Mahasiswa ITS Kembangkan TAROS, AI Penjadwalan Migas, Berpotensi Tekan Kerugian Produksi
0 menit baca
Tim Hasta memperkenalkan Turnaround AI Reinforcement Optimization Scheduler (TAROS), sebuah sistem yang dirancang untuk mengotomatisasi penyusunan jadwal pemeliharaan besar atau turnaround maintenance di sektor hulu migas. Inovasi ini dikembangkan oleh Moch Avin, I Gusti Ngurah Arya Sudewa, Hilmi Zharfan Rachmadi SKom, Tegar Ganang Satrio Priambodo SKom, dengan pendampingan dosen Agus Budi Raharjo SKom MKom PhD.
Ketua tim, Moch Avin, menjelaskan bahwa proses penyusunan jadwal pemeliharaan di industri migas selama ini masih dilakukan secara manual. Padahal, kegiatan tersebut menjadi salah satu tahapan paling krusial karena penghentian operasi produksi harus dirancang secara presisi agar tidak mengganggu keseluruhan aktivitas perusahaan.
"Penyusunan jadwal bisa memerlukan waktu antara 40 hingga 80 jam karena harus mengatur ribuan pekerjaan yang saling bergantung serta memenuhi berbagai aturan operasional. Dalam kondisi seperti itu, pelanggaran terhadap aturan sering kali tidak terdeteksi," ujarnya.
Berangkat dari persoalan tersebut, Tim Hasta mengembangkan TAROS sebagai sistem penjadwalan otomatis yang mampu mempertimbangkan hubungan antartugas, ketersediaan sumber daya, hingga urutan pekerjaan secara bersamaan. Sistem tersebut mengombinasikan teknologi Deep Reinforcement Learning (DRL), Graph Neural Network (GNN), dan Serial Schedule Generation Scheme (SSGS).
Menurut Avin, pendekatan tersebut sebelumnya telah diterapkan untuk penjadwalan pemeliharaan di industri pupuk. Tim kemudian mengadaptasi metode itu agar sesuai dengan karakteristik operasional industri minyak dan gas bumi yang memiliki kompleksitas lebih tinggi.
Hasil pengujian menunjukkan performa yang menjanjikan. Menggunakan data pemeliharaan riil yang terdiri atas sekitar 5.000 aktivitas dan 39 jenis sumber daya, TAROS mampu memangkas waktu penyusunan jadwal menjadi sekitar lima jam. Sistem juga berhasil mengidentifikasi sejumlah pelanggaran aturan yang sebelumnya luput dalam proses perencanaan manual.
Selain mempercepat proses penyusunan jadwal, algoritma tersebut mampu mengoptimalkan durasi pelaksanaan pemeliharaan sehingga waktu penyelesaian pekerjaan dapat dipersingkat hingga satu hari pada skenario yang masih memiliki ruang optimalisasi.
Untuk mengukur potensi manfaat ekonominya, Tim Hasta melakukan simulasi berbasis data Lapangan Pinang East milik Pertamina Hulu Rokan (PHR) pada Desember 2024. Dalam simulasi tersebut diasumsikan satu lapangan menghasilkan sekitar 2.350 barel minyak per hari.
Dengan asumsi teknologi serupa diterapkan pada sekitar 80 lapangan aktif PHR, sistem TAROS diperkirakan mampu membantu menghindari potensi kerugian produksi hingga sekitar Rp3,2 miliar dalam setiap siklus pemeliharaan. Avin menegaskan bahwa angka tersebut merupakan hasil simulasi akademik dan belum melalui implementasi langsung pada operasional PHR.
Kompetisi IOC Forum & Hackathon AI/ML Hulu Migas 2026 menjadi ajang yang mempertemukan berbagai inovasi digital untuk menjawab tantangan transformasi industri energi nasional. Keberhasilan Tim Hasta menunjukkan bahwa riset perguruan tinggi tidak hanya menghasilkan publikasi ilmiah, tetapi juga mampu menawarkan solusi yang relevan terhadap kebutuhan industri melalui pemanfaatan teknologi kecerdasan buatan.
Pengembangan TAROS sekaligus memperlihatkan semakin luasnya pemanfaatan AI dalam sektor industri strategis. Teknologi tersebut tidak hanya meningkatkan efisiensi proses perencanaan, tetapi juga membuka peluang pengambilan keputusan yang lebih akurat pada operasi migas yang selama ini dikenal memiliki tingkat kompleksitas tinggi dan risiko operasional besar. (Nayla).
