eprints.undip.ac.ideprints.undip.ac.id/52875/1/PROSIDING_SNS_Unpad_IV_(Rezzy_dan... · prosiding seminar nasional statistika iv ... r.3 karakteristik rumah tangga menurut pola penggunaan

PROSIDING SEMINAR NASIONAL STATISTIKA IV

“PERANAN STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA”

BALE SANTIKA


STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA”

ISSN: 2087-2590

Vol 4, November 2014

EDITOR:

IGedeNyomanMindraJaya,M.Si

AnindyaApriliyantiPravitasari,M.Si

REDAKSI:

Fauziyyah

YuniaWiraUtami

DavilaRubiantiA.

ElsaFebriani

SABTU, 1 NOVEMBER 2014

BALE SANTIKA, UNIVERSITAS PADJADJARAN



UNIVERSITAS PADJADJARAN

PROSIDING Seminar Nasional Statistika IV

Peranan Statistika di Bidang Eksplorasi Energi Indonesia |

vii

KATA PENGANTAR

Segenap puji dan syukur kami panjatkan kehadirat illahi robbi, yangtelah memberikan kekuatan dan limpahan karunia yang sangat besar.Sholawat serta salam semoga senantiasa tercurah bagi Nabi MuhammadSAW,panutandanrohmatbagisemestaalam.

Panitia seminar nasional merasa sangat berbahagia dan bersyukur,karena dapat mengadakan acara akbar Seminar Nasional Statistika yangdiadakan setiap tahundan pada tahun ini merupakan tahun keempat. PadaSeminar Nasional Statistika 2014 ini animo peserta pemakalah meningkatcukupsignifikan,haliniterbuktidenganmeningkatnyakuantitasjudulpaper yangmasuk.

ProsidinginimerupakanbagianyangtidakterpisahkandariSeminarNasional Statistika 2014, karena berisi kumpulan makalah yangdipresentasikan pada sesi paralel dari para pemakalah yang diperoleh darihasil penelitian, pemikiran, ataupun kajian yang mendalam mengenai suatutopiktertentudalamruanglingkupstatistikadanaplikasinya.

Ucapan terima kasih kami sampaikan kepada seluruh pesertapemakalah yang telah berkontribusi pada acara seminar ini, selain itu jugatim editordanredaksi yang telahbekerjakeras menyunting danmenyusunprosidinginisehinggasiapdisajikanuntukpembaca.

Akhir kata, semoga prosiding ini dapat bermanfaat bagi parapemakalah, maupunpeserta seminarnasional,danpembaca yangbudiman,sebagai sarana untuk memperkaya ilmu dan memperluas wawasan tentangaplikasidanpengembanganilmustatistika.

Jatinangor,4November2014

PanitiaSeminarNasionalStatistika2014

viii


“PERANAN STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA”







vii

DAFTAR ISI KATA PENGANTAR .................................................................................................... vii

DAFTAR ISI .................................................................................................................... ix

AKTUARIA

A.1 PENENTUAN PREMI ASURANSI KENDARAAN BERMOTOR

MENGGUNAKANSISTEMBONUSMALUSOPTIMAL(STUDIKASUSPT

ASKRIDA)......................................................................................................................................1

A.2 ESTIMASI TOTAL KLAIM MENGGUNAKAN KREDIBILITAS

BUHLMANN‐STRAUB..............................................................................................................9

A.3 MENENTUKAN NORMAL COST DAN SUPPLEMENTAL LIABILITY

UNTUK PENSIUN NORMAL DENGAN MEMPERTIMBANGKAN

PENYESUAIAN INFLASI UNTUK BENEFIT PENSIUN (STUDI KASUS

DANAPENSIUNTELKOM).................................................................................................19

A.4 PENENTUANIURANPENSIUNNORMALDENGANMEMPERHATIKAN

KENAIKAN PANGKAT DAN PERUBAHAN KEBIJAKAN TUNJANGAN

PENSIUNPEGAWAINEGERI)............................................................................................29

A.5 MENENTUKAN PROBABILITAS KEGAGALAN UNTUK MEMENUHI

KEBUTUHAN SALDO KAS HARIAN BERDASARKAN MODEL

FINANSIALSTOKASTIKMERTON...................................................................................39

A.6 THE APPLICATION OF EXPECTED SHORTFALL IN DETERMINING THE

AMOUNT OF CAPITAL FOR HANDLING BAD CREDIT

(CASE STUDY : BRANCH A BANK PQR)............................................................................45

A.7 RATE PREMI ASURANSI UMUM MENGGUNAKAN KREDIBILITAS

BUHLMANN..............................................................................................................................51

A.8 PENENTUANHARGAOPSIEROPAPADASALAHSATUSAHAMBLUE

CHIPMENGGUNAKAN MODEL BLACK‐SCHOLES DENGAN STRATEGI

INVESTASISTRANGLE.........................................................................................................65

A.9 PENENTUANCADANGANASURANSIDISESUAIKANMENGGUNAKAN

METODE FULL PRELIMINARY TERM PADA PRODUK DWIGUNA

BERPASANGAN.......................................................................................................................75

A.10 MENENTUKAN NORMAL COST PADA PENSIUN DINI DENGAN

PENDEKATAN MAKEHAM DAN TINGKAT SUKU BUNGA HO LEE

(STUDIKASUSDANAPENSIUNTELKOM)..................................................................82

A.11 ESTIMASI RETURN PORTOFOLIO MELIBATKAN PERHITUNGAN

VALUE AT RISK (VAR) MENGGUNAKAN MODEL GARCH & METODE

PENDEKATANCOPULA.......................................................................................................91

A.12 PENENTUAN IURAN NORMAL MENGGUNAKAN FUNGSI GAJI

SERVICED‐BASEDMODELPADAACCRUEDBENEFITCOSTMETHOD

UNTUKPENSIUNDINI......................................................................................................110

PROSIDING

| Peranan Statistika di Bidang Eksplorasi Energi Indonesia

viii

A.13 UNMATCHED‐MODELPRICE

A.14 PENENTUAN HARGA OPSI SAHAM TIPE EROPA MENGGUNAKANMODELBLACK‐SCHOLESDENGANSTRATEGIINVESTASISTRADDLE

DESAIN EKSPERIMEN/ QUALITY CONTROL /

D.1 FUNGSI BIAYA UNTUK MENENTUKAN TINGKAT PEMESANAN

OPTIMUMMULTIITEM

D.2 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI

UNTUKDATADISKRIT

D.3 MODEL PROBABILISTIK PUNAHNYA KUMAN MYCOBACTERIUM

TUBERCULOSA YANG RESISTEN TERHADAP SUATU OBAT

ANTITUBERKULOSIS

D.4 PERBANDINGAN MODEL STATISTIKA BAGI PENENTUAN BATAS

KRITISHARAKALIUMPADAKEDELAI

D.5 DIAGRAMKONTROLEKSPONENTIALWEIGHTEDMOVINGAVERAGE

(EWMA)PADAPROSESAUTOREGRSSIVE(1)

D.6 DAMPAK PROSES AUTOREGRESSIVE(1) PADA DIAGRAM KONTROL

CUMULATIVESUM(CUSUM)

D.7 DAMPAK PROSES AUTOREGRESSIVE(1) PADA DIAGRAM KONTROL

CUMULATIVESUM(CUSUM)

D.8 SIMULASIPEMANENANPOPULASIPAUS

D.9 PENDEKATANBAYESIANUNTUKSAMPLINGPENERIMAAN

D.10 PENDEKATAN ANALISISUNIVARIAT DAN MULTIVARIAT

DESAINREPEATEDMEASUREMENT

MULTIVARIAT

M.1 MANOVA DENGAN REPEATED MEASUREUNTUK MODEL SATU

FAKTOR(STUDIKASUS:PROSESFERMENTASILIMBAHBIOETANOL

PADASINGKONG)................................

M.2 PERFORMA METODE K NEAREST NEIGHBOR IMPUTATION (KNNI)

UNTUKMENANGANIMULTIVARIATEMISSINGDATA

M.3 PEMODELAN DAN PENGKLASIFIKASIAN KABUPATEN TERTINGGAL

DI INDONESIA DENGAN PENDEKATAN MULTIVARIATE ADAPTIVE

REGRESSIONSPLINES(MARS)

M.4 PENERAPANMETODEMULTIPLEFACTORANALYSIS(MFA)DALAM

MENGIDENTIFIKASI SARANA DAN PRASARANA DI DEPARTEMEN

MATEMATIKAFMIPAUNPAD

M.5 PREDIKSI PRODUKSI GAS BUMI DENGAN GENERAL REGRESSION

NEURALNETWORK(GRNN)

M.6 PENGGUNAAN PROBABILISTIC LATENT SEMANTIC A

(PLSA)PADAPENGELOMPOKANDATATEKS


Peranan Statistika di Bidang Eksplorasi Energi Indonesia

MODELPRICEINDEX................................................................

PENENTUAN HARGA OPSI SAHAM TIPE EROPA MENGGUNAKANSCHOLESDENGANSTRATEGIINVESTASISTRADDLE

DESAIN EKSPERIMEN/ QUALITY CONTROL / RISET OPERASIONAL

FUNGSI BIAYA UNTUK MENENTUKAN TINGKAT PEMESANAN

OPTIMUMMULTIITEMINDEPENDENBERDISTRIBUSIDISKRIT...............

PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI

UNTUKDATADISKRIT................................................................................................

MODEL PROBABILISTIK PUNAHNYA KUMAN MYCOBACTERIUM


ANTITUBERKULOSIS................................................................................................

MODEL STATISTIKA BAGI PENENTUAN BATAS

KRITISHARAKALIUMPADAKEDELAI................................................................

DIAGRAMKONTROLEKSPONENTIALWEIGHTEDMOVINGAVERAGE

(EWMA)PADAPROSESAUTOREGRSSIVE(1).........................................................

DAMPAK PROSES AUTOREGRESSIVE(1) PADA DIAGRAM KONTROL

CUMULATIVESUM(CUSUM)............................................................................................


CUMULATIVESUM(CUSUM)............................................................................................

SIMULASIPEMANENANPOPULASIPAUSORCINUS ORCA................................

PENDEKATANBAYESIANUNTUKSAMPLINGPENERIMAAN.........................

PENDEKATAN ANALISISUNIVARIAT DAN MULTIVARIAT UNTUK

DESAINREPEATEDMEASUREMENT................................................................

MANOVA DENGAN REPEATED MEASUREUNTUK MODEL SATU


................................................................................................................

PERFORMA METODE K NEAREST NEIGHBOR IMPUTATION (KNNI)

UNTUKMENANGANIMULTIVARIATEMISSINGDATA................................

PEMODELAN DAN PENGKLASIFIKASIAN KABUPATEN TERTINGGAL


REGRESSIONSPLINES(MARS)......................................................................................

METODEMULTIPLEFACTORANALYSIS(MFA)DALAM


MATEMATIKAFMIPAUNPAD.......................................................................................

PREDIKSI PRODUKSI GAS BUMI DENGAN GENERAL REGRESSION

NEURALNETWORK(GRNN)...........................................................................................

PENGGUNAAN PROBABILISTIC LATENT SEMANTIC ANALYSIS

(PLSA)PADAPENGELOMPOKANDATATEKS.....................................................


...........................................116

PENENTUAN HARGA OPSI SAHAM TIPE EROPA MENGGUNAKANSCHOLESDENGANSTRATEGIINVESTASISTRADDLE.........130

RISET OPERASIONAL

FUNGSI BIAYA UNTUK MENENTUKAN TINGKAT PEMESANAN

...............139

PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI

.....................................146

MODEL PROBABILISTIK PUNAHNYA KUMAN MYCOBACTERIUM


.........................................154

MODEL STATISTIKA BAGI PENENTUAN BATAS

.....................................162

DIAGRAMKONTROLEKSPONENTIALWEIGHTEDMOVINGAVERAGE

.........................170


............................180


............................191

................................206

.........................219

UNTUK

..........................................225

MANOVA DENGAN REPEATED MEASUREUNTUK MODEL SATU


................235

PERFORMA METODE K NEAREST NEIGHBOR IMPUTATION (KNNI)

.......................................244

PEMODELAN DAN PENGKLASIFIKASIAN KABUPATEN TERTINGGAL


......................251

METODEMULTIPLEFACTORANALYSIS(MFA)DALAM


.......................261

PREDIKSI PRODUKSI GAS BUMI DENGAN GENERAL REGRESSION

...........................270

NALYSIS

.....................278



ix

REGRESI/SEM

R.1 ANALISIS MULTIGROUP STRUCTURAL EQUATION MODELLING

(SEM) (STUDI KASUS: INDEKS KEPUASAN KONSUMEN TERHADAP

DATABPS)..............................................................................................................................285

R.2 MODEL REGRESI ZERO INFLATED POISSON PADA DATA RESPON

EXCESSZERO........................................................................................................................296

R.3 KARAKTERISTIK RUMAH TANGGA MENURUT POLA PENGGUNAAN

BAHAN BAKAR UNTUK MEMASAK;ANALISIS DAMPAK PROGRAM

KONVERSIMINYAKTANAH...........................................................................................304

R.4 PENERAPANREGRESILINEARBERGANDAPADABIRATEDENGAN

MENGGUNAKANMETODAFORWARD......................................................................316

R.5 REGRESI COX PADA SURVEY KOMPLEKS (STUDI KASUS: LAMA

PEMBERIANASI).................................................................................................................328

R.6 FAKTOR‐FAKTOR YANG MEMENGARUHI INTENSITAS ENERGI DIINDONESIA: PENDEKATAN MODEL ERROR CORRECTIONMECHANISM.........................................................................................................................334

R.7 MULTIGROUP STRUCTURAL EQUATION MODELS (SEM) DATA

KEMISKINANINDONESIA...............................................................................................345

R.8 APLIKASI ANALISIS REGRESI CAMPURAN PADA

PENELITIANBIDANGPENDIDIKAN............................................................................357

R.9 MODEL REGRESI NEGATIVE BINOMIAL, ZERO INFLATED DAN ZERO

INFLATED NEGATIVE BINOMIALUNTUKEXCESS ZEROS DATA (STUDI

KASUSKEMATIANAKIBATTUBERKOLOSISDIJAWABARAT).......................365

R.10 COUNT DATA REGRESSION PADA PENYAKIT TUBERKULOSIS DI

JAWABARAT.........................................................................................................................370

SPATIAL

S.1 KRIGING UNIVERSAL DENGAN MENGGUNAKAN KOPULA UNTUK

MEMPREDIKSI KANDUNGAN ALUMUNIUM (AL) DI KABUPATEN

SUKABUMIJAWABARAT................................................................................................377

S.2 GEOGRAPHICALLY WEIGHTED POISSON REGRESSION PADA

PENYAKIT TUBERKOLOSIS DI JAWA BARAT............................................................385

S.3 PENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA

MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG

MENGGUNAKANHIERARCHICALBAYES(HB)LOGITNORMAL....................393

S.4 GEOGRAPHICALLY WEIGHTED REGRESSION DALAM MENAKSIR

MODEL OUTPUT SEKTOR INDUSTRI MENENGAH BESAR TAHUN

2012...........................................................................................................................................403

S.5 GEOGRAPHICALLYWEIGHTEDBINOMIALNEGATIVEREGRESSION..........414

S.6 MODEL SPASIAL DURBIN DENGAN EFEK TETAP UNTUK TINGKATPENGANGGURAN TERBUKA DI PROVINSI KEPULAUAN BANGKABELITUNG................................................................................................................................424

S.7 ESTIMASI VARIANS DENGAN PENDEKATAN METODE RESCALED

BOOTSTRAP..........................................................................................................................437

PROSIDING


x

S.8 ANALISIS HURDLE POISSON UNTUK PEMODELAN DATA

COUNTKONSUMSIROKOKDIKALIMANTANTENGAH

S.9 PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION

(HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF

KECAMATANDIKABUPATENINDRAMAYU

S.10 PENAKSIRAN KONSENTRASI INDUSTRI DENGAN MENGGUNAKANINDEKSLOCATIONQUOTIENT

S.11 PERBANDINGAN KUALITAS PENAKSIR EMPIRICAL BAYES DALAMMENAKSIRRESIKORELATIF

S.12 PERBANDINGAN MODEL REGRESI TERBOBOTI GEOGRAFISDENGAN PEMBOBOT KERNEL ADAPTIF NORMAL DAN KERNELADAPTIF KUADRAT GANDA UNTUK DATA GIZI BURUK DI JAWATIMUR................................

S.13 PENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DIKABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICALBAYESBERBASISMODELBETA

S.14 ANALISIS DATA SPASIAL MENGGUNAKAN METODE BAYESIANGEOGRAPHICALLY WEIGHTED REGRESSIONPDRBPERKAPITADIPROVINSIJAWATIMUR)

TIME SERIES

T.1 MULTIVARIATE SINGULAR SPECTRUM ANALYSIS UNTUKMEMPREDIKSI PENJUALAN JENIS TEH HITAM ORTHODOX MUTUUTAMA................................

T.2 PERBANDINGAN METODE PERAMALAN PADA ANALISIS SINGULAR

SPEKTRUM(SSA)UNTUKDATADERETWAKTUYANGMEMPUNYAI

POLAMUSIMANGANDA

T.3 IMPUTASI MISSING VALUES DENGAN EXPECTATION

MAXIMIZATIONWITHBOOTSTRAPPING(EMB)DATATIMESERIES

CROSSSECTION(TSCS)VOLUMEPRODUKSICRUDEPALMOIL(CPO)

T.4 ANALISIS PREDIKTABI

(UR)SEBAGAIINDIKATORKUATKRISISBERASTAHUN2008(STUDI

KASUSNEGARABANGLADESH)

T.5 PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASIBEBERAPAKOTADIJAWATENGAH

T.6 METODEDEKOMPOSISIUNTUKMERAMALKANKEJT.7 ANALISIS PREDICTABILITY STATISTIK UNPRECEDENTED

RESTLESSNESS SEBAGAI INDIKATOR KUAT KRISIS BERAS (STUDI

KASUSNEGARAFILIPINA)

T.8 PERAMALAN RESTLESSNESS SEBAGAI INDIKATOR KRISIS BERAS

MELALUI STATISTIK INCOME PERKAPITA DAN

KASUSNEGARATHAILAND)



ANALISIS HURDLE POISSON UNTUK PEMODELAN DATA

ROKOKDIKALIMANTANTENGAH................................

PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION


KECAMATANDIKABUPATENINDRAMAYU...........................................................

PENAKSIRAN KONSENTRASI INDUSTRI DENGAN MENGGUNAKANINDEKSLOCATIONQUOTIENT(LQ)................................................................PERBANDINGAN KUALITAS PENAKSIR EMPIRICAL BAYES DALAMMENAKSIRRESIKORELATIF.........................................................................................PERBANDINGAN MODEL REGRESI TERBOBOTI GEOGRAFISDENGAN PEMBOBOT KERNEL ADAPTIF NORMAL DAN KERNELADAPTIF KUADRAT GANDA UNTUK DATA GIZI BURUK DI JAWA

................................................................................................................................PENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DIKABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICALBAYESBERBASISMODELBETA‐BINOMIAL............................................................ANALISIS DATA SPASIAL MENGGUNAKAN METODE BAYESIANGEOGRAPHICALLY WEIGHTED REGRESSION (STUDI KASUS DATAPDRBPERKAPITADIPROVINSIJAWATIMUR).....................................................

MULTIVARIATE SINGULAR SPECTRUM ANALYSIS UNTUKMEMPREDIKSI PENJUALAN JENIS TEH HITAM ORTHODOX MUTU

................................................................................................................................PERBANDINGAN METODE PERAMALAN PADA ANALISIS SINGULAR

SSA)UNTUKDATADERETWAKTUYANGMEMPUNYAI

POLAMUSIMANGANDA................................................................................................

IMPUTASI MISSING VALUES DENGAN EXPECTATION

MAXIMIZATIONWITHBOOTSTRAPPING(EMB)DATATIMESERIES

CROSSSECTION(TSCS)VOLUMEPRODUKSICRUDEPALMOIL(CPO)

ANALISIS PREDIKTABILITAS UNPRECEDENTED RESTLESSNESS


KASUSNEGARABANGLADESH)....................................................................................

PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASIBEBERAPAKOTADIJAWATENGAH................................................................METODEDEKOMPOSISIUNTUKMERAMALKANKEJADIANBANJIRANALISIS PREDICTABILITY STATISTIK UNPRECEDENTED


KASUSNEGARAFILIPINA)...............................................................................................

PERAMALAN RESTLESSNESS SEBAGAI INDIKATOR KRISIS BERAS

MELALUI STATISTIK INCOME PERKAPITA DAN PRICE RICE (STUDI

KASUSNEGARATHAILAND)...........................................................................................


ANALISIS HURDLE POISSON UNTUK PEMODELAN DATA

......................................447

PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION


...........................458

PENAKSIRAN KONSENTRASI INDUSTRI DENGAN MENGGUNAKAN............................................469

PERBANDINGAN KUALITAS PENAKSIR EMPIRICAL BAYES DALAM.........................475

PERBANDINGAN MODEL REGRESI TERBOBOTI GEOGRAFISDENGAN PEMBOBOT KERNEL ADAPTIF NORMAL DAN KERNELADAPTIF KUADRAT GANDA UNTUK DATA GIZI BURUK DI JAWA

......................................486PENDUGAAN AREA KECIL TERHADAP ANGKA MELEK HURUF DIKABUPATEN KUTAI KARTANEGARA DENGAN METODE EMPIRICAL

............................497ANALISIS DATA SPASIAL MENGGUNAKAN METODE BAYESIAN

(STUDI KASUS DATA.....................504

MULTIVARIATE SINGULAR SPECTRUM ANALYSIS UNTUKMEMPREDIKSI PENJUALAN JENIS TEH HITAM ORTHODOX MUTU

......................................515PERBANDINGAN METODE PERAMALAN PADA ANALISIS SINGULAR

SSA)UNTUKDATADERETWAKTUYANGMEMPUNYAI

..................................522

IMPUTASI MISSING VALUES DENGAN EXPECTATION

MAXIMIZATIONWITHBOOTSTRAPPING(EMB)DATATIMESERIES‐

CROSSSECTION(TSCS)VOLUMEPRODUKSICRUDEPALMOIL(CPO).......530

LITAS UNPRECEDENTED RESTLESSNESS


....................540

PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI...........................................553ADIANBANJIR............565

ANALISIS PREDICTABILITY STATISTIK UNPRECEDENTED


...............................569

PERAMALAN RESTLESSNESS SEBAGAI INDIKATOR KRISIS BERAS

PRICE RICE (STUDI

...........................581

PROSIDING


270

PREDIKSI PRODUKSI GA NEURAL NETWORK (GRNN

Rezzy Eko Caraka 1MahasiswaJurusanStatistikaFSMUNDIP

2StaffPengajarJurusanStatistikaFSMUNDIPEmail:[email protected]

Gas bumi sebagai salah satu sumber energi memiliki peranan yang sangat penting bagipertumbuhan pembangunan nasional. Selama dekade terakhir, peranan gas bumi mulaimenggeser peranan BBM sebagai sumber energi karena selain lebih murah juga ramahlingkungan. Pemanfaatan gas bumi di Indonesia meliputi sektor pembangkit listrik 52%,sektorindustripupuk12%sertasektorindustridansektrolainnya36%.Neural Network (GRNN)merupakansalahsatumodel jaringanradialbasisyangdigunakanuntukpendekatansuatufungsi.ModelGRNNtermasukmodeljaringansyaraftiruandengansolusiyangcepat,karenatidakdiperlukaniterasiyangbesarpadaestimasibobotModel ini memiliki arsitektur jaringan yang baku, dimana jumlah unit padasesuai dengan jumlah data input. Analisis dilakukan simulasi jaringan dengan menguji 17data tersisa didapat nilai mse training sebesar 553,9764 dan nilai mse testing gas bumisebesar 645,870. Kalau saat ini industri meminta pasokan gas hingga lebih dari 2000mmscfd maka konsekwensinya belum dapat memenuhi kebutuhan industri karenaberdasarkanperamalanproduksigasbumibarudapatmenyumbangsebesar1500mmscfd(Million Metric Standard Cubic Feet Per DaySehinggauntukmemenuhikebutuhanindustripemerintahharusmengoptimalkanproduksiataumencarisumberenergigasalternatif.

Kata Kunci : Gas Bumi, General Regression Neural Network (Forecasting), Simulasi

1. PENDAHULUAN

Dalam membangun ketahanan energi

mempersiapkan beberapa hal yaitu terpenuhinya pasokan energi (

jumlahyangcukup,tersedianyainfrastrukturenergiyanghandal,amandanefisien,

kemampuan pasar (demand

kemampuanuntukmenyerapenergiadalahketersediaanenergidenganspesifikasi

yang sesuai dan harga yang terjangkau untuk mampu bersaing dan terus

berkembang.Salahsatukekayaanalamindonesiaadalahsummberdayaminyakdan

gasbumi(migas)yangsudah pent

perannyasebagaisumberenergi.Sumberdayamigasmerupakanasetnasionalyang

perlu dikelola dengan optimal untuk meningkatkan kinerja dan produktivitasnya.

BerdasarkandataKementerianESDM,padaperiode2012

gas diproyeksikan sebesar 5.118 mmscfd (

Day).Saatiniindustrimendapatsuplaigassekitar50%dariperusahaangasnegara

dankontrakpasokanjugatidakbersifatjangkapanjang,tapitahunan,



M.5

PREDIKSI PRODUKSI GAS BUMI DENGAN GENERAL REGRESSIONNEURAL NETWORK (GRNN)

Rezzy Eko Caraka1, Hasbi Yasin2

MahasiswaJurusanStatistikaFSMUNDIPStaffPengajarJurusanStatistikaFSMUNDIP

[email protected];[email protected]

ABSTRAK

salah satu sumber energi memiliki peranan yang sangat penting bagipertumbuhan pembangunan nasional. Selama dekade terakhir, peranan gas bumi mulaimenggeser peranan BBM sebagai sumber energi karena selain lebih murah juga ramah

s bumi di Indonesia meliputi sektor pembangkit listrik 52%,sektorindustripupuk12%sertasektorindustridansektrolainnya36%.General Regression

(GRNN)merupakansalahsatumodel jaringanradialbasisyangdigunakanatufungsi.ModelGRNNtermasukmodeljaringansyaraftiruandengan

solusiyangcepat,karenatidakdiperlukaniterasiyangbesarpadaestimasibobotModel ini memiliki arsitektur jaringan yang baku, dimana jumlah unit pada pattern layer

engan jumlah data input. Analisis dilakukan simulasi jaringan dengan menguji 17data tersisa didapat nilai mse training sebesar 553,9764 dan nilai mse testing gas bumisebesar 645,870. Kalau saat ini industri meminta pasokan gas hingga lebih dari 2000

fd maka konsekwensinya belum dapat memenuhi kebutuhan industri karenaberdasarkanperamalanproduksigasbumibarudapatmenyumbangsebesar1500mmscfdMillion Metric Standard Cubic Feet Per Day) atau sebesar 75% dari kebutuhan industri.

menuhikebutuhanindustripemerintahharusmengoptimalkanproduksiataumencarisumberenergigasalternatif.

General Regression Neural Network (GRNN), Peramalan , Simulasi.

Dalam membangun ketahanan energi nasional pemerintah harus

mempersiapkan beberapa hal yaitu terpenuhinya pasokan energi (suppply


(demand) untuk menyerap energi, dimana faktor utama

emampuanuntukmenyerapenergiadalahketersediaanenergidenganspesifikasi



gasbumi(migas)yangsudah pentingdalamperadabankehidupanmanusiadalam



BerdasarkandataKementerianESDM,padaperiode2012‐2020,tambahanproduksi

gas diproyeksikan sebesar 5.118 mmscfd (Million Metric Standard Cubic Feet Per

).Saatiniindustrimendapatsuplaigassekitar50%dariperusahaangasnegara

dankontrakpasokanjugatidakbersifatjangkapanjang,tapitahunan,sehinggatidak


L REGRESSION

salah satu sumber energi memiliki peranan yang sangat penting bagipertumbuhan pembangunan nasional. Selama dekade terakhir, peranan gas bumi mulaimenggeser peranan BBM sebagai sumber energi karena selain lebih murah juga ramah

s bumi di Indonesia meliputi sektor pembangkit listrik 52%,General Regression

(GRNN)merupakansalahsatumodel jaringanradialbasisyangdigunakanatufungsi.ModelGRNNtermasukmodeljaringansyaraftiruandengan

solusiyangcepat,karenatidakdiperlukaniterasiyangbesarpadaestimasibobot‐bobotnya.pattern layer

engan jumlah data input. Analisis dilakukan simulasi jaringan dengan menguji 17data tersisa didapat nilai mse training sebesar 553,9764 dan nilai mse testing gas bumisebesar 645,870. Kalau saat ini industri meminta pasokan gas hingga lebih dari 2000

fd maka konsekwensinya belum dapat memenuhi kebutuhan industri karenaberdasarkanperamalanproduksigasbumibarudapatmenyumbangsebesar1500mmscfd

) atau sebesar 75% dari kebutuhan industri.menuhikebutuhanindustripemerintahharusmengoptimalkanproduksi

, Peramalan

nasional pemerintah harus

suppply) dalam


) untuk menyerap energi, dimana faktor utama

emampuanuntukmenyerapenergiadalahketersediaanenergidenganspesifikasi



ingdalamperadabankehidupanmanusiadalam



020,tambahanproduksi

Million Metric Standard Cubic Feet Per

).Saatiniindustrimendapatsuplaigassekitar50%dariperusahaangasnegara

sehinggatidak



271

ada jaminan pasokan gas, Data statistik gas bumi sumber Ditjen MIGAS

menunjukkan bahwa jumlah minyak dan gas bumi yang diperkirakan dapat

diproduksi dari suatu reservoir yang ukurannya sudah ditentutkan dengan

meyakinkan adalah sebesar 103.35 TSCF (Trillion Square Cubic Feet), sedangkan

potensial jumlah dan gas bumi yang diperkirakan terdapat dalam suatu reservoar

adalahsebesar47.35TSCF(Trillion Square Cubic Feet).Sehinggatotalcadangangas

bumisebesar150.70TSCF(Trillion Square Cubic Feet).Datapertumbuhanproduksi

kilang gas dari 2004‐2012 sebesar 11.8%. pemanfaatan gas bumi tahun 2012

digunakanolehdomesticantara lainpupuk,kilang,pet.kimia,kondensasi, lpg,pgn,

pln, Krakatau stieel, industri lain (penyaluran KKKS ke industry selain pengguna

PGN),citygas,pemakaiansendirisebesar45.5%.untukEksporolehfeedkilanglng,

lpg,gaspipasebesar47.8%danmengalamilossessebesar6,7%4.

SesuaidenganAyat1Pasal4UUNo.22Tahun2001tentangMinyakdanGas

Bumi, bahwa Minyak dan Gas Bumi sebagai sumber daya alam strategis tak

terbarukanyang terkandung di dalam Wilayah Hukum Pertambangan Indonesia

merupakan kekayaan nasional yang dikuasai olehnegara. Penguasaan oleh negara

sebagaimana dimaksud dalam ayat (1) diselenggarakan oleh Pemerintah sebagai

pemegang Kuasa Pertambangan. Pemerintah sebagai pemegang Kuasa

Pertambangan membentuk Badan Pelaksana (ayat 3). Kebijakan pemerintah

berkenaan dengan pemenuhan kebutuhan energi nasional dituangkan dalam

PeraturanPresidenNomor5 tahun2006tentangKebijakanEnergi Nasinal.Dalam

peraturan tersebut, pada tahun 2025 konsumsi gas alam naik menjadi 30%, Gas

sebagai energi alternatig yang menjanjikan harus benar=brnar diutamakan

untukkepentingan domestik dan mendorong ekspansi industri dan perekonomian

Indonesia. Berdasarkan data kementerian ESDM, pada periode 2012‐2020

tambahan profuksi gas diproyeksikan sebesar 5,118 mmscfd (Million Metric

Standard Cubic Feet Per Day)dari17lapangan.

2. METODOLOGI

Penilitian ini menggunakan data sekunder, yaitu data produksi gas bumi

periode 1960 – 2012 yang diperoleh di website http://statistik.migas.esdm.go.id.

Datadibagiduadimana35datadigunakansebagaitrainingdan17sebagaitesting

kemudianmelakukansimulasimenggunakansoftwarematlab7.8.0(R2009a)

2.4. Artificial Neural Network

ANN adalah suatu sistem pemrosesan informasi yang mempunyai

karakteristik‐karakteristik kinerja tertentu dengan mengadaptasi dari jaringan

syaraf biologi. ANN telah digeneraliasi sebagai model matematik dari kognisi

manusia dengan didasarkan pada pemrosesan informasi terjadi pada banyak

elemen yang disebut neurons. Sinyal‐sinyal dikirim antar neurons melalui

connection-links (sinapsis), Setiap sinapsis mempunyai bobot tertentu. Neuron

4 Refleksi semangat perjuangan dan idealism pendiri bangsa dalam pengelolaan sumber daya alam startegis Indonesia – Gas Bumi www.pgn.co.id

PROSIDING


272

menggunakanfungsiaktivasiyangmerupakanpenjumlahandarisinyal

(masukan)untuksinyal‐sinyal

Dasardalam pemrosesansuatu jaringanpada

dalamlapisan‐lapisan(layer)yangdisebutlapisanneuron(neuronlayer).

neuron dalam satu lapisan

sesudahnya, sehingga nantinya akan terbentuk lapisan input (

tersembunyi(hidden layer),danlapisanoutput(

Sebuahneuronterdiridaribeb

1. Input

Input merupakan bagian dari sistem

masukan pada sistem yang digunakan untuk proses pembelajaran dan proses

pengenalanobjek.

2. Bobot

Bobot merupakan beban yang diberikan pada penghubung yang berfungsi

untukmeningkatkansertamenurunkanpengaruhpadasuatuneur

input yang masuk agar nantinya dihasilkan output yang sesuai dengan target

pembelajaran.

3. Processing unit

Processing unit merupakan tempat terjadinya proses komputasi atau

pengenalanterhadapobjekberdasarkanpengetahuanyangdiperolehdariinp

danjugadaribobotyangsudahditentukansebelumnya.

4. Output

Output merupakan bagian yang memberikan hasil keluaran atau solusi

pemecahan masalah dari proses pembelajaran yang berlangsung terhadap

input.

2.5. General Regression Neural Network (Grnn)

General Regression Neural Network (GRNN) merupakan salah satu model

jaringan radial basis yang sering digunakan untuk pendekatan suatu fungsi. Dasar

dari operasi GRNN secara esensial didasarkan pada regresi nonlinear (kernel)

dimana estimasi dari nilai harapan ou

inputnya(Leung,et.al,2000).WalaupunGRNNmenghasilkanoutputberupavektor

multivariate, dengan tidak mengurangi keumuman deskripsi dari logika operasi

GRNNpadabagianinidisederhanakanuntukkasusoutputunivariat

�[�|�]=∫ ��(� ,�)��

�

� �

∫ �(� ,�)��

� �

Dalam hal ini y adalah output yang diprediksi oleh GRNN, sedangkan X

adalah vektor input (x1,x

�[�|�] adalah harga harapan dari

adalahfungsidensitasprobabilitasbersamadariXdany.

Teori General Regression Neural Network diperoleh dari estimasi densitas

kernel multivariate. Tujuan dari estimasi multivariate nonparametrik ini yaitu

mengestimasi fungsi densitas probabilitas

� = (��,… ,�� )� dengan menggunakan n ukuran dari tiap variabel. Estimator

densitaskernelmultivariatepadakasusmdimensididefinisikansebagai



menggunakanfungsiaktivasiyangmerupakanpenjumlahandarisinyal‐sinyal

sinyaloutput(keluaran).

Dasardalam pemrosesansuatu jaringanpadaNNneuronakandikumpulkan

lapisan(layer)yangdisebutlapisanneuron(neuronlayer).

neuron dalam satu lapisan dihubungkan dengan lapisan‐lapisan sebelum dan

sesudahnya, sehingga nantinya akan terbentuk lapisan input (input layer

),danlapisanoutput(output layer).

neuronterdiridaribeberapabagian:

Input merupakan bagian dari sistem yang digunakan untuk memberikan



untukmeningkatkansertamenurunkanpengaruhpadasuatuneuronterhadap


merupakan tempat terjadinya proses komputasi atau

pengenalanterhadapobjekberdasarkanpengetahuanyangdiperolehdariinp

danjugadaribobotyangsudahditentukansebelumnya.



General Regression Neural Network (Grnn)

Regression Neural Network (GRNN) merupakan salah satu model



dimana estimasi dari nilai harapan output ditentukan oleh himpunan input



GRNNpadabagianinidisederhanakanuntukkasusoutputunivariatsaja

)��

)��


,x2, …. , xp) yang terdiir dari p variabel prediktor.

adalah harga harapan dari output y diberikan vektor input X dan f(X,y)

adalahfungsidensitasprobabilitasbersamadariXdany.



engestimasi fungsi densitas probabilitas �(��∗,… ,��

∗ ) dari m variabel acak

dengan menggunakan n ukuran dari tiap variabel. Estimator

densitaskernelmultivariatepadakasusmdimensididefinisikansebagai


sinyalinput

neuronakandikumpulkan

lapisan(layer)yangdisebutlapisanneuron(neuronlayer).Neuron‐

lapisan sebelum dan

input layer), lapisan

yang digunakan untuk memberikan



onterhadap


merupakan tempat terjadinya proses komputasi atau

pengenalanterhadapobjekberdasarkanpengetahuanyangdiperolehdariinput



Regression Neural Network (GRNN) merupakan salah satu model



tput ditentukan oleh himpunan input‐



(1)


) yang terdiir dari p variabel prediktor.

output y diberikan vektor input X dan f(X,y)



dari m variabel acak

dengan menggunakan n ukuran dari tiap variabel. Estimator



273

�(�∗) =�

�∑

�

� �… � ��(

� �� ∗

� �,… ,

� �� ∗

� � �

�� ) (2)

DimanaKadalahfungsikernelmultivariatedanpanjangbidang(parameter

penghalusan) vektor � = (ℎ �,..ℎ � )�.Data asli Z(Xi,Yi); i=1,..n akan dibagi menjadi

himpunan data pelatihan digunakan untuk pengembangkan model, sedangkan

himpunandataPelatihanberasandarisuatuprosessamplingyangmengukurnilai

ouputdenganadditive random noise:

�� = �[�|�,�]+ �� (3)

Dimana �� ~ �� ( 0,��)

Mean bersyarat dari Z jika diberikan ke (x,y) yang dikenal sebagai suatu

regresiZpada(x,y)adalahsuatusolusiyangmeminimalkanMSE.Jikaf(x,y,Z)adalah

fungsidensitasprobabilitaskontinubersamamakameanbersyarattersebutadalah:

�[�|�,�]=∫ �.�(�,�,�)��

�

� �

∫ �(�,�,�)��

� �

(4)

Fungsi densitas f(x,y,Z) dapat diestimasi dari data dengan menggunakan

estimatorkonsistennonparametrikyangdiusulkanolehparzenpadakasusdimensi

banyakyangdikembangkanolehCacoullossebagaiberikut:

�(�,�,�) =�

[(��)�� ]

∑ exp �−��

�

�� exp [− (� −��)�

�� ]�� (5)

DengannadalahbanyaknyapengukurandalamhimpunandataPelatihan,h

adalahsuatupanjangbidangsertajarakmetrik(Di2)adalah:

� �� = (� − ��)� + (� − ��)� (6)

Dengan mensubsitusi estimasi probabilitas bersama (2) kedalam mean (4)

bersyaratdiperolehestimatorkernelNadaraya‐Watsonsebagaiberikut:

�� (�,�) =∑ � �� (�

� ��

��)��

∑ �� (��

�

��)��

(7)

2.6. Struktur Dan Arsitektur Grnn

Konstruksi GRNN terdiri dari empat layer pemrosesan yaitu neuron

input,pattern,summation dan output. Input layer menerima vector input X dan

mendistribusikan data ke pattern layer. Tiap‐tiap neuron dalam pattern layer

kemudian membangun output � dan mengirimkan hasilnya ke summation layer.

Neuron‐neuron numerator dan denominator summation layer menghitung

jumlahan aritmatik sederhana dan terboboti yang didasarkan pada nilai � dan wij

yang diperoleh berdasarkan pembelajaran melalui training dengan supervise.

Neuron –neuron pada output layer kemudian melakukan pembagian terhadap

jumlahanyangtelahdihitungolehneuron‐neuronpadasummationlayer.

Tiap‐tiap layer unit pemrosesan ditandai dengan suatu fungsi

komputasional yang spesifik. Layer pertama disebut neuro input (input neurons),

bertanggungjawabuntukmenerimainformasi.Terdapatsuatuneuroninputtunggal

untuk setiap variabel predictor dalam vector input X. tidak ada pemrosesan data

yang dilakukan pada neuron‐neuron input tersebut. Neuron input kemudian

mengirimkan data ke layer kedua dari unit pemrosesan yang disebut neuron pola

(pattern neurons). Dalam hal ini, jumlah neuron pola sama dengan jumlah kasus

PROSIDING


274

dalamhimpunantraining.NeuronpolaImendapatkandatadari neuron inputdan

menghitungoutput�imengunakanfungsitransfer:

� = ��(� �� )�(�� )/�

Gambar

Output dari neuron pola kemudian diteruskan ke layer ketiga dari unit

pemrosesan yang disebut neuron jumlahan (

dari semua neuron pola ditambahkan. Secara teknis ada dua tipe penjumlahan

terboboti.DalamtopologiGRNNterdapatunitpemrosesanterpisahyangmelakukan

penjumlahanaritmatiksederhanadanpenjumlahanterboboti.Persamaan(9.a)dan

(9.b) masing‐masing menyatakan operasi matematis yang dibentuk oleh

penjumlahanterboboti

�� = ∑ ��

�� = ∑ ��

Jumlahan yang dihasilkan oleh

dikirimkan ke layer ke empat dari unit

output kemudian membentuk pembagian berikut untuk mendapatkan output

regresiGRNNy:

� =��

��

Periode yang paling menentukan dimulai setelah pelatihan jaringan.

Jaringan dilatih menggunakan kas

estimasi nilai dari hasil jaringan dibandingkan dengan sampel nyata yang diamati

dan parameter jaringan yang telah disesuaikan sehingga diperoleh error hasil

pelatihan.(Caraka,dkk.2014).

Error hasil pelatihan

mencariMSEhasilpelatihan.Setiapdataperamalanhasilestimasinilaidiujidengan

data observasi dalam himpunan pengujian. Kriteria evaluasi yang digunakan yaitu

MSE(mean square error),untukMSEoutputu

�� =�

�∑ (� − �)��

��




mengunakanfungsitransfer:�� )

Gambar.1KonstruksiGRNNSecaraUmum


pemrosesan yang disebut neuron jumlahan (summation neurons) dimana output




masing menyatakan operasi matematis yang dibentuk oleh

Jumlahan yang dihasilkan oleh summation neurons secara berturut

dikirimkan ke layer ke empat dari unit pemrosesan yaitu neuron output. Neuron



Jaringan dilatih menggunakan kasus didalam himpunan data pelatihan dihitung



pelatihan.(Caraka,dkk.2014).

Error hasil pelatihan untuk langkah lebih lanjut akan digunakan untuk



),untukMSEoutputunivariatdihitungrumusdibawahini:



(8)


) dimana output




masing menyatakan operasi matematis yang dibentuk oleh

(9.a)

(9.b)

secara berturut‐turut

pemrosesan yaitu neuron output. Neuron


(9.c)


us didalam himpunan data pelatihan dihitung



untuk langkah lebih lanjut akan digunakan untuk



nivariatdihitungrumusdibawahini:

(10)



275

Dengan:

Q =Jumlahpolayangdihitung

t =Vektortarget

y =Vektoroutputjaringan

3. HASIL DAN PEMBAHASAN

Datadibagiduadimana35datadigunakansebagaitrainingdan17sebagai

testing hasil identifikasi terhadap data gas bumi diperoleh lag 1,2,13. Setelah

dilakukan preprocessing menggunakan bentuk normal, dibangun jaringan GRNN

denganperintahnewgrnn(pn,tn,i) dimanapnadalahinputuntuktrainingyangtelah

dinormalisasikandantnadalahdatatargetyangtelahdinormalisasikansedangkan

I adalah spread yang digunakan. Perintah newgrnn akan menghasilkan sebuah

jaringan dengan dua lapisan. Lapisan pertama memuat neuron dengan fungsi

aktivasi radbas, yang akan menghitung input terboboti dengan perintah dist dan

inputjaringandenganperintahnetprod.Lapisankeduamerupakanneurondengan

fungsi aktivasi purelin yang akan menghitung input terboboti dengan perintah

normproddaninputjaringandenganperintahnetsum.Hanyalapisanpertamayang

mempunyaibias.

3.1. Simulasi Jaringan

Hasil simulasi jaringan yang telah mendapatkan mse minimal berdasarkan

nilai spread yang terpilih digunakan untuk menguji 17 data tersisa, sehingga

diperoleh nilai mse testing. Kemudian dibuat plot hasil simulasi dengan data

training(predict in sample)dandatatesting(predict out sample).Dalammenyiapkan

datatrainingdantestingterlebihdahulumelihatdefinisisinyalpadadatainputdan

outputdapatdilihatpadagambar2.

Gambar2.TargetSinyal

Untuk melakukan simulasi GRNN dengan menguji 17 data tersisa didapat

nilaimsetraininggasbumisebesar553,9764dannilaimsetestinggasbumisebesar

645,870

0 100 200 300 400 500 600 700-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

0.6

0.8

1

PROSIDING


276

Gambar.3

Pada gambar 3 dapat dilihat bahwa secara visual model telah dapat

mendekatinilaiaslinya,terlihatdaripoladataprediksiyangrelatifberimpitdengan

data asli. Hasil ini juga menunjukkan bahwa model

Networkdapatdigunakanuntukprediksidata

3.2. Peramalan (Forecasting

Untuk membuat peramalan (

disusunfungsiforecastgrnn_gas.Padafungsiinidibuatplothasilpermalankedepan

dalam bentuk stem dapat dilihat pada gambar 4. Setelah dilakukan peramalan

(forecasting)untukselengkapnyadapatdilihatpadatabel1.

Gambar.4

Berdasarkan peramalan gas bumi masih memiliki potensi besar untuk

dikembangkan,untukitumakapem

pasokan gas untuk pemenuhan kebutuhan dalam negeri melakukan kajian dan

menetapkankebijakanyangmendukungdanmenetapkanRencanaIndukJaringan

Transmisi dan Distribusi Gas Bumi Nasional serta memprioritaskan p

melaluiKebijakanPenetapanAlokasidanPemanfaatanGasBumidalamNegeri.

00

200

400

600

800

1000

1200

1400

Tin

gkat

Gas B

um

i

00

200

400

600

800

1000

1200

1400

1600

Tin

gka

t G

as B

um

i



Gambar.3GrafikModelGRNNGasBumi



data asli. Hasil ini juga menunjukkan bahwa model General Regression

dapatdigunakanuntukprediksidatatime series

Forecasting)

Untuk membuat peramalan (forecasting) beberapa dasarian kedepan


dapat dilihat pada gambar 4. Setelah dilakukan peramalan

)untukselengkapnyadapatdilihatpadatabel1.

Gambar.4GrafikForecastingGasBumi


dikembangkan,untukitumakapemerintahdalamrangkamendukungperencanaan



Transmisi dan Distribusi Gas Bumi Nasional serta memprioritaskan pemanfaatan


5 10 15 20 25

Dasarian Ke -12

Grafik Model Gas Bumi In-Sample

Jumlah Gas Bumi

Gas Bumi prediksi in sample

2 4 6 8 10 12

Forecasting ke Depan Dasarian Ke -12

Grafik Forecasting Gas Bumi




General Regression Neural

) beberapa dasarian kedepan


dapat dilihat pada gambar 4. Setelah dilakukan peramalan


erintahdalamrangkamendukungperencanaan



emanfaatan




277

Tabel 1.HasilPeramalan(Forecast)

Forecast

Dasarian1 1545.7*

Dasarian2 1536.5*

Dasarian3 1524.7*

Dasarian4 1544.3*

Dasarian5 1548.8*

Dasarian6 1549.8*

Dasarian7 1550.0*

Dasarian8 1501.9*

Dasarian9 1537.9*

Dasarian10 1512.4*

Dasarian11

Dasarian12

1506.8*

1507.0*

*Dalam Satuan mmscfd(Million Metric Standard Cubic Feet Per Day)

4. KESIMPULAN

Model GRNN termasuk model jaringan syaraf dengan solusi yang cepat,

karena tidak diperlukan iterasi yang besar pada proses estimasi bobot‐bobotnya.

Model ini juga sudah mempunyai arsitektur yang baku, dimana jumlah unit pada

pattern layer sesuai dengan jumlah data input. Berdasarkan analisis dapat

disimpulkan bahwa produksi gas bumi masih belum optimal, dalam setiap

peramalan dasarian didapat gas bumi hanya mampu di produksi 1500 mmscfd

(Million metric standard cubic feet per day). Kalausaatiniindustrimemintapasokan

gashingga lebihdari2000mmscfdmakakonsekwensinyabelumdapatmemenuhi

kebutuhan industri karena berdasarkan peramalan produksi gas bumi baru dapat

mengirimkansebesar1500mmscfdatauhanyamampumenyumbangsebesar75%

darikebutuhanindustri.Sehinggauntukmemenuhikebutuhanindustripemerintah

harusimporgasataumencarisumberenergigasalternatif.

5. DAFTAR PUSTAKA

Caraka,R E., Hasbi, Y. &Alan,P. (2014). Pemodelan General Regression Neural Network (GRNN) Dengan Peubah Input Data Return Untuk Peramalan Indeks Hangseng,ProsidingSeminarNasionalIlmuKomputerUNNESSemarang

Fausett,L, (1994).Fundamentals of Neural Networks; architectures, algorithms and applications, Prentice‐HallInc.,EnglewoodsCliffs,NewJersey.

Inside,Pgn. (2013).Pengelolaan sumber daya alami strategis Indonesia – gas bumi, EdisiKhusus59,10‐13

Siang,J.J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab,PenerbitAndi:Yogyakarta

Warsito,Budi.(2009).KapitaSelekta Statistika Neural Network.BPUndipSemarang.

Documents

eprints.undip.ac.ideprints.undip.ac.id/52875/1/PROSIDING_SNS_Unpad_IV_(Rezzy_dan... · prosiding seminar nasional statistika iv ... r.3 karakteristik rumah tangga menurut pola penggunaan