Implementasi Recurrent Neural Network (RNN) dalam Memprediksi Pengangkutan Limbah (Studi Kasus : Limbah Bottom Ash di Perusahaan X Tahun 2021 - 2023)

Abstract

Perkembangan industri PLTU pasca pandemi COVID-19 telah mendorong peningkatan signifikan dalam konsumsi energi. PLTU masih sangat bergantung pada batubara sebagai sumber energi utama. Proses pembakaran batubara menghasilkan residu padat berupa Bottom Ash, yang tonasenya terus meningkat. Penelitian ini bertujuan untuk memprediksi tonase pengangkutan Bottom Ash pada periode 2021 hingga 2023 guna mendukung perencanaan logistik dan pengelolaan limbah yang lebih efisien dan berkelanjutan. Dalam penelitian ini menggunakan metode Recurrent Neural Network (RNN), yang dikenal efektif dalam menganalisis data deret waktu (time series). Data historis Bottom Ash yang digunakan telah melalui proses normalisasi, dan model diuji dengan berbagai kombinasi parameter, termasuk fungsi aktivasi, metode optimasi, jumlah epoch, dan learning rate. Hasil penelitian menunjukkan bahwa metode optimasi Stochastic Gradient Descent (SGD) memberikan hasil prediksi terbaik dibandingkan metode lain seperti AdaGrad. Fungsi aktivasi Tanh menunjukkan kinerja paling stabil dan akurat pada data pengujian, sementara Gompertz unggul pada data pelatihan dan Logistik menghasilkan performa terendah. Jumlah epoch optimal berada pada angka 750, menghasilkan kesalahan prediksi terendah, sedangkan jumlah epoch yang terlalu sedikit menyebabkan underfitting. Selain itu, learning rate sebesar 0.2 terbukti memberikan performa terbaik dengan nilai SMAPE dan RMSE terendah, sedangkan learning rate sebesar 0.9 menunjukkan hasil prediksi terburuk karena ketidakstabilan dalam proses pembelajaran.