Hasil Pencarian  ::  Simpan CSV :: Kembali

"Batu bara merupakan salah satu bahan bakar fosil atau sumber energi tidak terbarukan yang paling banyak digunakan di dunia. Penggunaan batu bara yang terus menerus tanpa pengawasan dapat mempercepat terjadinya pemanasan global atau perubahan iklim. Peramalan produksi batu bara yang akurat sangat penting untuk perencanaan diversifikasi atau manajemen energi dan perencanaan ekonomi, terutama bagi Indonesia, salah satu produsen batu bara terbesar di dunia. Penelitian ini mengembangkan model peramalan hibrida yang menggabungkan Autoregressive Integrated Moving Average (ARIMA) dan Backpropagation Neural Network (BP), yang dioptimasi dengan Simulated Annealing (SA), untuk memprediksi produksi batu bara di Indonesia. Penelitian ini bertujuan untuk memanfaatkan kekuatan ARIMA dalam menangkap pola linier dan kemampuan BP untuk memodelkan hubungan nonlinier yang kompleks. Penggunaan SA meningkatkan optimasi parameter jaringan BP, membantu model dalam menghindari minimum lokal dan mencapai optimasi global. Secara metodologis, model ARIMA pertama kali diterapkan pada data runtun waktu untuk meramalkan komponen linier. Residual dari model ARIMA ini kemudian dimasukkan ke dalam jaringan syaraf BP untuk memprediksi komponen nonlinier. SA digunakan untuk menyempurnakan parameter model BP, sehingga meningkatkan kinerja secara keseluruhan. Penerapan model hybrid dengan menggunakan pemodelan model linier dan model nonlinier diharapkan dapat menangkap pola yang berbeda dari setiap data sehingga diharapkan dapat meningkatkan akurasi dari peramalan. Data historis produksi batubara dari tahun 1986 hingga 2022, yang disediakan oleh Badan Pusat Statistik (BPS), digunakan untuk pelatihan dan validasi. Hasilnya menunjukkan bahwa model hybrid ARIMA-BP dengan optimasi simulated annealing memiliki nilai akurasi yang lebih baik dibandingkan dengan model ARIMA dan model hybrid ARIMA-BP tanpa optimasi simulated annealing. Model ini memiliki nilai Mean Absolute Percentage Error (MAPE) sebesar 10,813% dan Root Mean Squared Error (RMSE) sebesar 60,1017, yang mengindikasikan akurasi yang cukup tinggi dalam memprediksi tren produksi batu bara.

---

Coal is one of the most widely used fossil fuels or non-renewable energy sources in the world. Continued uncontrolled use of coal can accelerate global warming or climate change. Accurate forecasting of coal production is essential for diversification planning or energy management and economic planning, especially for Indonesia, one of the largest coal producers in the world. This research develops a hybrid forecasting model that combines Autoregressive Integrated Moving Average (ARIMA) and Backpropagation Neural Network (BP), optimized with Simulated Annealing (SA), to predict coal production in Indonesia. This research aims to leverage the power of ARIMA in capturing linear patterns and the ability of BP to model complex nonlinear relationships. The use of SA improves BP network parameter optimization, assisting the model in avoiding local minima and achieving global optimization. Methodologically, ARIMA models are first applied to time series data to forecast the linear component. The residuals from this ARIMA model are then fed into the BP neural network to predict the nonlinear component. SA is used to fine-tune the BP model parameters, thereby improving overall performance. The application of a hybrid model using linear modeling and nonlinear modeling is expected to capture different patterns of each data so as to improve the accuracy of forecasting. Historical data of coal production from 1986 to 2022, provided by the Badan Pusat Statistik Indonesia (BPS), was used for training and validation. The results show that the hybrid ARIMA-BP model with simulated annealing optimization has a better accuracy value compared to the ARIMA model and the hybrid ARIMA-BP model without simulated annealing optimization. This model has a Mean Absolute Percentage Error (MAPE) value of 10.813% and a Root Mean Squared Error (RMSE) of 60.1017, which indicates a fairly high accuracy in predicting coal production trends."