Implementasi Multilayer Perceptron Artificial Neural Network untuk Prediksi Konsumsi Energi Listrik PT PLN (Persero) UP3 Salatiga
Abstract
Electricity is energy that flows through cable networks and has become an important part of the progress of human civilization in various fields. The high demand for electrical energy for consumers requires providers of electrical energy to provide a reliable but economical supply of electrical energy. Therefore, strategies and methods are needed to adjust the supply and demand of electrical energy. This can be achieved by carrying out proper and appropriate operational planning. One of the important steps in planning the operation of an electric power system is predicting the demand for electrical energy. However, in the existing research there are still deficiencies in the form of a high error rate. The purpose of this study was to determine the implementation of the multilayer perceptron artificial neural network to predict electricity in 2022-2026 at PT PLN (Persero) UP3 Salatiga. The study used time series data on electricity consumption for the previous 5 years. Based on the research that has been done, the best network variation is TRAINGDA 4 hidden layer with 20 hidden layer nodes, this network model at the training stage produces output with MAD of 2,624,072 kWh and MAPE of 2.79%, and at the stage testing produced an output with MAD of 3,728,386 kWh and MAPE of 3.24%.
Keywords: Multilayer perceptron artificial neral network, Forecasting, Electricity consumption.
ABSTRAK
Listrik merupakan energi yang mengalir melalui jaringan kabel serta sudah menjadi bagian yang penting dalam kemajuan peradaban manusia di berbagai bidang. Tingginya kebutuhan energi listrik pada konsumen mengharuskan penyedia energi listrik menyediakan suplai energi listrik yang handal tetapi tetap ekonomis. Oleh karena itu, diperlukan strategi dan metode untuk penyesuaian antara supplay dan demand energi listrik. Hal tersebut dapat dicapai dengan melakukan perencanaan operasi yang baik dan tepat, salah satu langkah perencanaan operasi sistem tenaga listrik yang penting yaitu prediksi kebutuhan energi listrik. Namun dalam penelitian yang ada masih terdapat kekurangan berupa tingkat kesalahan yang masih cukup tinggi. Tujuan dari penelitian ini adalah untuk mengetahui implementasi multilayer perceptron artificial neural network untuk melakukan prediksi listrik pada tahun 2022-2026 pada PT PLN (Persero) UP3 Salatiga. Penelitian menggunakan data time series konsumsi energi listrik 5 tahun sebelumnya. Berdasarkan penelitian yang telah dilakukan didapatkan variasi jaringan terbaik yaitu TRAINGDA 4 hidden layer dengan 20 node hidden layer, model jaringan ini pada tahap training menghasilkan output dengan nilai MAD sebesar 2,624,072 kWh dan MAPE sebesar 2.79%, serta pada tahap testing menghasilkan output dengan nilai MAD sebesar 3,728,386 kWh dan MAPE sebesar 3.24%.
Keywords
Full Text:
PDFReferences
Alkusma, Yulian Mara, Hermawan, dan Hadiyanto, “Pengembangan Potensi Energi Alternatif Dengan Pemanfaatan Limbah Cair Kelapa Sawit Sebagai Sumber Energi Baru Terbarukan Di Kabupaten Kotawaringin Timur,” Jurnal Ilmu Lingkungan, vol. 14, no. 2, 96-102, 2016.
ESDM, “Statistik ketenagalistrikan 2020,” Sekretariat Direktorat Jenderal Ketenagalistrikan, Jakarta. 2021.
Rajagukguk, Agus Sofyan F., IMarthinus Pakiding, dan Meita Rumbayan, “Kajian Perencanaan Kebutuhan dan Pemenuhan Energi Listrik di Kota Manado,” Jurnal Teknik Elektro dan Komputer, vol. 4, no. 3, 1-11, 2015.
Triwulan, Yayu, Nasrun Hariyanto, dan Sabat Anwari, “Peramalan Beban Puncak Listrik Jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan,” Jurnal Reka Elkomika, vol. 1, no. 4, 339-350, 2013.
Saragih, Irfan Christian, Dedy Hartama, dan Anjar Wanto, “Prediksi Perkembangan Jumlah Pelanggan Listrik Menurut Pelanggan Area Menggunakan Algoritma Backpropagation,” Building of Informatics, Technology and Science (BITS), vol. 2, no. 1, 48-54, 2020.
Pratama, Ricky Ardian dan Lilik Anifah, “Peramalan Beban Listrik Jangka Panjang Provinsi D.I. Yogyakarta Menggunakan Neural Network Backpropagation,” Jurnal Teknik Elektro, vol. 5, no. 3, 37 – 47, 2016.
Sakinah, Nabilla Putri, Imam Cholissodin, dan Agus Wahyu Widodo, “Prediksi Jumlah Permintaan Koran Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 7, 2612-2618, 2018.
Simangunsong, Fitri Ruth Diani Br. dan Surya Darma Nasution, “Aplikasi Jaringan Saraf Tiruan Untuk Memprediksi Jumlah Pasien Rawat Inap Dengan Metode Back Propagation (Studi Kasus : RSU. Tere Margareth),” Jurnal Riset Komputer (JURIKOM), vol. 2, no. 6, 43-47, 2015.
Irfan, Muhammad, Bakhtiar Alldino Ardi Sumbodo, dan Ika Candradewi, “Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan Metode Multilayer Perceptron,” IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), vol. 7, no. 2, 139-148, 2017.
Hadimarta, Tommy Ferdian, Rani Rotul Muhima, dan Muchammad Kurniawan, “Implementasi Multilayer Perceptron Pada Jaringan Saraf Tiruan Untuk Memprediksi Nilai Valuta Asing,” INTEGER: Journal of Information Technology, vol. 5, no. 1, 56-63, 2020.
Saritas, Mücahid Mustafa dan Ali Yasar, “Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification,” International Journal of Intelligent Systems and Applications in Engineering, vol. 7, no. 2, 88-91, 2019.
Aulia, Romy, “Penerapan Metode Backpropagation Untuk Memprediksi Jumlah Kunjungan Wisatawan Berdasarkan Tingkat Hunian Hotel,” JURTEKSI (Jurnal Teknologi dan Sistem Informasi), vol. 4, no. 2, 1-8, 2018.
Dudek, Grzegorz, “Multilayer Perceptron For Short-Term Load Forecasting: From Global To Local Approach,” Neural Computing and Applications, vol. 32, no. 8, 3695-3707, 2020.
Madhiarasan, Manogaran dan Mohamed Louzazni, “Different forecasting horizons based performance analysis of electricity load forecasting using multilayer perceptron neural network,” Forecasting, vol. 3, no. 4, 804-838, 2021.
Hartati, “Penggunaan Metode Arima Dalam Meramal Pergerakan Inflasi,” Jurnal Matematika, Saint, dan Teknologi, vol. 18, no. 1, 1-10, 2017.
Nurhayati, “Jaringan Saraf Tiruan Backpropagation Untuk Menentukan Tingkat Pencemaran Air,” E-JURNAL JUSITI: Jurnal Sistem Informasi dan Teknologi Informasi, vol. 4, no. 2, 124-131, 2015.
Sinaga, Dewantara, “Jaringan Saraf Tiruan Infeksi Mata dengan Menggunakan Metode Beraksitektur Multi Layer Perceptron,” Jurnal Majalah Ilmiah Informasi dan Teknologi Ilmiah (INTI), vol. 7, no. 2, 189-192, 2020.
Simbolon, Imelda Asih Rohani, Fikri Yatussa’ada, dan Anjar Wanto, “Penerapan Algoritma Backpropagation dalam Memprediksi Persentase Penduduk Buta Huruf di Indonesia,” Jurnal Informatika UPGRI, vol. 4, no. 2, 163-169, 2018.
Kusumadewi, Sri, “Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link,” Yogyakarta: Graha Ilmu, 2004.
Rodrigues, Filipe, Carlos Cardeira, dan J.M.F.Calado, “The Daily And Hourly Energy Consumption And Load Forecasting Using Artificial Neural Network Method: A Case Study Using A Set Of 93 Households In Portugal,” Energy Procedia, vol. 6, no. 2, 220-229, 2014.
Rachman, Adi Sukarno, Imam Cholissodin, dan M. Ali Fauzi, “Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Pada PG Candi Baru Sidoarjo,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 4, 1683-1689, 2018.
Astuti, Yuli, Berliana Novianti, Tonny Hidayat, dan Dina Maulina, “Penerapan Metode Single Moving Average untuk Peramalan Penjualan Mainan Anak,” Seminar Nasional Sistem Informasi dan Teknologi Informasi, 253-261, 2019.
DOI: http://dx.doi.org/10.26623/elektrika.v15i2.6411
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution 4.0 International License.