MEMBANGUN TOOL PREDIKSI YANG KOMPREHENSIF GUNA MENINGKATKAN AKURASI PRODUK AKHIR PENCAMPURAN KUALITAS BATUBARA MENERAPKAN PERBANDINGAN KOLABORATIF PADA ALGORITMA REGRESI HINGGA NEURAL NET

Abstract

Prediksi nilai akhir pencampuran kualitas batubara sebagian besar ditentukan hanya dengan menghitung nilai rata-rata terbobot antara kualitas dan kuantitas batubara dari masing-masing konstituen, teknik perhitungan ini mengabaikan kondisi dimana variasi hasil akhir tidak hanya ditentukan oleh faktor material tetapi juga dipengaruhi oleh faktor manusia, lingkungan, mesin, dan faktor metode, yang masing-masing berkontribusi terhadap total variasi. Kami mencatat bahwa masih ada beberapa kasus di mana perbedaan antara nilai prediksi dan nilai aktual berada di luar ketetapan ISO (± 71 kcal/kg), yang mengakibatkan kerugian yang cukup besar tidak hanya dari segi rangkaian operasional tetapi juga berdampak pada aspek keuangan karena menyebabkan munculnya berbagai biaya tambahan. Kami melihat bahwa hubungan antara nilai kalori akhir hasil analisa laboratorium dan kontributor variansnya dapat didekati sebagai masalah regresi. Memanfaatkan beberapa algoritma regresi akan membantu menghasilkan metode prediksi yang lebih baik daripada metode rata-rata terbobot sederhana. Dengan ribuan kumpulan data dan 60 fitur independen, kami secara bertahap menerapkan algoritma regresi sederhana seperti regresi linier hingga algoritma regresi lanjutan seperti Random Forest Regressor, XGBoost Regressor, dan Artificial Neural Networks (ANN). Untuk mendapatkan hasil yang optimal, pada setiap implementasi algoritma regresi lanjutan diterapkan metode hyperparameter tuning dengan iterasi hingga 1000 kali. Mempertimbangkan metrik evaluasi regresi, validasi model terbaik ditentukan dari nilai Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) terkecil. Langkah terakhir adalah memilih dan menyimpan model yang terbaik sebagai pickle string untuk membuat Django application, kemudian agar memungkinkan aksesibilitas yang luas, dilakukan deployment aplikasi di Heroku. Dengan melibatkan kontributor variasi tambahan, yaitu faktor lingkungan (curah hujan & jam hujan), faktor metode (dasar pemilihan analisis laboratorium), dan faktor material (water spray dan dust suppressant treatment), kami memperoleh metrik evaluasi regresi terbaik saat menggunakan XGBoost di mana nilai MAE (37,5) dan MAPE (0.0082).

Bahkan dengan lebih banyak kontributor varians, model prediksi ini dapat menawarkan process capability yang lebih baik dan rata-rata hasil yang lebih baik juga daripada kontributor varians yang lebih sedikit. Upaya preventif untuk meminimalkan kasus out-of-specification karena akurasi dapat dilakukan sedini mungkin, sehingga dapat meminimalkan kerugian secara operasional (Divert Barge, Rehandling Stock) dan secara finansial (Retest Document, Buyer Penalty). Aplikasi kolaboratif ini nantinya akan diterapkan oleh tim lintas fungsi (Coal Quality, Coal Mining Operation, Coal Dispatcher, Coal Processing Plant, Coal Laboratory) di seluruh rantai suplai batubara secara harian.