Article Per Year (5 Year)
p-Index From 2020 - 2025
0
P-Index
This Author published in this journals
All Journal SinarFe7
Yuan Octavia D.P
Program Studi Teknik Elektro, Universitas Negeri Malang, Malang, Jawa Timur
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Studi Prakiraan Beban Listrik Menggunakan Metode Artificial Neural Network Yuan Octavia D.P; A.N. Afandi; Hari Putranto
SinarFe7 Vol. 1 No. 1 (2018): Sinarfe7-1A 2018
Publisher : FORTEI Regional VII Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (357.516 KB)

Abstract

Kebutuhan masyarakat Indonesia akan energi listrik terus mengalami peningkatan dari tahun ke tahun. Oleh karena itu, diperlukan suatu prakiraan beban listrik jangka pendek agar pihak penyedia listrik dapat menyalurkan energi listrik secara kontinyu kepada konsumen listrik. Dengan adanya prakiraan beban listrik, maka rencana penjadwalan operasi dan alokasi pembangkit cadangan dapat diatur dengan baik oleh sisi supply. Penelitian ini dilakukan prakiraan beban listrik menggunakan metode Artificial Neural Network (ANN) dengan model algoritma backpropagation. Kelebihan metode ini adalah dapat memprakirakan beban listrik sesuai dengan pola-pola beban masa lampau yang telah diajarkan. Data yang digunakan untuk pembelajaran adalah data aktual beban listrik Waktu Beban Puncak (WBP) Siang dan Malam pada Gardu Induk (GI) 150kV Buduran selama tahun 2017. Pada penelitian ini, proseduryang digunakan, yaitu studi literatur, pengumpulan data, pengolahan data, analisis data yang terdiri dari perancangan model prakiraan beban listrik menggunakan ANNbackpropagation, dan penarikan kesimpulan. Berdasarkan hasil penelitian, untuk WBP Siang dan Malam, arsitektur jaringan terbaik adalah 5-20-10-1 untuk WBP Siang dan Malam, dengan pengaturan momentum dan laju pemahaman 0,85 dan 0,1 untuk WBP Siang, serta 0,9 dan 0,15 untuk WBP alam. Berdasarkan arsitektur jaringan terbaik, proses pengujian WBP Siang menghasilkan Mean Squared Error (MSE) 0,036084 dan Mean Absolute Percentage Error (MAPE) 4,66%, sedangkan untuk WBP Malam menghasilkan MSE 0,15772 dan MAPE 16,83%.
Studi Prakiraan Beban Listrik Menggunakan Metode Artificial Neural Network Yuan Octavia D.P; A.N. Afandi; Hari Putranto
SinarFe7 Vol. 1 No. 1 (2018): Sinarfe7-1A 2018
Publisher : FORTEI Regional VII Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (315.48 KB)

Abstract

Kebutuhan masyarakat Indonesia akan energi listrik terus mengalami peningkatan dari tahun ke tahun. Oleh karena itu, diperlukan suatu prakiraan beban listrik jangka pendek agar pihak penyedia listrik dapat menyalurkan energi listrik secara kontinyu kepada konsumen listrik. Dengan adanya prakiraan beban listrik, maka rencana penjadwalan operasi dan alokasi pembangkit cadangan dapat diatur dengan baik oleh sisi supply. Penelitian ini dilakukan prakiraan beban listrik menggunakan metode Artificial Neural Network (ANN) dengan model algoritma backpropagation. Kelebihan metode ini adalah dapat memprakirakan beban listrik sesuai dengan pola-pola beban masa lampau yang telah diajarkan. Data yang digunakan untuk pembelajaran adalah data aktual beban listrik Waktu Beban Puncak (WBP) Siang dan Malam pada Gardu Induk (GI) 150kV Buduran selama tahun 2017. Pada penelitian ini, prosedur yang digunakan, yaitu studi literatur, pengumpulan data, pengolahan data, analisis data yang terdiri dari perancangan model prakiraan beban listrik menggunakan ANNbackpropagation, dan penarikan kesimpulan. Berdasarkan hasil penelitian, untuk WBP Siang dan Malam, arsitektur jaringan terbaik adalah 5-20-10-1 untuk WBP Siang dan Malam, dengan pengaturan momentum dan laju pemahaman 0,85 dan 0,1 untuk WBP Siang, serta 0,9 dan 0,15 untuk WBP Malam. Berdasarkan arsitektur jaringan terbaik, proses pengujian WBP Siang menghasilkan Mean Squared Error (MSE) 0,036084 dan Mean Absolute Percentage Error(MAPE) 4,66%, sedangkan untuk WBP Malam menghasilkan MSE 0,15772 dan MAPE 16,83%.
Co-Authors A.N. Afandi Hari Putranto