Upload
phamcong
View
222
Download
0
Embed Size (px)
Citation preview
PROSIDING SEMINAR NASIONAL STATISTIKA IV
“PERANAN STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA”
BALE SANTIKA
PROSIDING SEMINAR NASIONAL STATISTIKA IV
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
PROSIDING SEMINAR NASIONAL STATISTIKA IV
STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA”
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
PROSIDING SEMINAR NASIONAL STATISTIKA IV
“PERANAN STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA”
PROSIDING SEMINAR NASIONAL STATISTIKA IV
STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA”
PROSIDING SEMINAR NASIONAL STATISTIKA IV
STATISTIKA DI BIDANG EKSPLORASI ENERGI INDONESIA”
PROSIDING Seminar Nasional Statistika IV
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
PROSIDING Seminar Nasional Statistika IV
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
TUBERCULOSA YANG RESISTEN TERHADAP SUATU OBAT
ANTITUBERKULOSIS................................................................................................
MODEL STATISTIKA BAGI PENENTUAN BATAS
KRITISHARAKALIUMPADAKEDELAI................................................................
DIAGRAMKONTROLEKSPONENTIALWEIGHTEDMOVINGAVERAGE
(EWMA)PADAPROSESAUTOREGRSSIVE(1).........................................................
DAMPAK PROSES AUTOREGRESSIVE(1) PADA DIAGRAM KONTROL
CUMULATIVESUM(CUSUM)............................................................................................
DAMPAK PROSES AUTOREGRESSIVE(1) PADA DIAGRAM KONTROL
CUMULATIVESUM(CUSUM)............................................................................................
SIMULASIPEMANENANPOPULASIPAUSORCINUS ORCA................................
PENDEKATANBAYESIANUNTUKSAMPLINGPENERIMAAN.........................
PENDEKATAN ANALISISUNIVARIAT DAN MULTIVARIAT UNTUK
DESAINREPEATEDMEASUREMENT................................................................
MANOVA DENGAN REPEATED MEASUREUNTUK MODEL SATU
FAKTOR(STUDIKASUS:PROSESFERMENTASILIMBAHBIOETANOL
................................................................................................................
PERFORMA METODE K NEAREST NEIGHBOR IMPUTATION (KNNI)
UNTUKMENANGANIMULTIVARIATEMISSINGDATA................................
PEMODELAN DAN PENGKLASIFIKASIAN KABUPATEN TERTINGGAL
DI INDONESIA DENGAN PENDEKATAN MULTIVARIATE ADAPTIVE
REGRESSIONSPLINES(MARS)......................................................................................
METODEMULTIPLEFACTORANALYSIS(MFA)DALAM
MENGIDENTIFIKASI SARANA DAN PRASARANA DI DEPARTEMEN
MATEMATIKAFMIPAUNPAD.......................................................................................
PREDIKSI PRODUKSI GAS BUMI DENGAN GENERAL REGRESSION
NEURALNETWORK(GRNN)...........................................................................................
PENGGUNAAN PROBABILISTIC LATENT SEMANTIC ANALYSIS
(PLSA)PADAPENGELOMPOKANDATATEKS.....................................................
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
...........................................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
TUBERCULOSA YANG RESISTEN TERHADAP SUATU OBAT
.........................................154
MODEL STATISTIKA BAGI PENENTUAN BATAS
.....................................162
DIAGRAMKONTROLEKSPONENTIALWEIGHTEDMOVINGAVERAGE
.........................170
DAMPAK PROSES AUTOREGRESSIVE(1) PADA DIAGRAM KONTROL
............................180
DAMPAK PROSES AUTOREGRESSIVE(1) PADA DIAGRAM KONTROL
............................191
................................206
.........................219
UNTUK
..........................................225
MANOVA DENGAN REPEATED MEASUREUNTUK MODEL SATU
FAKTOR(STUDIKASUS:PROSESFERMENTASILIMBAHBIOETANOL
................235
PERFORMA METODE K NEAREST NEIGHBOR IMPUTATION (KNNI)
.......................................244
PEMODELAN DAN PENGKLASIFIKASIAN KABUPATEN TERTINGGAL
DI INDONESIA DENGAN PENDEKATAN MULTIVARIATE ADAPTIVE
......................251
METODEMULTIPLEFACTORANALYSIS(MFA)DALAM
MENGIDENTIFIKASI SARANA DAN PRASARANA DI DEPARTEMEN
.......................261
PREDIKSI PRODUKSI GAS BUMI DENGAN GENERAL REGRESSION
...........................270
NALYSIS
.....................278
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia |
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
| Peranan Statistika di Bidang Eksplorasi Energi Indonesia
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)
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
ANALISIS HURDLE POISSON UNTUK PEMODELAN DATA
ROKOKDIKALIMANTANTENGAH................................
PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION
(HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF
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
(UR)SEBAGAIINDIKATORKUATKRISISBERASTAHUN2008(STUDI
KASUSNEGARABANGLADESH)....................................................................................
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASIBEBERAPAKOTADIJAWATENGAH................................................................METODEDEKOMPOSISIUNTUKMERAMALKANKEJADIANBANJIRANALISIS PREDICTABILITY STATISTIK UNPRECEDENTED
RESTLESSNESS SEBAGAI INDIKATOR KUAT KRISIS BERAS (STUDI
KASUSNEGARAFILIPINA)...............................................................................................
PERAMALAN RESTLESSNESS SEBAGAI INDIKATOR KRISIS BERAS
MELALUI STATISTIK INCOME PERKAPITA DAN PRICE RICE (STUDI
KASUSNEGARATHAILAND)...........................................................................................
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
ANALISIS HURDLE POISSON UNTUK PEMODELAN DATA
......................................447
PENDEKATAN HIERARCHICAL BAYES SMALL AREA ESTIMATION
(HB SAE) DALAM MENGESTIMASI ANGKA MELEK HURUF
...........................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
(UR)SEBAGAIINDIKATORKUATKRISISBERASTAHUN2008(STUDI
....................540
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI...........................................553ADIANBANJIR............565
ANALISIS PREDICTABILITY STATISTIK UNPRECEDENTED
RESTLESSNESS SEBAGAI INDIKATOR KUAT KRISIS BERAS (STUDI
...............................569
PERAMALAN RESTLESSNESS SEBAGAI INDIKATOR KRISIS BERAS
PRICE RICE (STUDI
...........................581
PROSIDING
| Peranan Statistika di Bidang Eksplorasi Energi Indonesia
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,
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
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
jumlahyangcukup,tersedianyainfrastrukturenergiyanghandal,amandanefisien,
(demand) untuk menyerap energi, dimana faktor utama
emampuanuntukmenyerapenergiadalahketersediaanenergidenganspesifikasi
yang sesuai dan harga yang terjangkau untuk mampu bersaing dan terus
berkembang.Salahsatukekayaanalamindonesiaadalahsummberdayaminyakdan
gasbumi(migas)yangsudah pentingdalamperadabankehidupanmanusiadalam
perannyasebagaisumberenergi.Sumberdayamigasmerupakanasetnasionalyang
perlu dikelola dengan optimal untuk meningkatkan kinerja dan produktivitasnya.
BerdasarkandataKementerianESDM,padaperiode2012‐2020,tambahanproduksi
gas diproyeksikan sebesar 5.118 mmscfd (Million Metric Standard Cubic Feet Per
).Saatiniindustrimendapatsuplaigassekitar50%dariperusahaangasnegara
dankontrakpasokanjugatidakbersifatjangkapanjang,tapitahunan,sehinggatidak
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
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
jumlahyangcukup,tersedianyainfrastrukturenergiyanghandal,amandanefisien,
) untuk menyerap energi, dimana faktor utama
emampuanuntukmenyerapenergiadalahketersediaanenergidenganspesifikasi
yang sesuai dan harga yang terjangkau untuk mampu bersaing dan terus
berkembang.Salahsatukekayaanalamindonesiaadalahsummberdayaminyakdan
ingdalamperadabankehidupanmanusiadalam
perannyasebagaisumberenergi.Sumberdayamigasmerupakanasetnasionalyang
perlu dikelola dengan optimal untuk meningkatkan kinerja dan produktivitasnya.
020,tambahanproduksi
Million Metric Standard Cubic Feet Per
).Saatiniindustrimendapatsuplaigassekitar50%dariperusahaangasnegara
sehinggatidak
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia |
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
| Peranan Statistika di Bidang Eksplorasi Energi Indonesia
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
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
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
masukan pada sistem yang digunakan untuk proses pembelajaran dan proses
Bobot merupakan beban yang diberikan pada penghubung yang berfungsi
untukmeningkatkansertamenurunkanpengaruhpadasuatuneuronterhadap
input yang masuk agar nantinya dihasilkan output yang sesuai dengan target
merupakan tempat terjadinya proses komputasi atau
pengenalanterhadapobjekberdasarkanpengetahuanyangdiperolehdariinp
danjugadaribobotyangsudahditentukansebelumnya.
Output merupakan bagian yang memberikan hasil keluaran atau solusi
pemecahan masalah dari proses pembelajaran yang berlangsung terhadap
General Regression Neural Network (Grnn)
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 output ditentukan oleh himpunan input
inputnya(Leung,et.al,2000).WalaupunGRNNmenghasilkanoutputberupavektor
multivariate, dengan tidak mengurangi keumuman deskripsi dari logika operasi
GRNNpadabagianinidisederhanakanuntukkasusoutputunivariatsaja
)��
)��
Dalam hal ini y adalah output yang diprediksi oleh GRNN, sedangkan X
,x2, …. , xp) yang terdiir dari p variabel prediktor.
adalah harga harapan dari output y diberikan vektor input X dan f(X,y)
adalahfungsidensitasprobabilitasbersamadariXdany.
Teori General Regression Neural Network diperoleh dari estimasi densitas
kernel multivariate. Tujuan dari estimasi multivariate nonparametrik ini yaitu
engestimasi fungsi densitas probabilitas �(��∗,… ,��
∗ ) dari m variabel acak
dengan menggunakan n ukuran dari tiap variabel. Estimator
densitaskernelmultivariatepadakasusmdimensididefinisikansebagai
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
sinyalinput
neuronakandikumpulkan
lapisan(layer)yangdisebutlapisanneuron(neuronlayer).Neuron‐
lapisan sebelum dan
input layer), lapisan
yang digunakan untuk memberikan
masukan pada sistem yang digunakan untuk proses pembelajaran dan proses
Bobot merupakan beban yang diberikan pada penghubung yang berfungsi
onterhadap
input yang masuk agar nantinya dihasilkan output yang sesuai dengan target
merupakan tempat terjadinya proses komputasi atau
pengenalanterhadapobjekberdasarkanpengetahuanyangdiperolehdariinput
Output merupakan bagian yang memberikan hasil keluaran atau solusi
pemecahan masalah dari proses pembelajaran yang berlangsung terhadap
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)
tput ditentukan oleh himpunan input‐
inputnya(Leung,et.al,2000).WalaupunGRNNmenghasilkanoutputberupavektor
multivariate, dengan tidak mengurangi keumuman deskripsi dari logika operasi
(1)
Dalam hal ini y adalah output yang diprediksi oleh GRNN, sedangkan X
) yang terdiir dari p variabel prediktor.
output y diberikan vektor input X dan f(X,y)
Teori General Regression Neural Network diperoleh dari estimasi densitas
kernel multivariate. Tujuan dari estimasi multivariate nonparametrik ini yaitu
dari m variabel acak
dengan menggunakan n ukuran dari tiap variabel. Estimator
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia |
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
| Peranan Statistika di Bidang Eksplorasi Energi Indonesia
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
��� =�
�∑ (� − �)��
���
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
dalamhimpunantraining.NeuronpolaImendapatkandatadari neuron inputdan
mengunakanfungsitransfer:�� �)
Gambar.1KonstruksiGRNNSecaraUmum
Output dari neuron pola kemudian diteruskan ke layer ketiga dari unit
pemrosesan yang disebut neuron jumlahan (summation neurons) dimana output
dari semua neuron pola ditambahkan. Secara teknis ada dua tipe penjumlahan
terboboti.DalamtopologiGRNNterdapatunitpemrosesanterpisahyangmelakukan
penjumlahanaritmatiksederhanadanpenjumlahanterboboti.Persamaan(9.a)dan
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
output kemudian membentuk pembagian berikut untuk mendapatkan output
Periode yang paling menentukan dimulai setelah pelatihan jaringan.
Jaringan dilatih menggunakan kasus didalam himpunan data pelatihan dihitung
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 untuk langkah lebih lanjut akan digunakan untuk
mencariMSEhasilpelatihan.Setiapdataperamalanhasilestimasinilaidiujidengan
data observasi dalam himpunan pengujian. Kriteria evaluasi yang digunakan yaitu
),untukMSEoutputunivariatdihitungrumusdibawahini:
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
dalamhimpunantraining.NeuronpolaImendapatkandatadari neuron inputdan
(8)
Output dari neuron pola kemudian diteruskan ke layer ketiga dari unit
) dimana output
dari semua neuron pola ditambahkan. Secara teknis ada dua tipe penjumlahan
terboboti.DalamtopologiGRNNterdapatunitpemrosesanterpisahyangmelakukan
penjumlahanaritmatiksederhanadanpenjumlahanterboboti.Persamaan(9.a)dan
masing menyatakan operasi matematis yang dibentuk oleh
(9.a)
(9.b)
secara berturut‐turut
pemrosesan yaitu neuron output. Neuron
output kemudian membentuk pembagian berikut untuk mendapatkan output
(9.c)
Periode yang paling menentukan dimulai setelah pelatihan jaringan.
us didalam himpunan data pelatihan dihitung
estimasi nilai dari hasil jaringan dibandingkan dengan sampel nyata yang diamati
dan parameter jaringan yang telah disesuaikan sehingga diperoleh error hasil
untuk langkah lebih lanjut akan digunakan untuk
mencariMSEhasilpelatihan.Setiapdataperamalanhasilestimasinilaidiujidengan
data observasi dalam himpunan pengujian. Kriteria evaluasi yang digunakan yaitu
nivariatdihitungrumusdibawahini:
(10)
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia |
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
| Peranan Statistika di Bidang Eksplorasi Energi Indonesia
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
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
Gambar.3GrafikModelGRNNGasBumi
Pada gambar 3 dapat dilihat bahwa secara visual model telah dapat
mendekatinilaiaslinya,terlihatdaripoladataprediksiyangrelatifberimpitdengan
data asli. Hasil ini juga menunjukkan bahwa model General Regression
dapatdigunakanuntukprediksidatatime series
Forecasting)
Untuk membuat peramalan (forecasting) beberapa dasarian kedepan
disusunfungsiforecastgrnn_gas.Padafungsiinidibuatplothasilpermalankedepan
dapat dilihat pada gambar 4. Setelah dilakukan peramalan
)untukselengkapnyadapatdilihatpadatabel1.
Gambar.4GrafikForecastingGasBumi
Berdasarkan peramalan gas bumi masih memiliki potensi besar untuk
dikembangkan,untukitumakapemerintahdalamrangkamendukungperencanaan
pasokan gas untuk pemenuhan kebutuhan dalam negeri melakukan kajian dan
menetapkankebijakanyangmendukungdanmenetapkanRencanaIndukJaringan
Transmisi dan Distribusi Gas Bumi Nasional serta memprioritaskan pemanfaatan
melaluiKebijakanPenetapanAlokasidanPemanfaatanGasBumidalamNegeri.
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
Peranan Statistika di Bidang Eksplorasi Energi Indonesia
Pada gambar 3 dapat dilihat bahwa secara visual model telah dapat
mendekatinilaiaslinya,terlihatdaripoladataprediksiyangrelatifberimpitdengan
General Regression Neural
) beberapa dasarian kedepan
disusunfungsiforecastgrnn_gas.Padafungsiinidibuatplothasilpermalankedepan
dapat dilihat pada gambar 4. Setelah dilakukan peramalan
Berdasarkan peramalan gas bumi masih memiliki potensi besar untuk
erintahdalamrangkamendukungperencanaan
pasokan gas untuk pemenuhan kebutuhan dalam negeri melakukan kajian dan
menetapkankebijakanyangmendukungdanmenetapkanRencanaIndukJaringan
emanfaatan
melaluiKebijakanPenetapanAlokasidanPemanfaatanGasBumidalamNegeri.
PROSIDING Seminar Nasional Statistika IV
Peranan Statistika di Bidang Eksplorasi Energi Indonesia |
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.