· pdf filesylvan ramadanel abdinni (12206001), semester ii 2010/2011 page 1 penentuan...

Sylvan Ramadanel Abdinni (12206001), Semester II 2010/2011

Penentuan Ketidakpastian Kuantitatif dan Kualitatif Parameter PVT Menggunakan Metode Design of Experimental& Multiple Linear Regression untuk Perhitungan IGIP dengan Material Balance pada

Lapangan X

Sylvan Ramadanel Abdinni *

Ir. Tutuka Ariadji, M.Sc.,Ph.D.**

Sari

Ketidakpastian data komposisi C1-C7 menyebabkan ketidakpastian berbagai parameter data PVT seperti Boi, Bgi, dan Rs

Langkah awal yang dilakukan pada paper ini adalah dengan menentukan estimasi IGIP yang cocok dengan history matching antara tekanan terhadap waktu pada lapangan X dengan menggunakan prinsip material balance. Setelah ditemukan kecocokan antara perolehan IGIP material balance dengan simulasi reservoir maka diperoleh base case perhitungan IGIP pada lapangan tersebut. Selanjutnya base case tersebut akan diuji senstivitasnya dengan merubah parameter PVT agar diketahui kelakuan tiap parameter tersebut terhadap IGIP. Prosesnya adalah dengan memasukkan data uji sensitivitas tersebut kedalam kedua metode DOE dan MLR.Pada akhirnya dengan menggunakan metode Multiple Linear Regression dan Design of Experimental, makatelah ditentukan besarnya pengaruh B

. Ketidakpastian ini berdampak pada ketidakpastian estimasi nilai IGIP di segmen 1&2 pada lapangan X. Paper ini bertujuan menentukan tingkat ketidakpastian ketiga parameter PVT tersebut dengan menggunakan metode DOE (Design of Experiments) dan MLR (Multiple Linear Regression) terhadap estimasi IGIP berdasarkan perhitungan material balance. Paperini juga sebagai studi tambahan dalam menentukan nilai data PVT yang tepat pada lapangan ini.

oi, Bgi, dan Rs terhadap estimasi IGIP pada setiap segmen. Hasil yang diperoleh dari uji tersebut adalah bahwa parameter Boi merupakan parameter yang paling besar tingkat ketidakpastiannya, yang dilanjutkan dengan Bgi dan Rs. Namun pada segmen 3 parameter Rs lebih besar tingkat ketidakpastiannya dibandingkan Bgi

Abstract

. Selain itu juga dari kedua metode tersebut telah dihasilkan persamaan proxi untuk perhitungan IGIP.Pada akhirnya, telah ditentukan kisaran P10, P50, dan P90 estimasi IGIP pada Lapangan X. Nantinya kisaran ini dapat digunakan sebagai studi lanjutan guna menentukan parameter PVT pada lapangan ini.

The uncertenties composition of C1-C7 cause uncertainties of each paramaters form the PVT data, such as Boi, Bgi, andRs, These uncertainties also causes an effect while estimating the Initial Gas In Place (IGIP) at X-field especially at segment 1 and 2. The objective of this paper is to define each uncertainties level caused by each PVT parameter, contrasting each parameter PVT in this case Boi, Bgi, andRs

First single step to purpose this objective is to match the history matching pressure against time by using material balance, by having this done we could have the correct IGIP. Then after we having this done, check on the IGIP estimations comparing it with the reservoir simulation, then we can colclude if we have had the right estimation to begin with the base case. Afterwards with the base case, we do several sensitivity tests by changing its R

. For that, by using 2 different kinds of method and by comparing each conclusion we have indentified and defined the cause of each parameter and itslevel of uncertainty towards the IGIP estimation.

s, Boi, and Bgi we could have samples to be used into the both methods which are DOE and MLRto identify the level of uncertainties of each PVT parameters towards its effect on estimating the IGIP for each segment. The results that we get explains that Boi,has the highest uncertainty level comparing to other PVT parameter. But at the 3rd segment we have Rs at the second place on its value of level uncertainty, then Bgi

. Not only that we also construct a proxy equation to calculate IGIP. At the end we also could have the value for each P 10, P 50, and P90 estimaiton of IGIP at X-field. Furthermore this range will be used as a continuous study to estimate the exact PVT on this field

*) Mahasiswa Program Studi Teknik Perminyakan – Institut Teknologi Bandung


**) Dosen Pembimbing Program Studi Teknik Perminyakan – Institut Teknologi Bandung

PENDAHULUAN

Latar Belakang

Lapangan X yang dikaji terletak di blok Natuna. Lapangan ini terbagi menjadi 2 daerah utama, yaitu Main dan South.Namun, perlu diketahui, peninjauan studi pada paper ini hanya difokuskan pada daerah Main saja, hal ini dikarenakan permasalahan yang dikaji hanya terdapat pada daerah tersebut. Oleh karena itu, daerah South tidak akan dibahas pada paper ini. Skematik lapangan X yang dikaji dapat dilihat pada (Gambar. 1).

Peninjauan studi yang dilakukan mengikutsertakan proses, analisa, dan hasil secara keseluruhan daerah Main tersebut serta tiap segmen yang terdapat di dalamnya. Perlu diketahui pula, studi yang dipaparkan pada paper ini merupakan studi lanjutan dari studi-studi yang sudah dilakukan sebelumnya.Oleh karena itu, langkah awalnya adalah dengan mengumpulkan data-data yang ada, dan mengambil analisa serta kesimpulan dari studi sebelumnya.

Berikut akan diterangkan perjalanan studi simulasi yang telah dilakukan pada lapangan ini, serta permasalahan-permasalahan yang akan ditelaah pada paper ini.Bagan Flowchart studi simulasi dan permasalahannya dapat dilihat pada (Gambar. 2).

Sejarah Studi Simulasi yang Dilakukan

Pada awalnya studi ini memperhitungkan In place lapangan X dengan metode volumetricdaristudi GGR (Geology Geophysics Reservoir). Dari studi ini diperoleh IGIP sebesar 198 BSCF dan IOIP sebesar 128 MMSTB.Setelah itu dilakukan pembuatan geomodel dari penambahan data dari sumur eksplorasi,sehingga diperoleh model statik yang selanjutnya dimasukkan dalam simulasi reservoir statik. Perhitungan In Place dari simulasi reservoir tersebut diperoleh IGIPsebesar 160 BSCF dan IOIP sebesar 105 MMSTB. Untuk memvalidasi perolehan ini maka diuji dengan menggunakan Material Balance.Hasil dari Material Balance menunjukkan hasil yang serupa yaitu dengan IGIP sebesar 161 BSCF dan IOIP sebesar 104 MMSTB.

Setelah tervalidasinya nilai estimasi IGIP dan IOIP, maka dilakukan pembagian segmen.Pembagian

segmen ini dilakukan karena adanya sealing fault yang membagi daerah Main tersebut menjadi 4 bagian.Ke-empat segmen yang terdapat pada daerah Main dapat di lihat pada (Gambar. 3).Setelah diperoleh model dengan 4 segmen tersebut, maka model statik dari simulasi reservoir tersebut dijadikan model dinamik dengan cara dieksport ke dalam simulasireservoir dinamik. Namun, segmen 1 dan 2 yang terpisah digabungkan menjadi satu kesatuan, hal ini dikarenakan adanya sumur produksi (sumur no.6) yang berproduksi dari segmen 1 dan 2.Alasan penggabungan kedua segmen tersebut dikarenakan tidak dapat mengalokasikan asal produksi hidrokarbon dan air dari sumur 6.

Permasalahan

Permasalahan muncul ketika perolehan estimasi peninjauan IGIP dilakukan persegmen.Khusunya yang terjadi pada segmen 1&2.Perolehan estimasi IGIP pada segmen 1&2 ternyata kurang dari total kumulatif produksi gas yang sudah berproduksi sejak tahun 1995 hingga Februari 2010. Baik dari model statik dan dinamik diperoleh nilai IGIP untuk segmen 1&2 seebesar 90 BSCF, sedangkan total produksi komulatif gas telah mencapai sebesar 120 BSCF.

Berawal dari permasalahan inilah maka perlu diketahui secara tepat pembagian In place pada tiap segmen yang ada. Setelah dianalisamenggunakan simulasi reservoir ternyata segmen 3 diperoleh profil tekanan terhadap waktu yang masih belum matching secara tepat, sedangkan segmen 1&2 cenderung berada di bawah profil tekanan terhadap waktu. Profil tekanan terhadap waktu dapat dilihat pada (Gambar. 4).Dari sinilah diindikasikan adanya kelebihan GasIn place pada segmen 3, dan kurangnya GasIn place untuk segmen 1&2.

Selanjutnya studi dilanjutkan dengan menggunakan simulasi reservoir dinamik agar memperoleh estimasi IGIP yang tepat pada tiap segmennya. Studi dilakukan dengan cara merubah komposisi C1-C7. Komposisi akhir yang digunakan dapat dilihat pada (Gambar. 6).Pada gambar tersebut juga dapat dilihat hasil tingkat kecocokan parameter PVT yang diperoleh terhadap studi experiments observation.Dengan melakukan uji perubahan komposisi komponen tersebut, maka diperoleh hasil yang matchingantara tekanan


terhadap waktu, denganperolehan IGIP untuk segmen 1&2 sebesar 130 BSCF, segmen 3 sebesar 15.81 BSCF dan Segmen 4 sebesar 16.07 BSCF. Hasil matching grafik tekanan terhadap waktu dapat di lihat pada (Gambar. 5).Namun,walaupun diperoleh hasil matching yang cocok antara tekanan terhadap waktu, tetapi tidak untuk hasil matching PVT tersebut terhadap terhadap experiments data observationPVT (Gambar. 6), oleh karena itu perlu ditinjau ulang parameter PVT tersebut.

Pola studi matching data PVT dapat dilihat pada flow chart di bawah ini :

Pada awalnya diperoleh set data PVT, setelah itu dilakukan inisialisasi, namun apabila nilai in place tidak cocok dengan yang diharapkan maka data PVT akan dimodifikasi ulang. Setelah, diperoleh nilai In Place yang cocok, maka dilanjutkan dengan history matching. Apabila History matching tidak dapat diperoleh kecocokan maka proses akan kembali dengan melakukan modifikasi data PVT. Namun permasalahan yang muncul adalah ternyata data PVT yang dihasilkan tidak diperoleh kecocokan dengan hasil studi observation.Namun pada history matchingplot grafik terkanan terhadap waktu sudah cocok, oleh karena itu permasalahan tersebut perlu ditinjau lebih lanjut.Dari hasil studi ini ada kemungkinan salahnya pengambilan sampel pada uji lab, sehingga menyebabkan ketidakpastian tersebut.

Pada paper ini akan dibahas mengenai tingkat ketidakpastian parameter PVT pada lapangan X. Sehingga dapat dijadikan studi penambah, pembanding guna menentukan kisaran dan pengaruh tiap parameter PVT terhadap perolehan IGIP.

Ruang Lingkup Kajian

Perubahan komposisi C1-C7 yang dilakukan dalam simulasi reservoir tersebut pada akhirnya dapat dihasilkandata-data PVT terbaru seperti Boi, Bgi, Rs,. Namun nilai Rs, Boi, dan Bgi masih belum match dengan experiements observation, oleh karena itu perlumemvalidasi perolehan Boi, Bgi, dan Rs tersebut. Proses validasi ini dapat di-over checked dengan dilakukannya studi mengenai tingkat ketidakpastian parameter Boi, Bgi, dan Rs terhadap perolehan IGIP. Peninjauan dan hasil akhir dari Studiinilah yangdipaparkanpada paper ini.Dari hasil tersebut dapat diperolehnya persamaan proxi untuk menghitung IGIP pada Lapangan X. Perhitungan estimasi IGIP tersebut nantinya hanya memerlukan parameter Rs, Boi,dan Bgi

Untuk memvalidasi perolehan IGIP dari simulasi reservoir sebelumnya, maka pada paper ini akan dibandingkan pula perolehan IGIP hasil run silmulasi reservoir dengan menggunakan software material balance.

saja. Selain mendapatkan persamaan proxi perhitungan IGIP, studi ini juga dapat memberitahukan atau menginformasikan parameter PVT apa saja yang berpengaruh paling besar, signifikan hingga tidak signifikan terhadap perolehan IGIP. Selain itu hasil dari studi ini dirangkum dan dijadikan constraint terhadap data PVT yang akan dihasilkan gunamenemukan kecocokan data PVT terhadap studi experiments observation.

Validasi menggunakan material balance ini Dikarenakan lapangan X sudah cukup lama berproduksi dari tahun 1995 hingga sekarang.Sehingga data produksi yang ada sudah cukup banyak.Diharapkan estimasi IGIP pada daerah Main, khususnya segmen 1&2 dapat diestimasi secara akurat.Selanjutnya Studi dengan Material Balance yang sudah matching tersebut akandianggap sebagai Base case

Nantinya Base case yang sudah sesuai dengan simulasi reservoir tersebut akan dilakukan uji sensitivitas parameter PVT (Rs, Boi, Bgi) terhadap perolehan IGIP sebagai data awal yang akan digunakan pada studi tingkat ketidakpastian PVT (Boi, Bgi, dan Rs

Langkah terakhirnya adalah dengan melihat data percentile yang diperoleh (P10, P50, dan P90 )

) terhadap perolehan estimasi IGIP.

Set of PVT Compositions

Initialization Phase

History Matching Phase

Final PVT compositions

Modification

Experiments Data/Observation


maka kita dapat menentukan kisaran parameter PVT pada lapangan X ini.

TUJUAN STUDI INI

1. Sebagai studi yang berkelanjutan dalam mencari estimasi IGIP yang tepat untuk tiap segmen, serta memvalidasi perolehan estimasi IGIP dari studi simulasi reservoir sebelumnya dengan menggunakan Material Balance.

2. Menentukan tingkat ketidakpastian parameter PVT (Rs,Boi,Bgi

3. Membandingkan hasil dari metode DOE dengan Multiple Llinear Regression sebagai satu studi lanjutan pada lapangan X dalam menentukan ketidakpastian parameter PVT yang paling berpangaruh terhadap nilai estimasi IGIP.

) yang mempengaruhi pengukuran estimasi nilai IGIP pada daerah Main, lapangan X termasuk segmen-segmen yang membaginya. Studi dilakukan dengan menggunakan metode Desain of Experimental (DOE) dan Multiple Linear Regression(MLR)

4. Membuat korelasi perhitungan IGIP pada daerah Main, serta pada segmen-segmen yang terdapat pada daerah tersebut, dengan menggunakan data Rs,Boi,Bgi

5. Memberi gambaran mengenai pengaruh data PVT terhadap perolehan IGIP, untuk dijadikan studi penambah dalam menentukan komposisi C

sebagai data parameter independen.

1-C7

METODOLOGI

yang sesuai sehingga pada akhirnya dapat diperoleh data PVT yang sesuai dengan studi experiemnts observation, dan berujung pada match-nya estimasi IGIP.

Penentuanestimasi IGIP yang tepat untuk setiap segmen akan dilakukan dengan Material Balance. Apabila hasil yang diperoleh sudah match dengan studi simulasi reservoir sebelumnya, maka hasil yang diperoleh tersebut akan digunakan sebagai base casepada studi ketidakpastian parameter Rs, Boi, Bgi

Setelah itu,base case yang diperoleh tersebut akan dilakukan uji sensitivitas parameter PVT (R

.

s, Boi, Bgi) terhadap perolehan IGIP. Tujuan dilakukannya uji sensitivitas tersebut dikarenakan data hasil uji senstivitas akan dimasukkan sebagai input data untuk menidentifikasikan tingkat ketidakpastian tiap parameter yang diuji (Rs, Boi, Bgi

Metode yang digunakan dalam penentuan tingkat ketidakpastian parameter PVT terhadap perhitungan estimasi IGIP, adalah dengan menggunakan :

) terhadap perolehan IGIP.Pada tahap ini juga dilakukannya perubahan uji sensitivitas terhadap nilai maksimum dan minimum dari tiap parameter PVT dengan cara menaikkan dan menurunkan salah satu parameterPVTdan parameter lainnya tetap. Dari sini kita dapat mengetahui nilai batas atas dan bawah parameter masing-masing PVT tersebut untuk memberikan kisaran awal parameter PVT yang dapat digunakan dalam proses matching.

1. Metode Design of Experimental 2. Metode Multiple Linear Regression

Setelah diperolehnya hasil dari kedua metode tersebut, maka perolehan yang didapatkan akan dianalisa lebih lanjut dan berujung pada kesimpulan yang menganalisa secara kualitatif dan kuantitatif tingkat ketidakpastian PVT tersebut terhadap perolehan IGIP. Dari hasil studi maka akan dijadikan landasan selanjutnya untuk studi penentuan komposisi C1-C

Flow Chart Metodologi penelitian

7

Berikut adalah flow chart yang dilakukan pada studi paper ini.

1. IGIP IOIP- materialbalance

IGIP IOIP simulasireservoir

2. Validasi IGIP

3. Base case

4. Uji senstivitas R B BgiBoi

5.MetodeDOE 6.Metode MLR


Material Balance

History matching dengan Material Balance dilakukan terlebih dahulu agar nilai IGIP untuk setiap segmen pada Main area sesuai dengan studi simulasi reservoir yang dilakukan sebelumnya. Setelah diperolehnya base case estimasi IGIP lapangan X yang sudah matching, maka dilanjutkan dengan uji sensitivitas perubahan data PVT (Rs,Boi,Bgi

Prinsipnya, penggunaan Material Balanceadalah dengan menggunakan perhitungan rumus Material Balancesebagai berikut

) terhadap perolehan IGIP. Proses matching tersebut dilakukan dengan menggunakan analytical method. Uji sensitivitas yang dilakukan sesuai dengan kebutuhan data yang akan dimasukkan pada metode penentuan ketidakpastian data PVT terhadap IGIP.

10

:

Np [Bo + (Rp-Rso) Bg] +Wp Bw = N Boi

Δp} + We (1)

Rumus di atas merupakan pemodelan reservoir yang dianggap sebagai tank. Ruas kiri merupakan total produksi air, minyak, dan gas, atau disebut sebagai underground withdrawal, sedangkan ruas kanan dianggap sebagai perubahan yang terjadi akibat produksi minyak,gas, dan adanya water influx. Terlihat bahwa nilai PVT (Rs,Boi,Bgi

Design Of Experimental

) mempengaruhi nilai IOIP dan IGIP.

DOE atauyang juga biasa disebut Experimental Design (ED) adalah suatu teknik untuk menentukan lokasi dan jumlah eksperimen yang akan mengumpulkan informasi sebanyak-banyaknya untuk biaya ekperimen yang paling rendah. Pada umumnya, diasumsikan bahwa suatu proses yang melibatkan repsons y yang tergantung pada variabel-variabel ξ1, ξ2,....., ξk . Hubungan tersebut dinyatakan sebagai berikut4

:

( ) εξξξ += kfy ,...., 21 (1)

Denganf sebagai fungsi respons sebenarnya yang tidak diketahui dan ε adalah faktor eror yang merepresentasiskan sumber lain dari variabilitas yang tidak dihitung pada f.

Variabel-variabel ξ1, ξ2,....., ξk adalah variabel natural karena diekspresikan pada satuan pengukuran alami. Pada studi experimental design, variabel alami ditransformasi menjadi variabel yang diberi kode x1, x2, ….. xk dimana variabel-variabel tersebut tidak berdimensi dengan nilai mean 0 dan sebaran [-1,1]. Nilai -1 dan +1 disebut level dan merepresentasikan secara berturut-turut variabel minimum dan maksimum. Dapat diformulasikan ulang sebagai4

( ) ε+= kxxxfy ,...., 21

:

(2)

Experimental design merupakan suatu metodologi yang mengurangi jumlah run simulasi reservoir yang akan menghasilkan hubungan antara parameter yang diteliti dengan respon yang diharapkan. Experimental design telah digunakan dalam industri migas untuk menunjukkan ketidakpastian yang signifikan terhadap penentuan cadangan, perolehan minyak/gas pada saat pengembangan lapangan.

Metode ED ini telah digunakan dalam berbagai aplikasi reservoirengineering seperti prediksi kelakuan reservoir, pemodelan ketidakpastian, studi sensitivitas, history matching, dan optimasi pengembangan. Metode ED ini dapat mengaplikasikan ide untuk melakukan running simulasi yang sedikit sekaligus mengumpulkan informasi yang optimum dari hasil simulasi.

Pada paper ini penggunaan DOE akan menganalisa pengaruh ketidakpastian data PVT (Rs, Boi, Bgi

Placket Burman Design

) terhadap nilai estimasi IGIP. Prinsipnya adalah dengan membangun, mendesain tabel matriks berdasarkan randominasi dari input parameter yang dianalisis, salah satu caranya adalah dengan menggunakan Desain Placket Burman.

Desain Plackett-Burman cocok untuk mempelajari faktor sebanyak k =(N-1)/(L-1), dimana L adalah jumlah tingkat dan k adalah jumlah faktor.

5

Analisa dan Kesimpulan


Keuntungan desain ini adalah semua efek utama diestimasi dengan presisi yang sama. Hal ini berarti seseorang tidak harus mengantisipasi faktor-faktor apa saja yang paling penting ketika mendesain studi. Untuk desain penyaringan, orang tidak tidak tertarik untuk meneliti interaksi antar faktor. Tujuannya adalah untuk meneliti sebanyak mungkin faktor dengan jumlah percobaan yang minimum dan mengidentifikasi faktor-faktor yang perlu diteliti lebih jauh dimana interaksi-interaksi dapat dinilai lebih dalam.

Softwareyang digunakan dalam melakukan uji DOE adalah dengan menggunakan software Minitab.

Multiple Linear Regression

Pada umumnya permasalahan regresi muncul apabila terdapat lebih dari satu variable independen dalam pemodelan regresi.Karena munculnya kerumitan dalam mekanisme tersebut, maka diperlukannya multiple linear regression. Ketika koefisien model yang diperoleh adalah linier, maka dapat kita sebut sebagai multiple linier regression.

Khsusnya pada penelitian ini, Multiple Linier Regression Analysis dilakukan untuk mencari tahu variabel-variabel yang mempengaruhi nilai estimasi IGIP terhadap data PVT.Sesuai dengan namanya, multiple linear regression dapat menganalisa lebih dari satu parameter independen terhadap satu parameter dependen.Hasil dari uji ini dapat mengahasilkan tingkat kepercayaan yang cukup tinggi, dikarenakan data yang dimasukkan cukup banyak dan beragam, maka pada hasil akhirnya seharusnya akan memberikan info yang lebih presisi.Data independen yang dimasukkan dapat berupa data kuantitatif atau berupa kategori.

Diperlukannya studi MLRagar kita dapat mengetahui secara detail pengaruh parameter Rs, Boi, Bgi

1. Pada penelitian ini digunakan metode Stepwise dalam menentukan variabel yang masuk ke dalam model. Stepwise digunakan dengan proses pembentukan

pada estimasi nilai IGIP, serta mendapatkan korelasi dalam perhitungan IGIP. Berbeda dengan metode Design of Experimental, metode ini cenderung lebih lama mengingat data yang diperlukan cukup banyak dan beragam, danada berapa tahapan yang harus dilakukan dalam memperoleh hasil tersebut, diantaranya adalah :

model multiple linear regression sesuai dengan parameter yang paling berpengaruh akan terlebih dahulu masuk ke dalam perhitungan model.Parameter yang paling berpengaruh tersebut dapat dilihat pada korelasi yang ada antar parameter dengan nilai dependen-nya. Proses masuknya dan ditolaknya data tergantung pada F-test, pada pemodelan multiple linear regression digunakan regresi linear.

2. Uji asumsi yang digunakan harus memenuhi semua syarat yang diperlukan dalam membangun sebuah korelasi dari multiple linear regression. Kelima uji asumsi tersebut adalah9

- Hubungan antara variabel dependen dengan variabel independen adalah linier (asumsi linearitas)

:

- Error berdistribusi normal - Independensi error - Homoscedasticity - Tidak terdapat multikolinearitas

antarvariabel independen Setelah memenuhi keseluruhan poin dan asumsi di atas, maka dari hasil multiple linear regression dapat kita gunakan dalam menganalisa tingkat ketidakpastian 3 variabel PVT yang digunakan (Rs, Boi, Bgi

Software yang digunakan dalam menguji dan menganalisa Multiple Linear Regression adalah dengan menggunakan software Minitab, SPSS, dan XLstat.

) terhadap IGIP.Hasil yang diperoleh tersebut dapat dikatakan valid dikarenakan sudah memenuhi uji atau asumsi multiple linear regression.

S-Curve

Grafik S-Curve merupakan sebuah grafik yang dapat menghasilkan masing- masing nilai P 10, P 50, P 90 dari estimasi IGIP yang diperoleh.

6

Analisa Parameter

Dari hasil penggunaan metodeDOEdan MLR akan dilakukan analisa dari beberapa grafikyang diperoleh. Analisa dari grafik tersebut akan mengidentifikasikan output mengenai parameter


PVT (Boi,Bgi,Rs

Berikut adalah grafik-grafik dan tabel yang akan dibandingkan dari hasil DOE dengan MLR :

) yang berperan secara signifikan dan yang tidak terhadap perolehan estimasi IGIP.

1. Normal Probability Plot 2. Persamaan Proxi

(predictionterhadapactual) 3. Galat yang dihasilkan

(predictionterhadap actual) 4. Main effects Plot IGIP 5. Hitogram residual untuk uji

normalitas

Khusus pada DOE akan diperoleh grafik :

1. Pareto Chart of the standardized effect

2. Normal Plot of thestandardized effect

Khusus pada MLR, akan dilakukan analisa, Coefficient, Anova, dan uji asumsi.

HASIL DAN PEMBAHASAN

Hasil studi tingkat ketidakpastian parameter PVT (Rs, Boi, Bgi

Nilai batas atas dan bawah parameter PVT (tabel. 1), diperoleh untuk parameter R

) pada lapangan X dilakukan menggunakan 2 metode, yaitu dengan menggunakan metode DOE (Design of Experimental) dan MLR (Multiple Linear Regression). Namun sebelum melakukan studi ketidakpastian parameter tersebut maka perlu dilakukannya history matching dengan menggunakan Material Balanceagar model yang kita gunakan sudah valid. History matching pada Material Balance dilakukan dikarenakan perlunya penentuan IGIP yang tepat pada segmen 1&2.Selanjutnya dengan memakai Base case tersebut kita dapat melakukan uji sensitivitas data PVT. Sebelum masuk ke dalam tahap ini, dilakukan uji sensitivitas untuk menentukan batas atas dan bawah (maksimum dan minimum) tiap parameter PVT (tabel. 1). Data ini akan digunakan sebagai batas atas dan bawah (min dan max) sebelum memasuki uji sensitivitas ketidakpastian parameter PVT.

s sebesar 802 scf/stb, dan 552 scf/stb, sedangkan Boi sebesar 1.998 bbl/stb, dan 1.256 bbl/stb, selanjutnya Bgi

Namum pada saat memasukkan data minimum dan maksimum ke dalam proses perhitungan uji ketidakpastian pada DOE, ternyata diperoleh hasil yang tidak dapat dilakukan. Hal ini dikarenakan dengan menggunakan metode DOE, nilai minimum dan maksimum untuk tiap parameter tersebut dipermutasi.Akibat dari permutasi ini pada beberapa perhitungan material balance gagal dilakukan. Gagalnya perhitungan ini disebabkan karena pada perolehan akhirnya ada beberapa kasus yang didapatkan memiliki negative gas inplace dan pressure has drop to zero. Oleh karena itu uji minimum maksimum hanya digunakan sebagai studi penambah pada saat penentuan PVT yang tepat pada kesimpulan akhir dalam menentukan batas bawah B

sebesar 0.01 cuft/scf dan 0.002 cuft/scf.

History Matching Perolehan Estimasi IGIP denganMATERIAL BALANCE

gi

Data-data yang digunakan sebagai input data awal pada material balance diperoleh dari laporan studi sebelumnya yang tertera pada (Tabel.2) dan skema lapangan yang dibangun pada Material Balance dapat dilihat pada (Gambar. 7). Dari hasil running softwareyang iteratif tersebut diperoleh hasil akhir yang telah matching. Grafik Tekanan terhadap waktu yang telah matching tersebut dapat dilihat pada (Gambar. 8). Terlihat bahwa grafik yang diperoleh sudah cukup baik karena mengikuti trendprofil tekanan terhadap waktu. Hasil IOIP dan IGIP dengan menggunakan material Balane dilakukan dengan metode analytical.

Hasil dari Analytical method dapat dilihat pada (Tabel. 3) Pada tabel tersebut telah diperoleh Base case yang sudah cukup sesuai dengan simulasi reservoir yang dilakukan pada studi sebelumnya.

IGIP Simulasi Res Material Balance

Segmen 1&2 130 BSCF

135.035 BSCF

Segmen 3 15.81 BSCF

12.94 BSCF

Segmen 4 16.07 BSCF

13.217 BSCF

Tabel 3 Perbandingan Material balance dengan simulasi reservoir


Hasil matching dapat dilihat pada (Gambar. 8)dan(Gambar. 9)Selanjutnya dari melihat kedua gambar tersebut maka dapat dipastikan hasil yang diperoleh sudah baik. Pada (Gambar. 10) dapat dilihat driving mechanism yang terdapat pada tiap segmennya. Setelah mendapatkanbase case tersebut, maka kita dapat menyimpulkan bahwa dengan menggunakan material balance diperoleh hasil yang cukup mendekati dari perolehan IGIP dengan menggunakan simulasi reservoir. Oleh karena ituuji senstivitas dapat dilakukan, hal ini dikarenakan data awal yang digunakan sudah match. Setelah sesuai dengan kebutuhan studi uji tingkat ketidakpastian parameter PVT terhadap perolehan IGIP, maka data hasil uji senstivitas dengan material balance akan dimasukkan ke dalam kedua metode penguji, yaitu DOE dan MLR.

Experimental Design

Mendesain Matriks Placket-Burman

Dalam proses penggunaan Placket-Burman Experimental Design, salah satu syarat yang dibutuhkan adalah nilai maksimum dan minimum dari tiap parameter data independen yang kita tinjau. Namun nilai maksimum dan minimum diperoleh merupakan hasil dari material balance yang paling cocok agar tidak terjadinya pressure drop dan/atau negative gas inplace. Hal ini dikarenakan agar permutasi yang dilakukan pada metode ini semuanya dapat memperoeh hasil IGIP pada tiap permuatasinya. Apabila nilai Rs terlalu besar dan Boiterlalu kecil dan begitu pula nilai Bgi, maka seringkali nilai IGIP untuk beberapa segmen akan menghasilkan negative gas inplace atau pressure drop to zero. Oleh karena itu, tahap awal yang dilakukan adalah dengan memasukkannilai maksimum dan minimum Rs, Boi, dan Bgiyang paling memungkinkan dalam desain table matriks Placket-burmanpada software minitab. (Tabel. 4)di bawah adalah desain input nilai maksimum dan minimum data pada Placket-burman

no. Parameter Min Max

1 Rs 602 802

2 Boi 1.448 1.848

3 Bgi 0.004 0.007

Tabel 4. Data minimum dan maksimum tiap parameter

Metode Placket-Burman yang digunakan adalah dengan menggunakan 12 kali run, dimana dalam metode Placket-Burman jumlah run yang bisa

dilakukan sesuai dengan kelipatan 4. 12 kali run digunakan karena jumlah tersebut yang paling dekat dengan jumlah permutasi yang bisa dilakukan dengan 3 parameter data yaitu, sebesar 8 kali run.Namun dikarenakan nilai minimum run pada Placket-BurmanExperimental Design berjumlah 12, maka digunakanlah jumlah run paling sedikit tersebut.

Pembuatan matriks Placket Burmanyang diperoleh merupakan randominasi dari input parameter yang dianalisis. Setelah tabel matriks terbentuk, maka dilakukan run simulasi berdasarkan tabel matriks tersebut. Selanjutnya, hasil analisis menggunakan metode Placket-Burman dapat dilihat pada (Tabel. 5).

Hasil Persamaan Proxi IGIPED

Hasil analisis dengan menggunakan software minitab menghasilkan persamaan proxi sebagai berikut :

IGIP daerah Main :

72.6023+0.0114514*Rs+41.1265*Boi+ 2968*B

Penerapan metode ini juga dilakukan dalam penentuan persamaan proxi untuk tiap segmennya. Hasil running matriks Placket-Burman untuk tiap segmennya dapat dilihat pada (tabel.6), (tabel.7) dan (tabel.8). Nilai maksimum dan minimum tiap parameter yang digunakan mengikutidaerah Main, yaitu seperti yang tertera pada (tabel. 4)

gi

Deperoleh persamaan proxi perhitungan IGIP untuk tiap segmen sebagai berikut :

IGIP (BSCF) segmen 1&2 :

66.3970 + 0.0123557*Rs + 30.8444*Boi + 2071.00*B

gi

IGIP (BSCF) segmen 3 : 3.66643 + 0.00447659*Rs + 3.72459*Boi + 69.7770*B

gi

IGIP (BSCF) segmen 4 :

5.05098 + 0.00247228*Rs + 2.92317*Boi + 303.674*B

gi

Memvalidasi Persamaan Proxi IGIP

Untuk memvalidasi persamaan proxi yang diperoleh maka diplot grafik Actual IGIP terhadapPred IGIP untuk keseluruhan daerah Main, termasuk juga untuk tiap segmennya. Grafik tersebut dapat dilihat pada (Gambar.12). Terlihat pada grafik yang dihasilkan untuk daerah Main dan


peninjauan pada tiap segmennya menghasilkan nilai R2

yang cukup baik, yaitu mendekati nilai 1. (tabel. 9)

Main Segmen1&2 Segmen3 Segmen 4

R 0.9801 2 0.9925 0.9926 0.9931

Tabel 9. Hasil perolehan R

Dari data tersebut mengindikasikan bahwa persamaan proxi menunjukkan hasil yang baik dengan R square perolehan untuk keseluruhan berada di atas nilai 95%. Disimpulkan bahwa persamaan proxi yang diperoleh memilki ketepatan yang sangat baik.

2

Hal ini semakin diperkuat dengan melihat persentase Galat yang dihasilkan dari perbandingan penggunaan persamaan proxi terhadap nilai actualIGIP pada (tabel.10).Kesimpulan dari tabel tersebut adalah, galat yang terjadi pada daerah Main, serta pada tiap segmennya menghasilkan rata-rataerror/galat yang selalu kurang dari 1%. Hal ini mengindikasikan bahwa persamaan yang diperoleh sudah bagus.

Selanjutnya perlu adanya validasi asumsi awal yang menyatakan bahwa data yang digunakan terpopulasi secara normal. Dengan menggunakan NPP (Normal Probability Plot) dan gambar Histogram antara residual terhadap frekuensi, kita dapat melihat apabila data yang digunakan sudah terpopulasi secara normal. NPP merupakan grafik yang merespon terhadap IGIP dengan memplot persentase dengan Residual. Nilai residual didefinisikan sebagai perbedaan antara nilai yang diamati dengan nilai yang dihitung.Grafik NPP dan histogram residual untuk daerah Main, dan untuk tiap segmennya dapat dilihat pada kedua chart yang ada pada (Gambar.13). Terlihat bahwa uji normalitas menggunakan NPP menunjukkan bahwa data yang dipakai terpopulasikan secara merata.

Analisa IGIP S-Curve (P 10, P 50, & P90)

Dari persamaan proxi yang diperoleh pada daerah Main dan tiap segmen, diperoleh juga IGIP S-Curve. Dengan diperolehnya IGIP S-curvemaka dapat diketahui nilai masing-masing P 10, P 50, dan P 90. Grafik S-Curve dapat dilihat pada (Gambar. 14) Hasil lengkapnya secara keseluruhan dapat dilihat pada (tabel.11)di bawah ini.

Main 1&2 3 4 P 10 151.67 127.87 12.155 12.342 P 50 164.74 137.29 13.331 13.333 P 90 177.81 146.72 14.507 14.323

Tabel 11. S-Curve (P 10, P 50, dan P 90)

Analisa Tingkat Ketidakpastian Parameter (Rs, Boi, Bgi

Analisa tingkat ketidakpastian merupakan salah satu tujuan utama pada paper ini.Analisa tingkat ketidakpastian parameter-parameter terhadap IGIP dapat dilakukan dengan meninjau :

) dengan DOE

1. Pareto Chart of the Standardized Effects 2. Normal Plot of the Standardized Effects 3. Main Effects Plot for IGIP

Grafik Pareto Chart untuk daerah Main dan untuk tiap segmen secara berurutan ditunjukkan dengan (Gambar. 15)Grafik Normal Plot of the standardized Effects ditunjukkan pada (Gambar.16)Hasil analisa dari Pareto chart dapat mengindikasikan parameter apa saja yang memberikan tingkat ketidakpastian yang tinggi hingga terendah terhadap data dependennya, yaitu IGIP. Pada setiap grafik pareto chart akan terlihat sebuah garis vertikal berwarna merah, garis merah tersebut merupakan base line. Base line ini menandakan apabila nilai standardized effect suatu parameter berada dikiri garis tersebut, maka menandakan parameter tersebut tidak berpengaruh secara signifikan pada variabel dependennya.

Kesimpulan dari Pareto Chartpada daerah Main, terlihat bahwa tidak seluruh parameter yang berada melampaui garis base line. Terlihat parameter Rsberada di kiri base line tersebut, sehingga parameter dianggap tidak signifikan pengarunya terhadap perolehan nilai IGIP. Parameter yang paling berpengaruh atau cukup tinggi tingkat ketidakpastiannya terhadap IGIP adalah Boidan selanjutnya diikuti Bgi

Kesimpulan pada segmen 1&2, 3, dan 4, adalah, seluruh parameter berada di kanan base line-nya. Untuk segmen 1&2, parameter B

.

oi memiliki tingkat ketidakpasitan yang tinggi diantara parameter lainnya, selanjutnya diikuti dengan parameter Bgi, dan Rs. Untuk segmen 3, parameter Boi memiliki tingkat ketidakpastian yang paling tinggi, selanjutnya diikuti oleh Rs dan terakhir Bgi. Pada segmen 4, secara keseluruhan parameter Boi, Bgi, Rsmemiliki tingkat ketidakpastian yang cukup tinggi, namun parameter yang memiliki pengaruh


yang paling signifikan adalah parameter Boi, yang diikuti oleh Bgi, dan terakhir Rs

Dengan menganalisa grafik Normal Plot of the Standardized Effectskita dapat mengetahui parameter apa saja yang berpengaruh signifikan dan parameter apa yang berpengaruh secara tidak signifikan. Terlihat pada grafik terdapat garis biru, apabila parameter yang ditinjau berada di kanan garis tersebut, maka data dapat dikatakan memberikan efek yang positif terhadap nilai dependennya, begitupula sebaliknya,apabila data terletak di bagian kiri garis biru,parameter tersebut akan memberikan efek yang negatif terhadap nilai dependennya. Semakin jauh letak parameter dari garis biru tersebut, maka parmeter tersebut akan memiliki tingkat signifikan yang cukup tinggi pula.

.

Terlihat pada (Gambar.16), pada Daerah Main, sesuai dengan pareto chart sebelumnya, parameter yang berpengaruh paling signifikan atau memiliki tingkat ketidakpastian paling tinggi adalah Boi, dan Bgi, sedangkan parameter Rs

Pada segmen 1&2, 3 dan 4, seluruh parameter dinyatakan berpengaruh positif dan signifikan terhadap perolehan IGIP. Terlihat pada Segmen 1&2, parameter yang paling berpengaruh adalah B

dikatakan tidak berpengaruh secara signifikan, namun seluruh parameter berpengaruh positif dalam perolehan IGIP.

oi, yang diikuti oleh Bgi dan Rs. Sama halnya dengan segmen 4, Boi merupakan parameter yang paling berpengaruh, namun tingkat signifikansi parameter di segmen 4 cenderung lebih besar daripada segmen 1&2. Pada segmen 3 parameter yang paling berpengaruh adalah Boi, parameter keduanya adalah Rs, dan diikuti oleh Bgi

. Selengkapnya dapat dilihat pada (tabel. 12) berikut.

Main Seg.1&2 Seg.3 Seg.4 R 3 s 3 2 3 B 1 oi 1 1 1 B 2 gi 2 3 2

Tabel 12. Urutan tingkat ketidakpastian parameter

Angka urut 1-3, menunjukkan urutan tingkat ketidakpastian parameter tersebut pada tiap segmennya. Warna merah menyatakan tidak signifikannya data tersebut terhadap variabeldependennya.

Selanjutnya dengan meninjau analisa Main Effeects dari setiap parameter terhadap IGIP, maka kita dapat mengetahui seberapa besar pengaruhnya ketika parameter tersebut bernilai minimum dan ketika bernilai maksimum terhadap estimasi nilai IGIP yang diperoleh. Grafik Main Effects parameter tersebut dapat dilihat pada (Gambar.17)Seperti yang terlihat pada Pareto Chart dan Normal Plot of the Standardized Effect, dinyatakan bahwa pada daerah Main, parameter Rs

Multiple Linear Regression

tidak berpengaruh signifikan.

Setelah kita memperoleh Base casedari simulasi Material Balance yang sesuai dengan simulasi reservoir pada studi sebelumnya, maka, selanjutnya perlu disusun data-data hasil uji sensitivitas dengan menggunakan Material Balance untuk dimasukkan pada metode MLR. Data dan hasil uji sensitivitas tersebut dapat dilihat hasilnya pada Lampiran III Metode MLR pada (tabel.13). Pada tabel tersebut terlihat perolehan IGIP pada daerah Main dan terlihat pula perolehan IGIP untuk setiap segmennya.

Uji sensitivitas dilakukan secara acak, nilai Rs, Boi, Bgi

Terlihat pada(tabel.13), jumlah uji data yang dilakukan ada sebanyak 47 buah (n=47). Data sebanyak ini sudah cukup banyak, apabila mengacu pada beberapa literatur yang menyatakan bahwa untuk melakukan analisis regresi sebaiknya data yang diinput berjumlah lebih dari 15 – 30 data, sehingga uji normalitas dapat diperoleh dengan lebih baik lagi.

diubah-ubah secara acak tanpa perlakuan tertentu. Perlakuan acak ini dilakukan agar semakin banyak informasi mengenai berbagai kondisi PVT dan pengaruhnya terhadap nilai IGIP, sehingga hasil korelasi atau proxi yang dihasilkan dari metode MLR akan semakin akurat.

Selanjutnya, sebelum kita meninjau dan menggunakan persamaan proxi perhitungan prediksi IGIP, dan melihat parameter apa saja yang memberikan pengaruh yang signifikan terhadap variabel dependennya, maka diperlukannya uji syarat Multiple Linear Regressionagar persamaan proxi tersebut dapat dikatakan valid.

Uji Syarat Multiple Linear Regression


Hubungan antara variabel dependen dengan variabel independen adalah linier (asumsi linearitas) Uji linearitas yang pertama adalah dengan melihat hubungan linearitas antara setiap parameter independen terhadap data dependen. Hasil lebih jelasnya dapat dilihat pada Metode Multiple Linear Regression, (Gambar.18). Pada gambar tersebut selain diuji untuk daerah main secara keseluruhan, uji linearitas juga dilakukan pada setiap segmennya.Kesimpulan dari uji hubungan linearitas yang didapatkan adalah, keseluruhan parameter yang digunakan pada daerah Main dan untuk seluruh segmen memenuhi uji linearitas. Salah satu cara untuk menguji linearitas hubungan antara data dependen dengan data independennya adalah dengan memplot tiap parameter terhadap dependenvariabel. Plot hubungan ini dilakukan menggunakan microsoft excel.

Berikut adalah analisa regresi linear yang dilakukan dengan software Minitab6

1. Uji tersebut sudah memenuhi uji normalitas, yaitu jumlah data yang digunakan sudah cukup banyak (n=47)

:

2. Model secara statisktik sudah signifikan (p<0.05) dan sampel yang digunakan sudah cukup besar untuk mendapatkan regresi yang baik.

3. Terdapat 1 atau 2 data yang perlu dievaluasi, dikarenakan residual yang dihasilkan data tersebut cukup besar. Namun data tersebut tetap dimasukkan dikarenakan perolehan dan hasil data tersebut merupakan hasil running softwareMaterial Balance.

4. Adanya korelasi antara parameter Boi, Bgi, Rs terhadap IGIP. Semakin besar nilai Boi, Bgi, dan Rs

Ausmsi linearitas juga dapat dilihat dengan menggunakan uji Anova (Analysis of Variant).Dengan metode stepwisepada software Spss, hal ini dilakukan secara otomatis karena metode tersebut hanya memasukkan variabel-variabel yang berpengaruh signifikan terhadap variabel dependen. Pengujian linearitas berikutnya untuk daerah Main dapat diperoleh dari tabel ANOVA(tabel. 14Anova). Hubungan Linearitas juga dilakukan untuk segmen 1&2, 3, dan 4. Tabel

Anova untuk segmen tersebut dapat dilihat pada tabel Anova (tabel.15, tabel. 16, tabel. 17).

maka nilai IGIP semakin besar.

Metode stepwise ini juga akan dilakukannya F-test. Nilai batas minimum suatu data diterima masuk ke dalam korelasi persamaan regresi apabila nilai F-test berada di bawah 0.05, sedangkan apabila lebih dari 0.1 maka parameter akan ditolak masuk ke dalam model regresi. Keseluruhan parameter harus memenuhi syarat F-test terlebih dahulu agar diterima ke dalam model regresi.

Pada awalnya segmen 3 menggunakan batas bawah diterimanya suatu parameter dengan nilai F-test sebesar 0.05, namun setelaha di-run pada software SPSS, parameter Bgi ditolak. Mengingat parameter Bgi secara teori akan memberikan efek terhadap perolehan IGIP, maka pada paper ini batas bawah F-test khusus untuk segmen 3 dinaikkan menjadi 0.1. Sehingga pada model regresi terdapat parameters Bgidalam persamaan akhir proxi yang diperoleh. Dari pemodelan ini dapat dikatakan bahwa khusus untuk segmen 3 dapat dikatakan parameter Bgi

Eror Berdistribusi Normal

pengaruhnya tidak terlalu signifikan terhadap IGIP.

Pengujian asumsi normalitas error dilakukan dengan pemeriksaan visual terhadap histogram dan normal probability plot. Histogram dan Normal Probability plot dapat dilihat pada (Gambar.19). Kesimpulannya didapat dari grafik tersebut ialah, menyatakan bahwa daerah Main dan seluruh segmen memenuhi uji normalitas.

9

Independasi Error

Independensi error dapat diuji dengan statistik Durbin-Watson (d). Nilai d hitung akan dibandingkan dengan nilai d dari tabelDurbin-Watson(tabel.22)terlampir Ukuran sampel dalam penelitian ini sebesar 47 sehingga pada tabel, n = 47. Dengan jumlah variabel independen yang berpengaruh sebanyak 3 buah didapat nilai Dw

9

l dan Dwu sebesar 1.3989 dan 1.6692 (α = 0.05). Dari nilai Dwu dan Dwl

1. Terdapat aukorelasi :

dapat diperoleh tiga daerah, yaitu:

d<Dwlatau d> 4-Dwd<1.3989 atau d> 2.601 (1)

l

9

2. Tidak dapat disimpulkan


Dwl < d < Dw4-Dw

u u< d < 4-Dw

1.3989 < d < 1.6692 l

2.3308 < d < 2.601 (2)

9

3. Tidak terdapat autokorelasi Dwu< d < 4-Dw1.6692 < d < 2.3308 (3)

u

Hasil analisa untuk keseluruhan segmen dapat dilihat pada (Gambar. 20). Kesimpulan dengan melihat nilai durbin watson yang diperoleh dari setiap segmen yaitu, nilai hitung durbin watsonuntuk keseluruhan segmen pada daerah main berada pada range nilai durbin-watson 1.6692-2.3308. Hal ini berarti uji autokorelasi terpenuhi.

9

Homoscedasticity

Homoscedasticity yang diperoleh cukup baik, mengingat eror tidak terkumpul pada tempat tertentu. Homoscedasticity tiap segmen dapat di lihat pada (Gambar.21).

9

Tidak terdapat multikolinearitas

9

Multikolinearitas antarvariabel independen dapat dilihat dari nilai statistik Toleransi. Jika nilai Toleransi sebuah model regresi di bawah 0.1, maka pada model tersebut terdapat multikolinearitas. Nilai statistic toleransi dapat di lihat pada(table.18), (table. 19), (table. 20), (table. 21).Statistik uji Toleransi dari ketiga model regresi yang terbentuk memiliki nilai lebih dari 0.1 sehingga asumsi tidak terdapat multikolinearitas antarvariabel independen terpenuhi.

Hasil Persamaan Proxi IGIPMLR

IGIP (BSCF) Daerah Main : 83.1 + 0.0167 Rs + 34.0 Boi + 2293 B

gi

IGIP (BSCF) Segmen 1&2 : IGIP 1&2 (BSCF) = 72.3 + 0.0103 Rs + 28.3 Boi + 1939 B

gi

IGIP (BSCF) Segmen 3 : 4.69 + 0.00417 Rs + 3.23 Boi + 61.1 B

gi

IGIP (BSCF) Segmen 4 : 6.14 + 0.00223 Rs + 2.41 Boi + 293 B

gi

Setelah terpenuhi keseluruhan uji asumsi Multiple Linear Regression, maka persamaan proxi perhitungan IGIP yang diperoleh di atas sudah dapat dikatakan valid.Namun, agar lebih yakin maka akandilakukan validasi persamaan proxi yang

diperoleh yaitu, dengan diplot grafik Actual IGIP terhadapPred IGIP untuk keseluruhan daerah Main, termasuk juga untuk tiap segmennya. Plot grafik Actual IGIP terhadapPrediciton IGIP dapat dilihat pada (Gambar.22). Analisa R2

yang diperoleh dapat dilihat pada (tabel.23).

Main Segmen1&2 Segmen3 Segmen 4

R 0.9531 2 0.9585 0.8902 0.9638

Tabel 23. Hasil perolehan R

Selanjutnya galat Prediksi IGIP terhadap Aktual IGIP dapat dilihat pada (tabel.24).

2

Analisa IGIP S-Curve (P 10, P 50, P 90)

Selanjutnya, dari persamaan proxi yang diperoleh pada daerah Main dan tiap segmen, maka dengan dapat diperoleh IGIP S-Curve untuk mengetahui nilai masing-masing P 10, P 50, dan P 90. Grafik S-Curve dapat dilihat pada (Gambar.23). Hasil lengkapnya secara keseluruhan dapat dilihat pada (tabel.26)di bawah ini.

Main 1&2 3 4 P 10 150.02 126.08 11.922 12.110 P 50 163.07 136.48 13.271 13.315 P 90 175.92 146.89 14.619 14.521

Tabel 26. S-Curve (P 10, P 50, dan P 90)

Analisa Tingkat Ketidakpastian Parameter (Rs, Boi, Bgi

Kekurangannya dengan menggunakan metode MLR adalah tidak dapat dilakukannya uji yang mendetail seperti halnya dengan menggunakan Experimental Design.Sehingga analisa tingkat ketidakpastian parameter-parameter terhadap estimasi IGIP tidak dapat dilakukan dengan meninjau grafik-grafik seperti halnya pada metode DOE, yaitu pareto chart of the Standardized Effects, dan Normal Plot of the Standardized Effects. Namun masih dapat digunakannya Main Effects Plot for IGIPyang terdapat pada (Gambar.24).

) terhadap IGIP dengan Metode MLR.

Selain itu, dengan menggunakan metode MLR, kita dapat mengetahui parameter mana yang mempunyai tingkat pengaruh tertinggi atau terendah terhadap IGIP, dikarenakan terdapat metode stepwiseyang akan mengindikasikan parameter yang mempunyai pengaruh dan pada akhirnya akan menghasilkan nilai koefisien untuk perhitungan persamaan proxiIGIP. Dengan


meninjau nilai koefisien tersebut kita dapat mengetahui parameter mana yang memberikan pengaruh terbesar terhadap IGIP. Namun dengan menggunakan MLR kita tidak dapat mengetahui apakah parameter tersebut berlaku signifikan atau tidak. Selanjutnya pada (tabel. 27)dapat dilihat ringkasan mengenai kesimpulan urutan pengaruh parameter PVT pada setiap segmen.

Main Seg.1&2 Seg.3 Seg.4 R 3 s 3 2 3 B 1 oi 1 1 1 B 2 gi 2 3 2

Tabel 27. Urutan tingkat ketidakpastian parameter

Dengan menggunakan metode MLR diperkirakan bahwa parameter Bgi pada segmen 3 memiliki tingkat signifikan yang paling rendah. Hal ini disebabkan uji F-test dengan nilai sebesar 0.05, menolak unutk memasukkan parameter Bgi

Perbandingan Metode DOE dengan MLR

ke dalam persamaan proxi perhitungan IGIP. Namun hal ini masih harus dikaji ulang lagi mengingat dari hasil analisa MLR kita tidak dapat menyatakan bahwa parameter tersebut tidak signifikan terhadap parameter Independennya.

Untuk melihat perbandingan DOE dan MLR, maka dilakukan beberapa analisa berikut:

1. Dengan menggunakan persamaan proxi yang diperoleh dari DOE dan MLR, maka persamaan DOE digunakan untuk melihat menghitung IGIP dari data MLR, begitu pun senbaliknya, sehingga dapat terlihat galat yang dihasilkan kedua metode tersebut untuk data set yang berbeda. Hasil dapat dilihat pada Lampiran IV. (tabel.25). Hasil yang diperoleh oleh kedua metode tersebut sudah cukup baik. Kesimpulan pada bagian ini adalah ternyata dengan cara yang sederhana menggunakan metode DOE, yaitu dengan sedikit sampel data dapat menghasilkan hasil yang optimum. Namun tetap saja penggunaan persamaan proxi hasil dari metode MLR memberikan hasil yang lebih baik daripada metode DOE, hal ini dikarenakan jumlah set data yang ditinjau lebih banyak.Sebagai contoh singkat mengenai validasi presisi dari kedua metode tersbut maka akan ditampilkan R2

tersebut terhadap set data yang berbeda yang ditinjau pada daerah Main. (Tabel. 28)

yang dihasilkan oleh kedua metode

Data set 01 Main 1&2 3 4 DOE 0.9479 0.9584 0.8898 0.9613 MLR 0.9531 0.9585 0.8902 0.9638 Data set 01 Main 1&2 3 4 DOE 0.9801 0.9925 0.9926 0.9931 MLR 0.9925 0.9922 0.9916 0.9951

Tabel. 28 perolehan R2

dengan DOE dan MLR pada daerah Main

2. Membandingkan tingkat ketidakpastian kedua metode. Hasil dapat dilihat pada (tabel.29). Dari tabel ini dapat terlihat bahwa diperoleh hasil yang sama mengenai tingkat ketidakpastian parameter PVT terhadap perolehan IGIP. Namun dengan menggunakan metode DOE, kita dapat mengidetifikasi bahwa pada daerah main secara keseluruhan, parameter Rs dinyatakan tidak signifikan perubahannya terhadap perubahan IGIP. Beda halnya dengan menggunakan metode MLR, penggunaan metode ini tidak dapat mengahasilkan identifikasi parameter apa yang dapat memberikan dampak yang signifikan atau tidak terhadap perolehan IGIP. Namun ada indikasi pada segmen 3 bahwa parameter Bgidengan menggunakan MLR memiliki pengaruh yang kecil, hal ini disebabkan saat penggunaan F-test dengan batas bawah 0.05 pada proses regresi dengan metode stepwise, parameter Bgi ditolak masuk ke dalam persamaan proxi IGIP yang dihasilkan. Tetapi hal ini masih belum dapat memastikan bahwa parameter Bgi

tidak berpengaruh secara signifikan pada segmen 3.

3. Membandingkan IGIP S-Curve perolehan dari kedua metode. Hasil dapat dilihat pada (tabel.30)

DOE Main Seg.1&2 Seg.3 Seg.4 R 3 s 3 2 3 B 1 oi 1 1 1 B 2 gi 2 3 2 MLR Main Seg.1&2 Seg.3 Seg.4 R 3 s 3 2 3 B 1 oi 1 1 1 B 2 gi 2 3 2

Tabel 29. Urutan Ketidakpastian kedua parameter


DOE Main Seg.1&2 Seg.3 Seg.4 P 10 151.67 127.87 12.155 12.342 P 50 164.74 137.29 13.331 13.333 P 90 177.81 146.72 14.507 14.323

MLR Main Seg.1&2 Seg.3 Seg.4 P 10 150.02 126.08 11.922 12.110 P 50 163.07 136.48 13.271 13.315 P 90 175.92 146.89 14.619 14.521

Tabel 30. IGIP S-Curve

Dari peninjauan yang dilakukan pada (tabel. 30), maka terlihat bahwa nilai perolehan dengan menggunakan metode DOE dan MLRtidak menghasilkan nilai percentil yang jauh berbeda. Sehingga dari studi ini dapat dikategorikan kisaran nilai P 10, P 50 dan P 90 pada tiap segmennya dengan meninjau nilai perolehan yang didapat pada kedua metode tersebut. Berikut nilai kisaran yang dirangkum pada (tabel. 31) di bawah ini.

Main 1&2 3 4 P 10 150.02-

151.67 126.08-127.87-

11.922-12.155

12.110-12.342

P 50 163.07-164.74

136.48-137.29

13.271-13.331

13.315-13.333

P 90 175.92-177.81

146.72-146.89

14.619-14.507

14.323-14.521

Tabel 31. Kisaran nilai P 10 P 50 dan P 90

PENERAPAN HASIL STUDI

Dengan melihat hasil matching data PVT hasil perubahan komposisi terhadap hasil studi observasi pada (gambar. 6), maka dapat ditentukan batas atas dan bawah berdasarkan data perubahan komposisi (garis biru) dan data hasil studi observasi (titik-titik merah).(gambar. 24).

Diperoleh nilai maksimum dengan cara memasukkan nilai hasil perubahan komposisi C1-C7 (garis biru). Nilai yang dimasukkan di lihat dengan melihat initial pressure maka diperoleh nilai parameter Boi, Bgi, dan Rs

Persamaan proxi perhitungan IGIP segmen 1&2 (metode MLR). Penggunaan persamaan dari MLR, dikarenakan tingkat ketelitiannya lebih baik dari DOE.

. Begitu pula untuk nilai minimum, namun yang ditinjau adalah grafik hasil studi observasi eksperimen (garis titik-titik merah). Setelah itu data-data tersebut dimasukkan ke dalam persamaan IGIP untuk segmen 1&2.

IGIP (BSCF) Segmen 1&2 :

72.3 + 0.0103 Rs + 28.3 Boi + 1939 B

Atas:

gi

72.3 + 0.0103*(2000) + 28.3*(2.6) + 1939*(0.002) =170.358 BSCF

Bawah :

72.3 + 0.0103*(1000) + 28.3*(1.675) + 1939*(0.002) = 133.8805 BSCF

Dengan mengetahui nilai batas atas dan bawah perolehan IGIP berdasarkan data percentile, yaitu P10 dan P90, maka hasil perhitungan sebelumnya dari nilai maksimum dan minimum maka data tersebut dimasukkan ke dalam kisaran P10- P90 dan di lihat data mana saja, yang valid masuk ke dalam kisaran tersebut.

1&2 P 10 126.08-127.87

133.8805 P 50 136.48-137.29

P 90 146.72-146.89

170.358 Tabel 32. Perolehan Batas.

Terlihat bahwa data maksimum yang diperoleh dari hasil perubahan komposisi C1-C7

KESIMPULAN

berada di luar kisaran P10 –P90, sehingga data hasil komposisi tersebut masih kurang tepat. Dengan memandang data P10- P90 maka kita dapat melakukan pendekatan dalam menentukan data PVT dengan cara yang lebih efektif.

1. Diperoleh dengan material balance daerah Main dengan IGIP sebesar 161 BSCF dan IOIP sebesar 105 MMSTB sudah match dengan perolehan In place menggunakan simulasi reservoir

2. Perbandingan perolehan estimasi IGIP tiap Segmen dari Material Balance dengan memakai data lapangan GGR dan dari Simulasi Reservoir sudah diperoleh base case. HasilMaterial Balance IGIP di segmen 1&2 sudah melebihi Gp segmen 1&2 tersebut.

3. Hasil perbandingan Metode DOE dengan MLR menghasilkan kesimpulan yang sama, yaitu, Bgi merupakan parameter


yang paling tinggi tingkat ketidakpastiannya dalam perhitungan IGIP. Hal ini berlaku secara keseluruhan daerah Main, dan juga pada tiap segmennya.Urutannya terlampir pada (table. 27) .

4. Pada daerah Main diidentifikasikan bahwa pengaruh ketidakpastian parameter Rsberada diurutan terakhir.Sedangkan warna merah menunjukkan tidak signifikannya pengaruh parameter tersebut terhadap IGIP. Ada dugaan pula dengan menggunakan metode MLRbahwa parameter Bgi

pada segmen 3 tidak memiliki pengaruh yang signifikan terhadap IGIP di segmen tersebut.

5. Analisa kedua metode dapat dikatakan valid karena telah mengikuti langkah teori percobaan dam memenuhi syarat-syarat yang harus diuji.

6. Kelebihan metode DOE adalah dengan menggunakan data yang minimum kita dapat memperoleh hasil dan analisa yang cukup akurat. Selain itu kita juga dapat mengidetifikasikan parameter mana yan g berpengaruh signifikan terhadap variabel dependennya.

7. Kelebihan metode MLRadalah hasil persamaan proxi IGIP yang didapatkan lebih baik dari DOE, namun metode MLRtidak bisa mengidentifikasikan bahwa parameter independen signifikan atau tidak terhadap dependen variabel.

8. Penggunaan metode DOE juga dapat digunakan persamaan proxiperhitungan IGIP mengingat hasil perhitungan dengan metode DOE juga sudah baik.

9. Diperoleh nilai P10, P 50, dan P 90 dari kedua metode dengan hasil yang tidak terlalu jauh berbeda. Dihasilkan pula kisaran nilai P 10, P 50 dan P 90 dari kedua metode tersebut.

Main 1&2 3 4 P 10 150.02-

151.67 126.08-127.87-

11.922-12.155

12.110-12.342

P 50 163.07-164.74

136.48-137.29

13.271-13.331

13.315-13.333

P 90 175.92-177.81

146.72-146.89

14.619-14.507

14.323-14.521

Tabel 30. Kisaran nilai P 10 P 50 dan P 90

10. Hasil studi sensitivitasini dapat dijadikan pijakan awal untuk menemukan komposisi C1-C7

yang tepat pada reservoir utama lapangan X.

11. Studi yang didapatkan dapat membantu menentukan kisaran Rs, Boi, dan Bgi dalam menentukan komposisi C1-C7

DAFTAR PUSTAKA

perolehan IGIP yang tepat.

1. Chaniago,Junaidi., Wordpress Blog Durbin Watson Table, diakses pada tanggal 10 maret 2011, http://www.nd.edu/~wevans1/econ30331/Durbin_Watson_tables.pdf

2. Cheong Y.P, Curtin, Ritu Gupta ”Experimental Design in Deterministic Modelling: Assessing Significant Uncertainties”, SPE 80537

3. Cheong Y.P, Ritu Gupta, Kaipillil Vijayan, Gregory C. Smith ”Experimental Design Methodology for Quantifying UR Distribution Curve – Lesson learnt and still to be learnt”,SPE 88585

4. Elsevier, 2003, ”Design of Experiments for Engineers and Scientists.

5. FMIPA, 2010, Prodi Matematika, ”Guidelines Workshop Matematika”.

6. Haans, Arie, 2009, ”Analisis Tingkat Ketidakpastian Parameter Geologi dan Reservoir pada Limestone Globigerina Sands di Lapangan Gas X dengan menggunakan metode Experimental Design”.

7. Lapi ITB, 2010,”Final Report Lapangan X”.

8. Minitab 16, ”Tutorial for Minitab” 9. Myers, Sharon., Myers, Raymond.,

Walpole, Ronald., Ye, Keyin, (2002), 7th Edition, Probability & Statistics for Engineers and Scientists.

10. Permadi, Asep Kurnia, 2004, ”Diktat Teknik Reservoir I Edisi Pertama.”


Tabel.1 Perolehan Nilai Maksimum dan Minimum Parameter Rs, Boi, Bgi

Rs Boi Bgi IGIP (BSCF) IOIP keterangan

1032 1.548 0.006 160.8444671 103833630

1002 1.548 0.006 161.2745574 104281960

952 1.548 0.006 161.970034 104656330

942 1.548 0.006 162.1047263 104662730

932 1.548 0.006 162.239086 104669040

922 1.548 0.006 162.373628 104675250

912 1.548 0.006 162.5077342 104681360

902 1.548 0.006 162.641649 104687470

802 1.548 0.006 163.1490621 104748980 Maximum IGIP

702 1.548 0.006 161.1987323 104208320 Base Case

602 1.548 0.006 159.4270666 104906830

592 1.548 0.006 159.255689 104914680

582 1.548 0.006 159.0859884 104922520

572 1.548 0.006 158.917923 104930470

562 1.548 0.006 158.7515939 104938320

552 1.548 0.006 158.5872686 104946260 Minimum IGIP

702 1.998 0.006 178.1361258 1.05E+08 IGIP

702 1.988 0.006 177.7349584 1.05E+08

702 1.968 0.006 176.9357581 1.05E+08

702 1.948 0.006 176.1397754 1.05E+08

702 1.848 0.006 172.220931 1.05E+08

702 1.748 0.006 168.417767 1.05E+08

702 1.648 0.006 164.7478214 1.05E+08

702 1.548 0.006 161.1987323 1.04E+08 Base Case

702 1.448 0.006 157.859927 1.05E+08

702 1.348 0.006 154.6611324 1.04E+08

702 1.328 0.006 154.0416505 104316650

702 1.288 0.006 152.8231994 1.04E+08

702 1.268 0.006 152.2242037 1.04E+08

702 1.258 0.006 151.9273607 1.04E+08

702 1.256 0.006 151.8681051 1.04E+08 Minimum IGIP

702 1.548 0.01 170.8944489 103629990 Maksimum IGIP

702 1.548 0.009 168.4537743 103904520

702 1.548 0.0085 167.2389992 104047910

702 1.548 0.008 166.0280755 104195620

702 1.548 0.0075 164.8210906 104347330


702 1.548 0.007 163.618411 104503350

702 1.548 0.0065 162.4193464 1.05E+08

702 1.548 0.006 161.1987323 104208320 Base Case

702 1.548 0.0055 160.0342399 104996580

702 1.548 0.005 158.8481848 105169350

702 1.548 0.0045 157.6653053 105346090

702 1.548 0.004 156.48622 105526690

702 1.548 0.0035 155.3105638 105711230

702 1.548 0.003 154.1373612 105899410

702 1.548 0.002 151.8540956 106545320 Minimum IGIP

Lampiran I Hasil Analisa Software MATERIAL BALANCE

Tabel 2. Data Input Software Material Balance

Engineering data

1. Formation : Lama

2. Production area

Oil : 2,126 acres

gas cap : 1,954 acres

3. Average net pay thickness (feet)

Oil : 78.0 feet

gas cap : 47.0 feet

4. Average porosity

oil leg : 21.0 %

gas cap : 18.0 %

How determined : Logs / Core Analysis

5. Average connate water saturation

oil leg : 31.0 %

gas cap : 25.0 %

How determined : Log Analysis

6. Average permeability : 900 md

7. Original reservoir pressure : 3275 psig

Current reservoir pressure : 1163 psig

Abandonment pressure : -- psig

Bubble Point pressure 3249 psig

8. Reservoir temperature : 267 deg.F

9. Crude oil saturation pressure : 3205 psig

10. Original solution GOR : 702 scf/stb

11. Formation volume factor


Oil : 1.548 bbl/stb

gas cap : 0.006 cf/scf

12. Gravity of crude : 42.9 API

13. Gas deviation factor (z)

Initial : 0.933

Abandonment : --

14. Separator gas gravity : 0.764

15. Type of reservoir drive : Solution gas drive

LAMPIRAN II METODE DOE

Tabel 5. Hasil Placket-Burman Experimental Design Daerah Main

StdOrder RunOrder PtType Blocks Rs Boi Bgi IGIP (BSCF)

12 1 1 1 602 1.448 0.004 150.2503939

10 2 1 1 802 1.448 0.004 156.0318048

1 3 1 1 802 1.448 0.007 161.9224626

7 4 1 1 602 1.848 0.007 173.8265573

11 5 1 1 602 1.848 0.004 165.2807322

4 6 1 1 802 1.448 0.007 161.9224626

9 7 1 1 602 1.448 0.004 150.2503939

5 8 1 1 802 1.848 0.004 169.9623448

6 9 1 1 802 1.848 0.007 175.5194281

8 10 1 1 602 1.448 0.007 158.7207016

2 11 1 1 802 1.848 0.004 169.9623448

3 12 1 1 602 1.848 0.007 173.8265573

Tabel 6. Hasil Placket-Burman Experimental Design Segmen 1&2

StdOrder RunOrder PtType Blocks Rs Boi Bgi IGIP (BSCF)

1&2 12 1 1 1 602 1.448 0.004 126.2374893

10 2 1 1 802 1.448 0.004 130.3352008

1 3 1 1 802 1.448 0.007 135.2834377

7 4 1 1 602 1.848 0.007 145.9293376

11 5 1 1 602 1.848 0.004 138.6433038

4 6 1 1 802 1.448 0.007 135.2834377

9 7 1 1 602 1.448 0.004 126.2374893

5 8 1 1 802 1.848 0.004 141.8323575

6 9 1 1 802 1.848 0.007 146.6038611

8 10 1 1 602 1.448 0.007 133.3668299

2 11 1 1 802 1.848 0.004 141.8323575

3 12 1 1 602 1.848 0.007 145.9293376


Tabel 7. Hasil Placket-Burman Experimental Design Segmen 3

StdOrder RunOrder PtType Blocks Rs Boi Bgi IGIP 3 (BSCF)

12 1 1 1 602 1.448 0.004 11.95030861

10 2 1 1 802 1.448 0.004 13.0104003

1 3 1 1 802 1.448 0.007 13.14962339

7 4 1 1 602 1.848 0.007 13.78425518

11 5 1 1 602 1.848 0.004 13.52469153

4 6 1 1 802 1.448 0.007 13.14962339

9 7 1 1 602 1.448 0.004 11.95030861

5 8 1 1 802 1.848 0.004 14.46083326

6 9 1 1 802 1.848 0.007 14.44000983

8 10 1 1 602 1.448 0.007 12.30559423

2 11 1 1 802 1.848 0.004 14.46083326

3 12 1 1 602 1.848 0.007 13.78425518

Tabel 8. Hasil Placket-burman Experimental Design Segmen 4

StdOrder RunOrder PtType Blocks Rs Boi Bgi IGIP (BSCF) 4

12 1 1 1 602 1.488 0.004 12.06259605

10 2 1 1 802 1.488 0.004 12.68620368

1 3 1 1 802 1.488 0.007 13.48940157

7 4 1 1 602 1.848 0.007 14.11296446

11 5 1 1 602 1.848 0.004 13.11273684

4 6 1 1 802 1.488 0.007 13.48940157

9 7 1 1 602 1.488 0.004 12.06259605

5 8 1 1 802 1.848 0.004 13.66915405

6 9 1 1 802 1.848 0.007 14.47555717

8 10 1 1 602 1.488 0.007 13.04827747

2 11 1 1 802 1.848 0.004 13.66915405

3 12 1 1 602 1.848 0.007 14.11296446

Tabel 10. Galat Prediction IGIP terhadap Actual IGIP Daerah Main

IGIP (BSCF) IGIP calculated (BSCF)

galat (%)

150.2503939 150.9192148 -0.44514 156.0318048 153.2094948 1.808804 161.9224626 162.1134948 -0.11798 173.8265573 176.2738148 -1.40787 165.2807322 167.3698148 -1.26396 161.9224626 162.1134948 -0.11798


Tabel 10. Galat Prediction IGIP terhadap Actual IGIP segmen 1&2, 3, dan 4

IGIP (BSCF) 1&2

IGIP 1&2 (BSCF) korelasi Galat % IGIP (BSCF) 3 IGIP (BSCF)

Korelasi 3 Galat % IGIP (BSCF) 4

IGIP (BSCF)

Korelasi 4 Galat %

126.2374893 126.7818226 -0.4312 11.95030861 12.0336515 -0.69741 12.0626 11.98674 0.628864

130.3352008 129.2529626 0.83035 13.0104003 12.9289695 0.62589 12.6862 12.48119 1.615999

135.2834377 135.4659626 -0.13492 13.14962339 13.1383005 0.086108 13.4894 13.39222 0.720453

145.9293376 145.3325826 0.408934 13.78425518 13.7328185 0.373155 14.11296 14.06703 0.325486

138.6433038 139.1195826 -0.34353 13.52469153 13.5234875 0.008902 13.11274 13.15601 -0.32998

135.2834377 135.4659626 -0.13492 13.14962339 13.1383005 0.086108 13.4894 13.39222 0.720453

126.2374893 126.7818226 -0.4312 11.95030861 12.0336515 -0.69741 12.0626 11.98674 0.628864

141.8323575 141.5907226 0.170367 14.46083326 14.4188055 0.290632 13.66915 13.65046 0.136741

146.6038611 147.8037226 -0.81844 14.44000983 14.6281365 -1.30282 14.47556 14.56148 -0.5936

133.3668299 132.9948226 0.278935 12.30559423 12.2429825 0.508807 13.04828 12.89776 1.153537

141.8323575 141.5907226 0.170367 14.46083326 14.4188055 0.290632 13.66915 13.65046 0.136741

145.9293376 145.3325826 0.408934 13.78425518 13.7328185 0.373155 14.11296 14.06703 0.325486

Lampiran III Metode MLR

Tabel 13. Uji Sensitivitas Parameter Rs, Boi, Bgi terhadap IGIP

No. Rs Boi Bgi IGIP (BSCF) IGIP 1&2 (BSCF)

IGIP 3 (BSCF)

IGIP 4 (BSCF)

1 802 1.848 0.007 175.6827452 146.7378271 14.46856619 14.47635191

2 702 1.548 0.006 161.1987323 135.0346175 12.94685659 13.21725824

3 602 1.248 0.005 146.5375551 123.2034108 11.45209019 11.88205411

4 852 1.448 0.003 155.0860288 129.4013106 13.16225214 12.52246608

5 552 1.348 0.004 145.4423568 122.4313976 11.35910087 11.65185832

6 752 1.648 0.0065 166.6863476 139.4280688 13.52770207 13.73057669

7 652 1.388 0.005 152.2662112 127.7700854 12.11824991 12.3778759

8 772 1.688 0.00675 170.7309561 142.6869811 13.95209345 14.09188154

9 672 1.428 0.0025 147.8414741 123.9303811 12.13906524 11.77202777

10 572 1.358 0.0035 144.9033393 121.8969579 11.43340091 11.57298054

11 872 1.928 0.0075 178.5012151 148.9628518 14.74560734 14.79275595

12 742 1.628 0.0055 163.6405482 136.9039646 13.36524384 13.3713398

13 642 1.418 0.0065 156.9802009 131.7578818 12.32276638 12.89955278

150.2503939 150.9192148 -0.44514 169.9623448 169.6600948 0.177834 175.5194281 178.5640948 -1.73466 158.7207016 159.8232148 -0.69462 169.9623448 169.6600948 0.177834

173.8265573 176.2738148 -1.40787


14 582 1.368 0.0035 145.5445052 122.3927078 11.52072605 11.63107133

15 642 1.488 0.005 155.3792171 130.3876739 12.3888552 12.60268805

16 612 1.318 0.00575 151.0603451 126.9322194 11.79783323 12.33029242

17 822 1.908 0.008 179.7060384 150.0392627 14.73955591 14.92721984

18 812 1.888 0.004 171.7035916 143.2344631 14.67081767 13.79831081

19 832 1.878 0.005 173.3908853 144.6506147 14.66348005 14.07679058

20 842 1.868 0.0055 173.7602307 144.9767997 14.60652762 14.17690341

21 782 1.808 0.007 173.841968 145.2829873 14.22335492 14.33562576

22 662 1.528 0.003 152.1551918 127.5472589 12.4687836 12.13914938

23 582 1.508 0.006 157.6317413 132.5089966 12.29564616 12.8270986

24 592 1.828 0.0045 165.7246545 139.0872424 13.43652053 13.2008916

25 612 1.728 0.0045 162.1733473 136.0892148 13.09961463 12.98451791

26 682 1.458 0.006 157.7881272 132.2721603 12.57390921 12.94205766

27 622 1.878 0.007 175.1616783 146.9640818 13.96928953 14.22830698

28 862 1.578 0.0045 161.7726095 134.9862695 13.57935343 13.20698649

29 722 1.518 0.0075 164.0546661 137.3661219 13.0580041 13.63054016

30 692 1.618 0.0035 157.4926775 131.8827641 12.99402856 12.61588478

31 712 1.438 0.005 155.3925896 130.1503164 12.5697797 12.67249346

32 732 1.498 0.008 164.666679 137.8437263 13.07702572 13.74592694

33 632 1.828 0.0075 174.5732948 146.463435 13.83880136 14.27105848

34 762 1.398 0.0085 162.9383479 136.2913175 12.94871808 13.69831236

35 902 1.698 0.0055 167.0180906 139.3334056 13.95858416 13.72610077

36 952 1.798 0.008 172.4086077 143.8300855 14.12562529 14.45289691

37 942 1.898 0.0075 175.7014524 146.5691541 14.51435519 14.61794303

38 762 1.898 0.0045 171.8993029 143.6076361 14.46832471 13.82334213

39 652 1.788 0.004 164.0438112 137.455404 13.49864165 13.08976555

40 932 1.568 0.006 162.8863218 135.8917599 13.49765487 13.496907

41 922 1.488 0.0065 174.4104719 144.2429899 15.60036608 14.56711598

42 802 1.548 0.006 163.1490621 136.290899 13.39468146 13.46348158

43 552 1.548 0.006 158.5872686 133.4132874 12.31083423 12.86314702

44 702 1.998 0.006 178.1361258 149.0806878 14.67157756 14.38386038

45 702 1.256 0.006 151.8681051 127.2886317 12.08577091 12.49370251

46 702 1.548 0.01 170.8944489 143.1784266 13.30118096 14.41484137

47 702 1.548 0.002 151.8540956 127.0410768 12.78668439 12.02633441 Tabel 14. Anova Daerah Main

ANOVAd

Model Sum of Squares df Mean Square F Sig.

1 Regression 3472.735 1 3472.735 135.889 .000a

Residual 1150.009 45 25.556


Total 4622.745 46

2 Regression 4281.082 2 2140.541 275.663 .000b

Residual 341.662 44 7.765

Total 4622.745 46

3 Regression 4405.796 3 1468.599 291.081 .000c

Residual 216.949 43 5.045

Total 4622.745 46

a. Predictors: (Constant), Boi

b. Predictors: (Constant), Boi, Bgi

c. Predictors: (Constant), Boi, Bgi, Rs

d. Dependent Variable: IGIP

Tabel 15. Anova Segmen 1&2

ANOVAd


1 Regression 2311.270 1 2311.270 143.881 .000a

Residual 722.868 45 16.064

Total 3034.138 46

2 Regression 2860.714 2 1430.357 362.899 .000b

Residual 173.425 44 3.941

Total 3034.138 46

3 Regression 2908.350 3 969.450 331.400 .000c

Residual 125.789 43 2.925

Total 3034.138 46




d. Dependent Variable: IGIP segmen 1&2

Tabel 16. Anova Segmen 3

ANOVAd


1 Regression 35.802 1 35.802 106.559 .000a

Residual 15.119 45 .336


Total 50.920 46

2 Regression 44.884 2 22.442 163.574 .000b

Residual 6.037 44 .137

Total 50.920 46

3 Regression 45.331 3 15.110 116.240 .000c

Residual 5.590 43 .130

Total 50.920 46




d. Dependent Variable: IGIP segmen 3

Tabel 17. Anova Segmen 4

ANOVAd


1 Regression 23.723 1 23.723 62.859 .000a

Residual 16.983 45 .377

Total 40.706 46

2 Regression 37.023 2 18.512 221.154 .000b

Residual 3.683 44 .084

Total 40.706 46

3 Regression 39.234 3 13.078 382.062 .000c

Residual 1.472 43 .034

Total 40.706 46




d. Dependent Variable: IGIP segmen 4

Tabel 18. Coefficients Daerah Main

Coefficientsa

Model

Unstandardized Coefficients

Standardized

Coefficients

t Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF


1 (Constant) 94.913 5.893 16.106 .000

Boi 42.242 3.624 .867 11.657 .000 1.000 1.000

2 (Constant) 88.581 3.307 26.784 .000

Boi 37.299 2.055 .765 18.147 .000 .944 1.059

Bgi 2527.986 247.770 .430 10.203 .000 .944 1.059

3 (Constant) 83.102 2.885 28.809 .000

Boi 33.968 1.787 .697 19.007 .000 .812 1.232

Bgi 2293.037 205.234 .390 11.173 .000 .894 1.118

Rs .017 .003 .186 4.972 .000 .781 1.280

a. Dependent Variable: IGIP Daerah Main

Tabel 19. Coefficients Segmen 1&2

Coefficientsa

Model


Standardized

Coefficients

t Sig.



1 (Constant) 80.880 4.672 17.311 .000

Boi 34.461 2.873 .873 11.995 .000 1.000 1.000

2 (Constant) 75.660 2.356 32.111 .000

Boi 30.386 1.464 .770 20.750 .000 .944 1.059

Bgi 2084.190 176.525 .438 11.807 .000 .944 1.059

3 (Constant) 72.274 2.196 32.905 .000

Boi 28.328 1.361 .717 20.817 .000 .812 1.232

Bgi 1938.983 156.276 .407 12.407 .000 .894 1.118

Rs .010 .003 .142 4.035 .000 .781 1.280

a. Dependent Variable: IGIP segmen 1&2

Tabel 20. Coefficients Segmen 3

Coefficientsa

Model


Standardized

Coefficients

t Sig.



1 (Constant) 6.351 .676 9.398 .000


Boi 4.289 .415 .839 10.323 .000 1.000 1.000

2 (Constant) 4.757 .474 10.034 .000

Boi 3.294 .292 .644 11.267 .000 .825 1.212

Rs .004 .001 .465 8.136 .000 .825 1.212

3 (Constant) 4.688 .463 10.125 .000

Boi 3.226 .287 .631 11.248 .000 .812 1.232

Rs .004 .001 .441 7.707 .000 .781 1.280

Bgi 61.089 32.943 .099 1.854 .071 .894 1.118

a. Dependent Variable: IGIP Segmen 3

Tabel 21. Coefficients Segmen 4

Coefficientsa

Model


Standardized

Coefficients

t Sig.



1 (Constant) 7.682 .716 10.727 .000

Boi 3.491 .440 .763 7.928 .000 1.000 1.000

2 (Constant) 6.870 .343 20.007 .000

Boi 2.857 .213 .625 13.390 .000 .944 1.059

Bgi 324.267 25.725 .588 12.605 .000 .944 1.059

3 (Constant) 6.140 .238 25.844 .000

Boi 2.414 .147 .528 16.398 .000 .812 1.232

Bgi 292.983 16.905 .531 17.331 .000 .894 1.118

Rs .002 .000 .264 8.037 .000 .781 1.280

a. Dependent Variable : IGIP Segmen 4


Tabel 22. Durbin - Watson


Tabel 24. Perolehan Galat %Actual IGIP terhadap Prediction IGIP

IGIP (BSCF) IGIP Korelasi Galat % IGIP 1&2 (BSCF) Pred IGIP 1&2 (BSCF) Galat %

175.6827452 175.3520609 0.188228 146.7378271 146.4938073 0.166296452 161.1987323 161.1946275 0.002546 135.0346175 135.02195 0.009380928 146.5375551 147.037194 -0.34096 123.2034108 123.5500927 -0.281389856 155.0860288 153.4296496 1.068039 129.4013106 127.9240883 1.141582178 145.4423568 147.3039396 -1.27995 122.4313976 123.926592 -1.221250782 166.6863476 166.5749462 0.066833 139.4280688 139.3414947 0.062092304 152.2662112 152.6297034 -0.23872 127.7700854 128.0332529 -0.205969574 170.7309561 168.8417264 1.106554 142.6869811 141.1662618 1.065772987 147.8414741 148.590581 -0.5067 123.9303811 124.5258161 -0.480459266 144.9033393 146.8318894 -1.33092 121.8969579 123.4472913 -1.271839287 178.5012151 180.3878184 -1.05691 148.9628518 150.4537125 -1.000827174 163.6405482 163.4351325 0.125529 136.9039646 136.7325008 0.125243853 156.9802009 156.9209265 0.037759 131.7578818 131.6881011 0.05296131 145.5445052 147.338968 -1.23293 122.3927078 123.8340251 -1.177616972 155.3792171 155.8591004 -0.30885 130.3876739 130.7625637 -0.287519356 151.0603451 151.3021418 -0.16007 126.9322194 127.0907247 -0.124873969 179.7060384 180.017992 -0.17359 150.0392627 150.3393653 -0.200016046 171.7035916 169.9990118 0.992746 143.2344631 141.9134217 0.922292981 173.3908853 172.2871857 0.636538 144.6506147 143.7760423 0.60461022 173.7602307 173.2614328 0.287061 144.9767997 144.5657142 0.28355261 173.841968 173.6585445 0.105512 145.2829873 145.153786 0.088930784

152.1551918 152.9665058 -0.53321 127.5472589 128.2246185 -0.531065588 157.6317413 157.8271212 -0.12395 132.5089966 132.6473581 -0.104416684 165.7246545 165.4246843 0.181005 139.0872424 138.9071974 0.12944753 162.1733473 162.3626862 -0.11675 136.0892148 136.2813437 -0.141178638 157.7881272 157.8027131 -0.00924 132.2721603 132.2655448 0.00500143 175.1616783 173.357918 1.029769 146.9640818 145.4814105 1.00886644 161.7726095 161.4524667 0.197897 134.9862695 134.6186184 0.272361849 164.0546661 163.9499699 0.063818 137.3661219 137.2875086 0.057229031 157.4926775 157.6723469 -0.11408 131.8827641 132.0539723 -0.12981848 155.3925896 155.3324953 0.038673 130.1503164 130.0703792 0.061419136 164.666679 164.5845374 0.049884 137.8437263 137.7939037 0.036144264

174.5732948 172.9734468 0.916433 146.463435 145.1379753 0.904976522 162.9383479 162.8364661 0.062528 136.2913175 136.2409987 0.036920033 167.0180906 168.4912734 -0.88205 139.3334056 140.3707513 -0.744506097 172.4086077 178.4577032 -3.50858 143.8300855 148.5682625 -3.294287828 175.7014524 180.5405725 -2.75417 146.5691541 150.3280816 -2.564610216 171.8993029 170.6482242 0.727797 143.6076361 142.6489048 0.66760468


164.0438112 163.923832 0.073138 137.455404 137.425341 0.021871094 162.8863218 165.7241633 -1.74222 135.8917599 137.9680159 -1.527874833 174.4104719 163.9858553 5.977059 144.2429899 136.5678362 5.320989051 163.1490621 162.8686173 0.171895 136.290899 136.0565206 0.171969223 158.5872686 158.6836427 -0.06077 133.4132874 133.4700941 -0.042579492 178.1361258 176.4802096 0.929579 149.0806878 147.7694052 0.879579119 151.8681051 151.275983 0.389892 127.2886317 126.7502679 0.422947276 170.8944489 170.3668495 0.308728 143.1784266 142.7778829 0.279751433 151.8540956 152.0224054 -0.11084 127.0410768 127.266017 -0.177060999

IGIP 3 (BSCF) Pred IGIP 3 (Bscf) Galat % IGIP 4 (BSCF) Pred IGIP (BSCF) 4 Galat %

14.46856619 14.43108 0.25908711 14.47635191 14.4396267 0.253691

12.94685659 12.98398 -0.28673686 13.21725824 13.1996079 0.13354

11.45209019 11.53688 -0.740387201 11.88205411 11.959589 -0.65254

13.16225214 13.10318 0.448799638 12.52246608 12.4136159 0.869239

11.35910087 11.59028 -2.035188635 11.65185832 11.7965406 -1.24171

13.52770207 13.54603 -0.13548443 13.73057669 13.6989268 0.230507

12.11824991 12.19758 -0.654633223 12.3778759 12.4089687 -0.2512

13.95209345 13.773905 1.2771449 14.09188154 13.9133035 1.267241

12.13906524 12.25743 -0.975073102 11.77202777 11.8176416 -0.38748

11.43340091 11.67543 -2.116859996 11.57298054 11.7187656 -1.2597

14.74560734 15.01193 -1.806115231 14.79275595 14.9352479 -0.96325

13.36524384 13.37863 -0.100156497 13.3713398 13.3353781 0.268946

12.32276638 12.34443 -0.175801596 12.89955278 12.8985686 0.007629

11.52072605 11.74943 -1.985152229 11.63107133 11.7651929 -1.15313

12.3888552 12.47888 -0.726659554 12.60268805 12.6280605 -0.20133

11.79783323 11.850505 -0.446452912 12.33029242 12.3705824 -0.32676

14.73955591 14.76938 -0.202340492 14.92721984 14.9220171 0.034854

14.67081767 14.41868 1.718634064 13.79831081 13.6795187 0.860918

14.66348005 14.53088 0.904287724 14.07679058 13.9929423 0.595649

14.60652762 14.57083 0.244394978 14.17690341 14.1375851 0.277341

14.22335492 14.21848 0.034274052 14.33562576 14.2984958 0.259005

12.4687836 12.56928 -0.805983993 12.13914938 12.183225 -0.36309

12.29564616 12.35438 -0.477679979 12.8270986 12.8355845 -0.06616

13.43652053 13.33803 0.733006211 13.2008916 13.1908182 0.076309

13.09961463 13.09843 0.009043243 12.98451791 12.9940157 -0.07315

12.57390921 12.60988 -0.286074835 12.94205766 12.9377864 0.033003

13.96928953 13.77738 1.373795923 14.22830698 14.1108345 0.825625

13.57935343 13.65643 -0.567601178 13.20698649 13.1891753 0.134862

13.0580041 13.06213 -0.031596712 13.63054016 13.6112469 0.141544


12.99402856 13.01563 -0.166241285 12.61588478 12.6138273 0.016309

12.5697797 12.60928 -0.314248149 12.67249346 12.6633947 0.071799

13.07702572 13.06978 0.055408012 13.74592694 13.7317515 0.103124

13.83880136 13.68813 1.08876019 14.27105848 14.1589249 0.785741

12.94871808 12.90243 0.357472297 13.69831236 13.7037299 -0.03955

13.95858416 14.27193 -2.244825381 13.72610077 13.8609728 -0.9826

14.12562529 14.95618 -5.879773057 14.45289691 14.9462582 -3.41358

14.51435519 15.20693 -4.771654 14.61794303 15.0188583 -2.74262

14.46832471 14.27303 1.34980873 13.82334213 13.7387022 0.612297

13.49864165 13.42848 0.519768224 13.08976555 13.0815097 0.063071

13.49765487 14.00768 -3.778620323 13.496907 13.7605368 -1.95326

15.60036608 13.73813 11.93713064 14.56711598 13.6916343 6.009986

13.39468146 13.40098 -0.047022693 13.46348158 13.4225004 0.304388

12.31083423 12.35848 -0.387023082 12.86314702 12.8652691 -0.0165

14.67157756 14.43748 1.595585472 14.38386038 14.2858226 0.681582

12.08577091 12.04082 0.371932501 12.49370251 12.4947752 -0.00859

13.30118096 13.22838 0.54732704 14.41484137 14.3715408 0.300389

12.78668439 12.73958 0.368386272 12.02633441 12.0276749 -0.01115


Lampiran IV. Perbandingan Pergitungan IGIP (MLR-DOE)

Tabel 25. Multiple Linear Regression dan Design of Experimental

Multiple Linear Regression Main Segmen 1&2

IGIP IGIP Pred Galat % IGIP Pred IGIP Galat % 150.2503939 151.5574 -0.86989 126.2374893 127.235 -0.79018582 156.0318048 154.8974 0.727034 130.3352008 129.295 0.798096592 161.9224626 161.7764 0.090205 135.2834377 135.112 0.126724801 173.8265573 172.0364 1.029853 145.9293376 144.372 1.067186114 165.2807322 165.1574 0.07462 138.6433038 138.555 0.063691369 161.9224626 161.7764 0.090205 135.2834377 135.112 0.126724801 150.2503939 151.5574 -0.86989 126.2374893 127.235 -0.79018582 169.9623448 168.4974 0.861923 141.8323575 140.615 0.858307309 175.5194281 175.3764 0.081488 146.6038611 146.432 0.117228217 158.7207016 158.4364 0.179121 133.3668299 133.052 0.236063086 169.9623448 168.4974 0.861923 141.8323575 140.615 0.858307309 173.8265573 172.0364 1.029853 145.9293376 144.372 1.067186114

Multiple Linear Regression Segmen 3 Segmen 4

IGIP Pred IGIP Galat % IGIP Pred IGIP Galat % 11.95030861 12.12178 -1.43487 12.06259605 12.14414 -0.67601 13.0104003 12.95578 0.41982 12.68620368 12.59014 0.75723

13.14962339 13.13908 0.08018 13.48940157 13.46914 0.150204 13.78425518 13.59708 1.357891 14.11296446 13.98714 0.891552 13.52469153 13.41378 0.820067 13.11273684 13.10814 0.035056 13.14962339 13.13908 0.08018 13.48940157 13.46914 0.150204 11.95030861 12.12178 -1.43487 12.06259605 12.14414 -0.67601 14.46083326 14.24778 1.473312 13.66915405 13.55414 0.841413 14.44000983 14.43108 0.061841 14.47555717 14.43314 0.293026 12.30559423 12.30508 0.004179 13.04827747 13.02314 0.19265 14.46083326 14.24778 1.473312 13.66915405 13.55414 0.841413 13.78425518 13.59708 1.357891 14.11296446 13.98714 0.891552

Design Of Experimental

Design Of Experimental Main Segmen 1&2

IGIP IGIP Pred Galat % IGIP Pred IGIp Galat % 175.6827452 178.5640948 -1.640086849 146.7378271 147.8037226 -0.726394496


161.1987323 162.1130048 -0.567171024 135.0346175 135.2438326 -0.154934419 146.5375551 145.6619148 0.597553507 123.2034108 122.6839426 0.421634593 155.0860288 150.8140648 2.754576949 129.4013106 127.7997476 1.23767139 145.4423568 146.2339948 -0.544296735 122.4313976 123.0795976 -0.529439354 166.6863476 168.2822248 -0.957413263 139.4280688 139.9815576 -0.396970857 152.2662112 151.9921948 0.179958769 127.7700854 127.6199436 0.117509352 170.7309561 170.8983128 -0.098023641 142.6869811 141.9801976 0.495338464 147.8414741 146.4462828 0.943707649 123.9303811 123.9233336 0.00568666 144.9033393 145.3902878 -0.336050572 121.8969579 122.5996556 -0.576468611 178.5012151 184.1398128 -3.15885676 148.9628518 152.1716736 -2.154108733 163.6405482 164.3771808 -0.450152855 136.9039646 137.1701126 -0.194404889 156.9802009 157.5634758 -0.371559532 131.7578818 131.5282186 0.174306992 145.5445052 145.9160668 -0.25529071 122.3927078 123.0316566 -0.522048095 155.3792171 155.9903308 -0.393304659 130.3876739 130.5808266 -0.148137239 151.0603451 150.8812838 0.118536271 126.9322194 126.5198576 0.324867714 179.7060384 184.2287128 -2.516706973 150.0392627 151.9725006 -1.288488003 171.7035916 171.4196688 0.165356355 143.2344631 142.9480556 0.199957115 173.3908853 174.2054318 -0.469774694 144.6506147 144.9577256 -0.212312198 173.7602307 175.3926808 -0.939484307 144.9767997 145.8083386 -0.573566875 173.841968 176.6900068 -1.638291854 145.2829873 146.3228326 -0.71573783

152.1551918 151.9284188 0.149040593 127.5472589 127.9197166 -0.292015448 157.6317413 159.0937768 -0.927500697 132.5089966 132.5273726 -0.013867738 165.7246545 167.9167708 -1.322746037 139.0872424 139.4146376 -0.235388375 162.1733473 164.0331488 -1.146798491 136.0892148 136.5773116 -0.358659428 157.7881272 158.1825918 -0.249996376 132.2721603 132.2207226 0.038887775 175.1616783 177.7366378 -1.470047287 146.9640818 146.5050286 0.31235741 161.7726095 160.7270238 0.64633049 134.9862695 135.0395766 -0.039490757 164.0546661 165.5602378 -0.917725619 137.3661219 137.6721146 -0.222757035 157.4926775 157.4573458 0.022433868 131.8827641 132.1018836 -0.166147185 155.3925896 154.7356038 0.422790946 130.1503164 129.9035056 0.18963519 164.666679 166.3362218 -1.013892313 137.8437263 138.2142836 -0.268824204

174.5732948 177.2788268 -1.54979718 146.463435 146.1218656 0.233211381 162.9383479 164.0511138 -0.682936776 136.2913175 136.5360146 -0.179539757 167.0180906 169.0882598 -1.239488005 139.3334056 141.3061326 -1.415832041 172.4086077 181.1934798 -5.095379063 143.8300855 150.1858576 -4.418944811 175.7014524 183.7076158 -4.556685953 146.5691541 152.1112406 -3.78120931 171.8993029 172.7423638 -0.490438813 143.6076361 143.6742146 -0.046361393 164.0438112 165.4747948 -0.872317943 137.455404 137.8867036 -0.313774204 162.8863218 165.5693568 -1.647182508 135.8917599 138.7025316 -2.068390094 174.4104719 163.6487228 6.170357194 144.2429899 137.1469226 4.919523164 163.1490621 163.2581448 -0.066860758 136.290899 136.4794026 -0.138309749


158.5872686 160.3952948 -1.140082817 133.4132874 133.3904776 0.017097098 178.1361258 180.6199298 -1.39432919 149.0806878 149.1238126 -0.028927154 151.8681051 150.1040668 1.161559433 127.2886317 126.2372678 0.82596842 170.8944489 173.9850048 -1.808458917 143.1784266 143.5278326 -0.244035368 151.8540956 150.2410048 1.062263611 127.0410768 126.9598326 0.063951127

Design Of Experimntal Segmen 3 Segmen 4

IGIP Pred IGIP Galat % IGIP Pred IGIP Galat % 14.46856619 14.6281365 -1.102875765 14.47635191 14.56148472 -0.58808 12.94685659 12.9933235 -0.358904956 13.21725824 13.13363172 0.632707 11.45209019 11.3585105 0.8171407 11.88205411 11.70577872 1.483543 13.16225214 13.083022 0.601949721 12.52246608 12.30113472 1.767474 11.35910087 11.437363 -0.688981733 11.65185832 11.57080772 0.695602 13.52770207 13.6245005 -0.715557081 13.73057669 13.70139972 0.212496 12.11824991 12.1037826 0.119384483 12.3778759 12.23863652 1.124905 13.95209345 13.88046015 0.51342331 14.09188154 13.94369062 1.051605 12.13906524 12.1678555 -0.237170321 11.77202777 11.64582392 1.072066 11.43340091 11.5292522 -0.83834452 11.57298054 11.49764802 0.650934 14.74560734 15.2743535 -3.585787603 14.79275595 15.12023492 -2.21378 13.36524384 13.4354658 -0.525407249 13.3713398 13.31453952 0.424791 12.32276638 12.2754199 0.38421957 12.89955278 12.75711982 1.10417 11.52072605 11.611264 -0.785870175 11.63107133 11.55160252 0.683246 12.3888552 12.4314757 -0.344022909 12.60268805 12.50623072 0.765371

11.79783323 11.71633045 0.690828378 12.33029242 12.16287892 1.357742 14.73955591 15.0109207 -1.841064898 14.92721984 15.08999452 -1.09046 14.67081767 14.612555 0.397133079 13.79831081 13.79211232 0.044922 14.66348005 14.7346179 -0.485136201 14.07679058 14.11600022 -0.27854 14.60652762 14.7770264 -1.167277976 14.17690341 14.26332832 -0.60962 14.22335492 14.3896211 -1.168965978 14.33562576 14.39511232 -0.41496 12.4687836 12.5304371 -0.494462828 12.13914938 12.06525512 0.608727

12.29564616 12.3071491 -0.093552952 12.8270986 12.72003132 0.834696 13.43652053 13.4391183 -0.019333651 13.2008916 13.22465752 -0.18003 13.09961463 13.1561911 -0.431894156 12.98451791 12.98178612 0.021039 12.57390921 12.5685786 0.042394214 12.94205766 12.82110082 0.934603 13.96928953 13.934088 0.251992272 14.22830698 14.20416942 0.169645 13.57935343 13.7166501 -1.011069273 13.20698649 13.16138062 0.345316 13.0580041 13.0757831 -0.136154039 13.63054016 13.55089322 0.584327

12.99402856 13.0348364 -0.314050718 12.61588478 12.55434582 0.487789 12.5697797 12.5586075 0.08888143 12.67249346 12.53313182 1.099718

13.07702572 13.0809457 -0.029976082 13.74592694 13.66898962 0.55971


13.83880136 13.8275129 0.081571082 14.27105848 14.23457072 0.255677 12.94871808 12.8776729 0.548665741 13.69831236 13.60267802 0.698147 13.95858416 14.4124415 -3.251456844 13.72610077 13.91472622 -1.37421 14.12562529 15.1831725 -7.486728469 14.45289691 15.08984222 -4.40704 14.51435519 15.4759771 -6.625316092 14.61794303 15.20559942 -4.0201 14.46832471 14.4608599 0.051594156 13.82334213 13.84956702 -0.18971 13.49864165 13.5238416 -0.18668508 13.08976555 13.10423052 -0.11051 13.49765487 14.097431 -4.443558053 13.496907 13.76071952 -1.95461 15.60036608 13.7895864 11.60728967 14.56711598 13.65398012 6.268474 13.39468146 13.4409825 -0.345667347 13.46348158 13.38085972 0.613674 12.31083423 12.321835 -0.089358445 12.86314702 12.76278972 0.780192 14.67157756 14.669389 0.014917005 14.38386038 14.44905822 -0.45327 12.08577091 11.90574322 1.489583837 12.49370251 12.28006608 1.709953 13.30118096 13.2724315 0.216142161 14.41484137 14.34832772 0.461425 12.78668439 12.7142155 0.566752786 12.02633441 11.91893572 0.893029


Gambar 1. Skematik Lapangan X


Gambar 2. Bagan Studi Simulasi dan Masalah

1.GGR Studies

Volumetric in Place

IGIP : 198 BSCF

IOIP : 128 MMSTB

Pembuatan Geomodel 2. Model Statik

Reservoir Sumur eksplorasi

IGIP : 160 BSCF

IOIP : 105 MMSTB 3. Material Balance (confirmed)

Fault dan Compositional 4. Segment Model Statik Reservoir

In place Segmen 1,2,3,4

Produksi sumur 6 dari 2 segmen

In place Segmen 1&2,3,dan 4

Model statik diubah menjadi model dinamik

diuji dengan

diperoleh hasil

Segmen 1&2 : 90 BSCF

Gp Segmen 1&2 : 120 BSCF

Permasalahannya Identifikasi Masalah

5. Model Dinamik

6. Inplace (IGIP) Segmen 1&2 tidak cocok dengan Gp

7. Pembagian In Place di tiap Segmen

10. Pengaruh data PVT (Rs, Boi,Bgi) di tiap

segmen

11. Metode DOE dan MLR

9. Uji dengan Material balacne

8. simulasi reservoir dinamik

segmen 1&2 :130 BSCF

segmen 3 : 15.81 BSCF

segmen 4 : 16.07 BSCF

Matching dengan merubah komposisi C1-C7

12. Penentuan Kuantitatif dan

Kualitatif Ketidakpastian PVT terhadap peroleh IGIP


Gambar 3. Geologi Model Reservoir Daerah Main

Segment 3 Segment 4

Segment 1&2


Gambar 4. Profil Tekanan sebelum Matched Tiap Segmen (dari kiri - kanan) 1&2, 3 dan 4


Gambar 5. Profil Tekanan Matched Tiap Segmen (dari kiri - kanan) 1&2, 3 dan 4


Gambar 6. Hasil Matching Parameter PVT terhadap Experiments Observation pada Segmen 1&2


Gambar 7. Komposisi C1-C7 setelah matching Tiap Segmen (dari kiri - kanan) 1&2, 3 dan 4


Gambar 8. Skema Sumur, Segmen yang Dibentuk pada Simulasi menggunakan Material Balance


Gambar 9. History MatchingMenggunakan Material Balance (dari kiri - kanan) Segmen 1&2, 3, dan 4


Gambar 10.HistoryMatchingAnalytical Method(dari kiri-kanan) Segmen 1&2, Segmen 3, dan Segmen 4


Gambar 11.Driving Mechanism Segmen (dari kiri-kanan) 1&2, Segmen 3, dan Segmen 4


Grafik 12. Grafik plot Actual IGIP terhadap Prediction IGIP Daerah Main, Segmen 1&2, Segmen 3, dan Segmen 4

y = 0.898x + 16.01R² = 0.980

145

150

155

160

165

170

175

180

145 150 155 160 165 170 175 180

Calculated IGIP vs Actual IGIP (Main) - (DOE)

y = 1x - 1E-04R² = 0.992

125

130

135

140

145

150

125 130 135 140 145 150

Calculated IGIP 1&2 vs Actual IGIP 1&2 - (DOE)

y = 1x - 5E-06R² = 0.992

1111.5

1212.5

1313.5

1414.5

15

11 12 13 14 15

Calculated IGIP 3 vs Actual IGIP 3 - (DOE)

y = 0.944x + 0.801R² = 0.993

11.5

12

12.5

13

13.5

14

14.5

15

11 12 13 14 15

Calculate IGIP 4 vs Actual IGIP 4 - (DOE)


Gambar 13.Residual Plot IGIP Daerah Main, Segmen 1&2, Segmen 3, dan Segmen 4

840-4-8

99

90

50

10

1

Residual

Pe

rce

nt

180170160150

6

4

2

0

-2

Fitted Value

Re

sid

ua

l

6420-2-4

6.0

4.5

3.0

1.5

0.0

Residual

Fre

qu

en

cy

121110987654321

6

4

2

0

-2

Observation OrderR

esi

du

al

Normal Probability Plot Versus Fits

Histogram Versus Order

Residual Plots for IGIP (BSCF)

10-1

99

90

50

10

1

Residual

Pe

rce

nt

150145140135130

1.0

0.5

0.0

-0.5

-1.0

Fitted Value

Re

sid

ua

l

1.00.50.0-0.5-1.0

4

3

2

1

0

Residual

Fre

qu

en

cy

121110987654321

1.0

0.5

0.0

-0.5

-1.0

Observation Order

Re

sid

ua

l



Residual Plots for IGIP (BSCF) 1&2

0.20.10.0-0.1-0.2

99

90

50

10

1

Residual

Pe

rce

nt

15141312

0.1

0.0

-0.1

-0.2

Fitted Value

Re

sid

ua

l

0.100.050.00-0.05-0.10-0.15-0.20

4.8

3.6

2.4

1.2

0.0

Residual

Fre

qu

en

cy

121110987654321

0.1

0.0

-0.1

-0.2

Observation Order

Re

sid

ua

l



Residual Plots for IGIP 3 (BSCF)

0.100.050.00-0.05-0.10

99

90

50

10

1

Residual

Pe

rce

nt

14.413.813.212.612.0

0.10

0.05

0.00

-0.05

-0.10

Fitted Value

Re

sid

ua

l

0.10

00.07

50.05

00.02

50.00

0

-0.02

5

-0.05

0

-0.07

5

3

2

1

0

R id l

Fre

qu

en

cy

121110987654321

0.10

0.05

0.00

-0.05

-0.10

Observation Order

Re

sid

ua

l



Residual Plots for IGIP (BSCF) 4


Gambar 14.IGIP S-Curve Daerah Main, Segmen 1&2, Segmen 3, dan Segmen 4

190180170160150140

100

80

60

40

20

0

IGIP (BSCF)

Pe

rce

nt

177.

81

90

164.

74

50

151.

67

10

Mean 164.7StDev 10.20N 12

Empirical CDF of IGIP (BSCF)Normal

155150145140135130125120

100

80

60

40

20

0

IGIP (BSCF) 1&2

Pe

rce

nt

146.

72

90

137.

29

50

127.

87

10


Empirical CDF of IGIP (BSCF) 1&2Normal

161514131211

100

80

60

40

20

0

IGIP 3 (BSCF)

Pe

rce

nt

14.5

07

90

13.3

31

50

12.1

55

10

Mean 13.33StDev 0.9177N 12

Empirical CDF of IGIP 3 (BSCF)Normal

1514131211

100

80

60

40

20

0

IGIP (BSCF) 4

Pe

rce

nt

14.3

23

90

13.3

33

50

12.3

42

10

Mean 13.33StDev 0.7730N 12

Empirical CDF of IGIP (BSCF) 4Normal


Gambar 15.Pareto Chart of Effect for IGIP pada Daerah Main, Segmen 1&2, Segmen 3, dan Segmen 4

Rs

Bgi

Boi

9876543210

Term

Standardized Effect

2.306

Pareto Chart of the Standardized Effects(response is IGIP (BSCF), Alpha = 0.05)

Rs

Bgi

Boi

302520151050

Term

Standardized Effect

2.31

Pareto Chart of the Standardized Effects(response is IGIP (BSCF) 1&2, Alpha = 0.05)

Bgi

Rs

Boi

302520151050

Term

Standardized Effect

2.31

Pareto Chart of the Standardized Effects(response is IGIP 3 (BSCF), Alpha = 0.05)

Rs

Bgi

Boi

35302520151050

Term

Standardized Effect

2.31

Pareto Chart of the Standardized Effects(response is IGIP (BSCF) 4, Alpha = 0.05)


Gambar 16.Normal Plot of the Standardized Effects IGIP pada Daerah Main, Segmen 1&2, Segmen 3, dan Segmen 4

1086420-2

99

95

90

80

70

60504030

20

10

5

1

Standardized Effect

Pe

rce

nt

Not SignificantSignificant

Effect Type

Bgi

Boi

Normal Plot of the Standardized Effects(response is IGIP (BSCF), Alpha = 0.05)

302520151050

1.0E+02

99.9999

99.99

99

95

80

50

20

5

1

Standardized Effect

Pe

rce

nt


Effect Type

Bgi

Boi

Rs

Normal Plot of the Standardized Effects(response is IGIP (BSCF) 1&2, Alpha = 0.05)

302520151050

99.99

99

95

80

50

20

5

1

Standardized Effect

Pe

rce

nt


Effect Type

Bgi

Boi

Rs

Normal Plot of the Standardized Effects(response is IGIP 3 (BSCF), Alpha = 0.05)

35302520151050

99

95

90

80

70

60504030

20

10

5

1

Standardized Effect

Pe

rce

nt


Effect Type

Bgi

Boi

Rs

Normal Plot of the Standardized Effects(response is IGIP (BSCF) 4, Alpha = 0.05)


Gambar 17.Plot Main Effects IGIP pada Daerah Main, Segmen 1&2, Segmen 3, dan Segmen 4

802602

175

170

165

160

1551.8481.448

0.0070.004

175

170

165

160

155

Rs

Mea

n

Boi

Bgi

Main Effects Plot for IGIP (BSCF)Fitted Means

802602

145

140

135

1301.8481.448

0.0070.004

145

140

135

130

Rs

Mea

n

Boi

Bgi

Main Effects Plot for IGIP (BSCF) 1&2Data Means

802602

14.0

13.5

13.0

12.51.8481.448

0.0070.004

14.0

13.5

13.0

12.5

Rs

Me

an

Boi

Bgi

Main Effects Plot for IGIP 3 (BSCF)Data Means

802602

14.0

13.5

13.0

1.8481.488

0.0070.004

14.0

13.5

13.0

Rs

Me

an

Boi

Bgi

Main Effects Plot for IGIP (BSCF) 4Data Means


Gambar 18. Uji Linearitas Rs, Boi, Bgi terhadap IGIP

y = 0.053x + 124.0R² = 0.354

120

130

140

150

160

170

180

190

500 600 700 800 900 1000

Rs vs IGIP

y = 42.24x + 94.91R² = 0.751

120

130

140

150

160

170

180

190

1.2 1.4 1.6 1.8 2 2.2

Boi vs IGIP

y = 3587.x + 142.7R² = 0.372

120

130

140

150

160

170

180

190

0.002 0.004 0.006 0.008 0.01 0.012

Bgi vs IGIP

y = 0.041x + 106.4R² = 0.319

120

125

130

135

140

145

150

155

500 600 700 800 900 1000

Rs vs IGIP segmen 1&2

y = 34.46x + 80.88R² = 0.761

120

125

130

135

140

145

150

155

1.2 1.4 1.6 1.8 2 2.2

Boi vs IGIP segmen 1&2

y = 405.4x + 11.02R² = 0.540

11

12

13

14

15

16

0.001 0.003 0.005 0.007 0.009 0.011

Bgi vs IGIP segmen 1&2


y = 234.7x + 11.94R² = 0.145

10

11

12

13

14

15

16

0 0.005 0.01 0.015

Bgi vs IGIP segmen 3

y = 0.006x + 8.217R² = 0.539

10

11

12

13

14

15

16

500 600 700 800 900 1000

Rs vs IGIP segmen 3

y = 4.289x + 6.350R² = 0.703

10

11

12

13

14

15

16

1.2 1.4 1.6 1.8 2 2.2

Boi vs IGIP segmen 3

y = 405.4x + 11.02R² = 0.540

10

11

12

13

14

15

16

0 0.005 0.01 0.015

Bgi vs IGIP segmen 4

y = 3.491x + 7.682R² = 0.582

10

11

12

13

14

15

16

1.2 1.4 1.6 1.8 2 2.2

Boi vs IGIP segmen 4

y = 0.005x + 9.347R² = 0.416

10

11

12

13

14

15

16

500 600 700 800 900 1000

Rs vs IGIP segmen 4


Gambar 19.Standardized Residual Plot IGIP Daerah Main, Segmen 1&2, Segmen 3, dan Segmen 4

6420-2

99

90

50

10

1

Standardized Residual

Pe

rce

nt

180170160150

6

4

2

0

-2

Fitted Value

Sta

nd

ard

ize

d R

esi

du

al

420-2

30

20

10

0


Fre

qu

en

cy

454035302520151051

6

4

2

0

-2

Observation Order

Sta

nd

ard

ize

d R

esi

du

al



Residual Plots for IGIP (BSCF)

420-2-4

99

90

50

10

1


Pe

rce

nt

150140130120

4

2

0

-2

-4

Fitted Value

Sta

nd

ard

ize

d R

esi

du

al

420-2

30

20

10

0


Fre

qu

en

cy

454035302520151051

4

2

0

-2

-4

Observation Order

Sta

nd

ard

ize

d R

esi

du

al



Residual Plots for IGIP 1&2 (BSCF)

6420-2

99

90

50

10

1


Per

cent

1514131211

6

4

2

0

-2

Fitted Value

Stan

dard

ized

Res

idua

l

6420-2

30

20

10

0


Freq

uenc

y

454035302520151051

6

4

2

0

-2

Observation Order

Stan

dard

ized

Res

idua

l




6420-2

99

90

50

10

1


Per

cent

15141312

6

4

2

0

-2

Fitted Value

Stan

dard

ized

Res

idua

l

420-2

30

20

10

0


Freq

uenc

y

454035302520151051

6

4

2

0

-2

Observation Order

Stan

dard

ized

Res

idua

l





Gambar 20. Model Summary


Gambar 21. UjiHomoscedasticity Daerah Main, Segmen 1&2, Segmen 3, dan Segmen 4


Gambar 22. Grafik Plot Actual IGIP terhadap Pred Daerah Main. Segmen 1&2, Segmen 3, Segmen 4

y = 1x - 1E-07R² = 0.953

140

145

150

155

160

165

170

175

180

185

140 150 160 170 180 190

Actual IGIP vs Pred IGIP

y = 1x + 5E-12R² = 0.958

120

125

130

135

140

145

150

155

120 125 130 135 140 145 150 155

Actual IGIP 1&2 vs Pred IGIP 1&2

y = 0.998x + 0.002R² = 0.890

14

14.2

14.4

14.6

14.8

15

15.2

15.4

15.6

15.8

14 14.5 15 15.5

Actual IGIP 3 vs Pred IGIP 3

y = x - 1E-13R² = 0.963

14

14.2

14.4

14.6

14.8

15

15.2

14 14.2 14.4 14.6 14.8 15 15.2

Actual IGIP 4 vs Pred IGIP 4


Gambar 23. Grafik IGIP S-Curve Daerah Main, Segmen 1&2, Segmen 3, Segmen 4

190180170160150140

100

80

60

40

20

0

IGIP (BSCF)

Pe

rce

nt

175.

92

90

163.

07

50

150.

22

10


Empirical CDF of IGIP (BSCF)Normal

160150140130120

100

80

60

40

20

0

IGIP 1&2 (BSCF)

Pe

rce

nt

90

146.

89

50

136.

48

10

126.

08


Empirical CDF of IGIP 1&2 (BSCF)Normal

161514131211

100

80

60

40

20

0

IGIP 3 (BSCF)

Pe

rce

nt

90

14.6

19

50

13.2

71

10

11.9

22



161514131211

100

80

60

40

20

0

IGIP 4 (BSCF)

Pe

rce

nt

90

14.5

21

50

13.3

15

10

12.1

10

Mean 13.32StDev 0.9407N 47



Gambar 24. Grafik MainEffects Plot for IGIP Daerah Main, Segmen 1&2, Segmen 3, Segmen

180

170

160

150

140

180

170

160

150

140

Rs

Me

an

Boi

Bgi

Main Effects Plot for IGIP (BSCF)Data Means

150

140

130

120

150

140

130

120

Rs

Me

an

Boi

Bgi

Main Effects Plot for IGIP 1&2 (BSCF)Data Means

15

14

13

12

11

15

14

13

12

11

Rs

Me

an

Boi

Bgi


15

14

13

12

15

14

13

12

Rs

Me

an

Boi

Bgi



Gambar 24. Penentuan Batas Atas dan Bawah

· pdf filesylvan ramadanel abdinni (12206001), semester ii 2010/2011 page 1 penentuan...

Documents