57

PENGGUNAAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK

MEMODELKAN KEBUTUHAN ENERGI UNTUK TRANSPORTASI

Using of Artificial Neural Network in Modelling Transportation Energy Demand

Ulil Hamida

Sekolah Tinggi Manajemen Industri Jakarta

Tanggal Masuk: (12/7/2014)

Tanggal Revisi: (19/7/2014)

Tanggal disetujui: (1/8/2014)

ABSTRAK

Tingkat konsumsi energi khususnya BBM (Bahan Bakar Minyak) di Indonesia cenderung meningkat

dari tahun ke tahun. Peramalan tingkat konsumsi energi dapat dilakukan untuk mendapatkan

formulasi kebijakan energi yang tepat. Variabel yang diperkirakan mempengaruhi peningkatan

konsumsi adalah peningkatan jumlah penduduk, peningkatan GDP, dan pertumbuhan

mobilitas/transportasi. Penelitian ini bertujuan membangun arsitektur model ANN untuk meramalkan

tingkat konsumsi energi untuk transportasi, menganalisis dan membandingkan kelebihan pemakaian

ANN dibandingkan tools yang lain dan memperoleh model peramalan tingkat konsumsi energi pada

sektor transportasi di Indonesia. Data penelitian diperoleh dari Dirjen Sumber Daya Mineral

Kementerian Pertambangan dan Energi. Penelitian dilakukan dengan penentuan neuron yang

diperlukan pada arsitektur ANN. Dari penelitian diperoleh bahwa jumlah neuron pada hidden layer

yang memberikan nilai MSE terkecil adalah 15 neuron. Berdasarkan hal tersebut, maka arsitektur

yang digunakan untuk melakukan training pada jaringan ANN untuk peramalan energi adalah 15-1.

Proporsi pembagian data 11-5 (training-validasi) merupakan proporsi yang memberikan MSE

minimum baik pada saat training maupun validasi. Model ANN memberikan rata-rata kesalahan

kuadrat (MSE) yang dihasilkan ANN adalah 0,0027386. Hasil tersebut lebih baik dibandingkan MSE

yang dihasilkan dari regresi majemuk yaitu 17,158226. Model ANN yang dihasilkan digunakan untuk

melakukan peramalan konsumsi energi hingga 2015. Dari hasil peramalan tersebut, konsumsi energi

selalu meningkat. Sebagai saran, untuk mengurangi kesalahan yang dihasilkan akibat overfitting ini

pada penelitian selanjutnya perlu digunakan data yang lebih banyak.

Kata Kunci: peramalan energi transportasi, ANN, regresi linier

ABSTRACT

The level of energy consumption, especially fuel oil in Indonesia has increased from year to year.

Forecasting energy consumption level can be one of the bases to get a proper energy policy

formulation. Variables that affect the increase in consumption are population, GDP, and growth of

transportation. This study aimed to build the architecture of ANN model to forecast energy

consumption for transport. This study also analyzed and compared the advantages of using ANN to

other tools regression linier. Data were obtained from the Director General of Mineral Resources,

Ministry of Mines and Energy. The research result showed that the number of neurons in the hidden

layer that gived the smallest MSE value was 15 neurons. Under these conditions, the architecture

used to conduct training on the network ANN for forecasting energy was 15-1. Usage of proportion

11-5 (training-validation) gived the minimum MSE either during training or validation. ANN model

gived mean squared error (MSE) 0.0027386. The result was better than the MSE resulting from

multiple regression 17.158226. The resulting ANN models used for forecasting energy consumption

up to 2015. ANN weakness is overfitting. To reduce overfitting, in further research, using more data is

necessary.

Keywords: forecasting energy transportation, ANN, regression linier

J u r n a l T e k n o l o g i d a n M a n a j e m e n , V o l . 1 2 , N o . 2 , A g u s t u s 2 0 1 4

58

I. PENDAHULUAN

Latar Belakang

Dewasa ini, issue tentang konservasi

energi merupakan topik di semua negara.

Hal ini tentunya disebabkan karena berbagai

kepentingan yang melibatkan energi dan

pengaruhnya yang sangat signifikan

terhadap perekonomian suatu negara.

Konsumsi energi dipengaruhi oleh beberapa

variabel seperti : ekonomi, demografi, iklim

(polusi), harga energi, politik, keamanan,

dan sebagainya. Banyak negara di dunia

termasuk Indonesia mulai merancang

kebijakan publik untuk mengantisipasi

kenungkinan krisis energi di masa depan

dan mengurangi polusi yang semakin parah.

Kehidupan manusia modern sangatlah

mustahil dipisahkan dari energi, karena

faktor melekat energi dengan teknologi.

Peramalan tingkat konsumsi energi dapat

menjadi salah satu basis untuk mendapatkan

formulasi kebijakan energi yang tepat.

Tingkat konsumsi energi khususnya

BBM (bahan bakar minyak) di Indonesia

mempunyai kecenderungan meningkat dari

tahun ke tahun. Segmentasi konsumsi energi

terdiri dari industri, transportasi,

rumahan/kantor, dan lain-lain. Variabel

yang diperkirakan mempengaruhi

peningkatan konsumsi adalah peningkatan

jumlah penduduk, peningkatan GDP, dan

pertumbuhan mobilitas/transportasi.

Pemakaian energi untuk sektor

transportasi di Indonesia sangat besar sekitar

1/3 dari total kebutuhan energi tiap

tahunnya. Penerapan kebijakan energi yang

tepat memerlukan dukungan sistem

informasi terkait dengan kebutuhan sektoral.

Pemodelan untuk meramalkan tingkat

konsumsi energi telah banyak dilakukan di

berbagai negara, namun penggunaan ANN

baru berkembang lima tahun terakhir.

Berbagai kelebihan yang dimiliki

pemodelan ANN antara lain :

- Tidak memerlukan banyak asumsi,

karena data dapat digunakan secara

langsung (apa adanya).

- Dapat memodelkan sistem secara non-

linear dengan baik sehingga dapat

digunakan secara fleksibel.

- Mampu memberikan model yang

mendekati sistem nyata.

Permasalahan

Permasalahan pada penelitian ini adalah

penggunaan artificial neural network

(ANN) dalam mengetahui model dalam

penggunaan energi untuk kebutuhan

transportasi.

Tujuan Penelitian

Penelitian ini bertujuan untuk

membangun arsitektur model ANN untuk

meramalkan tingkat konsumsi energi untuk

transportasi, menganalisis dan

membandingkan kelebihan pemakaian ANN

dibandingkan tools yang lain dan

memperoleh model peramalan tingkat

konsumsi energi pada sektor transportasi di

Indonesia.

II. METODOLOGI PENELITIAN

Metodologi yang digunakan pada

penelitian ini adalah: studi pustaka,

pengumpulan data energi dari Dirjen

Sumber Daya Mineral Kementerian

Pertambangan dan Energi. Langkah

selanjutnya adalah perancangan model ANN

untuk peramalan setiap faktor dan untuk

permalan energi, implementasi dengan

program Matlab, dan diakhiri dengan

langkah pengujian dan pembandingan

metode regresi linier.

Artificial Neural Network

Artificial neural network atau lazim

juga hanya disebut neural network adalah

sebuah model yang terdiri dari neuron

U l i l H a m i d a , P e n g g u n a a n A r t i f i c i a l . . .

59

buatan yang saling berkoneksi dan memiliki

karakteristik yang mengitimasi suatu

jaringan syaraf biologis. Karnidta (2006)

menyatakan bahwa node dalam ANN

didasari oleh representasi matematis yang

disederhanakan dari neuron yang

sebenarnya. Karakteristik ANN yang ditiru

dari jaringan syaraf biologis adalah

kemampuan belajar yang dimiliki manusia.

Kemampuan ini adalah faktor utama yang

membedakan sistem saraf tiruan dari

aplikasi sistem pakar (expert system).

Sistem pakar diprogram untuk membuat

kesimpulan (inference) berdasarkan data

atau pengetahuan dari lingkungan,

sedangkan sistem saraf tiruan dapat

menyesuaikan bobot node sebagai

tanggapan atas input dan mungkin pada

output yang diinginkan.

ANN telah banyak digunakan dalam

area yang luas dengan banyak tujuan.

Kumar & Haynes (2003) mengidentifikasi

beberapa aplikasi ANN yaitu:

- Estimasi/prediksi (aproksimasi fungsi,

peramalan)

- Pengenalan pola (klasifikasi, diagnosis

dan analisis diskriminan)

- Klustering (pengelompokan tanpa

adanya pengetahuan sebelumnya)

Optimasi (pencarian solusi terhadap

model linier dan non linier yang melibatkan

variabel kontinyu/diskrit)

Jaringan yang dapat dibentuk ANN

bermacam-macam, dari yang paling

sederhana hanya berupa satu neuron (single

neuron), lalu meningkat lebih rumit menjadi

neuron majemuk (multiple neurons) dalam

satu lapis (single layer), hingga jaringan

yang lebih rumit yaitu multiple neurons

dalam multiple layers. Kemampuan jaringan

tersebut berbeda-beda. Semakin rumit suatu

jaringan, maka persoalan yang dapat

diselesaikan menjadi lebih luas. Namun

kerumitan jaringan tersebut juga

menimbulkan persoalan tersendiri yaitu

kebutuhan proses training dan simulasi yang

lebih lama. Struktur jaringan dapat dilihat

pada gambar 1.

Gambar 1. Jaringan ANN Multilayer

(Fauset, 1994)

Pada umumnya, lapisan (layer) dalam

suatu jaringan dibedakan menjadi 3 macam

yaitu input layer, hidden layer dan output

layer. Penjelasan setiap input tersebut

diuraikan di bawah ini:

a. Input Layer Input layer merupakan layer yang

menerima input langsung dari lingkungan.

Umumnya jumlah input layer disesuaikan

dengan jumlah input.

b. Hidden Layers

Hidden layers merupakan layer-layer

yang berada di antara input layer dan output

layer (lihat gambar 1). Pada arsitektur ANN

dengan 2 layer, maka hidden layers tidak

ada. Jumlah neuron pada hidden layers

bervariasi. Jumlah neuron dan jumlah layer

pada hidden layers agar dapat menghasilkan

solusi yang memiliki kesalahan minimum

Hidden LayerInput Layer Output Layer

........

........

........

........

........

........

J u r n a l T e k n o l o g i d a n M a n a j e m e n , V o l . 1 2 , N o . 2 , A g u s t u s 2 0 1 4

60

merupakan bagian utama dalam penelitian

ANN.

c. Output layer Output layer merupakan layer yang

menghasilkan output akhir dari suatu

jaringan ANN. Jumlah neuron pada layer ini

disesuaikan dengan jumlah output yang

diinginkan.

Karnidta (2006) menggolongkan

pendekatan dasar dalam paradigma belajar

di ANN menjadi dua, yaitu supervised

learning dan unsupervised learning.

1. Supervised learning

Pada pembelajaran supervised learning,

selain memerlukan input diperlukan juga

output untuk input tersebut. Pembelajaran

yang dilakukan bertujuan untuk

mendapatkan jaringan ANN yang mampu

menghasilkan output yang sesuai dengan

output yang diinginkan. Perbedaan antar

output dari jaringan dan output yang

diinginkan digunakan untuk mengkalkulasi

koreksi pada bobot jaringan syaraf. Contoh

dari supervised learning adalah perceptron,

backpropagation, dan lain-lain.

2. Unsupervised learning

Pendekatan unsupervised learning

merupakan teknik belajar dengan cara

neuron-neuron dalam networks

mengorganisasikan dirinya untuk

menghasilkan kategori dimana kumpulan

input akan termasuk didalamnya. Dalam

pendekatan ini tidak ada nilai target yang

ditetapkan. Contoh dari tipe belajar ini

adalah Kohonen self-organizing feature

maps dan Hamming/competitive networks.

Pemodelan

Berdasarkan studi pustaka dihasilkan

bahwa faktor-faktor yang berpengaruh pada

konsumsi energi adalah faktor ekonomi dan

demografi yang ada pada suatu daerah. Oleh

karena itu terdapat tiga faktor yang

dikemukakan memiliki keterkaitan dengan

energi yaitu Perubahan jumlah penduduk

(POP), Pendapatan Nasional (GDP/GNP),

dan Jarak tempuh rata-rata Veh-km. Tiga

faktor tersebut menjadi input pada jaringan.

Sebagai output dari jaringan tersebut adalah

konsumsi energi.

Gambar 2. Pemodelan Kebutuhan Energi

dengan ANN

Pemodelan ANN yang digunakan dapat

dituliskan sbb : N M

Y = o + j { ij E obs,i + oj } j=1 i=1

Y = perkiraan kebutuhan energi di

sektor transportasi ( dalam juta

barrel/tahun)

E obs = kebutuhan energi untuk

transportasi (juta barrel/tahun)

M = jumlah neuron layer input

N = jumlah neuron layer tersembunyi

f = fungsi transfer sigmoid untuk

layar tersembunyi

Pemodelan dengan tujuan peramalan

menggunakan feed forward model di mana

input merupakan data kebutuhan energi

transportasi dan output adalah peramalan

kebutuhan pada masa mendatang.

U l i l H a m i d a , P e n g g u n a a n A r t i f i c i a l . . .

61

Sedangkan layar tersembunyi digunakan

untuk memroses informasi.

Kelemahan pemodelan ANN adalah

adanya kemungkinan over fitting, bila

penngunaan data untuk training, testing dan

validasi tidak sebanding (proportional). Hal

ini dapat dihindari dengan menggunakan k-

fold validasi silang.

Kelemahan berikutnya adalah sifat

ANN yang black box thinking, yaitu

hubungan antara variabel input dan output

tidak dijelaskan penyebabnya. Sedangkan

perbedaan pokok antara ANN dengan model

regresi adalah kemampuan ANN untuk

menghitung bobot setiap data dalam layar

yang tersembunyi dan digunakan terus pada

layar selanjutnya untuk mendapatkan

output. Model regresi hanya dapat

menentkan koefisien dari variabel

independen.

Proses validasi k-fold dilakukan sbb :

1. Bagilah data yang tersedia menjadi

bagian untuk training, validasi dan

testing,

2. pilihlah arsitektur dan parameter

training,

3. training model yang dipilih

menggunakan data yang sudah

ditentukan,

4. evaluasi model menggunakan data

validasi,

5. ulangi langkah 2 s/d 4 dengan

menggunakan arsitektur dan parameter

yang berbeda,

6. pilihlah arsitektur terbaik dari proses

training dan validasi,

7. implementasikan arsitektur jaringan

yang dipilih dengan data testing.

III. HASIL DAN PEMBAHASAN

Pengolahan data dilakukan dengan

menggunakan perangkat lunak Mathlab

yang menyediakan fasilitas modul Artificial

Neural Network.

Langkah pertama dalam pengolahan

data adalah dengan melakukan normalisasi

pada data yang dimiliki untuk mendapatkan

input yang memiliki rentang dari -1 hingga

1 sebagai syarat dari input pada ANN.

Normalisai ini diterapkan untuk seluruh data

baik GDP, populasi maupun konsumsi

kendaraan.

Mencari Jumlah Neuron yang Tepat

untuk Hidden Layer

Setelah normalisasi input, langkah

selanjutnya adalah mencari jumlah neuron

yang tepat untuk digunakan pada hidden

layer di jaringan ANN. Caranya adalah

dengan mencoba satu persatu jaringan

dengan hidden layer 1 hingga hidden layer

ke 16.

Pencarian tersebut menghasilkan data

pada tabel 1.

Tabel 1. Pencarian Jumlah Hidden Layer

Jumlah

Neuron

pada

Hidden

Layer

Epoch MSE Training MSE

Validasi

1 100 0.0585 0.3217

2 100 0.0224 0.3192

3 100 7.1534e-004 1.9170

4 100 0.0015 3.0728

5 77 3.0508e-014 0.4550

6 20 4.1566e-016 0.6502

7 51 1.5116e-011 0.6502

8 15 2.9646e-014 1.6060

J u r n a l T e k n o l o g i d a n M a n a j e m e n , V o l . 1 2 , N o . 2 , A g u s t u s 2 0 1 4

62

Jumlah

Neuron

pada

Hidden

Layer

Epoch MSE Training MSE

Validasi

9 36 5.3392e-015 1.8359

10 12 1.2117e-015 0.7816

11 13 3.3981e-013 2.1212

12 8 6.3419e-012 0.5101

13 7 8.5215e-016 1.0169

14 20 6.5482e-014 0.8095

15* 8 5.7255e-015 0.4086

16 7 5.4985e-015 1.6423

Dari data tersebut diperoleh bahwa

jumlah neuron pada hidden layer yang

memberikan nilai MSE terkecil adalah 15

neuron. Berdasarkan hal tersebut maka

arsitektur yang digunakan untuk melakukan

training pada jaringan ANN untuk

peramalan energi adalah 15-1.

Langkah ini juga digunakan untuk

melakukan peramalan GDP, populasi dan

konsumsi kendaraan dengan hasil seperti

tercantum pada Tabel 2.

Tabel 2. Arsitektur Pemodelan Energi dengan

ANN

Peramalan Jumlah Neuron Optimal

GDP 5

Populasi 3

Konsumsi kendaraan

(VEH-KM)

1

Mencari Perbandingan Data Training

dan Data Validasi

Untuk menghindari kondisi overfitting

yang dihasilkan dari pemodelan ANN, maka

digunakan metode k-fold yang salah satunya

adalah dengan membagi data training dan

data validasi.

Data yang diperoleh dari pencarian

perbandingan yang tepat tercantum pada

tabel 3.

Tabel 3. Pencarian Perbandingan Data

Training dan Data Validasi yang Tepat

Jumla

Data

Training

Jumlah

Data

Validasi

Epoch MSE

Training

MSE

Validasi

10 6 10 3.0438e-

012

0.5127

11* 5 8 5.7255e-

015

0.4086

12 4 6 2.4219e-

015

0.7086

13 3 5 2.7139e-

012

0.7250

Simulasi yang telah dilakukan

memberikan hasil bahwa terdapat perbedaan

MSE jika proporsi jumlah data yang

digunakan untuk mentraining ANN dengan

jumlah data yang digunakan untuk

melakukan validasi. Dari hasil yang

diperoleh, didapatkan bahwa proporsi 11-5

(training-validasi) merupakan proporsi yang

memberikan MSE minimum baik pada saat

training maupun validasi.

Melakukan Training pada Data Training

Setelah ditemukan jumlah neuron yang

tepat dan perbandingan jumlah data validasi

dan training yang tepat, kemudian dilakukan

training pada data energi, GDB, populasi,

dan konsumsi kendaraan (VEH-KM). Hasil

training tersebut tercantum pada gambar 3

dan hasil validasi tercantum pada gambar 4.

U l i l H a m i d a , P e n g g u n a a n A r t i f i c i a l . . .

63

- target

+ output ANN

Gambar 3. Hasil Training Kebutuhan Energi

- target

+ output ANN

Gambar 4. Hasil Validasi Kebutuhan Energi

Melakukan Peramalan Energi 5 tahun ke

Depan dengan Menggunakaan Jaringan

Hasil Training

Setelah data training digunakan untuk

menentukan jaringan ANN yang digunakan,

maka jaringan tersebut kemudian digunakan

untuk meramalkan konsumsi energi untuk

lima tahun ke depan.

Hasil peramalan tersebut dapat dilihat

pada tabel 4 dan gambar 5.

Tabel 4. Data dan Peramalan Kebutuhan Energi

Menggunakan ANN

Tahun Populasi GDP Veh-km Kebutuh

an Energi

1990 179.49 129.47 0.8942 216.2

1991 181.97 134.56 1.3129 232.54

1992 184.65 143.37 1.8664 253.99

1993 187.55 157.36 2.5592 280.02

1994 190.64 176.59 3.3697 291.18

1995 193.91 197.29 4.2451 298.8

1996 197.31 208.37 5.1136 389.03

1997 200.7 209.55 5.9057 317.42

1998 203.73 215.87 6.574 350

1999 205.68 221.57 7.1018 408.62

2000 206.27 224.98 7.498 436.35

2001 207.15 226.84 7.7831 451.31

2002 209.56 227.82 7.9833 463.4

2003 212.96 228.33 8.1206 473.04

2004 216.7 228.59 8.2133 478.49

2005 220.47 228.73 8.2758 479.04

2006 224.15 228.8 8.3175 477.68

2007 227.69 228.84 8.3452 479.51

2008 231.06 228.86 8.3632 487.77

2009 234.25 228.87 8.3755 501.79

2010 237.23 228.87 8.3832 516.24

2011 240.01 228.87 8.3885 524.93

2012 242.58 228.87 8.3922 526.31

2013 244.94 228.87 8.3943 523.05

2014 247.1 228.87 8.3959 518.29

2015 249.07 228.87 8.3967 513.73

Gambar 5. Hasil Peramalan Energi dengan

menggunakan ANN

J u r n a l T e k n o l o g i d a n M a n a j e m e n , V o l . 1 2 , N o . 2 , A g u s t u s 2 0 1 4

64

Pengujian dan Pembandingan dengan

Metode Regresi

Sebagai tahap pengujian, hasil

peramalan dengan pendekatan ANN

kemudian dibandingkan dengan peramalan

dengan metode regresi yang menghasilkan

perbandingan sebagai berikut:

Gambar 6. Perbandingan Model ANN

dengan Regresi Linier

Dari data tersebut, jika dihitung rata-

rata kesalahan kuadratnya (MSE) diperoleh

hasil bahwa MSE yang dihasilkan ANN

adalah 0,0027386, sedangkan MSE yang

dihasilkan dari regresi majemuk adalah

17,158226.

Tabel 5. Perbandingan MSE Regresi Linier dan

ANN

Jumlah

data

MSE Regresi

Majemuk

MSE ANN

16 17.158226 0.0027386

Berdasarkan hasil tersebut berarti

diperoleh bahwa ANN memiliki kinerja

yang lebih baik dibandingkan dengan

regresi majemuk pada penelitian peramalan

energi ini.

IV. KESIMPULAN DAN SARAN

Kesimpulan

1. Model untuk peramalan energi dengan

menggunakan metode ANN

menggunakan input tiga variabel yaitu

GDB, populasi dan konsumsi

kendaraan (VEH-KM).

2. MSE yang dihasilkan ANN adalah

0,0027386, sedangkan MSE yang

dihasilkan dari regresi majemuk

adalah 17,158226. Hal ini menjadikan

ANN memiliki kinerja yang lebih baik

dibandingkan dengan regresi majemuk

pada penelitian peramalan energi ini.

3. Model ANN yang dihasilkan

digunakan untuk melakukan

peramalan konsumsi energi hingga

2015. Dari hasil peramalan tersebut,

konsumsi energi selalu meningkat.

Saran

ANN memiliki kelemahan yang sangat

harus diperhatikan yaitu overfitting. Untuk

mengurangi kesalahan yang dihasilkan

akibat overfitting ini data yang digunakan

harus cukup banyak. Selain itu untuk

peramalan jangan sampai meramalkan untuk

jangka waktu yang lama. Saran lain untuk

mengurangi overfitting ini adalah update

jaringan dengan melakukan training jika

terdapat data baru.

V. DAFTAR PUSTAKA

Fitrisia. Adiwijaya. Rakhmatsyah, A. 2010.

Prediksi Produksi BAN GT3

Menggunakan Jaringan Syaraf

Tiruan Resilient Propagation dan

Weight-Elimination. Makalah dalam

Konferensi Nasional Sistem dan

Informatika. Bali: STIMIK

STIKOM Bali.

0

100

200

300

400

500

600

700

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Data Real

Regresi Majemuk

ANN

U l i l H a m i d a , P e n g g u n a a n A r t i f i c i a l . . .

65

Kadir, A. 2011. Sistem Informasi

Manajemen. Yogyakarta: Andi

Publisher.

Karnidta, Sherlie. 2006. Penerapan Model

Artificial Neural Network untuk

Meramalkan dan Melakukan

Analisis Sensitifitas Variabel

Makroekonomi dalam Sistem

Peringatan Dini Krisis Mata Uang.

Tugas Sarjana Teknik Industri,

Institut Teknologi Bandung.

Kumar, K. Haynes, J.D. 2003. Forecasting

credit ratings using an ANN and

statistical techniques, International

Journal of Business Studies, 11, 91-

108.

Mastur, I. Hadi, Lumenta. 2005.

Implementasi Jaringan Syaraf Tiruan

untuk Mengidentifikasi Pola Desain

Berdasarkan Preferensi Pelanggan

Menggunakan Kansei Engineering

System. TEKNOIN Vol.10 p. 197-

208.

Murat, Y.S. Ceylan, H. 2006. Use of

artificial neural network for transport

energy demand modeling. Energy

Policy vol 34, Elsevier.

Pao, H. 2006. Modeling and Forecasting the

Energy Consumption in Taiwan

Using Artificial Neural Networks.

The journal of American Academy of

Business, Cambridge, Vol. 8