Titik Rahmawati
Program Studi S2 Ilmu Komputer, Universitas Gadjah Mada Yogyakarta

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

PENERAPAN METODE ELMAN RECURRENT NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK PERAMALAN KONSUMSI LISTRIK Titik Rahmawati
Jurnal Teknomatika Vol 5 No 2 (2013): TEKNOMATIKA
Publisher : Fakultas Teknik dan Teknologi Informasi, Universitas Jenderal Achmad Yani Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Konsumsi listrik di Indonesia setiap tahunnya terus meningkat sejalan dengan peningkatan pertumbuhan ekonomi nasional. Oleh karena itu prakiraan kebutuhan listrik di Indonesia sangat diperlukan agar dapat menggambarkan kondisi kelistrikan saat ini dan masa mendatang. Pada peneltian ini bertujuan membangun suatu aplikasi sistem yang dapat membantu meramalkan kebutuhan listrik menggunakan metode Elman Recurrent Neural Network dan Principal Component Analysis (PCA). Teknik peramalan yang digunakan dalam penelitian ini adalah metode Arima Box Jenkins yang digunakan untuk menentukan lag-lag yang berpengaruh terhadap peramalan dan Principal Component Analysis (PCA) digunakan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Jaringan Syaraf Tiruan Elman Recurrent Neural network digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola datanya. Faktor-faktor yang menjadi masukan JST adalah faktor pertumbuhan PDRB, jumlah penduduk, pertumbuhan industri dan data demografi konsumsi listrik yang meliputi pelanggan rumah tangga, industri, bisnis, sosial dan publik. Dari sistem yang telah dibangun menunjukkan bahwa penerapan metode Principal Component Analysis (PCA) secara efisien dapat mengetahui faktor-faktor dominan yang mempengaruhi konsumsi listrik dan pemodelan Arima Box Jenkins sudah dapat digunakan untuk menentukan lag-lag data input. Metode Elman Recurrent Neural Network digunakan untuk mensimulasikan parameter yang dibentuk kemudian dilakukan training dan validasi sehingga didapatkan nilai Mean Square Error (MSE) jaringan. Pada penelitian ini rata-rata nilai Mean Square Error (MSE ) jaringan untuk peramalan konsumsi total 1, konsumsi total 2, rumah tangga, industri, bisnis, sosial dan publik adalah 0.00078802. Akurasi hasil peramalan diukur dengan Mean Absolute Percentange Error (MAPE) dan nilai dari MAPE in sample untuk peramalan konsumsi total1, konsumsi total 2, rumah tangga, industri, bisnis, sosial dan publik dengan periode ramalan 5 tahun sebesar 2.28 %.