Prediksi Harga Minyak Mentah Menggunakan Jaringan Syaraf Tiruan

Jhon Veri; Surmayanti Surmayanti; Guslendra Guslendra

doi:10.30812/matrik.v21i3.1382

Jhon Veri Universitas Putra Indonesia YPTK Padang
Surmayanti Surmayanti Universitas Putra Indonesia YPTK Padang
Guslendra Guslendra Universitas Putra Indonesia YPTK Padang

DOI: https://doi.org/10.30812/matrik.v21i3.1382

Keywords: Akurasi, Jaringan Syaraf Tiruan, Propagasi Balik, Prediksi

Abstract

Minyak mentah merupakan energi utama yang banyak digunakan pada berbagai industri di dunia
sehingga harga minyak mentah sulit untuk diprediksi apalagi di Indonesia setelah adanya pencabutan
subsidi minyak oleh pemerintah Indonesia sehinga diperlukan teknik prediksi yang akurat untuk
memprediksi harga minyak mentah dunia, prediksi harga minyak mentah merupakan perkiraan
harga minyak mentah di masa mendatang. Tujuan dari penelitian ini adalah untuk menganalisis kinerja
jaringan saraf tiruan dengan metode backpropagation dalam memprediksi harga minyak mentah.
Penelitian ini menggunakan satu parameter data dalam memprediksi harga minyak mentah yaitu
data minyak mentah dari tahun 2018 sampai tahun 2020. Pada kasus prediksi harga minyak mentah,
jaringan saraf tiruan tata cara backpropagation dalam proses training bisa mengidentifikasi pola
informasi yang diberikan dengan baik. Pada proses training JST, terus menjadi kecil nilai sasaran
error hingga iterasinya hendak terus menjadi besar serta tingkatan keakurasiannya pula terus menjadi
besar. Hasil pelatihan didapat nilai Mean Square Error (MSE) adalah 0,00099762 dengan 135
Epoch, pada pengujian jaringan diperoleh nilai MSE adalah 0,093336. Dengan demikian nilai koefisien
korelasi serta nilai MSE yang dihasilkan pada proses pengujian menampilkan kalau jaringan
syaraf tiruan propagasi balik sangat baik berdasarkan kelompok kelas nilai MSE untuk memprediksi
informasi harga minyak mentah.

Downloads

Download data is not yet available.

References

[1] M. A. Nizar, “The Impact of World Oil Prices Fluctuation on Indonesia’s Economy,” Buletin Ilmiah Litbang Perdagangan,
vol. 6, no. 2, pp. 189–209, 2012.
[2] Y. Prambudia and M. Nakano, Exploring Malaysia’s transformation to net oil importer and oil import dependence. Energies,
2012.
[3] KESDM, Handbook of Energy & Economic Statistics of Indonesia., Kementrian Energi dan Sumber Daya Mineral, Kementrian
Energi dan Sumber Daya Mineral, Ed., 2015.
[4] F.Kusumadewi, Peramalan Harga Emas Menggunakan FeedFoword Neural Network Dengan Algoritma Backpropagation, Universitas
Negeri Yogyakarta, Ed., 2014.
[5] A. Jumarwanto, R. Hartanto, and D. Prastiyanto, “Aplikasi Jaringan Saraf Tiruan Backpropagation Untuk Memprediksi Penyakit
Tht Di Rumah Sakit Mardi Rahayu Kudus,” Jurnal Teknik Elektro, vol. 1, no. 1, p. 11, 2009.
[6] A. Marleni, “Pengembangan Sistem Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Dokter Keluarga Menggunakan Backpropagation
(Studi Kasus : Regional X Cabang Palu),” Ph.D. dissertation, 2012.
[7] R. V. Febryo, G. Abdillah, R. Yuniarti, J. Informatika, F. Matematika, and P. Alam, “Sistem Prediksi Harga Minyak Mentah
Menggunakan Jaringan Syaraf Tiruan dengan Backpropagation,” pp. 5–8.
[8] A.Wanto, B. Herawan Hayadi, P. Subekti, D. Sudrajat, R.Wikansari, G.W. Bhawika, E. Sumartono, and S. Surya, “Forecasting
the Export and Import Volume of Crude Oil, Oil Products and Gas Using ANN,” Journal of Physics: Conference Series, vol.
1255, no. 1, 2019.
[9] J. Sun, Y. Zhao, C. Q. Yang, and X. Shan, “Application of back-propagation neural networks in the distribution of oil sand
reservoirsa case study from the western slope of the Songliao Basin, China,” Arabian Journal of Geosciences, vol. 14, no. 4,
2021.
[10] L. Hu, J. Deng, H. Zhu, H. Lin, Z. Chen, F. Deng, and C. Yan, “A new pore pressure prediction method-back propagation
artificial neural network,” Electronic Journal of Geotechnical Engineering, vol. 18 S, no. January, pp. 4093–4107, 2013.
[11] B. H. Hayadi, I. G. I. Sudipa, and A. P. Windarto, “Model Peramalan Artificial Neural Network pada Peserta KB Aktif Jalur
Pemerintahan menggunakan Artificial Neural Network Back-Propagation,” MATRIK : Jurnal Manajemen, Teknik Informatika
dan Rekayasa Komputer, vol. 21, no. 1, pp. 11–20, 2021.
[12] B. Poerwanto and F. Fajriani, “Resilient Backpropagation Neural Network on Prediction of Poverty Levels in South Sulawesi,”
MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 1, pp. 11–18, 2020.
[13] G. Z. M. Sunardi, Anton Yudhana, “Sistem Prediksi Curah Hujan Bulanan Menggunakan Jaringan Saraf Tiruan Backpropagation,”
Jurnal Sistem Informasi, 2020.
[14] P. Indrayati Sijabat, Y. Yuhandri, G. Widi Nurcahyo, and A. Sindar, “Algoritma Backpropagation Prediksi Harga Komoditi
terhadap Karakteristik Konsumen Produk Kopi Lokal Nasional,” Digital Zone: Jurnal Teknologi Informasi dan Komunikasi,
vol. 11, no. 1, pp. 96–107, 2020.
[15] C. Dewi and M. Muslikh, “Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca,”
Journal of Natural A, vol. 1, no. 1, pp. 7–13, 2013.
[16] S. K. Naik, A. R., & Pathan, “Weather classification and forecasting using back propagation feed-forward neural network,”
International journal of scientific and research publications,, vol. 12, no. 2, pp. 1–3, 2012.
[17] A.Hermawan, aringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta: Andi Offset, 1996.
[18] D. Jauhari, A. Himawan, and C. Dewi, “Prediksi Distribusi Air Pdam Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation
Di Pdam Kota Malang,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 3, no. 2, pp. 83–87, 2016.
[19] H. Aini and H. Haviluddin, “Crude Palm Oil Prediction Based on Backpropagation Neural Network Approach,” Knowledge
Engineering and Data Science, vol. 2, no. 1, p. 1, 2019.
[20] F. A. Makinde, C. T. Ako, O. D. Orodu, and I. U. Asuquo, “Prediction of crude oil viscosity using feed-forward back-propagation
neural network (FFBPNN),” Petroleum and Coal, vol. 54, no. 2, pp. 120–131, 2012.
[21] S. Yu, K. Zhu, and F. Diao, “A dynamic all parameters adaptive BP neural networks model and its application on oil reservoir
prediction,” Applied Mathematics and Computation, vol. 195, no. 1, pp. 66–75, 2008.
[22] N. B. Shaik, S. R. Pedapati, S. A. Ammar Taqvi, A. R. Othman, and F. A. Abd Dzubir, “A feed-forward back propagation neural
network approach to predict the life condition of crude oil pipeline,” Processes, vol. 8, no. 6, 2020.
[23] T. Yu, C. x. Li, B. Yao, Z. j. Zhang, Y. Guo, and L. j. Liu, “Standard friction prediction model of long-distance hot oil pipelines,”
Petroleum Science, vol. 17, no. 2, pp. 487–498, 2020.
[24] S. E. Wahyuni, Distribusi data tahunan menjadi data bulanan, 1973.
[25] A. Fitriadini, T. Pramiyati, and A. B. Pangaribuan, “Penerapan Backpropagation Neural Network Dalam Prediksi Harga Saham,”
Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), pp. 1–4, 2020.
[26] H. Yang, Y. Zhang, and F. Jiang, “Crude oil prices forecast based on EMD and BP neural network,” Chinese Control Conference,
CCC, vol. 2019-July, pp. 8944–8949, 2019.