Peningkatan Kinerja Prediksi Pasokan Bahan Bakar PLTD Di Daerah 3t Menggunakan Metode Regresi Dan Walk-Forward Validation Untuk Mengantisipasi Pemadaman Listrik

Dzhalila, Dzhillan (2024) Peningkatan Kinerja Prediksi Pasokan Bahan Bakar PLTD Di Daerah 3t Menggunakan Metode Regresi Dan Walk-Forward Validation Untuk Mengantisipasi Pemadaman Listrik. Masters thesis, Institut Teknologi Sepuluh Nopember Surabaya.

Text 6025211034-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2026. Download (3MB) | Request a copy

Abstract

Pengembangan tenaga listrik di daerah 3T (terdepan, tertinggal dan terluar) masih menggunakan pembangkit berbahan bakar minyak. Jam nyala di daerah 3T ini pun memiliki variasi waktu jam nyala yang berbeda seperti 6 jam, 8 jam, 12 jam dan 24 jam. Hal ini dipengaruhi oleh terbatasnya ketersediaan jumlah pasokan BBM untuk pengoperasian pembangkit, dikarenakan susahnya pendistribusian pasokan BBM ke daerah 3T dikarenakan akses dan medan yang sulit untuk dijangkau seperti daerah yang tidak bisa diakses lewat jalur darat. Berdasarkan paparan di atas, BBM merupakan faktor penting dalam menunjang pembangkit listrik di daerah 3T. Namun penggunaan bahan bakar untuk ketenagalistrikan terus berkurang, maka perlunya prediksi pasokan bahan bakar untuk melihat kebutuhan di masa yang akan datang. Data persediaan BBM pada PLTD di daerah 3T akan digunakan sebagai dataset. Kendala data saat ini adalah masih adanya missing values dari proses pengumpulan data oleh petugas. Hal ini berdampak pada kualitas prediksi model. Oleh karena itu, efisiensi jumlah training data penting untuk menghasilkan hasil prediksi yang baik dengan data eksisting yang terbatas. Penelitan ini mengusulkan metode regresi yaitu Random Forest Regressor, Support Vector Regressor, ARIMA dikombinasi dengan walk-forward validation untuk menentukan jumlah training data yang diperlukan. RFR dengan walk-forwad validation memiliki kinerja yang baik untuk prediksi jangka panjang dan pendek pada PLTD Krayan dengan RMSE 8,52, 14,47, 0 untuk data training 6 bulan, 1 bulan dan 1 minggu. Sedangkan R2 Score 0,7317, 0,926, 1 untuk data training 6 bulan, 1 bulan dan 1 minggu. SVR dengan walk-forwad validation memiliki kinerja yang baik untuk prediksi jangka panjang dan pendek pada PLTD Krayan dengan RMSE 0,021, 14,47, 0 untuk data training 6 bulan, 1 bulan dan 1 minggu. Sedangkan nilai R2 Score -0,05118, 14,47, 1 untuk data training 6 bulan, 1 bulan dan 1 minggu. ARIMA dengan walk-forwad validation memiliki kinerja yang baik untuk prediksi jangka panjang saja pada PLTD Krayan dengan nilai RMSE 15,89, 49,88, 25,62 untuk data training 6 bulan, 1 bulan dan 1 minggu. Sedangkan nilai R2 Score 0,48, -0,05, -2,75 untuk data training 6 bulan, 1 bulan dan 1 minggu
=============================================================================================================================
The development of electric power in 3T areas (frontier, underdeveloped and outermost) still uses oil-fueled generators. The operating hours in the 3T area also have different variations in operating hours, such as 6 hours, 8 hours, 12 hours and 24 hours. This is influenced by the limited availability of fuel supplies for plant operations, due to the difficulty of distributing fuel supplies to 3T areas due to access and terrain that is difficult to reach, such as areas that cannot be accessed by land. Based on the explanation above, fuel is an important factor in supporting electricity generation in the 3T area. However, the use of fuel for electricity continues to decrease, so it is necessary to predict fuel supply to see future needs. Fuel supply data at PLTD in the 3T area will be used as a dataset. The current data problem is that there are still missing values from the data collection process by officers. This has an impact on the quality of model predictions. Therefore, the efficiency of the amount of training data is important to produce good prediction results with limited existing data. This research proposes a regression method, namely Random Forest Regressor, Support Vector Regressor, ARIMA combined with walk-forward validation to determine the amount of training data required. RFR with walk-forward validation has good performance for long and short term predictions at Krayan PLTD with RMSE 8.52, 14.47, 0 for 6 month, 1 month and 1 week training data. Meanwhile, the R2 Score is 0.7317, 0.926, 1 for 6 month, 1 month and 1 week training data. SVR with walk-forward validation has good performance for long and short term predictions at Krayan PLTD with RMSE 0.021, 14.47, 0 for 6 month, 1 month and 1 week training data. Meanwhile, the R2 Score value is -0.05118, 14.47, 1 for 6 month, 1 month and 1 week training data. ARIMA with walk-forward validation has good performance for long-term predictions only at Krayan PLTD with RMSE values of 15.89, 49.88, 25.62 for 6 month, 1 month and 1 week training data. Meanwhile, the R2 Score values are 0.48, -0.05, -2.75 for 6 month, 1 month and 1 week training data

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	prediksi persediaan bbm, pltd, listrik, rfr, svr, arima, walk- forward validation; fuel supply predictions, pltd, electricity, rfr, svr, arima, walk- forward validation
Subjects:	T Technology > T Technology (General) > T174 Technological forecasting
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Dzhillan Dzhalila
Date Deposited:	19 Feb 2024 02:02
Last Modified:	16 Apr 2024 08:08
URI:	http://repository.its.ac.id/id/eprint/107327

Actions (login required)

View Item