting Algoritma Genetika bertujuan untuk memperkecil error (kesalahan) antara nilai yang sebenarnya dengan nilai hasil prediksi lebih tepatnya untuk memperkecil kesalahan suatu pola. Persamaan fungsi fitness: y’(k+1) = b0’ (k)+b1’x1 (k)+w’e(k), dimana : y x1 e k b0’,b1’,w


= hasil = komponen input = kesalahan / error = pola = parameter perkiraan.

12


Gambar 1. Algoritma Genetika

Objek-objek Java 2D didefinisikan dalam suatu bidang dengan sistem koordinat cartesian. Bidang ini disebut dengan user space ketika objek digambarkan ke layar koordinat user space dikonversikan ke koordinat device space. Device space adalah sistem koordinat yang bergantung pada device yang bervariasi sesuai dengan device-nya. 3. ANALISA DAN PERANCANGAN Kebutuhan Data

Evaluasi mekanisme seleksi fungsi fitness diperoleh dari pola kesalahan pada saat k (error[k]) yaitu antara nilai sebenarnya dengan nilai prediksi pada tiap pola k. error[k] = |y(actual) – y(forecast)| Persentase error : % error[k] = ( |y(actual) – y(forecast)| / y(actual) ) * 100% Pengukuran performa hasil prediksi menggunakan beberapa cara diantaranya : Cumulative sum of Forecast Errors (CFE) n

CFE = ∑ ei i =1

Mean Square Error (MSE) n

MSE =

∑e i =1

2 i

n

Undefied Modeling Language UML dapat membuat model untuk semua jenis aplikasi piranti lunak, dimana aplikasi tersebut dapat berjalan pada piranti keras, sistem operasi dan jaringan apapun, serta ditulis dalam bahasa pemrograman apapun. Visualisasi Dua Dimensi dengan API Java 2D

Data yang dibutuhkan adalah data produksi sumur minyak bumi. Data yang digunakan merupakan data sekunder pada PT.X. Analisa Penyelesaian Masalah Langkah awal dimulai dengan memilih salah satu variabel yang ada pada sumur minyak bumi misalkan minyak. Data minyak dikelompokkan dalam beberapa kelompok(pola). Sebelum dipolakan terlebih dahulu dicari jarak tahun dasar dengan tahun terakhir pada data actual. Tujuannya inputan jumlah tahun dalam satu pola tidak melebihi jumlah total tahun yang ada. Ketahui jumlah tahun dalam satu pola sesuai dengan keinginan yang diinputkan pengguna dan tidak melebihi dari maksimum data actual yang ada. Setiap pola jumlahkan data yang ada sehingga didapat total nilai perpola. Penyelesaian berikutnya dilanjutkan dengan Algoritma Genetika. Inisialisasi kromosom merupakan langkah awal dari Algoritma Genetika untuk membangkitkan kromosom secara random. Setelah dilakukan inisialisasi kromosom selanjutnya menghitung nilai prediksi sesuai dengan persamaan fungsi fitness. Selanjutnya hitung error dengan maksimal selisih error yang ditetapkan. Jika selisih error lebih kecil dari maksimal selisih yang ditetapkan maka didapatlah kromosom yang terbaik pada


13


kelompok pertama. kemudian diseleksi.

Kromosom

terbaik

Seleksi roda roulette diawali dengan menghitung total fitness. Setelah didapat fitness relatif dilanjutkan dengan fitness kumulatif. Pencarian kromosom terbaik dengan membandingkan bilangan random (r) dengan fitness kumulatif. Proses selanjutnya penyilangan kromosom dengan penyilangan satu titik. Kromosom hasil penyilangan digunakan untuk proses selanjutnya yaitu mutasi biner. Mutasi biner dilakukan dengan memilih bit pada kromosom yang akan dimutasi. Kromosom hasil mutasi biner digunakan pada proses selanjutnya yaitu pelestarian kromosom terbaik

Analisa Pengembangan Sistem Sistem ini akan dibangun dengan pendekatan berorientasi objek (obejct oriented) yang merupakan penerapan dari konsep UML (unified modeling language). Pengembangan object oriented dilakukan dengan system tools dari Rational Rose. Bahasa pemrograman yang akan dipakai untuk mengembangkan sistem ini adalah bahasa pemrograman Java. Analisa Model Data Data yang dibutuhkan dalam pembuatan sistem ini yaitu data sumur minyak bumi (well production data), data proyek (well list), data hasil eksekusi (ga result), data historis uji (performance), data error sementara (temperror), data login. Perancangan Perangkat Lunak

Pelestarian kromosom terbaik dilakukan dengan menggantikan kromosom yang kurang fit dengan kromosom terbaik pada awal populasi Kromosom hasil pelestarian digunakan untuk proses pengulangan kedua sehingga dihasilkan error yang kecil dari maksimum selisih yang ditetapkan. Jika telah ditemukan maka dilanjutkan untuk pola ke dua. Pola kedua dan seterusnya dilakukan pengulangan proses dari proses inisialisasi kromosom sampai pelestarian kromosom untuk menemukan error yang kecil dari maksimal selisih yang ditetapkan. Proses penyelesaian untuk variabel yang lain sama seperti proses penyelesaian untuk variabel minyak. Langkah yang dilakukan hanya dengan menggantikan variabel yang ingin dianalisa. Penganalisaan data dengan Algoritma Genetika untuk sumur minyak bumi yang lain proses penyelesaiannya sama seperti proses penyelesaian untuk sumur minyak bumi sebelumnya.

Perancangan perangkat lunak meliputi perancangan tabel dan antar muka. Tabel-tabel yang dirancang yaitu tabel Well Production, tabel Well List, tabel GA Result, tabel Performance, tabel TempError, tabel Login. Gambar 2. Perancangan antar muka eksekusi Algoritma Genetika.

4. IMPLEMENTASI DAN PENGUJIAN Implementasi Metode Algoritma Genetika yang digunakan mengolah data dan menghasilkan nilai prediksi beberapa tahun kedepan dari data produksi yang ada. Hasil prediksi kemudian divisualisasikan dalam bentuk chart dua dimensi.


14


Form Execute GA berfungsi sebagai dialog sistem untuk mengolah data produksi sumur minyak bumi menggunakan Algoritma Genetika.

Gambar 4. Line chart hasil pengujian data pembanding

Implementasi Antarmuka Antar muka yang telah dirancang diimplementasikan menggunakan bahasa pemograman java. Gambar 3. Implementasi Antarmuka

Gambar 5. Hasil pengujian data pembanding dalam bentuk bar chart

Analisis Hasil Pengujian Metode Pengujian metode dilakukan dengan dua cara yaitu pengujian data pembanding dan pengujian parameter. Pengujian Data Pembanding Pengujian data pembanding dilakukan dengan menggunakan sebagian data actual dari sebuah variabel suatu sumur minyak bumi. Data yang ada dimulai tahun 1985 sampai 2005. Data actual dari tahun 1985 sampai 2000 digunakan untuk fase pembelajaran. Data actual dari tahun 2001 sampai 2005 digunakan sebagai data pembanding dengan nilai prediksi yang dihasilkan. Rata-rata error yang dihasilkan kurang dari 7 %. Bahkan pada tahun-tahun tertentu error yang dihasilkan kurang dari 4 - 3 %. Dari gambar 4, terlihat dari grafik nilai prediksi pada fase pembelajaran mendekati data actual sesuai tahun yang dipelajari. Hasil pengujian data pembanding dalam bentuk bar chart ditunjukkan pada gambar 5.

Pengujian Parameter Pertama dilakukan pengujian dengan nilai inputan parameter yang sama. Eksekusi dilakukan dua kali yaitu tahap I dan tahap II dengan inputan parameter yang sama. Dari dua kali eksekusi terjadi perbedaan antara nilai prediksi tahap I dengan tahap II. Nilai error pada fase pembelajaran juga menunjukkan perbedaan antara tahap I dan tahap II. Ini menunjukkan bahwa Algoritma Genetika tidak memberikan hasil yang konstan walaupun dengan inputan parameter yang sama. Pengujian selanjutnya dilakukan dengan menginputkan nilai parameter yang berbeda dari nilai parameter yang ada sebelumnya. Dari dua kali eksekusi dengan inputan parameter yang berbeda terjadi perbedaan antara nilai prediksi tahap I dengan tahap II. Ini menunjukkan bahwa dengan inputan parameter yang berbeda Algoritma Genetika juga tidak memberikan hasil yang konstan.


15


Kesimpulan Pengujian Nilai prediksi pada fase pembelajaran mendekati nilai actual. Ini ditunjukkan dengan kecilnya rata-rata error yang dihasilkan. Ratarata error yang dihasilkan pada fase pembelajaran < 5 % dan rata-rata error yang dihasilkan untuk perbandingan data actual < 10 %. Hasil prediksi yang dihasilkan dari Algoritma Genetika tidak selalu konstan dengan nilai yang diperoleh pada setiap eksekusi (run). Kejadian ini disebabkan penggunaan bilangan random. Hasil prediksi yang di tampilkan dalam bentuk grafik akan memperlihatkan kenaikan atau penurunan nilai produksi untuk beberapa tahun kedepan dari data produksi yang ada.

Knudsen, Jonathan, Java 2D Graphics, USA : O’Relly & Associates.Inc, 1999 Kusumadewi, Sri, Artificial Intelligence: Teknik dan Aplikasinya, Yogyakarta: Graha Ilmu, 2003. Munadi, Suprajitno, Hasto Widodo, Bambang Widarsono, Fakhriyadi Saptono, Cara untuk Menentukan Kandungan Minyak/Gas Bumi di Sekitar Sumur Pengeboran dengan Memakai Impedansi Akustik yang dikalibrasi, Jakarta : Jurnal LEMIGAS No. 025.676, 2000. Sumayang, Lalu, Dasar-Dasar Manajemen Produksi Dan Operasi, Jakarta: Salemba Empat, 2003.

5. KESIMPULAN Algoritma Genetika tidak memberikan suatu nilai prediksi yang konstan. 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. Hasil prediksi bisa divisualisasikan dalam bentuk line chart, dan bar chart.

DAFTAR PUSTAKA Chiraphadhanakul, Somsong, Pattern Extracting Engine Using Genetic Algorithms. Bangkok - Thailand: Jurnal Assumption University, 1997 Dharwiyanti Sri, Pengantar Unified Modeling Pengantar Unified Modeling Language (UML), Ilmu Komputer, 2003. Hermawan, Benny, Menguasai Java2 & Object Oriented Programming, Yogyakarta: Andi, 2004.


16

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

Recommend Documents