-
57
PENGGUNAAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK
MEMODELKAN KEBUTUHAN ENERGI UNTUK TRANSPORTASI
Using of Artificial Neural Network in Modelling Transportation Energy Demand
Ulil Hamida
Sekolah Tinggi Manajemen Industri Jakarta
Tanggal Masuk: (12/7/2014)
Tanggal Revisi: (19/7/2014)
Tanggal disetujui: (1/8/2014)
ABSTRAK
Tingkat konsumsi energi khususnya BBM (Bahan Bakar Minyak) di Indonesia cenderung meningkat
dari tahun ke tahun. Peramalan tingkat konsumsi energi dapat dilakukan untuk mendapatkan
formulasi kebijakan energi yang tepat. Variabel yang diperkirakan mempengaruhi peningkatan
konsumsi adalah peningkatan jumlah penduduk, peningkatan GDP, dan pertumbuhan
mobilitas/transportasi. Penelitian ini bertujuan membangun arsitektur model ANN untuk meramalkan
tingkat konsumsi energi untuk transportasi, menganalisis dan membandingkan kelebihan pemakaian
ANN dibandingkan tools yang lain dan memperoleh model peramalan tingkat konsumsi energi pada
sektor transportasi di Indonesia. Data penelitian diperoleh dari Dirjen Sumber Daya Mineral
Kementerian Pertambangan dan Energi. Penelitian dilakukan dengan penentuan neuron yang
diperlukan pada arsitektur ANN. Dari penelitian diperoleh bahwa jumlah neuron pada hidden layer
yang memberikan nilai MSE terkecil adalah 15 neuron. Berdasarkan hal tersebut, maka arsitektur
yang digunakan untuk melakukan training pada jaringan ANN untuk peramalan energi adalah 15-1.
Proporsi pembagian data 11-5 (training-validasi) merupakan proporsi yang memberikan MSE
minimum baik pada saat training maupun validasi. Model ANN memberikan rata-rata kesalahan
kuadrat (MSE) yang dihasilkan ANN adalah 0,0027386. Hasil tersebut lebih baik dibandingkan MSE
yang dihasilkan dari regresi majemuk yaitu 17,158226. Model ANN yang dihasilkan digunakan untuk
melakukan peramalan konsumsi energi hingga 2015. Dari hasil peramalan tersebut, konsumsi energi
selalu meningkat. Sebagai saran, untuk mengurangi kesalahan yang dihasilkan akibat overfitting ini
pada penelitian selanjutnya perlu digunakan data yang lebih banyak.
Kata Kunci: peramalan energi transportasi, ANN, regresi linier
ABSTRACT
The level of energy consumption, especially fuel oil in Indonesia has increased from year to year.
Forecasting energy consumption level can be one of the bases to get a proper energy policy
formulation. Variables that affect the increase in consumption are population, GDP, and growth of
transportation. This study aimed to build the architecture of ANN model to forecast energy
consumption for transport. This study also analyzed and compared the advantages of using ANN to
other tools regression linier. Data were obtained from the Director General of Mineral Resources,
Ministry of Mines and Energy. The research result showed that the number of neurons in the hidden
layer that gived the smallest MSE value was 15 neurons. Under these conditions, the architecture
used to conduct training on the network ANN for forecasting energy was 15-1. Usage of proportion
11-5 (training-validation) gived the minimum MSE either during training or validation. ANN model
gived mean squared error (MSE) 0.0027386. The result was better than the MSE resulting from
multiple regression 17.158226. The resulting ANN models used for forecasting energy consumption
up to 2015. ANN weakness is overfitting. To reduce overfitting, in further research, using more data is
necessary.
Keywords: forecasting energy transportation, ANN, regression linier
-
J u r n a l T e k n o l o g i d a n M a n a j e m e n , V o l . 1 2 , N o . 2 , A g u s t u s 2 0 1 4
58
I. PENDAHULUAN
Latar Belakang
Dewasa ini, issue tentang konservasi
energi merupakan topik di semua negara.
Hal ini tentunya disebabkan karena berbagai
kepentingan yang melibatkan energi dan
pengaruhnya yang sangat signifikan
terhadap perekonomian suatu negara.
Konsumsi energi dipengaruhi oleh beberapa
variabel seperti : ekonomi, demografi, iklim
(polusi), harga energi, politik, keamanan,
dan sebagainya. Banyak negara di dunia
termasuk Indonesia mulai merancang
kebijakan publik untuk mengantisipasi
kenungkinan krisis energi di masa depan
dan mengurangi polusi yang semakin parah.
Kehidupan manusia modern sangatlah
mustahil dipisahkan dari energi, karena
faktor melekat energi dengan teknologi.
Peramalan tingkat konsumsi energi dapat
menjadi salah satu basis untuk mendapatkan
formulasi kebijakan energi yang tepat.
Tingkat konsumsi energi khususnya
BBM (bahan bakar minyak) di Indonesia
mempunyai kecenderungan meningkat dari
tahun ke tahun. Segmentasi konsumsi energi
terdiri dari industri, transportasi,
rumahan/kantor, dan lain-lain. Variabel
yang diperkirakan mempengaruhi
peningkatan konsumsi adalah peningkatan
jumlah penduduk, peningkatan GDP, dan
pertumbuhan mobilitas/transportasi.
Pemakaian energi untuk sektor
transportasi di Indonesia sangat besar sekitar
1/3 dari total kebutuhan energi tiap
tahunnya. Penerapan kebijakan energi yang
tepat memerlukan dukungan sistem
informasi terkait dengan kebutuhan sektoral.
Pemodelan untuk meramalkan tingkat
konsumsi energi telah banyak dilakukan di
berbagai negara, namun penggunaan ANN
baru berkembang lima tahun terakhir.
Berbagai kelebihan yang dimiliki
pemodelan ANN antara lain :
- Tidak memerlukan banyak asumsi,
karena data dapat digunakan secara
langsung (apa adanya).
- Dapat memodelkan sistem secara non-
linear dengan baik sehingga dapat
digunakan secara fleksibel.
- Mampu memberikan model yang
mendekati sistem nyata.
Permasalahan
Permasalahan pada penelitian ini adalah
penggunaan artificial neural network
(ANN) dalam mengetahui model dalam
penggunaan energi untuk kebutuhan
transportasi.
Tujuan Penelitian
Penelitian ini bertujuan untuk
membangun arsitektur model ANN untuk
meramalkan tingkat konsumsi energi untuk
transportasi, menganalisis dan
membandingkan kelebihan pemakaian ANN
dibandingkan tools yang lain dan
memperoleh model peramalan tingkat
konsumsi energi pada sektor transportasi di
Indonesia.
II. METODOLOGI PENELITIAN
Metodologi yang digunakan pada
penelitian ini adalah: studi pustaka,
pengumpulan data energi dari Dirjen
Sumber Daya Mineral Kementerian
Pertambangan dan Energi. Langkah
selanjutnya adalah perancangan model ANN
untuk peramalan setiap faktor dan untuk
permalan energi, implementasi dengan
program Matlab, dan diakhiri dengan
langkah pengujian dan pembandingan
metode regresi linier.
Artificial Neural Network
Artificial neural network atau lazim
juga hanya disebut neural network adalah
sebuah model yang terdiri dari neuron
-
U l i l H a m i d a , P e n g g u n a a n A r t i f i c i a l . . .
59
buatan yang saling berkoneksi dan memiliki
karakteristik yang mengitimasi suatu
jaringan syaraf biologis. Karnidta (2006)
menyatakan bahwa node dalam ANN
didasari oleh representasi matematis yang
disederhanakan dari neuron yang
sebenarnya. Karakteristik ANN yang ditiru
dari jaringan syaraf biologis adalah
kemampuan belajar yang dimiliki manusia.
Kemampuan ini adalah faktor utama yang
membedakan sistem saraf tiruan dari
aplikasi sistem pakar (expert system).
Sistem pakar diprogram untuk membuat
kesimpulan (inference) berdasarkan data
atau pengetahuan dari lingkungan,
sedangkan sistem saraf tiruan dapat
menyesuaikan bobot node sebagai
tanggapan atas input dan mungkin pada
output yang diinginkan.
ANN telah banyak digunakan dalam
area yang luas dengan banyak tujuan.
Kumar & Haynes (2003) mengidentifikasi
beberapa aplikasi ANN yaitu:
- Estimasi/prediksi (aproksimasi fungsi,
peramalan)
- Pengenalan pola (klasifikasi, diagnosis
dan analisis diskriminan)
- Klustering (pengelompokan tanpa
adanya pengetahuan sebelumnya)
Optimasi (pencarian solusi terhadap
model linier dan non linier yang melibatkan
variabel kontinyu/diskrit)
Jaringan yang dapat dibentuk ANN
bermacam-macam, dari yang paling
sederhana hanya berupa satu neuron (single
neuron), lalu meningkat lebih rumit menjadi
neuron majemuk (multiple neurons) dalam
satu lapis (single layer), hingga jaringan
yang lebih rumit yaitu multiple neurons
dalam multiple layers. Kemampuan jaringan
tersebut berbeda-beda. Semakin rumit suatu
jaringan, maka persoalan yang dapat
diselesaikan menjadi lebih luas. Namun
kerumitan jaringan tersebut juga
menimbulkan persoalan tersendiri yaitu
kebutuhan proses training dan simulasi yang
lebih lama. Struktur jaringan dapat dilihat
pada gambar 1.
Gambar 1. Jaringan ANN Multilayer
(Fauset, 1994)
Pada umumnya, lapisan (layer) dalam
suatu jaringan dibedakan menjadi 3 macam
yaitu input layer, hidden layer dan output
layer. Penjelasan setiap input tersebut
diuraikan di bawah ini:
a. Input Layer Input layer merupakan layer yang
menerima input langsung dari lingkungan.
Umumnya jumlah input layer disesuaikan
dengan jumlah input.
b. Hidden Layers
Hidden layers merupakan layer-layer
yang berada di antara input layer dan output
layer (lihat gambar 1). Pada arsitektur ANN
dengan 2 layer, maka hidden layers tidak
ada. Jumlah neuron pada hidden layers
bervariasi. Jumlah neuron dan jumlah layer
pada hidden layers agar dapat menghasilkan
solusi yang memiliki kesalahan minimum
Hidden LayerInput Layer Output Layer
........
........
........
........
........
........
-
J u r n a l T e k n o l o g i d a n M a n a j e m e n , V o l . 1 2 , N o . 2 , A g u s t u s 2 0 1 4
60
merupakan bagian utama dalam penelitian
ANN.
c. Output layer Output layer merupakan layer yang
menghasilkan output akhir dari suatu
jaringan ANN. Jumlah neuron pada layer ini
disesuaikan dengan jumlah output yang
diinginkan.
Karnidta (2006) menggolongkan
pendekatan dasar dalam paradigma belajar
di ANN menjadi dua, yaitu supervised
learning dan unsupervised learning.
1. Supervised learning
Pada pembelajaran supervised learning,
selain memerlukan input diperlukan juga
output untuk input tersebut. Pembelajaran
yang dilakukan bertujuan untuk
mendapatkan jaringan ANN yang mampu
menghasilkan output yang sesuai dengan
output yang diinginkan. Perbedaan antar
output dari jaringan dan output yang
diinginkan digunakan untuk mengkalkulasi
koreksi pada bobot jaringan syaraf. Contoh
dari supervised learning adalah perceptron,
backpropagation, dan lain-lain.
2. Unsupervised learning
Pendekatan unsupervised learning
merupakan teknik belajar dengan cara
neuron-neuron dalam networks
mengorganisasikan dirinya untuk
menghasilkan kategori dimana kumpulan
input akan termasuk didalamnya. Dalam
pendekatan ini tidak ada nilai target yang
ditetapkan. Contoh dari tipe belajar ini
adalah Kohonen self-organizing feature
maps dan Hamming/competitive networks.
Pemodelan
Berdasarkan studi pustaka dihasilkan
bahwa faktor-faktor yang berpengaruh pada
konsumsi energi adalah faktor ekonomi dan
demografi yang ada pada suatu daerah. Oleh
karena itu terdapat tiga faktor yang
dikemukakan memiliki keterkaitan dengan
energi yaitu Perubahan jumlah penduduk
(POP), Pendapatan Nasional (GDP/GNP),
dan Jarak tempuh rata-rata Veh-km. Tiga
faktor tersebut menjadi input pada jaringan.
Sebagai output dari jaringan tersebut adalah
konsumsi energi.
Gambar 2. Pemodelan Kebutuhan Energi
dengan ANN
Pemodelan ANN yang digunakan dapat
dituliskan sbb : N M
Y = o + j { ij E obs,i + oj } j=1 i=1
Y = perkiraan kebutuhan energi di
sektor transportasi ( dalam juta
barrel/tahun)
E obs = kebutuhan energi untuk
transportasi (juta barrel/tahun)
M = jumlah neuron layer input
N = jumlah neuron layer tersembunyi
f = fungsi transfer sigmoid untuk
layar tersembunyi
Pemodelan dengan tujuan peramalan
menggunakan feed forward model di mana
input merupakan data kebutuhan energi
transportasi dan output adalah peramalan
kebutuhan pada masa mendatang.
-
U l i l H a m i d a , P e n g g u n a a n A r t i f i c i a l . . .
61
Sedangkan layar tersembunyi digunakan
untuk memroses informasi.
Kelemahan pemodelan ANN adalah
adanya kemungkinan over fitting, bila
penngunaan data untuk training, testing dan
validasi tidak sebanding (proportional). Hal
ini dapat dihindari dengan menggunakan k-
fold validasi silang.
Kelemahan berikutnya adalah sifat
ANN yang black box thinking, yaitu
hubungan antara variabel input dan output
tidak dijelaskan penyebabnya. Sedangkan
perbedaan pokok antara ANN dengan model
regresi adalah kemampuan ANN untuk
menghitung bobot setiap data dalam layar
yang tersembunyi dan digunakan terus pada
layar selanjutnya untuk mendapatkan
output. Model regresi hanya dapat
menentkan koefisien dari variabel
independen.
Proses validasi k-fold dilakukan sbb :
1. Bagilah data yang tersedia menjadi
bagian untuk training, validasi dan
testing,
2. pilihlah arsitektur dan parameter
training,
3. training model yang dipilih
menggunakan data yang sudah
ditentukan,
4. evaluasi model menggunakan data
validasi,
5. ulangi langkah 2 s/d 4 dengan
menggunakan arsitektur dan parameter
yang berbeda,
6. pilihlah arsitektur terbaik dari proses
training dan validasi,
7. implementasikan arsitektur jaringan
yang dipilih dengan data testing.
III. HASIL DAN PEMBAHASAN
Pengolahan data dilakukan dengan
menggunakan perangkat lunak Mathlab
yang menyediakan fasilitas modul Artificial
Neural Network.
Langkah pertama dalam pengolahan
data adalah dengan melakukan normalisasi
pada data yang dimiliki untuk mendapatkan
input yang memiliki rentang dari -1 hingga
1 sebagai syarat dari input pada ANN.
Normalisai ini diterapkan untuk seluruh data
baik GDP, populasi maupun konsumsi
kendaraan.
Mencari Jumlah Neuron yang Tepat
untuk Hidden Layer
Setelah normalisasi input, langkah
selanjutnya adalah mencari jumlah neuron
yang tepat untuk digunakan pada hidden
layer di jaringan ANN. Caranya adalah
dengan mencoba satu persatu jaringan
dengan hidden layer 1 hingga hidden layer
ke 16.
Pencarian tersebut menghasilkan data
pada tabel 1.
Tabel 1. Pencarian Jumlah Hidden Layer
Jumlah
Neuron
pada
Hidden
Layer
Epoch MSE Training MSE
Validasi
1 100 0.0585 0.3217
2 100 0.0224 0.3192
3 100 7.1534e-004 1.9170
4 100 0.0015 3.0728
5 77 3.0508e-014 0.4550
6 20 4.1566e-016 0.6502
7 51 1.5116e-011 0.6502
8 15 2.9646e-014 1.6060
-
J u r n a l T e k n o l o g i d a n M a n a j e m e n , V o l . 1 2 , N o . 2 , A g u s t u s 2 0 1 4
62
Jumlah
Neuron
pada
Hidden
Layer
Epoch MSE Training MSE
Validasi
9 36 5.3392e-015 1.8359
10 12 1.2117e-015 0.7816
11 13 3.3981e-013 2.1212
12 8 6.3419e-012 0.5101
13 7 8.5215e-016 1.0169
14 20 6.5482e-014 0.8095
15* 8 5.7255e-015 0.4086
16 7 5.4985e-015 1.6423
Dari data tersebut diperoleh bahwa
jumlah neuron pada hidden layer yang
memberikan nilai MSE terkecil adalah 15
neuron. Berdasarkan hal tersebut maka
arsitektur yang digunakan untuk melakukan
training pada jaringan ANN untuk
peramalan energi adalah 15-1.
Langkah ini juga digunakan untuk
melakukan peramalan GDP, populasi dan
konsumsi kendaraan dengan hasil seperti
tercantum pada Tabel 2.
Tabel 2. Arsitektur Pemodelan Energi dengan
ANN
Peramalan Jumlah Neuron Optimal
GDP 5
Populasi 3
Konsumsi kendaraan
(VEH-KM)
1
Mencari Perbandingan Data Training
dan Data Validasi
Untuk menghindari kondisi overfitting
yang dihasilkan dari pemodelan ANN, maka
digunakan metode k-fold yang salah satunya
adalah dengan membagi data training dan
data validasi.
Data yang diperoleh dari pencarian
perbandingan yang tepat tercantum pada
tabel 3.
Tabel 3. Pencarian Perbandingan Data
Training dan Data Validasi yang Tepat
Jumla
Data
Training
Jumlah
Data
Validasi
Epoch MSE
Training
MSE
Validasi
10 6 10 3.0438e-
012
0.5127
11* 5 8 5.7255e-
015
0.4086
12 4 6 2.4219e-
015
0.7086
13 3 5 2.7139e-
012
0.7250
Simulasi yang telah dilakukan
memberikan hasil bahwa terdapat perbedaan
MSE jika proporsi jumlah data yang
digunakan untuk mentraining ANN dengan
jumlah data yang digunakan untuk
melakukan validasi. Dari hasil yang
diperoleh, didapatkan bahwa proporsi 11-5
(training-validasi) merupakan proporsi yang
memberikan MSE minimum baik pada saat
training maupun validasi.
Melakukan Training pada Data Training
Setelah ditemukan jumlah neuron yang
tepat dan perbandingan jumlah data validasi
dan training yang tepat, kemudian dilakukan
training pada data energi, GDB, populasi,
dan konsumsi kendaraan (VEH-KM). Hasil
training tersebut tercantum pada gambar 3
dan hasil validasi tercantum pada gambar 4.
-
U l i l H a m i d a , P e n g g u n a a n A r t i f i c i a l . . .
63
- target
+ output ANN
Gambar 3. Hasil Training Kebutuhan Energi
- target
+ output ANN
Gambar 4. Hasil Validasi Kebutuhan Energi
Melakukan Peramalan Energi 5 tahun ke
Depan dengan Menggunakaan Jaringan
Hasil Training
Setelah data training digunakan untuk
menentukan jaringan ANN yang digunakan,
maka jaringan tersebut kemudian digunakan
untuk meramalkan konsumsi energi untuk
lima tahun ke depan.
Hasil peramalan tersebut dapat dilihat
pada tabel 4 dan gambar 5.
Tabel 4. Data dan Peramalan Kebutuhan Energi
Menggunakan ANN
Tahun Populasi GDP Veh-km Kebutuh
an Energi
1990 179.49 129.47 0.8942 216.2
1991 181.97 134.56 1.3129 232.54
1992 184.65 143.37 1.8664 253.99
1993 187.55 157.36 2.5592 280.02
1994 190.64 176.59 3.3697 291.18
1995 193.91 197.29 4.2451 298.8
1996 197.31 208.37 5.1136 389.03
1997 200.7 209.55 5.9057 317.42
1998 203.73 215.87 6.574 350
1999 205.68 221.57 7.1018 408.62
2000 206.27 224.98 7.498 436.35
2001 207.15 226.84 7.7831 451.31
2002 209.56 227.82 7.9833 463.4
2003 212.96 228.33 8.1206 473.04
2004 216.7 228.59 8.2133 478.49
2005 220.47 228.73 8.2758 479.04
2006 224.15 228.8 8.3175 477.68
2007 227.69 228.84 8.3452 479.51
2008 231.06 228.86 8.3632 487.77
2009 234.25 228.87 8.3755 501.79
2010 237.23 228.87 8.3832 516.24
2011 240.01 228.87 8.3885 524.93
2012 242.58 228.87 8.3922 526.31
2013 244.94 228.87 8.3943 523.05
2014 247.1 228.87 8.3959 518.29
2015 249.07 228.87 8.3967 513.73
Gambar 5. Hasil Peramalan Energi dengan
menggunakan ANN
-
J u r n a l T e k n o l o g i d a n M a n a j e m e n , V o l . 1 2 , N o . 2 , A g u s t u s 2 0 1 4
64
Pengujian dan Pembandingan dengan
Metode Regresi
Sebagai tahap pengujian, hasil
peramalan dengan pendekatan ANN
kemudian dibandingkan dengan peramalan
dengan metode regresi yang menghasilkan
perbandingan sebagai berikut:
Gambar 6. Perbandingan Model ANN
dengan Regresi Linier
Dari data tersebut, jika dihitung rata-
rata kesalahan kuadratnya (MSE) diperoleh
hasil bahwa MSE yang dihasilkan ANN
adalah 0,0027386, sedangkan MSE yang
dihasilkan dari regresi majemuk adalah
17,158226.
Tabel 5. Perbandingan MSE Regresi Linier dan
ANN
Jumlah
data
MSE Regresi
Majemuk
MSE ANN
16 17.158226 0.0027386
Berdasarkan hasil tersebut berarti
diperoleh bahwa ANN memiliki kinerja
yang lebih baik dibandingkan dengan
regresi majemuk pada penelitian peramalan
energi ini.
IV. KESIMPULAN DAN SARAN
Kesimpulan
1. Model untuk peramalan energi dengan
menggunakan metode ANN
menggunakan input tiga variabel yaitu
GDB, populasi dan konsumsi
kendaraan (VEH-KM).
2. MSE yang dihasilkan ANN adalah
0,0027386, sedangkan MSE yang
dihasilkan dari regresi majemuk
adalah 17,158226. Hal ini menjadikan
ANN memiliki kinerja yang lebih baik
dibandingkan dengan regresi majemuk
pada penelitian peramalan energi ini.
3. Model ANN yang dihasilkan
digunakan untuk melakukan
peramalan konsumsi energi hingga
2015. Dari hasil peramalan tersebut,
konsumsi energi selalu meningkat.
Saran
ANN memiliki kelemahan yang sangat
harus diperhatikan yaitu overfitting. Untuk
mengurangi kesalahan yang dihasilkan
akibat overfitting ini data yang digunakan
harus cukup banyak. Selain itu untuk
peramalan jangan sampai meramalkan untuk
jangka waktu yang lama. Saran lain untuk
mengurangi overfitting ini adalah update
jaringan dengan melakukan training jika
terdapat data baru.
V. DAFTAR PUSTAKA
Fitrisia. Adiwijaya. Rakhmatsyah, A. 2010.
Prediksi Produksi BAN GT3
Menggunakan Jaringan Syaraf
Tiruan Resilient Propagation dan
Weight-Elimination. Makalah dalam
Konferensi Nasional Sistem dan
Informatika. Bali: STIMIK
STIKOM Bali.
0
100
200
300
400
500
600
700
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Data Real
Regresi Majemuk
ANN
-
U l i l H a m i d a , P e n g g u n a a n A r t i f i c i a l . . .
65
Kadir, A. 2011. Sistem Informasi
Manajemen. Yogyakarta: Andi
Publisher.
Karnidta, Sherlie. 2006. Penerapan Model
Artificial Neural Network untuk
Meramalkan dan Melakukan
Analisis Sensitifitas Variabel
Makroekonomi dalam Sistem
Peringatan Dini Krisis Mata Uang.
Tugas Sarjana Teknik Industri,
Institut Teknologi Bandung.
Kumar, K. Haynes, J.D. 2003. Forecasting
credit ratings using an ANN and
statistical techniques, International
Journal of Business Studies, 11, 91-
108.
Mastur, I. Hadi, Lumenta. 2005.
Implementasi Jaringan Syaraf Tiruan
untuk Mengidentifikasi Pola Desain
Berdasarkan Preferensi Pelanggan
Menggunakan Kansei Engineering
System. TEKNOIN Vol.10 p. 197-
208.
Murat, Y.S. Ceylan, H. 2006. Use of
artificial neural network for transport
energy demand modeling. Energy
Policy vol 34, Elsevier.
Pao, H. 2006. Modeling and Forecasting the
Energy Consumption in Taiwan
Using Artificial Neural Networks.
The journal of American Academy of
Business, Cambridge, Vol. 8