Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Pendidikan Teknologi dan Kejuruan The Indonesian Journal of Computer Science
Armanto, Ony
Unknown Affiliation
Computer Science & IT Electrical & Electronics Engineering Engineering Other

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

Found 3 Documents
Search

 1 
ESTIMASI BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN TIME SERIES NARX PADA BANGUNAN BERTINGKAT Armanto, Ony; Novie Ayub Windarko; Setiawardhana; Kadek reda setiawan suda
Jurnal Pendidikan Teknologi dan Kejuruan Vol. 21 No. 2 (2024): Edisi Juli 2024
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/jptkundiksha.v21i2.76928

Abstract

Penggunaan energi sebagai komponen utama dalam menjalankan aktivitas dari waktu ke waktu semakin bertambah, khususnya untuk energi listrik.Dari pekerjaan industri, komersil dan pendidikan. Menurut OECD Institusi pendidikan tinggi dan komersil menggunakan 35% - 45% lebih tinggi energi listrik daripada hunian dan perkantoran. Namun dalam penggunaan energi listrik terbilang belum secara kesuluruhan dan tidak efisien. Salah satu penyebab dari penggunaan energi yang tidak efisien adalah tidak memperhitungkan beban yang digunakan dan juga energi harian yang digunakan oleh komponen atau aktivitas yang dilakukan sehingga perlu adanya solusi yang tepat untuk memperbaiki kondisi tersebut. Salah satu cara yang dapat menggunakan metode Time Series NARX. NARX adalah salah satu metode dari Time Series Neural Network yang menggunakan penundaan agar menghasilkan akurasi yang diinginkan .Pada penelitian ini diharapkan mendapatkan hasil maksimal dan efisien serta mengurangi penggunaan energi listrik yang berlebihan. Hasil dari penelitian ini mendapatkan MAPE sebesar 16,08% dan RMSE sebesar 20,96 Kata kunci: Time Series NARX , Estimasi Beban , Konservasi Energi , Efisiensi Energi
Pre- Estimasi Daya Aktif pada Gedung Bertingkat dengan menggunakan Time Series Neural Network Armanto, Ony; Novie Ayub Windarko; Setiawardhana
The Indonesian Journal of Computer Science Vol. 13 No. 2 (2024): The Indonesian Journal of Computer Science (IJCS)
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v13i2.3766

Abstract

Penggunaan energi listrik untuk kehidupan sehari – hari semakin meningkat tanpa adanya pengawasan dan pembatasan yang mengakibatkan penggunaan energi semakin semena – mena , penggunaan energi berlebihan juga disebabkan perkembangan teknologi yang semakin memudahkan pekerjaan manusia. Namun kebutuhan energi listrik yang besar tidak disertai dengan kapasitas energi listrik yang memadai. Oleh sebab itu diperlukan sebuah metode estimasi beban listrik jangka menengah dengan menggunakan Time Series Neural Network. Penelitian ini diharapkan dapat mengurangi jumlah energi listrik yang tidak terpakai dan digunakan se efisien mungkin. Pada penelitian ini menghasilkan nilai MAPE sebesar 5.36% dan nilai RMSE sebesar 9.2
Klasifikasi Beban menggunakan Feed - Forward Neural Network pada Gedung Bertingkat Armanto, Ony; Aulia, Masyitah; Bahrul, Yasya
The Indonesian Journal of Computer Science Vol. 14 No. 4 (2025): The Indonesian Journal of Computer Science
Publisher : AI Society & STMIK Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33022/ijcs.v14i4.4894

Abstract

Electricity consumption continues to increase year by year, leading to inefficiencies in energy management. This issue has become a major concern in modern power systems, particularly in energy monitoring systems based on Smart Grid technology. As the use of technology becomes more accessible, energy loads also grow significantly. Therefore, the ability to identify the types of electrical loads used in an installation is crucial, necessitating the implementation of load classification systems. To support the performance of electrical load classification, a Feed-Forward Neural Network (FFNN) is utilized. The results of this study show that the classification model achieved an accuracy of 99.03% with an error rate of 6.43%, and the RSME 0.098, indicating excellent classification performance
Co-Authors Aulia, Masyitah Bahrul, Yasya Kadek Reda Setiawan Suda Novie Ayub Windarko Setiawardhana