Cek benefit aspek finansial (apakah <1M, 1-25M, 25-50M, atau >50M)
Cek Benefit teknis dan operasional (potensi kontribusi dari rata2 produksi apakah <1%, ~2%, ~5% atau >10%)
Cek Keefektifan solusi dalam memenuhi objective/problem/opportunity (apakah tidak efektif, kurang efektif, efektif, sangat efektif)
Cek Potensi dampak luas ke industri hulu migas dan masyarakat Indonesia (apakah tidak signifikan, kurang signifikan, signifikan, sangat signifikan)
Cek Orisinalitas ide (apakah tidak original, kurang original, original, sangat original)
Cek Penguasaan Teknologi AI/ML yang digunakan (apakah mengetahui, menguasai, menguasai dan sanggup coding, sudah advanced level)
Cek Penerapan Metodologi Pengembangan ML dalam tahapan proses pembuatan solusi (apakah tidak memakai ML, ML terbatas, menguasai ML, advanced ML level)
Cek Analisa fisibilitas untuk solusi yang dikembangkan (apakah hanya pengadaan software jadi, implementasi terbatas, sudah sampai tahap implementasi ide dan solusi, sudah advanced dan bisa melihat ke depan)
Cek Kebutuhan biaya lisensi perangkat lunak, tahun awal, diluar DB dan OS. (apakah >50 juta, 5-50 juta, 1-5 juta, <1 juta)
Cek Kebutuhan minimum biaya infrastruktur komputer/server (>500jt, 200jt-500jt, 50jt-200jt, <50jt)
Cek Kemudahan proses adopsi di tempat lain (apakah sulit, perlu beli perangkat komersial, tidak perlu beli perangkat tapi kompleks, tidak perlu beli perangkat dan tidak kompleks)

Dari text di bawah ini:
 
 




Questioner FINAL Hackathon AI/ML Hulu Migas 2025
Nama Tim:	UWAK PO
Deskripsi Proposal:	Mempercepat Prediksi Lokasi Oil Losses akibat Kebocoran Pipa Dengan Implementasi Sistem FOL (Finding Oil Losses) berbasis Teknologi IoT dan Machine Learning di Pertamina Hulu Rokan Zona 1 Jambi Field
KKKS:	Pertamina Hulu Rokan Zona 1 Jambi Field
Value Creation dalam Rupiah dan USD:	Rp. 66,176,383,483 / 4057150.43 USD 
Value Creation dalam Volume Minyak:	 52,042         BBLS
Value Creation dalam Volume Gas: 	 756,969       MMSCF

I. Benefit
1.	Manfaat apa yang didapatkan dari solusi ini?
Jawab:
Sistem FOL memberikan manfaat signifikan dalam mendeteksi kebocoran minyak secara dini melalui pemantauan tekanan berbasis IoT dan machine learning. Dengan akurasi deteksi lokasi hingga ±30 meter atau akurasi mencapai 98%, sistem ini mampu:
-	Mengurangi potensi kerugian produksi akibat oil loss secara drastis
-	Mempercepat respons perbaikan kebocoran di jalur trunkline
-	Meningkatkan keselamatan operasional dan pengawasan jalur pipa
-	Meminimalkan risiko pencemaran lingkungan akibat tumpahan minyak
-	Menurunkan biaya inspeksi manual dan frekuensi field survey
-	Mendukung pencapaian KPI produksi dan efisiensi anggaran operasional
-	
2.	Bagaimana anda menjustifikasi (evidence) keefektifan solusi dalam memecahkan masalah (memenuhi objective/problem/opportunity)?
Jawab:
Efektivitas solusi FOL dibuktikan melalui keberhasilan sistem dalam mendeteksi potensi kebocoran dengan akurasi lokasi hingga ±30 meter berdasarkan anomali tekanan yang diukur oleh sensor dan diproses oleh algoritma machine learning. Selama implementasi di trunkline Jambi Field ataupun Rantau Field dengan Panjang pipa hingga 64 km atau lebih, FOL mampu mengidentifikasi penurunan tekanan abnormal yang mengindikasikan kebocoran atau penyimpangan operasional, bahkan sebelum kebocoran tersebut berdampak besar terhadap produksi.
Data historis menunjukkan adanya korelasi kuat antara sinyal anomali yang terdeteksi dengan inspeksi lapangan yang menemukan indikasi illegal tapping dan potensi oil loss. Dengan integrasi pemantauan real-time dan dashboard interaktif, sistem ini berhasil menjawab kebutuhan objektif perusahaan dalam menjaga integritas pipa, menghindari kerugian produksi, serta meningkatkan efisiensi pengawasan tanpa ketergantungan pada inspeksi manual.


3.	Bagaimana cara anda mengevaluasi kinerja algoritma/model machine learning yang dihasilkan? 
Jawab:
Evaluasi kinerja model machine learning pada sistem FOL dilakukan melalui pendekatan supervised learning berbasis regresi, dengan input berupa tekanan fluida (PSI) dan jarak lokasi kebocoran (KM). Dataset dibagi menjadi 70% data latih dan 30% data uji, lalu diuji menggunakan beberapa model prediktif seperti Linear Regression, Decision Tree, dan Random Forest.
Kinerja tiap model dievaluasi menggunakan metrik statistik berikut:
-	MAE (Mean Absolute Error) – untuk mengukur rata-rata kesalahan absolut dari prediksi
-	MSE (Mean Squared Error) – untuk penalti kesalahan besar dalam prediksi
-	RMSE (Root Mean Squared Error) – sebagai indikator utama seberapa besar deviasi jarak prediksi terhadap lokasi kebocoran aktual
-	Accuracy Score – khusus untuk pengujian klasifikasi kondisi anomali atau tidak anomali (jika digunakan dalam hybrid approach)
Hasil terbaik diperoleh dari model Decision Tree dengan nilai RMSE terkecil, menunjukkan kemampuannya yang baik dalam memetakan pola penurunan tekanan terhadap prediksi jarak kebocoran. Validasi model juga dilakukan dengan membandingkan hasil prediksi dengan inspeksi lapangan nyata.

4.	Jabarkan hasil evaluasi menggunakan parameter evaluation metrics yang relevan (misalnya confusion matrix, CA, AUC, F1, MAE, MSE, RMSE, R2, dsb) 
Jawab:

Hasil evaluasi model Decision Tree dalam sistem FOL menggunakan beberapa parameter evaluasi utama, yaitu:
-	MAE (Mean Absolute Error) = 0.95%Ini menunjukkan rata-rata kesalahan prediksi terhadap lokasi kebocoran sangat rendah, yaitu kurang dari 1%.
-	MSE (Mean Squared Error) = 2.61%Metrik ini memperbesar penalti untuk error yang lebih besar. Nilai ini masih tergolong rendah, mengindikasikan stabilitas model dalam berbagai skenario input tekanan.
-	RMSE (Root Mean Squared Error) = 1.62%Digunakan untuk melihat deviasi prediksi terhadap nilai aktual dalam satuan yang sama. Nilai 1.62% menunjukkan bahwa hasil prediksi sangat mendekati kondisi riil di lapangan.
-	Accuracy = 0.99 (99%)Model ini mampu mendeteksi dan memetakan lokasi kebocoran dengan akurasi tinggi berdasarkan data tekanan historis yang dikumpulkan dari sensor-sensor di lapangan.
Hasil tersebut menunjukkan bahwa model Decision Tree sangat andal dan cocok digunakan dalam skenario real-time leak prediction di sistem FOL. Model ini memiliki generalisasi yang baik terhadap data tekanan yang bervariasi dan tetap menghasilkan prediksi yang konsisten.

5.	Berapa Value Creation dalam Rupiah yang dapat dihasilkan dan jelaskan perhitungannya?
Jawab:
Rp. 66,176,383,483 (Terlampir)
6.	Berapa Value Creation dalam volume produksi minyak (BBLS) dan gas (MMSCF) yang dapat dihasilkan dalam waktu 1 tahun (2025) dan jelaskan perhitungannya? 
Jawab:




II. Inovasi 
1.	Perangkat lunak (tools) apa saja yang digunakan dalam pengembangan solusi AI/ML? Jelaskan alasan pemilihan perangkat lunak tersebut 
Jawab:
Pengembangan solusi AI/ML dalam sistem FOL menggunakan beberapa perangkat lunak utama berikut:
a.	PythonBahasa pemrograman utama yang digunakan karena memiliki ekosistem library machine learning yang sangat luas dan didukung oleh komunitas yang besar.
b.	Jupyter NotebookDigunakan sebagai media eksplorasi data, visualisasi, dan eksperimen model machine learning secara interaktif. Memudahkan dokumentasi dan replikasi proses modeling.
c.	Scikit-LearnLibrary utama untuk pengembangan model machine learning seperti Decision Tree, Linear Regression, dan Random Forest. Library ini dipilih karena ringan, mudah digunakan, dan mendukung berbagai teknik evaluasi (MAE, MSE, RMSE, dll).
d.	Pandas & NumPyDigunakan untuk manipulasi data tabular dan numerik, sangat penting dalam preprocessing data sensor tekanan dan transformasi dataset historis sebelum modeling.
e.	Matplotlib & SeabornDigunakan untuk visualisasi hasil evaluasi model dalam bentuk grafik bar, scatter plot, dan heatmap. Mempermudah interpretasi hasil regresi maupun analisis anomali.

2.	Algoritma machine learning apa saja yang digunakan dalam pengembangan solusi AI/ML? Jelaskan alasan pemilihan algoritma tersebut
Jawab:
Dalam pengembangan sistem FOL, beberapa algoritma machine learning berbasis regresi telah digunakan untuk memprediksi lokasi kebocoran (dalam KM) berdasarkan nilai tekanan (PSI) dari sensor di sepanjang trunkline. Adapun algoritma yang digunakan antara lain:
1.	Linear RegressionDigunakan sebagai baseline model karena kesederhanaannya dan kemampuannya dalam menunjukkan hubungan linier antara tekanan dan lokasi kebocoran.Alasan: Memberikan gambaran awal performa, cepat dilatih, dan mudah diinterpretasikan.
2.	Decision Tree RegressorAlgoritma ini membagi data menjadi cabang-cabang berdasarkan nilai tekanan, untuk menemukan pola prediktif terhadap lokasi kebocoran.
 Alasan:
-	Dapat menangkap hubungan non-linier secara alami
-	Tidak sensitif terhadap skala data
-	Mampu memberikan interpretasi visual berupa struktur pohon
-	Dihasilkan nilai RMSE yang paling rendah (±1.62%) dalam uji validasi sistem
3.	Random Forest RegressorMerupakan ensemble dari banyak decision tree, menghasilkan prediksi rata-rata dari seluruh pohon. Alasan:
-	Mengurangi overfitting dari Decision Tree tunggal
-	Lebih stabil terhadap data yang noisy
-	Cocok untuk data sensor tekanan yang fluktuatif

3.	Apa metodologi pengembangan machine learning yang digunakan? Jelaskan langkah-langkah penerapannya dalam pengembangan solusi yang anda ajukan 
Jawab:
Metodologi yang digunakan adalah CRISP-DM, dengan langkah-langkah sebagai berikut:
a.	Business UnderstandingMemahami tujuan prediksi lokasi kebocoran minyak secara dini.
b.	Data UnderstandingMengumpulkan dan menganalisis data tekanan dari sensor di jalur pipa.
c.	Data PreparationMembersihkan data, membuat label (jarak kebocoran), dan membagi data training/testing.
d.	ModelingMenggunakan algoritma Linear Regression, Decision Tree, dan Random Forest.
e.	EvaluationMengukur performa model dengan MAE, MSE, RMSE, dan Accuracy — terbaik: Decision Tree.
f.	DeploymentModel diintegrasikan ke sistem dashboard dan microcontroller untuk monitoring real-time.

4.	Apa saja metode yang dilakukan untuk memastikan keamanan perangkat lunak yang dihasilkan? 
Jawab:
Keamanan sistem dijaga melalui:
a.	Migrasi ke server Pertamina dengan proteksi jaringan internal.
b.	MFA untuk akses dashboard pengguna.
c.	Penggunaan JWT token di mikrokontroler untuk autentikasi data.
d.	Komunikasi terenkripsi via HTTPS.
e.	Rate limiting & IP filtering untuk mencegah akses ilegal.
f.	Log aktivitas & audit trail untuk pelacakan.
g.	Pengujian berkala (penetration testing) internal.

5.	Bagaimana anda menganalisa fisibilitas perangkat lunak yang dikembangkan (diantaranya aspek teknis, operational, maintenance, ekonomis, dsb) 
Jawab:
Analisis fisibilitas dilakukan dari beberapa aspek berikut:
a.	Teknis:Sistem dibangun dengan arsitektur modular berbasis Python, ESP32, dan dashboard web, mudah diintegrasikan dengan sensor & API existing. Telah diuji di jalur pipa >90 km.
b.	Operasional:Penggunaan real-time monitoring & notifikasi anomali mendukung kerja tim lapangan. Sistem bisa berjalan otomatis 24/7 tanpa pengawasan manual terus-menerus.
c.	Maintenance:Struktur kode modular dan dokumentasi yang lengkap memudahkan perawatan, update firmware, serta penambahan sensor baru tanpa ganggu sistem utama.
d.	Ekonomis:Dibandingkan solusi vendor luar, sistem ini hemat biaya (swakelola) dan mampu mencegah potensi kerugian oil loss miliaran rupiah. ROI-nya tinggi dengan CapEx yang rendah.





III. Kemudahan untuk diadopsi di tempat lain 
1.	Jelaskan mengenai kemudahan adopsi solusi di tempat lain? 
Jawab:
Solusi FOL mudah diadopsi di lokasi lain karena bersifat modular, berbasis open-source, dan hanya membutuhkan instalasi sensor tekanan serta koneksi internet. Sistem bisa disesuaikan dengan kondisi trunkline manapun tanpa ubah struktur utama.

2.	Sebutkan kebutuhan nilai biaya lisensi perangkat lunak (tools) untuk tahun pertama di luar biaya database dan operating system (dalam rupiah). Jelaskan per itemnya 
Jawab:
Jawab:Tidak ada kebutuhan biaya lisensi perangkat lunak khusus untuk tahun pertama karena seluruh pengembangan sistem FOL menggunakan tools open-source (Python, Scikit-learn, Jupyter, dsb). Data training diambil dari data leaktest aktual, sehingga tidak memerlukan software simulasi tambahan.
Namun, jika ingin menggunakan PipeSim sebagai tools pendukung simulasi tekanan dan validasi model:
PipeSim (optional): ± Rp 350.000.000 – Rp 500.000.000 per tahun, tergantung paket dan jumlah user.
Penggunaan PipeSim bersifat opsional dan tidak mempengaruhi sistem utama FOL.

3.	Sebutkan nilai kebutuhan minimum biaya infrastruktur komputer/server (dalam rupiah). Jelaskan per itemnya 
Jawab:

-	VM Hosting (Cloud VPS standar)Spesifikasi: 2 vCPU, 4 GB RAM, 80 GB SSDBiaya: ± Rp 250.000 – 500.000/bulan (tergantung provider & lokasi server)Total per tahun: ± Rp 3.000.000 – 6.000.000
Karena sudah di server Pertamina, biaya yang tetap dibutuhkan hanyalah:
-	Kuota data per titik sensor Estimasi: Rp 100.000 per sensor per bulanTotal per tahun per sensor: Rp 1.200.000
Biaya menyesuaikan jumlah sensor yang terpasang.Contoh: 10 sensor aktif = Rp 1.200.000 x 10 = Rp 12.000.000/tahun


LAMPIRAN
Judul :	Mempercepat Prediksi Lokasi Oil Losses akibat Kebocoran Pipa Dengan Implementasi Sistem FOL (Finding Oil Losses) berbasis Teknologi IoT dan Machine Learning di Pertamina Hulu Rokan Zona 1 Jambi Field
Rincian Keekonomian :
No	Deskripsi	Value Creation (IDR)	Lampiran
	A. Cost Saving		
1	Terhindar dari LPO akibat oil losses di Field jambi	8.015.146.607	Lampiran 1
2	Terhindar dari LPO akibat oil losses di Field Rantau	27.530.999.008	Lampiran 2
3	Penghematan menggantikan kontrak sewa LDS eksisting	1.824.324.000	Lampiran 3
4	Penghematan dari kontrak jasa pembersihan limbah kebocoran	211.292.000	Lampiran 4
	B. Cost Avoidance	 	
5	Terhindar dari pembelian sistem LDS	28.654.021.869	Lampiran 5
	C. Costs Incurred	 	
6	Fabrikasi Alat	44.800.000	

Lampiran 6
7	Kuota Internet Monitoring/tahun	9.600.000
8	Biaya riset	3.000.000
9	Upah Personil	2.000.000
	TOTAL  VALUE CREATION	66.176.383.483




LAMPIRAN 1 – REKAP LOSSES FIELD JAMBI
Periode	% Selisih MOS-MGS	MOS-MGS (BBL)	Periode	% Selisih MOS-MGS
Jan-23	-0,768490508	-1324,7405	Jan-23	0,768490508
Feb-23	-0,735632996	-575,504	Feb-23	0,735632996
Mar-23	-0,665147037	-396,202	Mar-23	0,665147037
Apr-23	-0,688003589	-438,51	Apr-23	0,688003589
Mei-23	-0,791071224	-142,717	Mei-23	0,791071224
Jun-23	-0,825695185	-68,654	Jun-23	0,825695185
Jul-23	-0,758157614	-370,33	Jul-23	0,758157614
Agu-23	-0,693596724	-471,302	Agu-23	0,693596724
Sep-23	-0,729755177	-372,944	Sep-23	0,729755177
Okt-23	-1,598770986	-676,478	Okt-23	1,598770986
Nov-23	-0,686092975	-359,297	Nov-23	0,686092975
Des-23	-1,03933682	-278,146	Des-23	1,03933682
Jan-24	-0,027007614	-42,492	Jan-24	0,027007614
Feb-24	-0,378180134	-548,331	Feb-24	0,378180134
Mar-24	-0,015154547	-23,56	Mar-24	0,015154547
Apr-24	-0,224343644	-390,788	Apr-24	0,224343644
Mei-24	-0,675380197	-1199,134	Mei-24	0,675380197
Jun-24	-0,41151498	-691,248	Jun-24	0,41151498
Jul-24	-0,545200649	-936,43	Jul-24	0,545200649
Agu-24	-0,344857202	-596,711	Agu-24	0,344857202
Sep-24	-0,229019732	-397,511	Sep-24	0,229019732
Okt-24	-0,45	-871,9	Okt-24	0,45
Nov-24	-0,46	-1017	Nov-24	0,46
Des-24	-0,2	-452,297	Des-24	0,2
Jan-25	-0,12	-11,336	Jan-25	0,12
Feb-25	-0,286	-725,922	Feb-25	0,286
AVG Losses Sebelum Implementasi FOL (%)	AVG Losses Setelah Implementasi FOL (%)	% Penurunan	 
-0,74	-0,33	55,4959707	 
				
				
	 	BBL	IDR	
	Losses 2023	-5474,8245	6.945.960.075	
	Sebelum Implementasi Jan 23-Feb 24	-6065,6475	8.015.146.607	





LAMPIRAN 2 – REKAP LOSSES FIELD RANTAU
Tanggal	Angka Kirim PPP Rantau(Bbls)	Angka Terima Terminal P.Susu(Bbls)	Losses(Bbls)
17 - 21 Januari 2024	        47.406,38 	          46.844,83 	           (561,55)
04 - 07 Februari 2024	        31.960,61 	          31.086,68 	           (873,93)
20 - 25 Februari 2024	        52.892,82 	          50.652,82 	        (2.240,00)
13 - 17 Maret 2024	        47.689,98 	          45.513,34 	        (2.176,65)
22 - 31 Maret 2024	        32.001,14 	          31.891,59 	           (109,55)
05 - 08 April 2024	        13.122,91 	          12.482,50 	           (640,40)
18 - 24 April 2024	        33.059,23 	          31.567,54 	        (1.491,69)
28 - 29 April 2024	        17.296,37 	          17.121,70 	           (174,67)
15 - 20 Mei 2024	        43.292,96 	          41.808,42 	        (1.484,55)
30 Mei - 03 Juni 2024	        28.355,75 	          27.185,20 	        (1.170,56)
12 - 16 Juni 2024	        27.223,59 	          25.330,02 	        (1.893,57)
18 - 19 Juni 2024	        12.571,51 	          12.902,75 	             331,23 
02 - 07 Juli 2024	        30.604,38 	          29.455,48 	        (1.148,90)
18 - 24 Juli 2024	        38.418,76 	          36.687,36 	        (1.731,40)
07 - 12 Agustus 2024	        36.034,78 	          34.312,13 	        (1.722,65)
25 - 26 Agustus 2024	          9.448,86 	            8.751,94 	           (696,92)
28 - 31 Agustus 2024	        23.331,04 	          22.322,37 	        (1.008,67)
09 - 12 September 2024	        22.793,32 	          20.806,44 	        (1.986,88)
16 September 2024	          3.713,47 	            3.660,06 	             (53,42)
TOTAL PEMOMPAANSEBELUM IMPLEMENTASI FOL	        551.217,86 	           530.383,14 	        (20.834,72)
			
26 - 30 September	        26.690,82 	          25.281,66 	        (1.409,15)
15 - 19 Oktober	        32.013,81 	          31.160,86 	           (852,96)
05 - 08 November	        35.740,02 	          35.575,54 	           (164,48)
17 - 19 November	        18.971,19 	          18.940,90 	             (30,29)
07 - 11 Desember	        40.541,20 	          40.395,15 	           (146,05)
24 - 30 Desember	        45.077,65 	          44.827,32 	           (250,33)
TOTAL PEMOMPAANSETELAH IMPLEMENTASI FOL	        199.034,68 	           196.181,43 	           (2.853,25)
JIKA BELUM IMPLEMENTASI FOL	        199.034,68 	           191.511,64 	           (7.523,04)
LOSSES YANG BERHASIL DIMITIGASI	           (4.669,79)
			
			
 	 	BBL	IDR
Sebelum Implementasi Jan-16 Sep 24	 	            (20.834,72)	27.530.999.008
LAMPIRAN 3 – BIAYA SEWA LEAK DETECTION SYSTEM EKSTERNAL (ATMOS)


Realisasi PT Mitra Kencana Persada Tahun 2024



LAMPIRAN 4 – KONTRAK JASA PEMBERSIHAN LIMBAH
Evidence MoM Teknis Persetujuan SKK Migas untuk RK Housekeeping Wilayah Kerja

Realisasi PT. Elco Prima Prabumulih untuk Jasa Pembersihan / Housekeeping Wilayah Kerja


LAMPIRAN 5 – FID PENAWARAN PEMBELIAN LDS FIELD RANTAU






LAMPIRAN 6 – BIAYA FABRIKASI SISTEM FOL
Komponen Alat Elektronika
Kompoinen	Jumlah	Harga per item (IDR)	Total Harga (IDR)
ESP32	1	200.000	200.000
Pin header female	5	5.000	25.000
Terminal PCB Blok	10	1.000	10.000
PCB Bolong (hijau)9x15cm	1	15.000	15.000
Connector LAN RJ45	8	2.500	20.000
Barel RJ 45 LAN Cable Joiner Coupler Connector 	8	5.000	40.000
Baut spacer 	20	2.000	40.000
Baut mur spi 3x10mm 	24	3.000	72.000
Kipas FAN 5v	1	30.000	30.000
LCD I2C	1	120.000	120.000
Orbit WIFI	1	700.000	700.000
Kuota Internet	1	100.000	100.000
Power supply 5V	1	250.000	250.000
Micro USB	1	30.000	30.000
Stepdown 2596	1	20.000	20.000
Box Plastik 18,5x11,5xm	1	50.000	50.000
Pressure Transmitter  	1	700.000	700.000
Selongsong kabel (Meter) ukuran 4mm	1	5.000	5.000
Kabel flat (meteran)	1	25.000	25.000
Tee Drat 1/2 Inch	2	20.000	40.000
Drat 1/2 Inch to 1/4 Inch	3	15.000	45.000
Junction Box	3	7.000	21.000
Kabel 2.5 inch	2	16.000	32.000
Kabel LAN (Meteran)	3	15.000	45.000
Total Harga untuk 1 Unit 	2.635.000
Total Harga untuk 16 Unit	16	 	42.160.000
Perlengkapan
Timah Solder besar	1	90.000	90.000
Solder	1	50.000	50.000
Server & Hosting	1	2.500.000	2.500.000
Total Perlengkapan	2.640.000
BIAYA TAMBAHAN
Biaya Riset	 	3.000.000	3.000.000
Upah Personil Percepatan Fabrikasi	 	2.000.000	2.000.000
Total Biaya Tambahan	5.000.000
Total Harga Keseluruhan  untuk 6 Unit FOL	49.800.000



