Prediksi Harga Minyak Mentah Menggunakan Jaringan Syaraf Tiruan

Surmayanti, Surmayanti; Guslendra, Guslendra

doi:10.30812/matrik.v21i3.1382

Cited by 5 publications

(6 citation statements)

References 11 publications

(11 reference statements)

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Studi penelitian Veri et al, pada tahun 2022 menunjukkan bahwa nilai Mean Square Error (MSE) yang diperoleh dari hasil pelatihan adalah 0,00099762 dengan 135 Epoch, dan nilai MSE yang diperoleh dari pengujian jaringan adalah 0,093336. Ini menunjukkan bahwa jaringan syaraf tiruan propagasi balik sangat efektif dalam memprediksi informasi harga minyak mentah berdasarkan nilai koefisien korelasi dan nilai MSE yang dihasilkan [8]. Selanjutnya laporan penelitian Veronika dan Andri pada tahun 2022 menunjukkan bahwa penjualan Biosolar di tahun 2022 diperkirakan akan meningkat berdasarkan hasil pengolahan menggunakan ANN.…”

Section: Pendahuluanunclassified

Penerapan Algoritma Artificial Neural Network dan Economic Order Quantity dalam Memprediksi Persediaan Pengendalian BBM

Ula,

Afdal,

Zarnelly

et al. 2024

JoSYC

View full text Add to dashboard Cite

Motor vehicle production in Indonesia increases every year along with increasing demand for fuel as a raw material. Generally, gas stations carry out the process of ordering fuel from Dempo on an irregular basis, the frequency of orders does not have a certain time, orders depend on sales transactions and the amount of fuel inventory available depends on the fuel in storage. Regarding prediction and control of fuel supplies, the risk at gas stations is that the volume of fuel received is different from that ordered. It is suspected that tank trucks carrying fuel during delivery from the depot to gas stations tend to experience evaporation in the tank (loses), so that the fuel quantity decreases. Requests for fuel filling are only based on monitoring without any special calculations resulting in stock being maintained and not covering consumer demand. This research is to analyze the Artificial Neural Network algorithm in predicting fuel, and determine inventory control using Economic Order Quantity. The research was conducted using data from November 2020 - October 2023. The data was processed using the ANN algorithm using Google Colab, and continued with EOQ using Microsoft Excel. The ANN parameters are 1 hidden layer with 100 units, Adam optimizer, learning rate 0.001, batch size 8 and epoch 200. Pertalite ANN test results are MSE 248852593.81 and MAE 12749.45, while Pertamax Turbo MSE 803842.94 and MAE 672, 74 provides predictions for November and December of 11,1436.82 L and 11,1960.83 L and Pertamax Turbo of 3,782.46 L and 3,660.70 L. Furthermore, in 2023 the fuel EOQ of Pertalite and Pertamax Turbo will be 8,445 L and 5,261 L, Safety Stock 3,516 L and 1,064 L, Maximum Inventory 6,042 L and 5,153 L, Re order point 2,403 L and 108 L, Order frequency 149 times and 6 times with Total Inventory Cost Rp. 178,830,302 and Rp. 7,700,459.

show abstract

Section: Pendahuluanunclassified

Penerapan Algoritma Artificial Neural Network dan Economic Order Quantity dalam Memprediksi Persediaan Pengendalian BBM

Ula,

Afdal,

Zarnelly

et al. 2024

JoSYC

View full text Add to dashboard Cite

show abstract

“…Sementara itu, jaringan syaraf tiruan dapat menghasilkan prediksi yang cukup akurat karena kemampuannya untuk mengenali pola dari data-data pelatihan. Namun, kelemahannya adalah kompleksitasnya yang tinggi dan membutuhkan waktu yang lama untuk dilatih dengan data yang besar (Veri et al, 2022).…”

Section: Pendahuluanunclassified

Perbandingan Metode Koefisien Dengan Jaringan Syaraf Tiruan Pada Peramalan Beban Listrik Jangka Pendek

Caessar,

Nrartha,

Rosmaliati

2024

saintek

View full text Add to dashboard Cite

Peramalan beban jangka pendek merupakan peramalan beban listrik untuk keperluan operasi ekonomis sistem tenaga. Berbagai metode sudah diteliti untuk mendapatkan predisksi beban listrik tersebut. Penelitian ini menyajikan hasil prediksi beban listrik jangka pendek menggunakan metode koefisien dan jaringan syaraf tiruan (JST). Dua skenario peramalan beban untuk masing-masing metoda yaitu peramalan berdasarkan hari yang sama dan berdasarkan urutan hari-hari dalam seminggu. Data untuk peramalan adalah daya beban historis setiap setengah jam dari penyulang- penyulang di Gardu Induk Ampenan. Pra-prosesing dan pengelompokan data untuk data latih dan data uji pada dua metoda tersebut. Metoda JST menggunakan 3 layer, layer input sebanyak 3 neuron, layer hidden sebanyak 8 neuron dan layer output sebanyak 1 neuron dengan fungsi aktivasi adalah sigmoid biner. Hasil penelitian menunjukkan, untuk skenario hari yang sama diperoleh prediksi beban listrik rata- rata selama seminggu sebesar 27,38 MW dan 26,50 MW untuk metoda koefisien dan metoda JST dengan nilai rata-rata MAPE sebesar 8,97% dan 4,72%. Sehingga nilai akurasi untuk metode koefisien dan metode JST sebesar 91,03% dan 95,28%. Skenario untuk urutan hari-hari dalam seminggu diperoleh prediksi beban listrik rata-rata selama seminggu sebesar 26,98 MW dan 26,71 MW untuk metoda koefisien dan metoda JST dengan nilai rata-rata MAPE sebesar 7,34 % dan 4,98%. Sehingga nilai akurasi untuk metode koefisien dan metode JST sebesar 92,66% dan 95,02%. Hasil ini menunjukan metode JST lebih baik dari metode koefisien untuk kedua skenario.

show abstract

“…The notation of 𝑡𝑓(𝑡, 𝑑) is the Term Frequency, and 𝑓 its weights in reverse. Before this error can occur, the forward propagation phase must be completed [22].…”

Section: Word Weightingmentioning

confidence: 99%

Sentiment Analysis Based on Review of Puncak B29 Lumajang using Backpropagation Neural Network

Hizham,

Murni

2023

Advances in Economics, Business and Management Research

View full text Add to dashboard Cite

Sentiment analysis is a method that applies the concept of text mining to provide a classification that has positive, negative or neutral polarity for each sentence or document. The problem formulation carried out in this research is the role of sentiment analysis in analyzing reviews of the Puncak B29 Lumajang tourist attraction based on user comments on Google Maps. This research was carried out in 3 stages, starting with data collection in the form of a review of the Google Maps application which was carried out by scrapping data, carrying out text preprocessing, including case folding, tokenizing, stopwords, and stemming and categorizing each review according to sentiment using the Backpropagatin Neural Network (BNN) classification method. Sentiment classification based on Puncak B29 reviews on Google Maps using Backpropagation Neural Network has the best accuracy, recall and F1-score evaluation results for a total of 50 iterations, each with an average value of 97.33%, 100.00% and 98.47%. Meanwhile, the best precision value for the number of iterations is 10 iterations, which has an average value of 99.72%. From this description, it can be concluded that the evaluation value will get better along with the number of iterations carried out throughout the classification process.

show abstract

Prediksi Harga Minyak Mentah Menggunakan Jaringan Syaraf Tiruan

Cited by 5 publications

References 11 publications

Penerapan Algoritma Artificial Neural Network dan Economic Order Quantity dalam Memprediksi Persediaan Pengendalian BBM

Penerapan Algoritma Artificial Neural Network dan Economic Order Quantity dalam Memprediksi Persediaan Pengendalian BBM

Perbandingan Metode Koefisien Dengan Jaringan Syaraf Tiruan Pada Peramalan Beban Listrik Jangka Pendek

Sentiment Analysis Based on Review of Puncak B29 Lumajang using Backpropagation Neural Network

Contact Info

Product

Resources

About