Article Per Year (5 Year)
p-Index From 2021 - 2026
0.339
P-Index
This Author published in this journals
All Journal TELKOMNIKA (Telecommunication Computing Electronics and Control) TIERS Information Technology Journal
Naser Jawas
Institut Teknologi dan Bisnis STIKOM Bali
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : TIERS Information Technology Journal

 1 
Prediksi Penggunaan Energi Listrik pada Rumah Hunian Menggunakan Long Short-Term Memory I Nyoman Kusuma Wardana; Naser Jawas; I Komang Agus Ady Aryanto
TIERS Information Technology Journal Vol. 1 No. 1 (2020)
Publisher : Universitas Pendidikan Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1656.616 KB)

Abstract

Prediksi konsumsi listrik pada rumah hunian adalah penting untuk dilakukan. Ini dikarenakan peralatan listrik rumah tangga merupakan salah satu faktor yang berpengaruh besar terhadap penggunaan energi listrik secara nasional.  Penelitian ini menggunakan Long Short-Term Memory (LSTM) sebagai model prediktor. Sebanyak 13 jenis atribut dari dataset yang tersedia digunakan sebagai input untuk LSTM. Berdasarkan penelitian, 8 neuron dalam LSTM dengan lookback sebanyak 7 memiliki kinerja paling baik. Besarnya nilai error terhadap data uji masing-masing sebesar  60,992 dan 28,278 untuk RMSE dan MAE.
Prediksi Penggunaan Energi Listrik pada Rumah Hunian Menggunakan Long Short-Term Memory I Nyoman Kusuma Wardana; Naser Jawas; I Komang Agus Ady Aryanto
TIERS Information Technology Journal Vol. 1 No. 1 (2020)
Publisher : Universitas Pendidikan Nasional

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1656.616 KB)

Abstract

Prediksi konsumsi listrik pada rumah hunian adalah penting untuk dilakukan. Ini dikarenakan peralatan listrik rumah tangga merupakan salah satu faktor yang berpengaruh besar terhadap penggunaan energi listrik secara nasional.  Penelitian ini menggunakan Long Short-Term Memory (LSTM) sebagai model prediktor. Sebanyak 13 jenis atribut dari dataset yang tersedia digunakan sebagai input untuk LSTM. Berdasarkan penelitian, 8 neuron dalam LSTM dengan lookback sebanyak 7 memiliki kinerja paling baik. Besarnya nilai error terhadap data uji masing-masing sebesar  60,992 dan 28,278 untuk RMSE dan MAE.
Co-Authors I Komang Agus Ady Aryanto I Nyoman Kusuma Wardana I Wayan Aditya Suranata