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

MEMBANGUN TOOL PREDIKSI YANG KOMPREHENSIF GUNA MENINGKATKAN AKURASI PRODUK AKHIR PENCAMPURAN KUALITAS BATUBARA MENERAPKAN PERBANDINGAN KOLABORATIF PADA ALGORITMA REGRESI HINGGA NEURAL NET 1) Yoga P. Adiwiguna 2)Hario Purbaseno 3)Hadi Syuhara 4)Freddy J. Pribadi 5) Akhmad Sarbani 6)Almira D. Kusuma 1),2),3),4),5),6) Adaro Indonesia Artikel masuk : 11-11-2022 , Artikel diterima : 28-11-2022 Kata kunci: Kualitas Batubara, Neural Network, Pencampuran Batubara, Predictive Analytics, Regresi Keywords: Mining Strategic Plan, Reserve Optimization, Water Quality Standards ABSTRAK 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 masingmasing 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). Doi : https://doi.org/10.36986/impj.v4i2.79 111 Indonesian Mining Professionals Journal Volume 4, Nomor 2, November 2022 : 111-122 and 60 features, we gradually implement simple regression algorithm (Linear Regression) to advanced regression algorithms (Random Forest Regressor, XGBoost Regressor), and Artificial Neural Networks (ANN). To obtain optimal results, hyperparameter tuning method is applied to each advanced regression algorithm with iterations up to 1000 times. Considering the regression evaluation metrics, the best model validation is determined from the smallest value of Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE). The last step is selecting and saving the besttrained model as a pickle string for creating Django applications and for enabling extensive accessibility, this application is deployed on Heroku. By involving additional variation contributors, namely Environmental factors (rainfall & rain hour), Method factors (selection basis of a laboratory analysis), and Material factors (water spray and dust suppressant treatment), we obtain the best regression evaluation metrics when using XGBoost where the value of MAE (37.5) and MAPE (0.0082). ABSTRACT The final prediction of coal quality blending value is mostly determined only by calculating the weighted average value between the coal quality and quantity of each constituent, this technique ignores conditions where the variation of final result is not determined only by material factors but also affected by human, environment, machine, and method factors, each of which contributes to the total variation. We note that there are still several cases where the difference between predicted value and actual value are outlying the ISO determination (± 71 kcal/kg), resulting in considerable losses not only in terms of operational sequence but also from the financial aspect due to the emergence of various additional costs. We see that the relationship between the laboratory results of calorific value and its variance contributors can be approached as a regression problem. Utilizing several regression algorithms will help generate a better prediction method than a simple weighted average method. With thousand dataset records Algorithm Artificial Neural Network Cubist Decision Tree Regressor Multivariate Adaptive Regression Spline Random Forest Regressor Simple Linear Regression Support Vector Regressor XGBoost Regressor MAE 813.3 40.3 57.7 46.6 40.4 66.2 147.1 37.5 MAPE = 100MARE 0.1734 0.0087 0.0125 0.0101 0.0088 0.0147 0.0343 0.0082 R_Squared 0.2910 0.9771 0.9513 0.9656 0.9765 0.9305 0.5759 0.9705 Even with more variance contributors, this prediction model can offer better process capability and MAE. Preventive efforts to minimize the out-ofspecification cases of finished products due to accuracy can be carried out as early as possible, thereby minimizing operational (Divert Barge, Rehandling Stock) and financial (Retest Document, Buyer Penalty) losses. This collaborative application will later be utilized by cross-functional teams (Coal Quality, Coal Mining Operation, Coal Dispatcher, Coal Processing Plant, Coal Laboratory) throughout daily coal blending process. (tonnage) dan parameter kualitas (calorific value). Metode ini dilakukan untuk membangun model matematis proses pencampuran batubara agar dapat mendekati keadaan sesungguhnya di lapangan, selain itu metode ini memberikan gambaran cepat hasil akhir calorific value batubara karena formulasinya cukup mudah dipahami dan dapat diimplementasikan pada berbagai aplikasi sederhana yang memiliki kemampuan kalkulasi dan komputasi. Di lain sisi, metode ini mengabaikan kondisi di mana nilai akhir calorific value sebenarnya dipengaruhi tidak hanya dari faktor besar kecilnya komposisi dan jenis batubara yang digunakan, tetapi lebih jauh ada banyak faktor tambahan lain yang memiliki kontribusi terhadap hasil nilai akhir tersebut (Gambar 1). Banyak panduan yang fokus kepada studi alat PENDAHULUAN Metode prediksi/proyeksi nilai akhir calorific value pada proses pencampuran batubara umumnya dilakukan dengan melakukan kalkulasi rerata terbobot antara berat batubara 112 Indonesian Mining Professi (...truncated)