Indratama, Dicky (2019) Studi Peramalan Beban Listrik dengan Metode Genetic Algorithm-Support Vector Machine (GA-SVM) dan Autoregressive Integrated Moving Average (ARIMA). Sarjana thesis, Universitas Brawijaya.
Abstract
Energi listrik merupakan bagian penting dalam kemajuan peradaban manusia di berbagai bidang. Kebutuhan listrik tersebut digunakan hampir di semua sektor, antara lain sektor rumah tangga, industri, usaha komersial, dan tempat layanan umum. Apabila daya yang dibangkitkan dan dikirimkan lebih rendah atau bahkan tidak memenuhi kebutuhan konsumen maka akan terjadi pemadaman lokal pada beban dan merugikan pihak konsumen. Dengan demikian diperlukan suatu usaha untuk memprediksi permintaan beban oleh konsumen melalui proses peramalan beban listrik yang pada akhirnya akan mempunyai peranan penting dalam hal ekonomi dan keamanan operasi sistem tenaga. Metode yang dapat digunakan untuk melakukan peramalan adalah metode kovensional dan metode menggunakan kecerdasan buatan (Artificial Intelligence). Metode yang digunakan pada penelitian ini adalah Genetic Algorithm-Support Vector Machine (GA-SVM) sebagai metode gabungan Artificial Intelligence dan Machine Learning, secara singkatnya cara kerja metode ini adalah mencari parameter SVM (C,λ,ε) yang optimal untuk mendapatkan hasil peramalan terakurat, metode kedua yaitu Autoregressive Integrated Moving Average (ARIMA), secara singkatnya cara kerja metode ini adalah mencari model statistik ARIMA (p,d,q) yang paling sesuai dengan variabel masukannya, dengan membandingkan output dan nilai error sebagai parameter keakuratan dalam melakukan peramalan. Dua metode ini dibentuk dan dilatih dengan menggunakan data beban listrik, suhu, dan curah hujan. Keakuratan peramalan dari kedua metode ini dievaluasi menggunakan RMSE dan MAPE. Dari hasil percobaan yang telah dilakukan, metode GA-SVM menghasilkan RMSE sebesar 15,5947 MWh, MAPE sebesar 0,0830 MWh. Sedangkan metode ARIMA menghasilkan RMSE sebesar 19,01965 MWh, MAPE sebesar 1,7422 MWh.
English Abstract
Electrical energy is an important part of the progress of human civilization in various fields. Electricity demands are used in almost all sectors, including the household, industrial, commercial and public service sectors. If the power generated and sent is lower or does not even meet the needs of consumers, there will be a local outage at the expense and harm the consumer. Thus an effort is needed to predict load demand by consumers through the electricity load forecasting process which will ultimately have an important role in terms of the economy and security of power system operations. The method that can be used to do forecasting is conventional methods and methods using artificial intelligence (Artificial Intelligence). The method used in this study is Genetic Algorithm Support Vector Machine (GA-SVM) as a combined method of Artificial Intelligence and Machine Learning, in short, how this method works is to find the optimal SVM (C, λ, ε) parameters to get forecasting results accurate, the second method is the Autoregressive Integrated Moving Average (ARIMA), in a nutshell how this method works is to find the ARIMA statistical model (p, d, q) that best matches the input variable, by comparing output and error values as accuracy parameters in forecasting . These two methods are formed and trained using data on electric load, temperature, and rainfall. The accuracy of forecasting from these two methods was evaluated using RMSE and MAPE. From the results of experiments that have been conducted, the GA-SVM method produces RMSE of 15,5947 MWh, MAPE of 0,0830 MWh. While the ARIMA method produces RMSE of 19,01965 MWh, MAPE of 1,7422 MWh.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FT/2019/229/051904888 |
| Uncontrolled Keywords: | Peramalan beban listrik, GA-SVM, ARIMA, RMSE, MAPE, Electricity Load Forecasting, GA-SVM, ARIMA, RMSE, MAPE |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.6 Mathematical optimization > 519.62 Stochastic optimization > 519.625 Genetic algorithms |
| Divisions: | Fakultas Teknik > Teknik Elektro |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 05 Aug 2020 07:25 |
| Last Modified: | 05 Aug 2020 07:25 |
| URI: | http://repository.ub.ac.id/id/eprint/171737 |
Actions (login required)
 |
View Item |