ANALISIS PERBANDINGAN PERAMALAN BEBAN LISTRIK MENGGUNAKAN RECURRENT NEURAL NETWORK (RNN) DAN VECTOR AUTOREGRESSIVE MODEL (VAR)

Putera, R. P. Ravie O. Mucheyz (Jurusan Teknik Elektro Fakultas Teknik Universitas Brawijaya)
Suyono, Hadi (Jurusan Teknik Elektro Fakultas Teknik Universitas Brawijaya)
Hasanah, Rini Nur (Jurusan Teknik Elektro Fakultas Teknik Universitas Brawijaya)

Jurnal Mahasiswa TEUB
Vol 7, No 4 (2019)

Energi Listrik berperan penting dalam kehidupan manusia modern dalam menjalankan aktivitas-aktivitasnya. Pihak penyedia energi listrik diharuskan untuk menjamin ketersediaan listrik yang kontinyu dan memadai. Kebutuhan akan energi listrik yang tidak menentu dapat diprediksi dengan metode-metode yang ada saat ini. Metode peramalan menggunakan Artificial Intelligence salah satu jenisnya adalah Recurrent Neural Network (RNN) memiliki akurasi peramalan yang cukup baik. Metode peramalan konvensional dengan Vector Autoregressive (VAR) digunakan sebagai pembanding dari metode RNN. Pemodelan untuk pada arsitektur RNN dan VAR dilakukan mendapatkan hasil peramalan yang akurat. Percobaan metode RNN variasi hidden neuron didapatkan hasil peralamalan beban listrik jangka pendek Kota Malang memiliki nilai kesalahan RMSE 11,13 MW dan MAE 8,03 MW. Peramalan beban listrik jangka pendek Kota Malang menggunakan metode VAR variasi nilai lag memiliki nilai kesalahan RMSE 15,57 MW dan MAE 12,95 MW. RNN mampu melakukan peramalan beban listrik jangka pendek lebih baik dibanding VAR. Kata Kunci: Recurrent Neural Network, beban listrik, prakiraan   ABSTRACT Electrical Energy have an important role in the life of modern humans for their daily activities. Electrical Energy Supplier must ensure continuous and adequate electrical energy. The uncertain needs for electrical energy could be predicted with the available methods. The forecasting method using Artificial Intelligence one of them is Recurrent Neural Network had a good forecasting accuracy. The conventional forecasting method using Vector Autoregressive was used as comparison for the RNN method. Modelling an RNN architecture and VAR was done to get accurate forecasted results The experiment of RNN method with hidden neuron number variations have a result of RMSE 11.13 MW and MAE 8.03 MW for Malang City Short-Term Load Forecasting. The experiment of VAR method with lag number variations have a result of RMSE 15.57 MW and MAE 12.95 MW for Malang City Short-Term Load Forecasting. RNN capable to do better Short-Term Load Forecasting than VAR. Keywords: Recurrent Neural Network, electrical load, prediction