Hasil Pencarian  ::  Simpan CSV :: Kembali

"Program pemerintah perihal produksi satu juta barel minyak pada tahun 2030 harus didukung oleh berbagai sarana yang menunjang peningkatan, seperti contohnya kapal AHTS (Anchor Handling Tug & Supply) yang banyak membantu berbagai operasi di hulu migas. Bahan bakar mendapati persentase 50%-70% dari keseluruhan biaya operasional harian, maka dari itu diperlukan upaya untuk memprediksi konsumsi bahan bakar sebagai langkah untuk penghematan biaya. Metode statistik konvensional kurang akurat untuk memprediksi faktor eksternal dalam konsumsi bahan bakar seperti tinggi gelombang dan kecepatan angin saat berlayar. Black box model digunakan untuk memprediksi hal tersebut dan dipilih tiga algoritma machine learning yang banyak digunakan untuk dibandingkan, yaitu Artificial Neural Network (ANN), Extreme Gradient Boost (XGB), Random Forest (RF). Uji Ordinary Least Square (OLS) digunakan untuk mengetahui apakah setiap variabel independen memiliki signifikansi terhadap variabel dependen setelah itu dilakukan normalisasi data dengan metode min max. Data dibagi menjadi data training dan data testing dengan pembagian 70% dan 30%. Dilakukan evaluasi dengan empat matriks evaluasi diantaranya MSE,RMSE,MAE, dan MAPE. Didapati hasil terbaik dari Algoritma Random Forest dengan hasil evaluasi berturut-turut pada data training 0.04; 0.21 ;0.04; dan 0.03%. Sedangkan pada prediksi data testing, yaitu 0.41; 0.64; 0.04; dan 0.11%. Selanjutnya dibuat prototipe program sederhana berbasis Google Spreadsheet untuk memudahkan pengguna memprediksi data.

---

The Indonesia government's program to achieve one million barrels of oil production by 2030 requires support from various facilities that contribute to the enhancement, such as AHTS (Anchor Handling Tug & Supply) essels that play a significant role in various upstream oil and gas operations. As fuel accounts for 50%-70% of the total daily operational costs, efforts are needed to predict fuel consumption as a cost-saving measure. Conventional statistical methods are less accurate in predicting external factors affecting fuel consumption, such as wave height and wind speed during sailing. A black-box model is employed to predict these factors, and three widely used machine learning algorithms, namely Artificial Neural Network (ANN), Extreme Gradient Boost (XGB), and Random Forest (RF), are selected for comparison.Ordinary Least Squares (OLS) test is utilized to determine the significance of each independent variable on the dependent variable, followed by data normalization using the min-max method. The data is divided into training and testing sets, with a distribution of 70% and 30%, respectively. Evaluation is performed using four evaluation metrics: MSE, RMSE, MAE, and MAPE. The best results are obtained from the Random Forest algorithm, with consecutive evaluation results on the training data being 0.04, 0.21, 0.04, and 0.03%. For the testing data prediction, the results are 0.41, 0.64, 0.04, and 0.11%. Subsequently, a simple program prototype based on Google Spreadsheet is developed to facilitate users in predicting data.

"

"Dalam menghadapi meningkatnya permintaan transportasi muatan curah kargo di era transisi energi, efisiensi operasional menjadi krusial untuk mengelola biaya operasional harian kapal bulk carrier, di mana bahan bakar mencakup 60%-70% dari total biaya operasional. Penelitian ini mengusulkan pendekatan menggunakan model Random Forest (RF) untuk memprediksi konsumsi bahan bakar kapal, mengatasi keterbatasan metode empiris statistik konvensional dalam memodelkan faktor eksternal seperti kondisi cuaca. Ordinary Least Squares (OLS) digunakan untuk mengevaluasi signifikansi variabel independen setelah normalisasi data dengan metode min-max, dengan pembagian data training dan testing sebesar 70% dan 30%. Pendekatan baru diterapkan untuk validasi data guna mengevaluasi sejauh mana model dapat membaca dataset dengan variasi jumlah subset data kapal, dan menggunakan analisis histogram untuk mengkaji pergeseran nilai error dalam persebaran data seiring bertambahnya jumlah data yang digunakan. Evaluasi dilakukan menggunakan empat metrik, yaitu MSE, RMSE, MAE, dan MAPE, yang menunjukkan bahwa model RF mencapai akurasi tinggi sebesar 95%-98% dengan kesalahan rata-rata sangat rendah di bawah 0,1 pada semua metrik. Penelitian ini tidak hanya memberikan solusi efektif untuk mengoptimalkan konsumsi bahan bakar dan meminimalkan biaya operasional, tetapi juga mendukung pengambilan keputusan yang lebih cepat dan tepat dalam operasional kapal.

---

In response to the increasing demand for bulk cargo transportation in the energy transition era, operational efficiency is crucial to managing the daily operational costs of bulk carrier vessels, with fuel accounting for 60%-70% of total operational expenses. This study proposes an approach utilizing the Random Forest (RF) model to predict ship fuel consumption, addressing the limitations of conventional empirical statistical methods in modeling external factors such as weather conditions. Ordinary Least Squares (OLS) was employed to evaluate the significance of independent variables after data normalization using the min-max method, with a 70% and 30% split for training and testing data, respectively. A novel approach was implemented for data validation to assess the extent to which the model can interpret datasets with varying subsets of ship data, using histogram analysis to examine the shift in error distribution as the dataset size increases. The evaluation was conducted using four metrics, namely MSE, RMSE, MAE, and MAPE, demonstrating that the RF model achieved high accuracy between 95% and 98%, with extremely low average errors below 0.1 across all metrics. This study not only provides an effective solution to optimize fuel consumption and minimize operational costs but also supports faster and more accurate decision-making in ship operations."