Tren dan Tantangan Integrasi AI pada Sektor Migas

Lifting minyak pada 2023 hanya mencapai 605.000 barel minyak per hari (MBOPD) atau lebih rendah dari target yang ditetapkan dalam APBN sebesar 660.000 barel minyak per hari.

Maka, untuk tahun ini, Satuan Kerja Khusus Pelaksana Kegiatan Usaha Hulu Minyak dan Gas Bumi (SKK Migas) menyetujui work program & budget (WP&B) 2024 untuk target lifting minyak di level 596.000 barel oil per day (bopd) atau lebih rendah dari target yang ditetapkan dalam APBN di level 635.000 bopd.

Begitu juga dengan target salur gas untuk 2024 dalam WP&B, berdasarkan hasil diskusi dengan kontraktor kontrak kerja sama (KKKS) disepakati pada level 5.544 juta standar kaki kubik per hari (MMscfd). Target itu juga lebih rendah dari batas minimal yang diamanatkan APBN di level 5.6785 MMscfd.

Sedangkan untuk gas bumi, terdapat beberapa lapangan yang saat ini masih dalam tahap eksplorasi dan dalam jangka panjang akan memberikan kontribusi besar.

Lapangan Abadi di Blok Masela, misalnya, yang diperkirakan mampu memproduksi gas 36.000 barel setara minyak per hari pada 2027.

Inilah ironi migas yang terjadi, kendati pengeboran dan rencana investasi migas kian agresif, nyatanya proyeksi lifting migas sampai akhir 2023 tetap dipatok lebih rendah dari yang ditargetkan dalam anggaran pendapatan dan belanja negara (APBN).

Di sisi lain, pemerintah masih memiliki harapan untuk dapat mewujudkan target lifting 1 juta barel minyak per hari dan 12 miliar standar kaki kubik gas per hari pada 2030.

Hanya saja, dengan tren produksi migas yang kian turun, tentu akan sangat sulit untuk merealisasikan target besar tersebut.

Untuk menggenjot produksi migas, pemerintah melakukan berbagai usaha seperti peningkatan produksi dari sumur-sumur tua melalui penggunaan teknologi seperti Enhance Oil Recovery (EOR) bio chemical surfaktan.

Potensi migas lainnya diharapkan dari penggalian batuan sumber, namun membutuhkan upaya lebih keras dan biaya mahal.

Hal ini tentu menyiratkan bahwa banyak pekerjaan rumah tangga menunggu untuk diselesaikan. Tantangan ini tentu tidak mudah, karena kita tahu bahwa Industri minyak dan gas adalah salah satu industri terbesar yang melibatkan tiga sektor konkret sekaligus, yaitu hulu (upstream), tengah (midstream), dan hilir (downstream).

Industri ini sangat dinamis, sehingga mutlak memerlukan kemajuan dalam teknologi untuk meningkatkan efisiensi operasional dan meningkatkan keuntungan (Hanga dan Kovalchuk 2019).

Dalam konteks ini, potensi kecerdasan buatan (Artificial Intelligence/AI) dalam industri migas dapat digunakan untuk meningkatkan produksi minyak dan gas serta meminimalkan biaya lifting.

Namun, entitas bisnis minyak dan gas menghadapi sejumlah tantangan dalam adopsi luas kecerdasan buatan (AI) pada kegiatan eksplorasi dan produksinya.

Salah satu hambatan utama adalah perlunya penyesuaian dan adaptasi solusi AI dalam konteks bisnis serta data spesifik setiap perusahaan.

Tak bisa ditampik, meskipun di tengah gempuran energi hijau mandat dari transisi energi, nyatanya industri minyak dan gas sedang mengalami transformasi pesat dengan adopsi AI yang kian marak.

Dari pengeboran yang mengoptimalkan lokasi dan efisiensi ekstraksi, hingga produksi yang memprediksi kegagalan peralatan dan mengatur aliran minyak otomatis, serta kilang cerdas yang memaksimalkan output dan meminimalkan emisi, AI kini mulai merambah seluruh rantai nilai industri migas.

Teknologi inovatif seperti pembelajaran mesin (Machine Learning/ML), computer vision, dan analitik real-time semakin dioptimalkan untuk menemukan cadangan tersembunyi, meningkatkan produktivitas sumur minyak, serta memperlambat laju penurunan produksi.

Dampaknya, industri migas bisa lebih efisien, produktif, dan berkelanjutan, selaras dengan tuntutan keandalan pasokan energi dan minimalisasi jejak lingkungan.

Namun, tantangan adopsi AI tetap tidak mudah, mulai dari infrastruktur data yang kompleks hingga keahlian tenaga kerja yang perlu diparalelkan dengan kebutuhan industri.

Mengatasi tantangan ini tentu menjadi kunci agar industri migas tak tertinggal dalam gelombang inovasi berbasis AI yang kian deras.

Dengan memasuki era big data, eksplorasi dan pengembangan lapangan minyak kian bergantung pada penggalian informasi tersembunyi dari data historis yang masif.

AI memainkan peran fundamental dalam hal ini, membantu mengungkap pola-pola tak terduga dan signifikan yang sebelumnya tak terlihat.

Kemajuan pesat dalam analisis big data dan teknik-teknik AI terkait terus memicu inovasi baru dalam pengembangan lapangan minyak. Diramalkan, AI, bersama teknologi pendukung seperti komputasi awan (cloud computing), Internet of Things, dan realitas virtual (Virtual Reality/VR), akan menjadi senjata ampuh untuk memangkas biaya dan meningkatkan efisiensi eksplorasi dan produksi minyak ke depan.

Kita mulai dari sektor hulu/upstream (eksplorasi dan produksi) memanfaatkan IoT untuk mendapatkan wawasan operasional baru dengan menganalisis sensor geologi, geofisika, dan interdisipliner, meningkatkan efisiensi pengeboran dan ekstraksi.

Penerapan kecerdasan buatan (AI) di sektor hulu migas memberikan kontribusi signifikan terutama dalam kegiatan eksplorasi dan produksi.

Pada tahap eksplorasi, AI digunakan untuk mengelola sejumlah besar data seismik yang dihasilkan selama akuisisi data, menciptakan model geografis 3D dari lapangan minyak atau gas.

Kemudian, sektor midstream (transportasi pipa dan penyimpanan) bisa fokus pada transparansi operasional dan membuka peluang bisnis baru melalui infrastruktur berbasis data.

Sementara itu, sektor hilir downstream (kilang dan pemasaran) melihat potensi terbesar dalam era informasi ini dengan mempertajam pemahaman jaringan pasokan hidrokarbon dan menyasar konsumen secara lebih strategis melalui model pemasaran berbasis data.

Interpretasi data seismik, seperti yang dilakukan oleh Mao (2019), melibatkan analisis berbasis mesin untuk mempercepat proses pembuatan gambaran 3D dari pantulan gelombang elastis di bawah permukaan.

Selain itu, teknologi AI mampu meningkatkan kecepatan pemodelan reservoir, seperti yang dilakukan oleh Temirchev et al. (2020), dengan memanfaatkan jaringan pembelajaran mendalam (deep learning) untuk mereduksi dimensi masalah matematis dan mempercepat perhitungan fisika aliran reservoir.

Semua ini menunjukkan bahwa penerapan AI di setiap proses bisnis industri migas tidak hanya memungkinkan pengelolaan data yang besar dan kompleks, tetapi juga mempercepat proses pengambilan keputusan dan pemodelan fisika yang menjadi inti dari kegiatan eksplorasi dan produksi minyak dan gas.

Aplikasi AI di Sektor Hulu Migas

AI memiliki potensi untuk mengatasi tantangan dalam eksplorasi dan pengambilan keputusan di industri hulu migas.

Secara historis, selama ini perusahaan mengandalkan proses manual yang didukung oleh ahli, yang tentunya sangat berisiko dan mengarah pada kerentanan dalam keputusan bernilai puluhan triliunan rupiah karena ketergantungannya pada data terbatas dan cenderung bias.

AI dan pembelajaran mesin bisa memanfaatkan data lapangan untuk mendukung pengambilan keputusan lebih baik.

Salah satu contohnya adalah penggunaan ML untuk meningkatkan citra seismik, langkah penting dalam mengidentifikasi potensi cadangan minyak dan gas.

Dengan memasukkan teknik AI dan ML, industri dapat mengoptimalkan upaya eksplorasi, mengurangi ketidakpastian, dan membuat investasi yang lebih kaya informasi di masa depan.

Singkatnya, untuk kebutuhan eksplorasi, AI dapat digunakan untuk menganalisis data seismik, geofisik, dan lain-lain untuk mengidentifikasi potensi cadangan minyak dan gas.

Sementara untuk sektor produksi, AI dapat digunakan untuk memantau dan mengoptimalkan produksi minyak dan gas.

Kemudian dalam peningkatan keselamatan kerja, AI juga dapat digunakan untuk mendeteksi dan mencegah kecelakaan di lapangan migas.

Namun memang penerapan AI di industri hulu migas masih dalam tahap awal, tetapi memiliki potensi untuk mengubah industri ini secara signifikan. Dengan memanfaatkan AI, industri dapat menjadi lebih efisien, produktif, dan aman.

Aplikasi AI di sektor Midstream Migas

Selanjutnya, penerapan AI dalam sektor midstream industri minyak dan gas, khususnya pada logistik pengangkutan produk dari lapangan ke kilang.

AI berperan dalam menganalisis data dan memberikan rekomendasi spesifik untuk meningkatkan efisiensi pengiriman melalui pipa dan metode lainnya.

Dengan memanfaatkan informasi dan pembelajaran mesin, industri midstream mampu meningkatkan produktivitas operasional.

Penggunaan AI memungkinkan prediksi kegagalan dan pengambilan tindakan pencegahan melalui analisis data dari sensor, sumber operasional, sistem perusahaan, dan penyedia eksternal.

Model pembelajaran mesin menghasilkan wawasan prediktif untuk berbagai operasi, termasuk kompresi, transportasi, LNG, dan lainnya.

AI membantu mengatasi masalah kritis seperti mengurangi kehilangan hidrokarbon, meminimalkan downtime, menurunkan biaya transportasi, dan berujung pada penghematan ratusan juta dollar AS per tahun.

Penerapan AI di sektor midstream masih terus berkembang, namun potensinya untuk meningkatkan efisiensi, profitabilitas, dan keamanan operasi sangatlah besar.

Aplikasi AI di Sektor Hilir (Downstream) Migas

Penerapan AI dalam sektor hilir industri Minyak dan Gas diakui menjadi sektor paling pesat perkembangannya dengan berbagai kemajuan dan inovasi yang signifikan.

AI sektor hilir terbukti menurunkan biaya operasional, peningkatan kualitas produk, dan pengurangan dampak negatif terhadap lingkungan (Patel et al., 2020).

Digitalisasi ladang minyak dan penerapan teknik machine learning (ML) dapat mengurangi biaya operasional hingga 10–25 persen (Elatab, 2016).

Studi kasus oleh Brelsford (2018) menunjukkan bahwa machine learning dapat digunakan untuk mengoptimalkan pengelolaan fasilitas pengolahan minyak dan gas.

Penggunaan data analytics dan machine learning dari layanan Google Cloud misalnya, membantu Repsol dalam meningkatkan efisiensi operasional fasilitas mereka di Spanyol.

Secara keseluruhan, penerapan AI dalam sektor hilir migas tidak hanya berkontribusi pada efisiensi operasional dan penurunan biaya, tetapi juga memberikan dampak positif terhadap lingkungan dengan mengurangi jejak karbon dan emisi gas rumah kaca.

Implementasi AI membutuhkan penyesuaian dengan karakteristik unik industri dan data yang tersedia pada perusahaan.

Untuk mengatasi hal ini, perusahaan harus berinvestasi dalam membentuk tim internal yang terdiri dari ahli data dan AI yang dapat berkontribusi pada pengembangan infrastruktur AI, algoritma, dan dataset yang disesuaikan dengan operasional mereka.

Tantangan lain yang krusial adalah kelangkaan talent AI di pasar tenaga kerja. Permintaan atas profesional AI yang terampil jauh melebihi pasokan yang tersedia, membuat sulit bagi perusahaan minyak dan gas untuk menemukan dan mempertahankan keahlian yang diperlukan (Global AI Talent Report 2019).

Selain itu, kesuksesan instrumen AI sangat bergantung pada ketersediaan data berskala besar dan berkualitas tinggi untuk pelatihan dan operasi.

Meskipun ladang minyak dan gas menghasilkan sejumlah besar data mentah, masalah terkait kualitas data, akurasi, dan kurangnya data berlabel menjadi tantangan untuk pengembangan AI yang efektif di industri ini.

Selanjutnya, minimnya kolaborasi dan ketidakterbukaan historis industri migras masih sangat kontras dengan sifat transparan dan kolaboratif pengembangan AI.

Keraguan industri untuk terlibat dalam inisiatif bersama, terutama di antara kompetitor, menghambat sharing dan transfer pengetahuan dan sumber daya yang diperlukan untuk kemajuan AI.

Mengatasi tantangan ini akan menjadi krusial bagi perusahaan minyak dan gas agar sepenuhnya merangkul AI dan mengoptimalkan potensinya dalam kegiatan eksplorasi dan produksi.

Diakui atau tidak, masa depan industri migas masih sangat menjanjikan peluang besar dengan adopsi luas kecerdasan buatan (AI) yang melibatkan berbagi informasi lintas perusahaan dan lintas sektor.

Dengan didukung kepemimpinan yang kuat dan komitmen strategis, serta adanya platform data yang baik, perkembangan kemampuan AI di sektor hulu, tengah, dan hilir diharapkan mengalami pertumbuhan cepat.

Ini akan diikuti oleh implementasi AI untuk pengambilan keputusan dinamis di berbagai tingkatan.

Potensi besar ini diperkirakan akan memberikan kontribusi signifikan terhadap performabilitas industri migas kita, serta menghasilkan penghematan biaya yang substansial dan mengurangi kerugian akibat keputusan yang kurang optimal.

Jika AI benar-benar terintergrasi dengan sektor migas, maka kita bisa memitigasi dampak negatif teknologi di sektor hulu, tengah, dan hilir, sehingga menjadi jawaban atas tantangan berat industri migas kita.