Text
Peramalan beban listrik Jangka pendek menggunakan jaringan syaraf tiruan algoritma resilient progration
ABSTRAK
SYIFA AULIA, 3125111209. Peramalan Beban Listrik Jangka Pendek Menggunakan Jaringan Syaraf Tiruan Algoritma Resilient Propagation. Skripsi. Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Jakarta. 2015.
Listrik merupakan kebutuhan yang sangat krusial bagi masyarakat pada saat ini, bahkan dapat dikatakan bahwa listrik sudah menjadi kebutuhan primer masyarakat. Kebutuhan konsumen terhadap daya listrik tidak tetap dari waktu ke waktu. Sedangkan listrik tidak dapat disimpan dalam skala besar, tetapi harus tersedia pada saat dibutuhkan. Banyak metode peramalan yang telah dikembangkan untuk mendapatkan hasil peramalan yang optimal. Jaringan syaraf tiruan (JST) adalah salah satu metode yang saat ini dikembangkan untuk mendapatkan hasil peramalan yang mendekati dengan data sebenarnya. Dalam skripsi ini dipaparkan implementasi jaringan syaraf tiruan Resilient Propagation (RPROP) untuk memprediksi pemakaian beban listrik. Data yang digunakan dalam peramalan adalah data harian periode Juli 2015 sampai Agustus 2015. Dari hasil peramalan didapatkan MSE terkecil yaitu 0,00061 dengan arsitektur jaringan 410-6-1 yaitu 4 neuron input, 10 neuron di hidden layer pertama, 6 neuron di hidden layer kedua, dan 1 neuron output.
Kata kunci : jaringan syaraf tiruan, resilient propagation, peramalan.
ABSTRACT
SYIFA AULIA, 3125111209. Short Term Electrical Load Forecasting Using Artificial Neural Network Resilient Propagation Algorithm. Thesis. Faculty of Mathematics and Natural Science Jakarta State University. 2015.
Electricity is a very crucial needed to people nowadays, even more we could say that electricity is being primary needed for people. The demand of electric power from consumer is not fixed by time to time. While the electrical load can not be stored on a large scale, but it should be available when people needed it. Many forecasting methods were developed to optimize the result. Artificial Neural Network (ANN) is one of the methods which are developed to get result of forecast near to the actual data. This thesis implemented artificial neural network Resilient Propagation to predict the consumption of electrical load. Used data for forecasting is daily data from July 2015 to August 2015. Prediction result of the smallest MSE 0,00061 with the architecture 4-10-6-1 that is 4 input neuron, 10 neuron in first hidden layer, 6 neuron in second hidden layer, and 1 output neuron.
Keywords : artificial neural network, resilient propagation, forecasting.
Bibliografi : lembar41-42
SS00007990 | SK 7990 | UPT Perpustakaan UNJ (CD.03.2015.001) | Tersedia |
Tidak tersedia versi lain