Penerapan Algoritma K-Nearest Neighbors untuk Deteksi Anomali pada Data Operasional Minyak dan Gas - Dalam bentuk buku karya ilmiah

MAULANA ARIQ PUTRAWIJAYA

Informasi Umum

Kode

25.04.6984

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

72 kali

Informasi Lainnya

Abstraksi

Distribusi minyak dan gas bumi melalui jaringan pipa merupakan proses vital dalam industri energi. Gangguan seperti kebocoran, lonjakan tekanan, atau perubahan suhu secara ekstrem dapat menyebabkan kerugian besar baik secara ekonomi maupun lingkungan. Oleh karena itu, deteksi anomali terhadap data operasional pipa menjadi hal penting yang perlu dilakukan secara dini dan akurat. Penelitian ini bertujuan untuk membangun sistem deteksi anomali menggunakan algoritma K-Nearest Neighbors (KNN) dengan pendekatan semi-supervised learning pada data operasional pipa minyak dan gas. Dataset yang digunakan merupakan data historis dari tahun 2015 hingga 2017, dengan fitur utama meliputi tekanan (pressure), suhu (temperature), laju energi (energy rate), dan laju volume (volume rate). Pelabelan awal data dilakukan menggunakan metode Z-Score, kemudian model KNN dilatih untuk mendeteksi anomali berdasarkan label tersebut. Evaluasi dilakukan menggunakan confusion matrix, F1-score, ROC curve, precision-recall curve, cross-validation, serta pengukuran kesamaan dengan Jaccard Similarity. Hasil penelitian menunjukkan bahwa model mampu mendeteksi anomali ekstrem dengan performa yang sangat tinggi (F1-score > 0.99), meskipun masih memiliki keterbatasan dalam mendeteksi perubahan bertahap. Sistem ini diharapkan dapat membantu proses pemantauan operasional secara otomatis dan efisien pada sistem industri migas.