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

Yoga P. Adiwiguna, Hario Purbaseno, Hadi Syuhara, Freddy J. Pribadi, Akhmad Sarbani, Almira D. Kusuma

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.



Keywords


Regresi, Neural Network, Kualitas Batubara, Pencampuran Batubara, Predictive Analytics

Full Text:

PDF

References


Artificial Neural Network – Rectified Linear Unit (ReLU), data diperoleh melalui situs internet: https://keras.io/api/layers/activations/. Diakses pada tanggal 10 Juni 2022.

Barrentine, L. (2003): Possible Sources of Process Variation, Concept for R&R Studies, ASQ Quality Press, Wisconsin, USA, 1 – 2.

Botchkarev, A. (2018): Performance Metrics (Error Measures) in Machine Learning Regression, Forecasting and Prognostics: Properties and Typology, Interdisciplinary Journal of Information, Knowledge, and Management, 17 – 18.

Chapman, P. (2000): Step by Step Data Mining Guide, CRISP-DM 1.0, CRISP-DM Consortium: NCR Systems Engineering Copenhagen, USA, 12 - 64.

Doan, T. (2015): Selecting Machine Learning Algorithms using Regression Models, IEEE 15th International Conference on Data Mining Workshops, 1 - 6.

Effect Summary Report in Fitting Linear Models, data diperoleh melalui situs internet: https://www.jmp.com/support/help/en/16.2/index.shtml#page/jmp/effect-summary.shtml. Diakses pada tanggal 20 Mei 2022.

International Organization for Standardization. (2009). Solid mineral fuels – Determination of gross calorific value by bomb calorimetric method and calculation of net calorific value (ISO Standard No. 1928:2009).

Multivariate Adaptive Regression Splines (MARS), data diperoleh melalui situs internet: https://github.com/scikit-learn-contrib/py-earth. Diakses pada tanggal 9 Agustus 2022.

Nisbet, R. (2018): Numerical Prediction, Handbook of Statistical Analysis and Data Mining Application, Elsevier, London Wall, United Kingdom, 187 - 188.

Owen, L (2022): Implementing Random Search, Hyperparameter Tuning with Python, Packt Publishing, Birmingham, UK, 121 – 123.

Process Capability Analysis, data diperoleh melalui situs internet: https://www.jmp.com/en_gb/learning-library/topics/quality-and-process/process-capability-analysis.html. Diakses pada tanggal 9 Agustus 2022.

Quinlan's Cubist Regression Model, data diperoleh melalui situs internet: https://pypi.org/project/cubist/. Diakses pada tanggal 9 Agustus 2022.

Random Forest Regressor, data diperoleh melalui situs internet: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html. Diakses pada tanggal 9 Agustus 2022.

Support Vector Regression, data diperoleh melalui situs internet: https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVR.html. Diakses pada tanggal 9 Agustus 2022.

Variables Control Charts – I/MR Charts, data diperoleh melalui situs internet: https://www.jmp.com/en_us/learning-library/topics/quality-and-process/variables-control-charts-i-mr-charts.html. Diakses pada tanggal 9 Agustus 2022.




DOI: https://doi.org/10.36986/impj.v4i2.79
Abstract views : 446 | views : 312

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.