Implementasi Metode Hybrid Backpropagation Neural Network Dan Particle Swarm Optimization Untuk Prediksi Konsumsi Listrik Berdasarkan Golongan Tarif Rumah Tangga

Saragih, Yuni Artha Chyntia (2026) Implementasi Metode Hybrid Backpropagation Neural Network Dan Particle Swarm Optimization Untuk Prediksi Konsumsi Listrik Berdasarkan Golongan Tarif Rumah Tangga. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032241136-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (6MB) | Request a copy

Abstract

Listrik merupakan salah satu sumber energi yang paling vital dan dimanfaatkan di hampir semua aspek kehidupan. Mayoritas penggunaan listrik terjadi di sektor rumah tangga. Sebenarnya, kebutuhan akan energi listrik selalu meningkat seiring bertambahnya jumlah penduduk. Karena listrik memiliki karakteristik yang tidak dapat disimpan akan tetapi listrik hanya dibangkitkan jika diperlukan. Maka, dengan adanya peningkatan konsumsi listrik tersebut, PT. PLN perlu melakukan peramalan prediksi beban listrik atas adanya peningkatan tersebut. Prediksi konsumsi listrik ini memiliki peran yang sangat krusial karena dengan prediksi ini dapat membantu pihak manajemen dalam pengoptimalan peluang penjualan listrik di masa depan. Prediksi kebutuhan energi listrik merupakan langkah awal yang krusial dalam merencanakan dan mengembangkan penyediaan listrik yang adekuat, baik, dan berkelanjutan. Oleh sebab itu, penting untuk memiliki metode peramalan beban yang tepat dan mudah dilakukan untuk penggunaan listrik di rumah tangga, mengingat data yang tersedia menggunakan jaringan saraf tiruan backpropagation (BPNN). Jaringan saraf tiruan Backpropagation memiliki keunggulan dalam mengenali pola kompleks pada data konsumsi listrik, sehingga mampu menghasilkan prediksi yang lebih tepat dalam mengidentifikasi variasi penggunaan energi dari waktu ke waktu, termasuk faktor-faktor yang memengaruhi fluktuasi permintaan listrik. Namun demikian, metode backpropagation (BPNN). murni memiliki keterbatasan dalam proses optimasi, seperti lambatnya konvergensi dan risiko terjebak pada solusi lokal. Untuk mengatasi permasalahan ini, penelitian ini mengintegrasikan algoritma Particle Swarm Optimization (PSO) ke dalam proses pelatihan BPNN. PSO digunakan sebagai teknik optimasi untuk menemukan bobot dan bias terbaik pada jaringan saraf, sehingga dapat meningkatkan akurasi prediksi secara signifikan. Hasil penelitian menunjukkan bahwa metode jaringan saraf tiruan Backpropagation (BPNN) yang dioptimasi dengan Particle Swarm Optimization (PSO) mampu meningkatkan akurasi prediksi kebutuhan listrik dibandingkan BPNN murni. Optimasi PSO menurunkan nilai MAPE dari 47,63% menjadi 2.92% serta meningkatkan nilai R² dari 0,5387 menjadi 0,9980, sehingga model lebih mampu mengenali pola konsumsi listrik. Model hybrid BPNN–PSO selanjutnya digunakan untuk melakukan prediksi periode 2025–2029 terhadap jumlah pelanggan, daya tersambung, dan konsumsi energi listrik. Hasil prediksi menunjukkan tren peningkatan yang stabil, namun dengan laju pertumbuhan yang cenderung melambat. Secara keseluruhan, model ini memberikan gambaran yang lebih andal terhadap pertumbuhan kebutuhan listrik di masa mendatang, dan dapat menjadi dasar bagi PT PLN dalam perencanaan kapasitas, pengembangan infrastruktur, serta kebijakan penyediaan energi yang berkelanjutan.
=====================================================================================================================================
Electricity is one of the most vital energy sources and is utilized in nearly every aspect of life. The majority of electricity consumption occurs in the household sector. In fact, the demand for electricity continues to grow alongside population increases. Since electricity has the characteristic of being non-storable and can only be generated when needed, it is essential for PT. PLN to forecast and predict the electricity load as consumption increases. Forecasting electricity consumption plays a crucial role as it helps management optimize future electricity sales opportunities. Forecasting electricity demand is a crucial initial step in planning and developing an adequate and sustainable power supply. Therefore, it is important to employ a forecasting method that is both accurate and practical for predicting household electricity usage. This study applies the Artificial Neural Network (ANN) Backpropagation method, which is well suited for analyzing time-series consumption data. ANN Backpropagation excels in identifying complex patterns and variations in electricity usage over time, including the factors that influence demand fluctuations. However, pure Backpropagation has limitations, such as slow convergence and a tendency to become trapped in local minima. To address these issues, this research integrates the Particle Swarm Optimization (PSO) algorithm into the ANN training process. PSO serves as an optimization technique for identifying the optimal weights and biases within the network, thereby enhancing predictive accuracy. The results show that the Backpropagation Artificial Neural Network (ANN) optimized using Particle Swarm Optimization (PSO) significantly improves the accuracy of electricity demand prediction compared to the conventional BPNN model. The PSO optimization reduces the Mean Absolute Percentage Error (MAPE) from 47.63% to 2.92% and increases the coefficient of determination (R²) from 0.5387 to 0.9980, indicating that the model is more capable of capturing electricity consumption patterns. The hybrid BPNN–PSO model is subsequently applied to forecast the 2025–2029 period for the number of customers, connected load, and electricity consumption. The forecasting results indicate a stable increasing trend with a gradually slowing growth rate. Overall, this model provides a more reliable representation of future electricity demand growth and can serve as a decision-support tool for PT PLN in capacity planning, infrastructure development, and sustainable energy policy formulation.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Konsumsi Listrik, Pelanggan Rumah Tangga, Prediksi, BPNN Murni, BPNN-PSO, Electricity Consumption, Household Customers, Forecasting, BPNN
Subjects:	Q Science
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Yuni Artha Chyntia Saragih
Date Deposited:	29 Jan 2026 04:27
Last Modified:	29 Jan 2026 04:27
URI:	http://repository.its.ac.id/id/eprint/131164

Actions (login required)

View Item