<![CDATA[Penelitian ini, membahas perbandingan metode peramalan. Metode peramalan yang digunakan adalah Feed Forward Backpropagation Neural Network dan Generalized Regression Neural Network. Peramalan beban listrik jangka pendek mengacu pada perhitungan beban harian, temparatur udara harian. Peramalan ini akan meramalkan beban listrik pada tanggal 3 Mei 2007. Peramalan ini akan membandingkan metode Feed Forward Backpropagation Neural Network dengan berbagai fungsi pelatihannya dan metode Generalized Regression Neural Network, pada metode Feed Forward Backpropagation Neural Network hasil peramalan yang nilainya mendekati beban aktual adalah pada pukul 05.00 dengan hasil peramalan dari fungsi pelatihan traincgf sebesar 0,08% sedangkan pada metode Generalized Regression Neural Network pada pukul 17.00 dengan hasil peramalan sebesar 29,06% dan beban peramalan yang selisihnya paling besar dengan beban aktual pada metode Feed Forward Backpropagation Neural Network adalah pada pukul 21.00 dengan hasil dari peramalan fungsi pelatihan traincgp sebesar 55,14% sedangkan pada metode Generalized Regression Neural Network pada pukul 12.00 sebesar 4,34%. Peramalan terbaik terdapat pada metode Feed Forward Backpropagation Neural Network dengan fungsi pelatihan traincgf di mana nilai MAPE-nya mendekati nilai beban real yaitu sebesar 2,52%. Kata Kunci: Peramalan Beban Listrik, Peramalan Jangka Pendek, Feed Forward Backpropagation Neural Network, Generalized Regression Neural Network, Mean Absolute Percentage Error.]]>
Copyrights © 2020
