Bandung, Jawa Barat, ruangenergi.com— Perburuan hidrokarbon di bawah permukaan bumi memasuki babak baru. Badan Riset dan Inovasi Nasional (BRIN) tengah mengembangkan teknologi berbasis Artificial Intelligence (AI) dan Machine Learning (ML) untuk membantu menyaring data seismik dan mengenali pola yang berpotensi berkaitan dengan hidrokarbon.
Namun, BRIN menegaskan bahwa kecanggihan komputasi saja belum cukup. Hasil analisis AI tetap harus dibaca bersama pemahaman geologi dan geofisika agar tidak keliru dalam menginterpretasikan kondisi bawah permukaan.
Hal inilah yang menjadi perhatian Pusat Riset Sains Data dan Informasi (PRSDI) BRIN melalui riset bertajuk “Screening Tool untuk Pengenalan Hidrokarbon dan Non-Hidrokarbon Menggunakan Data Seismik”.
Dikutip dari website BRIN, dijelaskan untuk memastikan teknologi yang dikembangkan benar-benar menjawab kebutuhan industri, PRSDI BRIN menggelar Focus Group Discussion (FGD) bertema “Pemanfaatan Data Seismik (SEG-Y) dan Tren Terkini Pengolahan Data Seismik di Industri Hulu Migas”, Selasa (15/9/2026).
FGD tersebut mempertemukan tim periset BRIN dengan praktisi Pertamina Hulu Energi (PHE). Diskusi juga melibatkan Maman Hermana, dosen Universiti Teknologi PETRONAS (UTP), yang bekerja bersama periset PRSDI BRIN dalam pengembangan Screening Tool.
Dari sisi industri, hadir Lead Innovation Geophysics PHE Fatkhul Mu’in dan Senior Analyst Petrotechnical Solution Ade Rahman. Keduanya memberikan masukan mengenai karakteristik data seismik, perkembangan teknologi pengolahannya, hingga kebutuhan nyata industri hulu migas.
AI Bukan “Mesin Penentu” Hidrokarbon
Perekayasa Ahli Madya PRSDI BRIN sekaligus Ketua Tim Periset Screening Tool, M. Teduh Uliniansyah, mengatakan FGD menjadi ruang penting untuk mempertemukan eksperimen teknologi dengan kebutuhan lapangan.
“FGD ini menjadi forum diskusi antara tim periset BRIN dan praktisi Pertamina Hulu Energi untuk membahas pemanfaatan data seismik, khususnya data berformat SEG-Y, serta perkembangan pengolahan dan analisis data seismik di industri hulu migas,” ujar Teduh.
Menurut dia, tim BRIN perlu memastikan pengembangan teknologi tidak berhenti pada kemampuan komputasi atau algoritma AI/ML. Teknologi tersebut harus mampu beradaptasi dengan karakter data seismik yang digunakan industri.
Dalam risetnya, tim BRIN mengeksplorasi sejumlah metode unsupervised learning dan clustering untuk menemukan pola dari data seismik.
Namun, Teduh mengingatkan, pola yang ditemukan algoritma belum otomatis dapat diterjemahkan sebagai tanda keberadaan hidrokarbon.
Pasalnya, hasil clustering masih berupa pola statistik yang membutuhkan interpretasi lebih lanjut.
“Data seismik memiliki karakteristik, keterbatasan, dan kebutuhan pengolahan tertentu. Karena itu, masukan dari praktisi yang sehari-hari berhadapan dengan data eksplorasi sangat penting untuk memperkuat metode yang sedang dikembangkan,” jelasnya.
Diskusi juga menyoroti persoalan yang kerap luput ketika teknologi AI mulai diterapkan dalam industri migas: kesiapan data.
Format SEG-Y memang tetap menjadi salah satu format penting untuk pertukaran dan penyimpanan data seismik. Namun, bagi kebutuhan analitik dan AI, keberadaan file SEG-Y saja belum memadai.
Diperlukan pula informasi mengenai metadata, geometri, koordinat, riwayat pemrosesan, quality control, data sumur hingga provenance atau ketertelusuran asal-usul data.
Teduh mengatakan, data publik seperti F3 Netherlands dan Volve menjadi salah satu pilihan yang dapat digunakan untuk mendukung eksperimen dan pengujian metode yang dikembangkan.
Di sisi lain, penerapan AI untuk eksplorasi juga harus menjawab pertanyaan yang lebih mendasar: seberapa dapat dipercaya hasil yang diberikan algoritma?
Pertanyaan tersebut menjadi salah satu pokok bahasan dalam paparan Fatkhul Mu’in bertajuk “Transformasi Eksplorasi Migas: Pemanfaatan Artificial Intelligence dan Machine Learning dalam Pengolahan Data Seismik dan Analisis Direct Hydrocarbon Indicator (DHI)”.
Menurut Fatkhul, AI seharusnya ditempatkan sebagai alat bantu pengambilan keputusan, bukan sebagai pengganti interpretasi geologi dan geofisika.
“Kualitas model tidak cukup dinilai dari akurasi numerik, tetapi juga perlu diuji berdasarkan validitas geofisika, konsistensi geologi, dan ketidakpastian hasil,” ujarnya.
Dalam screening Direct Hydrocarbon Indicator (DHI), misalnya, anomali atau pola tertentu pada data seismik tidak dapat langsung dianggap sebagai bukti keberadaan hidrokarbon.
Hasil tersebut perlu dikaitkan dengan data sumur, rock physics, AVO (Amplitude Versus Offset) dan berbagai bukti pendukung lainnya.
Dengan kata lain, AI dapat membantu menemukan pola yang mungkin sulit dikenali secara manual, tetapi keputusan interpretasinya tetap membutuhkan validasi dari ilmu kebumian.
Perspektif lain disampaikan Ade Rahman melalui materi “Dari Data Seismik Menuju Kecerdasan Bawah Permukaan: Tren Terkini Pemanfaatan Data Seismik di Industri Hulu Migas”.
Menurutnya, pemanfaatan data seismik kini berkembang dari sekadar menghasilkan citra bawah permukaan menjadi bagian dari aset data digital yang mendukung subsurface intelligence.
Karena itu, kesiapan data menjadi faktor penting sebelum AI diterapkan.
Geometri, metadata, sistem koordinat, riwayat pemrosesan, quality control, data sumur serta data provenance harus terdokumentasi dengan baik.
Workflow AI pun idealnya tidak berhenti pada menghasilkan sebuah prediksi. Prosesnya harus dapat dijelaskan, diulang dan ditelusuri atau explainable, reproducible dan traceable.
Diskusi tersebut juga membuka peluang kolaborasi lebih lanjut antara BRIN dan PHE.
Salah satunya adalah kemungkinan penggunaan data industri untuk validasi riset, sepanjang mekanisme perizinan dan perlindungan terhadap informasi sensitif dapat dipenuhi.
Kolaborasi juga dapat diarahkan pada penyusunan metode validasi, pembangunan benchmark serta pengujian Screening Tool pada kasus nyata di industri.
Bagi BRIN, kolaborasi dengan industri memberikan kesempatan untuk memahami persoalan yang benar-benar dihadapi dalam kegiatan eksplorasi.
Sementara bagi industri, teknologi yang dikembangkan diharapkan dapat membantu mempercepat proses screening data seismik, mengurangi pekerjaan manual dan meningkatkan konsistensi analisis.
“Bagi BRIN, interaksi dengan industri membantu dalam memahami kasus dan kebutuhan nyata sehingga penelitian dapat dikembangkan dengan konteks yang lebih tepat,” kata Teduh.
Ia berharap riset tersebut dapat menjadi jembatan antara eksperimen AI di laboratorium dengan kebutuhan eksplorasi migas di lapangan.
Sebab, dalam eksplorasi hidrokarbon, algoritma boleh semakin pintar, tetapi keputusan akhir tetap membutuhkan bukti geologi dan geofisika yang kuat.
