Implementasi Model SARIMA dan Algoritma Genetika pada Prediksi Produksi Minyak Bumi
Abstract
Abstrak. Masa depan perekonomi suatu negara bergantung banyak pada sumber energi. Sumber energi adalah pemasukan utama dan sumber daya yang sangat diperlukan untuk semua sektor. Khususnya, minyak bumi sebagai sumber energi yang nantinya menjadi bahan bakar. Ketidaktepatan pengelolaan sumber energi minyak menyebabkan kerusakan ekonomi seperti yang terjadi pada negara-negara pengimpor minyak seperti Indonesia. Dalam hal ini, peramalan produksi minyak bumi yang tepat memainkan peran penting dalam energi proyeksi dan kemajuan ekonomi. Meremehkan produksi minyak bumi menyebabkan permintaan impor minyak yang tidak sesuai kebutuhan. Paper ini menyajikan sebuah metode prediksi yang mengintegrasikan algoritma genetika dan metode Seasonal Autoregressive Integrated Moving Average (SARIMA) dibuat untuk mengambil kelebihan dari masing-masing metode. Gabungan metode tersebut dapat memprediksi dengan cara cepat dan efisien tanpa mengorbankan tingkat akurasi prediksi. Menurut hasil percobaan, didapatkan hasil model terbaik SARIMA(0,1,1)(0,1,1)12 dalam setidaknya 10 iterasi dengan ketelitian 96,28%. hasil metode gabungan tersebut terbukti lebih efisien karena hanya memerlukan sedikit iterasi.
Kata Kunci: Algoritma Genetika, Minyak Bumi, Model SARIMA
Abstract. The economic future of a country relies heavily on energy sources. Energy sources are the main inputs and resources that are indispensable to all sectors. In particular, crude oil is a source of energy that later becomes fuel. Lack of precision in the management of oil energy sources caused economic damage as happened in oil-importing countries such as Indonesia. In this case, the proper forecasting of crude oil production plays an important role in projection energy and economic advancement. Underestimating crude oil production causes oil import demand that is not as required. In this study, a predictive method that integrates genetic algorithms and Seasonal Autoregressive Integrated Moving Average (SARIMA) is made to take advantage of each method. The combined method can predict in a fast and efficient manner without compromising the level of predictive accuracy. According to the results of the experiment, obtained the best model results SARIMA(0,1,1)(0,1,1)12 in at least 10 iterations with 96.28% accuracy. The combined method results proved to be more efficient as it only required a small number of iterations.
Keywords: Genetic Algoritm, Crude Oil, SARIMA Models
References
Kementrian ESDM, Laporan Tahunan Capaian Pembangunan Pemanfaatan Gas Bumi Tahun 2018. Jakarta: Kementrian ESDM, 2019.
Ajitomo D., Abdi A. M. Metode Mamdani untuk Klasifikasi dalam Prediksi Krisis Minyak Bumi di Indonesia, Pros. Semin. Nas. Mat. dan Pendidik. Mat. 2017: 41–46.
Mostafaei, H., & Sakhabakhsh, L. Using SARFIMA Model to Study and Predict the Iran's Oil Supply. International Journal of Energy Economics and Policy, 2012; 2(1): 41-49.
Gikungu S.W. Forecasting Inflation Rate in Kenya Using SARIMA Model, Am. J. Theor. Appl. Stat. 2015; 4(1): 15-18.
Saadah S., Handayani E., & Jondri. Prediksi Ketersediaan Energi Sumber Daya Mineral di Indonesia yang di Optimasi Menggunakan Algoritma Genetika, Indones. J. Comput., 2016; 1(2): 1-12.
Yusof N. M., Rashid R. S. A., & Mohamed Z. Malaysia crude oil production estimation: An application of ARIMA model, CSSR 2010 - 2010 Int. Conf. Sci. Soc. Res. 2010: 1255–1259.
Adhikari R.K. Agrawal., An Introductory Study on Time Series Modeling and Forecasting. LAP LAMBERT: Academic Publishing, 2013.
Luke S., Essentials of Metaheuristics, 2nd ed. London: Lulu, 2013.
Arkeman Y., Seminar K.B.,& Gundawan H. Algotitma Genetika Teori dan Aplikasinya untuk Bisnis dan industri, 1st ed. Bogor: IPB Press, 2012.
Ervural B.C., Beyca O.F., & Zaim S. Model Estimation of ARMA Using Genetic Algorithms: A Case Study of Forecasting Natural Gas Consumption, Procedia - Soc. Behav. Sci. October 2018; 235: 537–545.
Anggrainingsih R., Aprianto G.R., & Sihwi S.W. Time series forecasting using exponential smoothing to predict the number of website visitor of Sebelas Maret University, ICITACEE 2015 - 2nd Int. Conf. Inf. Technol. Comput. Electr. Eng. Green Technol. Strength. Inf. Technol. Electr. Comput. Eng. Implementation, Proc. 2016: 14–19.
How To Cite This :
Refbacks
- There are currently no refbacks.
