Peramalan Beban Jangka Pendek Sistem Kelistrikan Kota Batu Menggunakan Deep Learning Long Short-Term Memory

Purnomo, Heru (2021) Peramalan Beban Jangka Pendek Sistem Kelistrikan Kota Batu Menggunakan Deep Learning Long Short-Term Memory. Magister thesis, Universitas Brawijaya.

Abstract

"RINGKASAN HERU PURNOMO, Jurusan Teknik Elektro, Fakultas Teknik Universitas Brawijaya, Juli 2021, Peramalan Beban Jangka pendek Sistem Kelistrikan Kota Batu Menggunakan Deep Learning Long Short Term Memory, Dosen pembimbing : Hadi Suyono dan Rini Nur Hasanah. Akses terhadap listrik mempunyai dampak signifikan-positif terhadap pertumbuhan ekonomi, baik bagi mereka yang tinggal di area pedesaan maupun perkotaan. Untuk mendukung pertumbuhan ekonomi, perbaikan serta peningkatan sektor kelistrikan wajib terus-menerus diupayakan. Sejalan dengan upaya memperbaiki dan meningkatkan layanan dan ketersediaan di sektor kelistrikan, penelitian ini ditujukan untuk meramalkan beban listrik jangka pendek di wilayah Kota Batu, Indonesia. Dengan didasarkan pada data yang mencakup data beban puncak per penyulang per hari, data jumlah pelanggan per kategori tarif per hari, serta data cuaca per hari, selama satu tahun penuh di 2020, metode deeplearning long short-term memory (LSTM) dimanfaatkan untuk menyimulasikan berbagai skenario pembagian data latih dan data uji. Analisis peramalan beban menggunakan metode autoregressive integrated moving average (ARIMA) digunakan sebagai pembanding. Dengan skenario pembagian data latih dan data uji terdiri dari 50%–50%, 60%–40%, 70%– 30%, 80%–20%, dan 90%-10% dengan jumlah iterasi 100, penggunaan metode deep learning LSTM menghasilkan nilai RMSE (Root Mean Square Error) sebesar 0,03 yang lebih baik dibandingkan nilai 0,07 yang diperoleh dengan metode ARIMA. Dapat disimpulkan bahwa secara umum implementasi metode deep learning LSTM memberikan keunggulan dalam tingkat akurasi dibandingkan dengan metode ARIMA, sehingga menjamin hasil yang lebih akurat dalam peramalan beban konsumsi listrik jangka pendek di Kota Batu. Kata kunci: ARIMA, Deep Learning LSTM, peramalan beban"

Item Type: Thesis (Magister)
Identification Number: 042107
Uncontrolled Keywords: ARIMA, Deep Learning LSTM, peramalan beban
Subjects: 600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting > 621.38 Electronics, communications engineering > 621.381 Electronics
Divisions: S2/S3 > Magister Teknik Elektro, Fakultas Teknik
Depositing User: Unnamed user with username santoso
Date Deposited: 23 Oct 2021 07:04
Last Modified: 30 Sep 2024 07:07
URI: http://repository.ub.ac.id/id/eprint/185437
[thumbnail of -heru purnomo.pdf] Text
-heru purnomo.pdf

Download (6MB)

Actions (login required)

View Item View Item