Analisis Arsitektur Jaringan Syaraf Tiruan-Multilayer Perceptron untuk Efektivitas Estimasi Beban Energi Listrik PT. PLN (Persero) UP3 Salatiga

RONI SAPUTRA, SAID SUNARDIYO, ANAN NUGROHO, SUBIYANTO SUBIYANTO

Abstract


ABSTRAK

PT PLN (Persero) UP3 Salatiga merupakan perusahaan penyedia energi listrik enam kabupaten di Jawa Tengah. Agar energi listrik yang mengalir ke pelanggan handal dan ekonomis, penyesuaian antara supply dan demand penting untuk dilakukan. Hal ini bisa dilakukan dengan perencanaan operasi sistem tenaga listrik dalam bentuk estimasi beban energi listrik. Pada penelitian ini, estimasi dilakukan dengan jaringan syaraf tiruan-multilayer perceptron. Sejumlah variasi jumlah layer dan node pada arsitektur perceptron diuji-cobakan untuk mendapatkan performa estimasi yang terbaik. Dari penelitian ini, diperoleh arsitektur terbaik yaitu TRAINGDA 4 hidden layer dengan 20 node hidden layer, dengan nilai MAPE sebesar 2.79% tahap training, serta nilai MAPE sebesar 3.24% tahap testing. Hasil ini mengindikasikan bahwa metode jaringan syaraf tiruan-multilayer perceptron lebih akurat sebagai estimator beban energi listrik PT PLN (Persero) UP3 Salatiga.

Kata kunci: estimasi, estimasi beban, energi listrik, multilayer perceptron

 

ABSTRACT

PT PLN (Persero) UP3 Salatiga is an electricity provider company for 6 districts in Central Java. To ensure reliable and economical electricity supply to customers, adjustment between supply and demand is important to be conducted. This can be achieved through planning of power system operation in the form of electricity load estimation. In this study, estimation was performed using artificial neural network-multilayer perceptron. Several variations of the number of layers and nodes in the perceptron architecture were tested to obtain the best estimation performance. From this study, the best architecture was obtained with TRAINGDA 4 hidden layers and 20 hidden layer nodes, resulting in MAPE value of 2.79% in the training phase and 3.24% in the testing phase. These results indicate that artificial neural network-multilayer perceptron method is more accurate as an estimator of electricity load for PT PLN (Persero) UP3 Salatiga.

Keywords: estimation, load estimation, electrical energy, multilayer perceptron


Keywords


estimasi; estimasi beban; energi listrik; multilayer perceptron

References


Alkusma, Y. M., Hermawan, H., & Hadiyanto, H. (2016). Pengembangan Potensi Energi Alternatif Dengan Pemanfaatan Limbah Cair Kelapa Sawit Sebagai Sumber Energi Baru Terbarukan Di Kabupaten Kotawaringin Timur. Jurnal Ilmu Lingkungan, 14(2), 96–102. https://doi.org/10.14710/jil.14.2.96-102

Andrijasa, M. F., & Mistianingsih, D. (2010). Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation. Jurnal Informatika Mulawarman, 5(1), 50–55.

Astuti, Y., Novianti, B., Hidayat, T., Maulina, D., Universitas, M. I., & Yogyakarta, A. (2019). Penerapan Metode Single Moving Average Untuk Peramalan Penjualan Mainan Anak. SENSITIf: Seminar Nasional Sistem Informasi Dan Teknologi Informasi, (pp. 253–261).

Aulia, R. (2018). Penerapan Metode Backpropagation Untuk Memprediksi Jumlah Kunjungan Wisatawan berdasarkan Tingkat Hunian Hotel. JURTEKSI (Jurnal Teknologi Dan Sistem Informasi), IV(2), 115–122.

Dudek, G. (2020). Multilayer perceptron for short-term load forecasting: from global to local approach. Neural Computing and Applications, 32(8), 3695–3707. https://doi.org/10.1007/s00521-019-04130-y

Fachri, B., Perdana Windarto, A., & Parinduri, I. (2019). Penerapan Backpropagation dan Analisis Sensitivitas pada Prediksi Indikator Terpenting Perusahaan Listrik. JEPIN (Jurnal Edukasi Dan Penelitian Informatika), 5(2), 202–208. https://www.bps.go.id

Fitri, E., & Riana, D. (2022). Analisa Perbandingan Model Prediction Dalam Prediksi Harga Saham Menggunakan Metode Linear Regression, Random Forest Regression Dan Multilayer Perceptron. METHOMIKA: Jurnal Manajemen Informatika Dan Komputerisasi Akuntansi, 6(1), 69–78. https://doi.org/10.46880/jmika.Vol6No1.pp69-78

Hadimarta, T. F., Rotul Muhima, R., Kurniawan, M., Informatika, J. T., Teknik, F., Dan, E., & Informasi, T. (2020). Implementasi Multilayer Perceptron Pada Jaringan Saraf Tiruan Untuk Memprediksi Nilai Valuta Asing. INTEGER: Journal of Information Technology, 5(1), 56–63.

Hutabarat, P. H., Zambak, M. F., & Suwarno, S. (2022). Prediksi Kebutuhan Energi Listrik Wilayah PLN Kota Parapat Simalungun Sampai Tahun 2024. JESCE (Journal of Electrical and System Control Engineering), 5(2), 52–58. https://doi.org/10.31289/jesce.v5i2.5757

Khusniyah, T. W., & Sutikno. (2016). Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation. Scientific Journal of Informatics, 3(1), 11–18. http://journal.unnes.ac.id/nju/index.php/sji

Lingga, P. (2020). Implementasi Diagnosa Penyakit Panleukopenia Pada Kucing Dengan Menggunakan Jaringan Saraf Tiruan Multi Layer Perceptron (Studi Kasus:Clinic Sasmita Pet Shop). Jurnal Informasi Dan Teknologi Ilmiah (INTI), 7(3), 275–278.

Maulidin, M. S., & Assaffat, L. (2014). Jaringan Syaraf Tiruan Sebagai Metode Peramalan Beban Listrik Harian Di PT. Pismatex Pekalongan. Media Elektrika, 7(2), 36–44.

Naser, S. A., Zaqout, I., Ghosh, M. A., Atallah, R., & Alajrami, E. (2015). Predicting Student Performance Using Artificial Neural Network: in the Faculty of Engineering and Information Technology. International Journal of Hybrid Information Technology, 8(2), 221–228. https://doi.org/10.14257/ijhit.2015.8.2.20

Nurhayati. (2015). Jaringan Saraf Tiruan Backpropagation Untuk Menentukan Tingkat Pencemaran Air. Jurnal Sistem Informasi Dan Teknologi Informasi, 4(2), 124–131.

Nyoman, I., Wardana, K., Jawas, N., Komang, I., & Aryanto, A. A. (2020). Prediksi Penggunaan Energi Listrik pada Rumah Hunian Menggunakan Long Short-Term Memory. TIERS Information Technology Journal, 1(1), 1–11. http://journal.undiknas.ac.id/index.php/tiers

Rajagukguk, A. S. F., Marthinus P, & Meita R. (2015). Kajian Perencanaan Kebutuhan dan emenuhan Energi Listrik di Kota Manado. Jurnal Teknik Elektro Dan Komputer, 4(3), 1–12.

Rodrigues, F., Cardeira, C., & Calado, J. M. F. (2014). The daily and hourly energy consumption and load forecasting using artificial neural network method: A case study using a set of 93 households in Portugal. Energy Procedia, 62, 220–229. https://doi.org/10.1016/j.egypro.2014.12.383

Sakinah, N. P., Cholissodin, I., & Widodo, A. W. (2018). Prediksi Jumlah Permintaan Koran Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(7), 2612–2618. http://j-ptiik.ub.ac.id

Saragih, I. C., Hartama, D., & Wanto, A. (2020). Prediksi Perkembangan Jumlah Pelanggan Listrik Menurut Pelanggan Area Menggunakan Algoritma Backpropagation. Technology and Science (BITS), 2(1), 48–54.

Saritas, M. M., & Yasar, A. (2019). Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification. International Journal OfIntelligent Systems and Applications in Engineering, 7(2), 88–91. https://doi.org/10.1039/b000000x

Setyowati, D., & Sunardiyo, S. (2020). Prakiraan Kebutuhan Energi Listrik dengan Jaringan Saraf Tiruan (Artificial Neural Network) Metode Backpropagation Tahun 2020-2025. Jurnal EECCIS, 14(1), 6–9. https://jurnaleeccis.ub.ac.id/

Sharma, A., & Nijhawan, G. (2015). Rainfall Prediction Using Neural Network. International Journal of Computer Science Trends and Technology, 3(3), 65–69. www.ijcstjournal.org

Simangunsong, F. R. D. B., & Nasution, S. D. (2015). Aplikasi Jaringan Saraf Tiruan Untuk Memprediksi Jumlah Pasien Rawat Inap Dengan Metode Back Propagation (Studi Kasus : RSU. Tere Margareth). Jurnal Riset Komputer (JURIKOM), 2(6), 43–47.

Simbolon, I. A. R., Yatussa’ada, F., & Wanto, A. (2018). Penerapan Algoritma Backpropagation dalam Memprediksi Persentase Penduduk Buta Huruf di Indonesia. Jurnal Informatika UPGRIS, 4(2), 163–169.

Sinaga, D. (2020). Jaringan Saraf Tiruan Infeksi Mata Dengan Menggunakan Metode Beraksitektur Multi Layer Perceptron. Jurnal Majalah Ilmiah Informasi Dan Teknologi Ilmiah (INTI), 7(2), 189–192.

Syahputra, R., Syahfitra, F. D., Putra, K. T., & Soesanti, I. (2020). Prediksi Beban Listrik Menggunakan Algoritma Jaringan Syaraf Tiruan Tipe Propagasi-Balik (Electricity Load Prediction Using Back-Propagation Neural Networks). Semesta Teknika, 23(2), 143–155. https://doi.org/10.18196/st.232264

Syahrudy, Novriyenni, & Indah Ambarita. (2022). Estimasi Jumlah Perceraian Menggunakan Metode Regresi Linear Berganda Studi Kasus Pengadilan Agama Stabat. Jurnal Informatika Kaputama (JIK), 6(3), 793–798.

Triwulan, Y., Hariyanto, N., & Anwari, S. (2013). Peramalan Beban Puncak Listrik Jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan. Jurnal Reka Elkomika, 1(4), 339–439.

Wijaya, A. H. (2019). Artificial Neural Network Untuk Memprediksi Beban Listrik dengan Menggunakan metode Backpropagation (Studi Kasus PT. PLN Regional Sumatera Barat). Jurnal CoreIT, 5(2), 61–71.




DOI: https://doi.org/10.26760/elkomika.v11i3.664

Refbacks



_______________________________________________________________________________________________________________________

ISSN (print) : 2338-8323 | ISSN (electronic) : 2459-9638

Publisher:

Department of Electrical Engineering Institut Teknologi Nasional Bandung, Indonesia

Address: 20th Building  Institut Teknologi Nasional Bandung PHH. Mustofa Street No. 23 Bandung 40124, Indonesia

Contact: +627272215 (ext. 206)

Email: jte.itenas@itenas.ac.id________________________________________________________________________________________________________________________


Free counters!

Web Analytics Made Easy - StatCounter

Statistic Journal

Jurnal ini terlisensi oleh Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License