📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 67 dokumenPENGEMBANGAN MODEL MACHINE LEARNING UNTUK PREDIKSI PERMINTAAN DALAM MENDUKUNG MANAJEMEN STOK DI PT XYZ
PT XYZ sebagai perusahaan telemedicine terkemuka menghadapi tantangan manajemen stok farmasi dengan lebih dari 6.000 SKU di lebih dari 200 farmasi. Proses peramalan permintaan masih dilakukan manual di Excel menggunakan metode moving average dan memerlukan 3–5 hari kerja per periode dengan akurasi yang rendah sehingga memicu overstock dan stockout. Penelitian ini mengembangkan sistem peramalan berbasis machine learning dengan target WMAPE di bawah 40% dan efisiensi waktu yang signifikan. Metodologi mengikuti CRISP-DM menggunakan data historis 2021–2024 sebanyak 10,5 juta baris dari 33 farmasi, dengan pendekatan komparatif antara model deret waktu klasik ARIMA, SARIMA, dan SARIMAX serta algoritma berbasis pohon Random Forest, XGBoost, dan LightGBM. Tahapan meliputi eksplorasi data, feature engineering, pemilihan farmasi representatif, dan optimasi hyperparameter, kemudian dievaluasi melalui time series cross-validation dan penerapan ke jaringan farmasi. Hasil menunjukkan keunggulan machine learning. XGBoost mencapai WMAPE 1,356% dan melampaui SARIMAX terbaik yang berada di 85,68%. Waktu pemrosesan menyusut dari 3–5 hari kerja menjadi sekitar 5 menit untuk 33 farmasi. Analisis ABC-XYZ menunjukkan risiko stockout dan overstock yang rendah pada lebih dari 90% produk serta performa yang terjaga di sebagian besar farmasi dengan WMAPE di bawah 5%. Temuan ini membuktikan bahwa machine learning mampu mentransformasi manajemen stok farmasi di PT XYZ dengan peningkatan akurasi dan efisiensi yang nyata serta siap untuk implementasi operasional skala penuh.
PENGEMBANGAN SISTEM DETEKSI PENYALAHGUNAAN PROMOSI PADA PLATFORM KEUANGAN DIGITAL MENGGUNAKAN METODE MACHINE LEARNING
Penyalahgunaan promosi merupakan salah satu bentuk fraud yang umum terjadi pada platform keuangan digital. Tugas akhir ini bertujuan mengembangkan model deteksi fraud menggunakan machine learning dengan mempertimbangkan karakteristik data yang mengandung banyak missing value dan fitur turunan. Untuk mengatasi hal tersebut, digunakan metode seleksi fitur berbasis Weight of Evidence (WOE) dan Information Value (IV). Pengisian missing value dilakukan menggunakan nilai WOE karena metode imputasi konvensional tidak sesuai untuk jenis fitur yang digunakan. Beberapa model dikembangkan dan diuji, antara lain Decision Tree, Random Forest, LightGBM, AdaBoost, CatBoost, serta model ensemble seperti Stacking dan kombinasi dengan DBSCAN. Hasil evaluasi menunjukkan bahwa CatBoost dengan hyperparameter tuning memberikan kinerja terbaik dengan akurasi 86% dan F1-Score tertinggi untuk kelas fraud, melampaui model-model lainnya. Meskipun tidak terdapat perbedaan signifikan antara model yang diuji, pendekatan CatBoost terbukti paling stabil dan memenuhi kebutuhan minimum sistem. Kompleksitas model seperti Stacking belum menunjukkan hasil yang optimal, diduga karena keterbatasan informasi dalam data. Temuan ini menekankan pentingnya strategi preprocessing dan pemilihan algoritma yang tepat dalam pengembangan sistem deteksi fraud berbasis machine learning.
IMPLEMENTASI LEARNING-BASED CACHE REPLACEMENT PADA TESTBED CONTENT DELIVERY NETWORK MENGGUNAKAN MACHINE LEARNING
Meningkatnya permintaan akses konten melalui internet mendorong penggunaan Content Delivery Network (CDN) untuk mengurangi latensi dan meningkatkan pengalaman pengguna. Namun, efisiensi penyimpanan cache pada CDN konvensional masih dapat ditingkatkan. Penelitian ini mengusulkan pendekatan cache replacement berbasis machine learning dengan menggunakan algoritma Learning Relaxed Belady (LRB) untuk mengoptimalkan alokasi konten dalam sistem CDN. Model ini dilatih menggunakan data log akses pengguna yang memuat informasi waktu akses, lokasi, jenis konten, dan ukuran file. Dengan memanfaatkan prediksi interval waktu ke akses selanjutnya, sistem dapat melakukan eviksi konten secara cerdas dan melakukan preloading konten yang diprediksi akan segera diakses. Sistem CDN testbed diimplementasikan dengan tiga subsistem utama: server CDN berbasis Nginx, subsistem pemantauan dengan Grafana dan Prometheus, serta subsistem machine learning yang menggunakan LightGBM. Evaluasi performa dilakukan melalui metrik Cache Hit Ratio (CHR) dan perbandingan dengan metode LRU dan LFU. Hasil pengujian menunjukkan bahwa pendekatan LRB dapat meningkatkan performa CDN berdasarkan CHR sebanyak 5% dibanding algoritma LRU dan 8% dibanding algoritma LFU, serta memenuhi target CHR di atas 80%. Selain itu, pendekatan LRB memiliki kestabilan yang lebih baik dibanding dua algoritma pembandingnya berdasarkan pengukuran standar deviasi yang paling rendah pada pengujian simulasi traffic menggunakan distribusi zipf dan uniform. Penelitian ini menunjukkan bahwa integrasi machine learning dalam cache replacement dapat menjadi solusi adaptif yang efektif untuk mengelola distribusi konten di jaringan CDN modern.
MODEL PENILAIAN RISIKO KREDIT MENGGUNAKAN MACHINE LEARNING
Penelitian ini bertujuan mengembangkan sistem penilaian risiko kredit berbasis machine learning untuk meningkatkan akurasi dan efisiensi analisis kelayakan kredit di Bank Perkreditan Rakyat (BPR) dalam menghadapi persaingan fintech. Data penelitian diperoleh dari BPR Perdana dengan 451 entri nasabah dan 25 variabel yang mencakup aspek demografis, finansial, dan riwayat kredit. Proses meliputi pembersihan data, seleksi fitur menggunakan korelasi Spearman, ANOVA, Chi-Square, dan Mutual Information, serta pembentukan label risiko baru melalui klasterisasi dengan Gaussian Mixture Model. Untuk mengatasi ketidakseimbangan kelas, digunakan Random Oversampling dan SMOTE-NC. Model klasifikasi diuji dengan algoritma Random Forest, LightGBM, dan XGBoost, dievaluasi menggunakan metrik akurasi, presisi, nilai f, serta validasi silang. Hasilnya menunjukkan bahwa penerapan penyeimbangan data secara signifikan meningkatkan kinerja model, dengan LightGBM dan Random Oversampling memberikan akurasi dan kestabilan prediksi terbaik, sehingga metode ini layak diterapkan pada BPR untuk mempercepat proses kredit tanpa mengorbankan prinsip kehati-hatian.
KAJIAN TEKNIK IMPUTASI BERBASIS MACHINE LEARNING UNTUK PENILAIAN RISIKO KUANTITATIF PADA PIPA PENYALUR PERTAMINA HULU KALIMANTAN TIMUR
Pada 2022, kebutuhan energi Indonesia mencapai 1,185 miliar BOE, didominasi industri migas. Namun, kerusakan pipa migas sangat berbahaya dengan rata-rata terjadi 634 kecelakaan, 55 luka, 12 jiwa, dan kerugian USD 516,5 juta per tahun di Amerika Serikat. Risk Based Inspection penting untuk menilai integritas pipa, tetapi data proses dan riwayat kegagalan sering hilang akibat akibat keterbatasan sensor dan kesalahan pencatatan sehingga metode imputasi tradisional, seperti imputasi nol, rata-rata, dan median mengubah signifikan distribusi dan variansi data. Machine learning menjadi solusi terkini untuk imputasi data yang memastikan analisis risiko tetap akurat dan efisien. Ketiga model yang dikaji, yaitu K-Nearest Neighbor, Multiple Imputation by Chained Equations, dan Random Forest. Pada tugas sarjana ini, dievaluasi metode-metode machine learning untuk imputasi data pada spesifikasi pipa dasar dan dampaknya terhadap parameter hasil asesmen risiko sistem perpipaan berdasarkan API RP 581 dan metode Muhlbauer. Pada Pertamina Hulu Kalimantan Timur, terdapat 597 segmen pipa yang dianalisis tingkat risikonya dari asesmen nilai probability of failure (POF) dan consequence of failure (COF). Pada uji dengan persentase amputasi data 10%, 15%, 20%, dan 30%, ketiga metode imputasi menunjukkan bahwa Random Forest paling unggul dengan rata-rata R² sebesar 66,3% dibandingkan MICE dengan 36,5%, dan KNN dengan 23,6%. Keunggulan dari Random Forest juga terlihat dalam analisis risiko dengan R² untuk POF mencapai 94,9% dengan bias relatif serendah 0,20%, untuk konsekuensi area hingga 83% dengan bias terendah 4,6%, dan untuk kerugian finansial hingga 96,2% dengan bias terendah 1,65%. Hasil confidence interval 95% memperlihatkan margin of error POF berkisar dari 0,006-0,007 per km-tahun, konsekuensi area antara 79,2 m2 hingga 119,2 m2, dan finansial rata-rata US$ 3,36 juta dengan standar deviasi sekitar US$ 1,04 juta.
PREDIKSI KURVA TAFEL BERBASIS MACHINE LEARNING (ML) DARI GAMBAR SCANNING ELECTRON MICROSCOPE (SEM) IMPLAN TULANG MAGNESIUM BERLAPIS ASAM TANAT-POLIETILENAIMINA (MG-TA-PEI)
Abstrak dapat dilihat pada file
PERANCANGAN SISTEM SEMI-OTOMASI UNTUK PENANGANAN PASCAPANEN BIJI KAKAO (THEOBROMA CACAO L.) FORASTERO YANG DIINTEGRASIKAN FERMENTASI SEKUNDER DENGAN PENAMBAHAN BUBUK STROBERI DAN MIKROBA STARTER
Indonesia dikenal sebagai negara produsen biji kakao terbesar ke-3 pada tahun 2021. Meskipun demikian, Indonesia tetap belum luput dari permasalahan mutu biji kakao karena petani Indonesia sering mengabaikan fermentasi primer biji kakao sehingga mutunya berkualitas yang rendah, seperti rasa yang pahit, aroma yang tidak khas, dan warna yang buruk. Penelitian terdahulu telah membuktikan bahwa mutu biji kakao kering dapat ditingkatkan melalui proses fermentasi sekunder dengan penambahan bubuk stroberi. Penelitian Nismara (2024) menemukan kondisi teroptimasi untuk proses fermentasi sekunder tersebut, yaitu: kepadatan sel 107 CFU/mL, suhu 27,01oC, dan konsentrasi bubuk stroberi 12,07% (b/b). Namun, kondisi optimum yang spesifik dan waktu fermentasi yang singkat dapat menjadi hambatan jika fermentasi sekunder diaplikasikan pada skala besar tanpa pengendalian kondisi dengan baik. Upaya lanjutan yang dapat dilakukan untuk permasalahan tersebut adalah otomatisasi proses fermentasi sekunder pada fermentor dengan pemanfaatan model machine learning. Model ini bertujuan untuk mengontrol kondisi fermentor dan menjamin keseragaman mutu biji secara presisi. Penelitian ini memiliki 3 tujuan, yaitu: menentukan kinetika mikroba starter, menentukan kualitas biji kakao hasil fermentasi sekunder, dan menentukan target prediksi dengan menggunakan sensor untuk mengevaluasi kinerja fermentasi sekunder. Model machine learning dibangun dari dataset proses fermentasi sekunder kondisi optimum dengan metode boosting regression. Data proses diperoleh dengan uji sampling dan pengukuran realtime menggunakan sensor suhu thermal imaging dan termistor yang juga digunakan sebagai basis utama model. Pendekatan pengukuran sensor yang berbeda akan mempengaruhi performa model prediksi yang dihasilkan. Model yang dibangun dan dievaluasi adalah model prediksi total fenolik, kadar pH, dan waktu fermentasi. Berdasarkan hasil penelitian, mikroba starter Lactobacillus plantarum memiliki nilai generation time dan specific growth rate secara berturut-turut sebesar 1,16 jam dan 0,6/jam. Mikroba Candida tropicalis memiliki nilai generation time dan specific growth rate secara berturut-turut sebesar 1,92 jam dan 0,36/jam. Hasil fermentasi sekunder menghasilkan biji dengan indeks fermentasi mencapai 90% dari 67,5%, total fenolik sebesar 97,40 mg GAE/g kakao dari 46 mg GAE/g kakao, susut bobot mencapai 7,19%, massa biji menjadi 0.83 gram (grade C) dari 0.82 gram (grade S), dan kadar air sebesar 6,37% dari 5,25%. Dari proses fermentasi sekunder yang dilakukan sebanyak 2 batch, dataset yang diperoleh untuk penyusunan model adalah 146 dataset. Dataset dibagi ke dalam 3 kategori, yaitu: 64% dataset training (93 dataset), 16% dataset validation (24 dataset), dan 20% dataset test (29 dataset). Penyusunan model dilakukan dengan nilai shrinkage 0,1 dan menggunakan loss function Gaussian. Evaluasi model prediksi menunjukkan bahwa sensor termistor adalah sensor suhu yang lebih baik sebagai basis model prediksi dibandingkan sensor thermal imaging karena pengukuran suhu yang spesifik. Secara berturut-turut, model prediksi total fenolik, kadar pH nibs, dan waktu fermentasi berbasis sensor termistor menghasilkan jumlah trees sebanyak 100, 61, dan 66. Model prediksi total fenolik, kadar pH nibs, dan waktu fermentasi berbasis sensor termistor memberikan performa yang baik dengan nilai metrik koefisien determinasi (R2) secara berturut-turut: 0,969; 0,952; 0,975 dan nilai Mean Squared Error (scaled) mendekati nol, yaitu secara berturut-turut: 0,03; 0,024; 0,47. Dari ketiga model prediksi, total fenolik memberikan risiko yang lebih aman (fail-safe) dibandingkan model prediksi kadar pH nibs dan waktu fermentasi.
USULAN METODE PERAMALAN PERMINTAAN PRODUK BATU SPLIT DENGAN PENDEKATAN PERAMALAN GABUNGAN PADA PERENCANAAN AGREGAT DI PT SEMEN PADANG
PT Semen Padang merupakan sebuah perusahaan persemenan tertua di Indonesia yang memproduksi batu split dalam unit BINS (Bisnis Inkubator Non Semen). Perusahaan mengalami permasalahan berupa indikasi supply-demand mismatch untuk produk batu split dengan nilai sMAPE aktual bulanan sebesar 51,16% selama periode Oktober 2023 hingga Maret 2025. Perbedaan yang besar antara supply- demand disebabkan karena perusahaan belum menerapkan sistem perencanaan produksi sistematis. Kondisi eksisting produksi didasarkan subjektivitas koordinator produksi tanpa mempertimbangkan kondisi penjualan historis. Untuk mengatasi permasalahan tersebut, penelitian ini berfokus dalam pengembangan usulan metode ensemble forecasting (peramalan gabungan) dalam konteks perencanaan agregat produk batu split sebagai langkah awal unit BINS dalam sistem perencanaan produksi sistematis. Metode peramalan ensemble forecasting digunakan atas dasar penggabungan hasil prediksi dari beragam model individual menjadi sebuah prediksi final dengan akurasi tinggi. Kategori model individual yang dipertimbangkan adalah model linear, time series, dan machine learning, dengan terdapat 2 metode pembanding dalam ensemble forecasting, yaitu metode ensemble stacking dan blending. Evaluasi model menggunakan prinsip Out- of-Fold (OOF) dengan pemisahan training dan testing set beserta dengan metode evaluasi TimeSeriesSplit Cross Validation (TSCV). Hasil penelitian adalah usulan model peramalan terbaik, yaitu metode ensemble forecasting stacking dengan bantuan meta-model Random Forest (RF) yang mampu menghasilkan sMAPE test bulanan sebesar 8,27%. Solusi yang diusulkan mampu memberikan peningkatan akurasi sebesar 89,83% jika dibandingkan dengan sMAPE aktual pada periode testing set yang sama.
IMPLEMENTASI METODE MACHINE LEARNING DALAM PERENCANAAN INSPEKSI BERBASIS RISIKO (RBI) PADA FASILITAS HULU MINYAK DAN GAS
Industri minyak dan gas berperan penting dalam penyediaan energi, namun memiliki risiko tinggi terhadap keselamatan, lingkungan, dan ekonomi. Risk-Based Inspection (RBI) digunakan untuk merancang strategi inspeksi, tetapi efektivitasnya sangat dipengaruhi oleh kelengkapan data. Banyak fasilitas menghadapi masalah data tidak lengkap, sehingga penelitian ini mengintegrasikan pendekatan machine learning untuk memprediksi risiko berdasarkan pola data, guna mendukung perencanaan inspeksi pada fasilitas hulu migas. Penelitian dimulai dengan pengelompokan dua lapangan, Lapangan AAA dengan data lengkap dan Lapangan BBB dengan data tidak lengkap. RBI kuantitatif dilakukan pada Lapangan AAA untuk mendapatkan output risiko peralatan. Model machine learning kemudian dibangun dari data tersebut untuk memprediksi risiko di Lapangan BBB. Analisis RBI secara kuantitatif menunjukkan bahwa salah satu segmen pipa di stream 16 memiliki nilai POF 0,331 (kategori 5) dan COF kategori D, dengan potensi kerugian finansial hingga $1.274.345 dan area konsekuensi sebesar 212 m². Selain itu, studi mengenai skenario jika terdapat komposisi H2S pada fluida proses menunjukkan dengan keberadaan 5% H?S pada V-1010 area konsekuensi membesar dari 289 m² menjadi 2.481 m². Model prediksi dibangun menggunakan enam algoritma: Decision Tree, k-NN, Logistic Regression, Random Forest, SVM, dan XGBoost untuk 13 parameter yang tersedia pada Lapangan BBB. Model XGBoost menunjukkan performa terbaik yaitu akurasi 94,25% dan macro F1-score 94,54%. Oleh karena itu, XGBoost dipilih sebagai model utama untuk prediksi risiko pada Lapangan BBB. Hasil prediksi menunjukkan bahwa mayoritas peralatan berada pada kategori risiko rendah, seiring dengan tingginya rasio ketebalan pipa terhadap batas minimumnya. Selain itu, didapatkan bahwa dengan hanya 6 parameter utama yaitu temperatur, tekanan, ketebalan terakhir, ketebalan minimum, laju korosi, dan umur sejak inspeksi terakhir, model prediksi risiko sudah bisa menjadi akurat dengan akurasi 90,37%.
PREDIKSI JENIS FLUIDA PADA RESERVOIR DELTATIK: STUDI KASUS DELTA MAHAKAM, KALIMANTAN TIMUR MENGGUNAKAN ALGORITMA MACHINE LEARNING
This study explores the application of machine learning (ML) algorithms to predict fluid types in deltaic reservoirs, specifically focusing on the Mahakam Delta in East Kalimantan. Deltaic reservoirs are characterized by high heterogeneity and complex geological formations, which pose significant challenges for traditional fluid identification methods. By utilizing well logging data, including parameters such as gamma ray, resistivity, density, and sonic logs, the study applies supervised learning techniques—specifically XGBoost and LightGBM models—to accurately classify fluid types across various wells in the reservoir. The data was pre-processed using imputation for missing values and Synthetic Minority Oversampling Technique (SMOTE) to address class imbalance, ensuring a balanced and robust dataset for model training. The models were evaluated based on metrics including accuracy, precision, recall, specificity, and F1 score, with XGBoost achieving superior performance, showing an accuracy of 91.71% during training and 68.5% during blind testing. The study demonstrates that machine learning techniques can significantly improve the time efficiency and accuracy of fluid type prediction compared to conventional methods, offering a more scalable and reliable approach to reservoir management in complex environments. This work highlights the potential of machine learning in enhancing fluid identification, optimizing exploration efforts, and contributing to the development of more effective reservoir management strategies in deltaic reservoirs.
IMPLEMENTASI METODE MACHINE LEARNING BERBASIS GRAF DAN NON GRAF UNTUK DETEKSI ANOMALI PADA TRANSAKSI BITCOIN
Terlampir
PREDIKSI FORMASI MENGGUNAKAN MODEL MACHINE LEARNING STUDI KASUS LAPANGAN
Formation prediction is important for understanding subsurface structures and making better reservoir models. Traditionally, geologists define formation boundaries using core samples and cutting descriptions. However, this method can be subjective and may lead to inconsistent results between wells. To solve this, machine learning is used in this study to classify formations based on well log data. Two types of machine learning methods are applied: supervised and unsupervised. Supervised learning uses labeled data to train a model, while unsupervised learning looks for patterns in data without labels. Five well log features (GR, NPHI, RHOB, PEF, and DT) are used in supervised models, and three features (GR, NPHI, RHOB) are used in unsupervised models. The Random Forest model achieved the highest F1-score (0.9090), followed by XGBoost and Decision Tree. Agglomerative Clustering gave the best result among unsupervised methods with a silhouette score of 0.5243. These results show that supervised learning is better for formation prediction, while unsupervised learning helps to understand hidden patterns in the data.
MODUL MACHINE LEARNING PADA WEB APPLICATION FIREWALL UNTUK DETEKSI MULTI-LABEL WEB ATTACKS
Perkembangan teknologi web membawa manfaat besar namun juga meningkatkan risiko terhadap serangan siber. Aplikasi web menjadi sasaran utama karena celah keamanannya yang kerap disalahgunakan melalui teknik seperti SQL Injection dan Cross-site Scripting (XSS). Meskipun telah ada Web Application Firewall (WAF) yang digunakan secara luas untuk menangkal ancaman tersebut, keterbatasannya dalam menghadapi serangan baru membuat pendekatan ini kurang efektif. Seiring kemajuan di bidang kecerdasan buatan (AI), pendekatan berbasis machine learning (ML) mulai dilirik sebagai alternatif yang lebih adaptif. Metode ini memiliki kemampuan untuk mengenali pola serangan secara dinamis dan belajar dari data baru. Namun, penerapannya masih menghadapi tantangan seperti keterbatasan dataset yang representatif untuk pelatihan dan kebutuhan akan klasifikasi multi-label yang kompleks. Tugas akhir ini bertujuan untuk mengevaluasi kemampuan WAF dalam mendeteksi web attacks dan mengembangkan model machine learning yang dapat meningkatkan performa sistem deteksi secara real-time. Model tersebut akan diintegrasikan dengan salah satu WAF, yakni Modsecurity dan diujicobakan dalam lingkungan aplikasi web yang terkontrol. Dengan pendekatan ini, diharapkan sistem dapat merespons ancaman secara cepat dan efisien, sekaligus meningkatkan efektivitas perlindungan aplikasi web terhadap berbagai jenis serangan.
PROACTIVE PROVISIONING IN KUBERNETES WITH TRAFFIC PREDICTION AND WARM POOL OF PODS
Kubernetes is an orchestration platform that is commonly used to manage containerized applications in microservices architectures. One of its core components, Horizontal Pod Autoscaler (HPA), enables dynamic resource scaling by adjusting the number of pods ba-sed on real-time system load. However, HPA is a reactive approach and does not optimally utilize historical application metrics. This leaves room for improvement through proactive provisioning strategies that anticipate resource needs before actual load spike occur. The limitations of this reactive mechanisms can lead to reduced service availability and degra-ded application responsiveness, especially under fluctuating traffic conditions. This study proposes a proactive provisioning approach based on machine learning to address dyna-mically changing traffic patterns. The proposed solution integrates SARIMA-based model using historical CPU usage data, a warm pool of pods to reduce pod initialization time, and weight-based dynamic routing to efficiently distribute traffic to ready resources. There are four continuous phases for the proposed solution: machine learning training and data collection, model updating and traffic prediction, dynamic routing and spike management, and spike recovery. Evaluation for the system is done under simulated traffic scenarios including gradual pattern, cyclical pattern, stable loads, and random loads. The result de-monstrates that the proposed approach enables more proactive provisioning than the default HPA mechanism. It also improves resource allocation efficiency without compromising system stability by accurately predicting load patterns and anticipating spikes in advance. The results highlight the effectiveness of combining proactive and reactive strategies for managing dynamic workloads in Kubernetes environment.
ANALISIS INTEGRITAS SISTEM PERPIPAAN FASILITAS HULU DENGAN METODE STATISTIK API 574 DAN MACHINE LEARNING
Industri minyak dan gas memiliki peran strategis dalam menjamin keberlanjutan pasokan energi global. Untuk menjaga keandalan dan kinerja produksi, seluruh peralatan, termasuk sistem perpipaan pada fasilitas hulu, harus dipelihara secara optimal. Salah satu tantangan utama dalam pemeliharaan peralatan tersebut adalah banyaknya sistem yang telah berumur, dengan keterbatasan data hasil inspeksi, bahkan beberapa di antaranya belum pernah diinspeksi sama sekali. Untuk mengatasi permasalahan ini, digunakan pendekatan berbasis data melalui metode statistika dan machine learning guna memperkirakan kondisi peralatan secara lebih menyeluruh dan representatif. Tugas sarjana ini berfokus pada analisis integritas sistem perpipaan berumur yang memiliki keterbatasan data hasil inspeksi. Analisis integritas mencakup evaluasi statistik berdasarkan API 574 untuk mengestimasi kondisi keseluruhan sistem perpipaan, estimasi umur sisa sesuai API 570, dan penilaian kekuatan sisa menggunakan metode ASME B31.G, dengan dasar data pengukuran ketebalan pipa. Pengembangan model machine learning dilakukan untuk mengelompokkan sirkuit korosi serta memprediksi laju korosi, menggunakan data ketebalan, karakteristik fluida, dan spesifikasi sistem perpipaan. Hasil analisis menunjukkan bahwa terdapat tujuh sistem perpipaan yang tidak memenuhi batas ketebalan minimum dan memerlukan tindakan perbaikan atau penggantian. Umur sisa sistem perpipaan yang masih memenuhi syarat berkisar antara 0,14 hingga 1161 tahun. Analisis statistik menunjukan sebanyak 25 sistem perpipaan teridentifikasi berpotensi mengalami korosi lokal. Model pengelompokan korosi menghasilkan nilai silhouette score sebesar 0,87, sementara model prediksi laju korosi menunjukkan performa dengan nilai root mean squared error sebesar 0,249, mean absolute error sebesar 0,179, dan R-squared sebesar 0,03.