PERBANDINGAN ALGORITMA PELATIHAN BACKPROPAGATION PADA STUDI PERAMALAN BEBAN MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK (ANN) DI KABUPATEN BANTUL
Abstract
Kabupaten Bantul merupakan salah satu daerah yang permintaan akan kosnumsi energi listrik tiap tahunnya meningkat walau secara bertahap, hal ini dikarenakan Bantul merupakan wilayah Kabupaten yang sedang berkembang dengan sejumlah tempat wisata alam. Sehingga setiap tahunnya akan mengalami pertumbuhan pembangunan yang diikuti dengan peningkatan akan kebutuhan energi listrik. Dengan adanya isu tersebut diperlukan suatu peramalan akan jumlah konsumen maupun beban agar pihak penyedia energi listrik PT.PLN (persero) dapat menyediakan sesuai kebutuhan. Dalam melakukan peramalan, metode yang digunakan merupakan metode Jaringan Syaraf Tiruan (Artificial Neural Network) yang dijalankan dengan Backpropagation. Kelebihan dari pada metode ini dapat dengan mudah memformulasikan pengalaman dan pengetahuan peramal serta sangat fleksibel dalam perubahan aturan peramal. Dengan menggunakan algoritma pelatihan Levenbeg-Marquardt, Variable Learning Rate Gradient Descent, dan Quasi Newton maka terlihat hasil paling akurat dengan melihat rata-rata %error paling kecil yang dihasilkan pada ketiga algoritme pelatihan tersebut. Sehinngga memungkinkan untuk melakukan hal yang berhubungan dengan prediksi atau peramalan. Hasil pelatihan dengan Levenbeg-Marquardt, Variable Learning Rate Gradient Descent dan Quasi Newton menunjukkan bahwa hasil error yang dihasilkan cukup kecil yaitu sebesar 0,39% ; 0,42% dan 0,32%. Dari hasil pelatihan tersebut menunjukkan bahwa Jaringan Syaraf Tiruan (ANN) bagus untuk diaplikasikan kedalam hal prediksi atau peramalan. Dari ketiga algoritma pelatihan tersebut dipilih pelatihan Quasi Newton untuk melakukan prediksi karena dari hasil pelatihan Quasi Newton Memiliki kesalahan paling kecil. Didapat hasil contoh peramalan beban dari bulan januari sampai dengan desember 2017 sebesar 183,480,764.4 VA, 184,126,377.1 VA, 184,229,449.3 VA, 184,236,406.1 VA, 184,243,284.4 VA, 184,245,715.5 VA, 184,244,915.7 VA, 184.231.810.3 VA, 184,234,477.6 VA, 184,236,174.5 VA, 184,235,105 VA, 184,242,146.5 VA.
Collections
- Electric Engineering [788]