PREDIKSI KONSUMSI ENERGI LISTRIK PADA COAL PROCESSING PLANT PT. BERAU COAL MENGGUNAKAN LONG SHORT-TERM MEMORY (LSTM)

Penulis

Abstrak

Abstrak

Konsumsi energi listrik pada coal processing plant (CPP) adalah aspek kritis dalam industri pertambangan yang memiliki dampak signifikan pada efisiensi operasional dan dampak lingkungan. Peningkatan produksi batu bara pada PT. Berau Coal adalah tujuan yang mendasar, tetapi memahami dan mengelola konsumsi energi secara efisien menjadi semakin penting. Oleh karena itu, penelitian ini berfokus pada prediksi konsumsi energi listrik pada CPP dengan memanfaatkan jaringan saraf tiruan berbasis LSTM (Long Short-Term Memory). Studi ini menggunakan data historis produksi batu bara dan konsumsi energi listrik sebagai input untuk model LSTM. LSTM memungkinkan pengambilan keputusan yang lebih baik dengan memodelkan pola dan hubungan yang kompleks antara variabel-variabel tersebut. Hasil eksperimen menunjukkan bahwa model LSTM mampu mengidentifikasi tren dan fluktuasi dalam konsumsi energi listrik seiring dengan peningkatan produksi batu bara.

Kata Kunci: prediksi, produksi, konsumsi, energi listrik, LSTM

 Abstract

Electrical energy consumption at coal processing plant (CPP) is a critical aspect in the mining industry that has a significant impact on operational efficiency and environmental impact. Increasing coal production at PT Berau Coal is a fundamental goal, but understanding and managing energy consumption efficiently is becoming increasingly important. Therefore, this research focuses on predicting electrical energy consumption at the CPP by utilizing LSTM (Long Short-Term Memory) based artificial neural networks. This study uses historical data of coal production and electrical energy consumption as inputs for the LSTM model. LSTM enables better decision-making by modeling complex patterns and relationships between the variables. Experimental results show that the LSTM model is able to identify trends and fluctuations in electric energy consumption as coal production increases.

Keywords: prediction, production, consumption, electrical energy, LSTM

Diterbitkan

2023-12-21