Prakiraan Kebutuhan Energi Listrik Wilayah Provinsi Jawa Tengah Menggunakan Metode Backpropagation Neural Network dan Metode Ekstrapolasi Linier

Deva Okky Deltania; Yohanes Primadiyono

doi:10.24176/simet.v14i2.9487

Prakiraan Kebutuhan Energi Listrik Wilayah Provinsi Jawa Tengah Menggunakan Metode Backpropagation Neural Network dan Metode Ekstrapolasi Linier

Deva Okky Deltania - [ http://orcid.org/0000-0002-1825-0097 ]
Yohanes Primadiyono

Abstract

Kebutuhan energi listrik mengalami peningkatan seiring dengan berjalannya waktu. Faktor-faktor yang mempengaruhi peningkatan tersebut, diantaranya yaitu laju pertumbuhan penduduk, permintaan kebutuhan listrik dalam berbagai sektor seperti rumah tangga, industri, bisnis, social atau public dan juga kenaikan PDRB suatu wilayah. PLN sebagai perusahaan penyedia listrik harus memikirkan hal tersebut agar terjadi keseimbangan supply dan demand. Salah satu cara yang dapat dilakukan oleh PLN yaitu memprakirakan kebutuhan energi listrik di masa yang akan datang. Metode Backpropagation Neural Network (Jaringan Syaraf Tiruan) dan metode Ekstrapolasi Linier digunakan untuk memprakirakan kebutuhan listrik di wilayah Provinsi Jawa Tengah dari tahun 2022-2027. Hasil dari penelitian ini menunjukkan pada metode Backpropagation Neural Network arsitektur jaringan terbaik menggunakan model fungsi pembelajaran LEARNGDM, fungsi pelatihan TRAINGDX dengan 30 neuron yang menghasilkan nilai MAPE atau nilai rata-rata error dengan data aktual PLN terkecil yaitu 8,4%. Sedangkan pada metode Ekstrapolasi Linier prakiraan yang dihasilkan menunjukkan nilai MAPE atau nilai rata-rata error dengan data aktual PLN sebesar 10,7%.

Keywords

Prakiraan kebutuhan energi listrik;Backpropagation Neural Network;Matlab;Ekstrapolasi Linier

Teks Lengkap:

PDF

Referensi

[1] P. Budrugeac, “Jurnal 2.Pdf,” Journal of thermal analysis.

[2] I. Nabillah and I. Ranggadara, “Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut,” JOINS (Journal Inf. Syst., vol. 5, no. 2, pp. 250–255, 2020, doi: 10.33633/joins.v5i2.3900.

[3] R. Hedayani, R. S. Saputra, F. I. Permana, and G. N. Mahardhika, “Analisis Peramalan Kebutuhan Persediaan Untuk Keunggulan Bersaing Pada Perusahaan Orca,” J. Manaj., vol. 5, no. 2, pp. 93–104, 2016, doi: 10.26460/jm.v5i2.195.

[4] T. T. Hanifa, S. Al-faraby, F. Informatika, and U. Telkom, “Analisis Churn Prediction pada Data Pelanggan PT. Telekomunikasi dengan Logistic Regression dan Underbagging,” vol. 4, no. 2, pp. 3210–3225, 2017.

[5] Siana Halim and Adrian Michael Wibisono, “Penerapan Jaringan Saraf Tiruan Untuk Peramalan,” J. Tek. Ind., vol. 2, no. 2, pp. 106–114, 2000, [Online]. Available: http://puslit2.petra.ac.id/ejournal/index.php/ind/article/view/15993.

[6] H. Mustafidah, D. K. Hakim, and S. Sugiyanto, “Tingkat Keoptimalan Algoritma Pelatihan Pada Jaringan Syaraf Tiruan (Studi Kasus Prediksi Prestasi Belajar Mahasiswa),” Juita, vol. II, no. 3, pp. 159–166, 2013.

[7] G. T. P. Yoga, G. D. Arjana, and I. M. Mataram, “Perbandingan Kombinasi Fungsi Pelatihan Jaringan Saraf Tiruan Backpropagation Pada Peramalan Beban,” J. Spektrum, vol. 7, no. 1, pp. 41–47, 2020.

[8] D. H. Tanjung, “Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma,” Creat. Inf. Technol. J., vol. 2, no. 1, p. 28, 2015, doi: 10.24076/citec.2014v2i1.35.

[9] M. Yanto, E. P. W. Mandala, D. E. Putri, and Y. Yuhandri, “Peramalan Penjualan Pada Toko Retail Menggunakan Algoritma Backpropagation Neural Network,” J. Media Inform. Budidarma, vol. 2, no. 3, pp. 110–117, 2018, doi: 10.30865/mib.v2i3.811.

[10] P. Chang, Y. Wang, and C. Liu, “The development of a weighted evolving fuzzy neural network for PCB sales forecasting,” vol. 32, pp. 86–96, 2007, doi: 10.1016/j.eswa.2005.11.021.

[11] Ujianto, T., & Winardi, B. (2014). 2014-2018 Menggunakan Jaringan Saraf Tiruan Metode Backpropagation Dengan Software Matlab R2014a.

DOI: https://doi.org/10.24176/simet.v14i2.9487