Load Forecasting Energi Listrik Provinsi Banten Tahun 2022-2030 Menggunakan Metode Backpropagation Neural Network

Hartono Hartono, Yusraini Muharni, Irvan Setiawan, Irma Saraswati, Alief Maulana

Abstract


Kebutuhan energi listrik dimasa yang akan datang membutuhkan suatu perencanaan dan juga prediksi yang baik. Oleh sebab itu dibutuhkan perencanaan secara sistematis dengan berdasarkan data historis. Penelitian ini menggunakan neural network dengan algoritma backpropagation untuk melakukan prakiraan kebutuhan energi listrik Provinsi Banten di masa yang akan datang. Penelitian ini bertujuan membandingkan hasil prakiraan metode jaringan syaraf tiruan (JST) dengan RUPTL PLN 2021-2030. Setelah dilakukan proses perhitungan dan simulasi diperoleh hasil prakiraan kebutuhan energi listrik Provinsi Banten pada tahun 2021–2030 dengan metode JST diperkirakan akan mengalami kenaikan sebesar 30613.41 GWH pada tahun 2030 dengan rata–rata pertumbuhan setiap tahun sebesar 3.24%. JST backpropagation memiliki nilai kesalahan yang lebih rendah 0.39% dibandingkan dengan RUPTL PT PLN sebesar 2.74%. Berdasarkan kriteria mean average percentage error (MAPE) hasil perakiraan keseluruhan JST backpropagation dan RUPTL PT PLN berada pada kategori dapat diterima dan sangat baik.

Full Text:

PDF

References


M. Binoto, Y. Kristiawan, and J. R. S.-B. Km, “PERAMALAN ENERGI LISTRIK YANG TERJUAL DAN DAYA LISTRIK TERSAMBUNG PADA SISTEM KETENAGLISTRIKAN UNTUK JANGKA PANJANG DI SOLO MENGGUNAKAN MODEL ARTIFICIAL NEURAL NETWORK,” 2015.

M. A. Hammad, B. Jereb, B. Rosi, and D. Dragan, “Methods and Models for Electric Load Forecasting: A Comprehensive Review,” Logist. Sustain. Transp., vol. 11, no. 1, pp. 51–76, Feb. 2020, doi: 10.2478/jlst-2020-0004.

Hartono, A. Marifa Ahmad, and M. Sadikin, “Comparison methods of short term electrical load forecasting,” MATEC Web Conf., vol. 218, p. 01002, 2018, doi: 10.1051/matecconf/201821801002.

V. Veeramsetty and R. Deshmukh, “Electric power load forecasting on a 33/11 kV substation using artificial neural networks,” SN Appl. Sci., vol. 2, no. 5, p. 855, May 2020, doi: 10.1007/s42452-020-2601-y.

Y. Muharni, A. Irman, and M. Ilhamsyah, “Prediction of Grinding Work Roll Demand in a Job Shop Company By using Artificial Neural Network and ARIMA Method,” MATEC Web Conf., vol. 218, p. 04004, 2018, doi: 10.1051/matecconf/201821804004.

S. Kumar and S. K. Joshi, “Estimation of Load Forecast – 2020 Using Artificial Neural Network and Exploration,” vol. 3, no. 2.

Hartono, A. Marifa Ahmad, and M. Sadikin, “Comparison methods of short term electrical load forecasting,” MATEC Web Conf., vol. 218, p. 01002, 2018, doi: 10.1051/matecconf/201821801002.




DOI: http://dx.doi.org/10.36055/joseam.v2i1.19265

Refbacks

  • There are currently no refbacks.


is supported by

 

 

 

This work is licensed under Creative Commons Attribution-ShareAlike 4.0 International