Pemodelan Jaringan Saraf Tiruan untuk Prediksi Konsumsi Listrik Mesin Uji pada Laboratorium Otomotif

Teguh Iryanto (Balai Besar Bahan dan Barang Teknik)
Mas'ud Adhi Saputra (Balai Besar Bahan dan Barang Teknik)

Jurnal Teknologi Bahan dan Barang Teknik
Vol 9, No 2 (2019)

Electric energy is becoming a major human need today. The biggest consumption is the use of electric energy in  factories, buildings, and residential dwellings. Energy management is needed for efficient use of electric energy. Electric energy prediction aims to find out how much load in the future so as to help providers of electric energy to prepare adequate sources. Artificial neural network (ANN) was used with a backpropagation learning algorithm to make intelligent system modeling to predict electricity usage during testing hourly. Retrieval of research data was limited to the use of automotive laboratories in Center for Material and Technical Product, Bandung City, West Java Province. ANN architecture used 6 neuron at input layer, 3 hidden layer with 12 neuron and 1 output layer. The logsig and purelin activation function was used to construct ANN modeling. The results of modeling showed that predictions using ANN got a mean square error (MSE) of 0,00043.Energi listrik menjadi kebutuhan utama manusia saat ini. Konsumsi terbesar adalah penggunaan energi listrik pada bangunan baik pabrik, gedung, maupun hunian tinggal. Manajemen energi diperlukan untuk efisiensi penggunaan energi listrik. Prediksi penggunaan energi listrik bertujuan untuk mengetahui berapa beban di masa yang akan datang sehingga membantu penyedia energi listrik untuk mempersiapkan sumber energi listrik yang memadai. Jaringan saraf tiruan (JST) digunakan dengan algoritma pelatihan backpropagation untuk membuat pemodelan sistem cerdas yang mampu memprediksi penggunaan listrik pada saat pengujian dalam jangka waktu satu jam. Pengambilan data penelitian dibatasi pada penggunaan listrik laboratorium otomotif Balai Besar Bahan dan Barang Teknik, Kota Bandung, Propinsi Jawa Barat. Arsitektur JST menggunakan 6 neuron pada layer input, 3 layer tersembunyi dengan neuron 12 dan 1 layer output. Fungsi aktivasi logsig dan purelin digunakan untuk membangun pemodelan JST. Hasil pemodelan menunjukkan bahwa prediksi menggunakan JST menghasilkan nilai mean square error (MSE) 0,00043.