Penerapan Artificial Neural Network Untuk Prediksi Energi Listrik Jangka Menengah Menggunakan Backpropagation

Sakhis, Badri Ainur (2025) Penerapan Artificial Neural Network Untuk Prediksi Energi Listrik Jangka Menengah Menggunakan Backpropagation. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2040201005-Undergraduate_Thesis.pdf Restricted to Repository staff only until 1 April 2027. Download (3MB) | Request a copy

Abstract

Peningkatan kebutuhan energi listrik yang terus berkembang menuntut adanya sistem prediksi untuk mendukung perencanaan dan pengelolaan sumber daya energi. Penelitian ini bertujuan untuk menerapkan metode Artificial Neural Network (ANN) dengan algoritma backpropagation dalam memprediksi konsumsi energi listrik jangka menengah. Metode ini dipilih karena kemampuannya dalam menangkap pola kompleks dan hubungan non-linear dalam data historis konsumsi listrik. Oleh karena itu, penting untuk memilih metode yang tepat untuk melakukan prediksi. Untuk menguji tingkat akurasi hasil peramalan konsumsi energi listrik menggunakan perhitungan nilai Mean Absolute Error (MAE). Tujuan penelitian ini adalah menganalisis akurasi hasil peramalan dengan algoritma backpropagation. Arsitektur ANN pada penelitian ini menggunakan 36 input layer, 2 hidden layer dimana masing masing hidden layer sebanyak 10 neuron, dan 1 output layer yang merupakan total energi yang dikonsumsi. Pada penelitian ini, melakukan beberapa pengujian model dan mengatur parameter-parameter ANN setiap pengujian. Parameter tersebut meliputi banyaknya hidden layer yang digunakan, learning rate, dan epoch. Optimizer yang digunakan untuk membangun model yaitu Adaptive Moment Estimation (Adam). Hasil penelitian menyatakan bahwa dari beberapa pengujian model terdapat nilai persentase error terendah dan persentase akurasi atau valid tertinggi. Pengujian terbaik menghasilkan error sebesar 5,6%, dengan tingkat akurasi atau validasi sebesar 94,4%. Percobaan prediksi kedepannya berdasarkan input tanggal yang ditentukan menghasilkan persentase error sebesar 43% dan persentase valid sebesar 57%.
=================================================================================================================================
The growing demand for electrical energy requires a prediction system to support the planning and management of energy resources. This research aims to apply the Artificial Neural Network (ANN) method with the backpropagation algorithm in predicting medium-term electrical energy consumption. This method was chosen due to its ability to capture complex patterns and non-linear relationships in historical electricity consumption data. Therefore, it is important to choose the right method for prediction. To test the accuracy of electric energy consumption forecasting results using the calculation of the Mean Absolute Error (MAE) value. The purpose of this research is to analyze the accuracy of forecasting results with the backpropagation algorithm. The ANN architecture in this study uses 36 input layers, 2 hidden layers where each hidden layer is 10 neurons, and 1 output layer which is the total energy consumed. In this research, several model tests were conducted and ANN parameters were set for each test. These parameters include the number of hidden layers used, learning rate, and epoch. The optimizer used to build the model is Adaptive Moment Estimation (Adam). The results state that from several model tests there is the lowest percentage error value and the highest percentage of accuracy or validity. The best test produces an error of 5,6%, with an accuracy or validation rate of 94,4%. Future prediction experiments based on the specified date input resulted in an error percentage of 43% and a valid percentage of 57%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Artificial Neural Network, Backpropagation, Adaptive Moment Estimation, Jaringan Saraf Tiruan, Perambatan Balik, Estimasi Momen Adaptif.
Subjects:	T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Sakhis Badri Ainur
Date Deposited:	11 Apr 2025 02:42
Last Modified:	11 Apr 2025 02:42
URI:	http://repository.its.ac.id/id/eprint/119006

Actions (login required)

View Item