PREDIKSI PRODUKSI GAS BUMI DENGAN GENERAL REGRESSION NEURAL NETWORK (GRNN)

Caraka, Rezzy Eko and Yasin, Hasbi (2014) PREDIKSI PRODUKSI GAS BUMI DENGAN GENERAL REGRESSION NEURAL NETWORK (GRNN). Prosiding Seminar Nasional Statistika IV . pp. 270-277. ISSN 2087-2590

[img]
Preview
PDF
3893Kb

Abstract

Gas bumi sebagai salah satu sumber energi memiliki peranan yang sangat penting bagi pertumbuhan pembangunan nasional. Selama dekade terakhir, peranan gas bumi mulai menggeser peranan BBM sebagai sumber energi karena selain lebih murah juga ramah lingkungan. Pemanfaatan gas bumi di Indonesia meliputi sektor pembangkit listrik 52%, sektor industri pupuk 12% serta sektor industri dan sektro lainnya 36%. General Regression Neural Network (GRNN) merupakan salah satu model jaringan radial basis yang digunakan untuk pendekatan suatu fungsi. Model GRNN termasuk model jaringan syaraf tiruan dengan solusi yang cepat, karena tidak diperlukan iterasi yang besar pada estimasi bobot-bobotnya. Model ini memiliki arsitektur jaringan yang baku, dimana jumlah unit pada pattern layer sesuai dengan jumlah data input. Analisis dilakukan simulasi jaringan dengan menguji 17 data tersisa didapat nilai mse training sebesar 553,9764 dan nilai mse testing gas bumi sebesar 645,870. Kalau saat ini industri meminta pasokan gas hingga lebih dari 2000 mmscfd maka konsekwensinya belum dapat memenuhi kebutuhan industri karena berdasarkan peramalan produksi gas bumi baru dapat menyumbang sebesar 1500 mmscfd (Million Metric Standard Cubic Feet Per Day) atau sebesar 75% dari kebutuhan industri. Sehingga untuk memenuhi kebutuhan industri pemerintah harus mengoptimalkan produksi atau mencari sumber energi gas alternatif. Kata Kunci : Gas Bumi, General Regression Neural Network (GRNN), (Forecasting), Simulasi, Peramalan

Item Type:Article
Subjects:H Social Sciences > HA Statistics
Divisions:Faculty of Science and Mathematics > Department of Statistics
ID Code:52875
Deposited By:Mr Hasbi Yasin
Deposited On:05 Apr 2017 14:59
Last Modified:05 Apr 2017 16:32

Repository Staff Only: item control page