Peramalan Beban Jangka Panjang Sistem Kelistrikan Kota  Bandung Menggunakan Artificial Neural Network

Tutih Barokah; Erwin Harahap

doi:10.29313/jrm.v4i1.3603

Authors

Tutih Barokah Matematika, Universitas Islam Bandung
Erwin Harahap Matematika, Universitas Islam Bandung

DOI:

https://doi.org/10.29313/jrm.v4i1.3603

Keywords:

Peramalan, ANN, Jumlah Penduduk

Abstract

Abstrak. Kebutuhan tenaga listrik saat ini sangat tinggi mengingat banyak peralatan rumah tangga maupun industri yang menggunakan tenaga listrik sebagai sumber energi. Peramalan beban listrik berperan sangat penting bagi efisiensi dan kinerja dari PT. PLN (Persero). Hal tersebut perlu dilakukan dengan rancangan operasi yang baik dan tepat, adapun langkah perancangan operasi sistem tenaga listrik yang penting yaitu peramalan kebutuhan beban listrik. Skripsi ini membahas peramalan beban jangka panjang dua tahun ke depan dengan menggunakan Artificial Neural Network (ANN). Peramalan jangka panjang sangat dipengaruhi data jumlah penduduk. Data yang digunakan untuk training dan testing adalah data dari tahun 1999 sampai 2021. Arsitektur yang digunakan adalah feed-forward, algoritma yang digunakan adalah algoritma backpropagation, dan aplikasi yang digunakan adalah software MATLAB. Berdasarkan hasil training, metode terbaik adalah traingdx dan berdasarkan hasil testing didapat nilai MAPE terbaik adalah 0,397586633 dan nilai RMSE terbaik adalah 0,012000708. Hasil peramalan beban listrik untuk tahun 2022 sebesar 4.169,22 (MWh) dan tahun 2023 sebesar 4.246,97 (MWh). Berdasarkan pada nilai MAPE dan RMSE, peramalan yang dilakukan memiliki tingkat akurasi yang cukup akurat dan stabilitas tinggi.

Abstract. The need for electricity is currently very high considering that many household and industrial equipment use electricity as an energy source. Electrical load forecasting plays a very important role in the efficiency and performance of PT. PLN (Persero). This article study the forecasting of long-term electrical load for the next two years using Artificial Neural Network (ANN). Long-term forecasting is greatly influenced by population data. The data used for training and testing is data from 1999 to 2021. The architecture used is feed-forward with backpropagation algorithm using MATLAB software. Based on the training results, the best method is trainingdx and based on the testing results, the best MAPE value is 0.397586633 and the best RMSE value is 0.012000708. The electricity load forecasting results for 2022 are 4.169,22 (MWh) and 2023 are 4.246,97 (MWh). Based on the MAPE and RMSE values, the forecasting carried out has a very accurate level of accuracy and also high stability.

References

N. Tindriyani, A. Murnomo, and A. Suryanto, “Implementasi Neural Network pada MA untuk Prakiraan Konsumsi Beban Listrik Kabupaten Ponorogo Jawa Timur,” Jurnal Teknik Elektro , vol. 9, no. 1, 2017.

F. Rahman, “Peramalan Beban Listrik Jangka Pendek Menggunakan Jaringan Syaraf Tiruan,” 2012.

Y. Handayani, F. Hijri, and R. Respitawulan, “Prediksi Produksi Energi Listrik PLTA IR. H Djuanda Menggunakan Algoritma Jaringan Syaraf Tiruan Backpropagation,” Jurnal Matematika , vol. 4, no. 2, 2018.

E. Harahap, “Prediksi Kemacetan pada Jaringan Komputer Menggunakan Metode Naïve Bayesian Classifier,” Jurnal Statistika, vol. 12, no. 1, pp. 29–32, 2012.

N. Putra, “Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, 2020.

M. Ramdani and R. Haryatiningsih, “Analisis Penentuan Sektor Unggulan Perekonomian di Kota Bandung Tahun 2020 dengan Menggunakan Metode Tipologi Klassen,” Economics Studies, vol. 2, no. 2, 2022.

R. Rachman, “Penerapan Metode Moving Average dan Exponential Smoothing pada Peramalan Produksi Industri Garment,” Jurnal Informatika, vol. 5, no. 1, 2018.

S. Putri, F. Badruzzaman, and E. Harahap, “Perbandingan Metode Single Moving Average dan Single Exponential Smoothing dalam Peramalan Jumlah Pengguna Pospay pada PT Pos Indonesia KCU Bandung,” Jurnal Matematika, vol. 22, no. 1, pp. 15–22, 2023.

M. Efendi, N. Nenih, and A. Sudrajat, “Analisis Laju Pertumbuhan Penduduk di Kecamatan Cicendo Kota Bandung,” Geoarea, vol. 4, no. 1, 2021.

Y. Lestari, “Jaringan Syaraf Tiruan untuk Prediksi Penjualan Jamur Menggunakan Algoritma Backropagation,” Jurnal ISD , vol. 2, no. 1, 2017.

M. Fadilah, A. Yusuf, and N. Huda, “Prediksi Beban Listrik Di Kota Banjar Baru Menggunakan Jaringan Syaraf Tiruan Backpropagation,” Jurnal Matematika Murni dan Terapan, vol. 14, no. 2, pp. 81–92, 2020.

A. Tresnasena, F. Andika, and R. Respitawulan, “Prediksi Perubahan Suhu Rata-rata Permukaan Global Tahun 2022-2023 Menggunakan Maple,” Jurnal Matematika, vol. 21, no. 1, pp. 35–42, 2022.

F. Alamsyah, B. Suprianto, W. Aribowo, and A. Hermawan, “Peramalan Beban Listrik Harian Menggunakan Artificial Neural Network,” vol. 10, no. 1, 2021.

M. Fatwa, R. Ristu, S. Pandiangan, and E. Supriyadi, “Pengaplikasian Matlab Pada Perhitungan Matriks,” Papanda Journal of Mathematics and Sciences Research (PJMSR), vol. 1, no. 1, 2022.