Pemodelan Short Term Load Forecasting Untuk Meningkatkan Akurasi Peramalan Beban Pada Rencana Operasi Harian Dengan Menggunakan Lstm Studi Kasus : Sub Sistem Sulawesi Selatan

Wakhid, Muhammad Abdul (2022) Pemodelan Short Term Load Forecasting Untuk Meningkatkan Akurasi Peramalan Beban Pada Rencana Operasi Harian Dengan Menggunakan Lstm Studi Kasus : Sub Sistem Sulawesi Selatan. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032201126-Master_Thesis.pdf Restricted to Repository staff only Download (5MB)

Abstract

Beban listrik yang dibutuhkan pada suatu sub sistem ketenagalistrikan selalu berubah setiap harinya. Operator tenaga listrik harus mampu membangkitkan dan menyalurkan listrik sesuai kebutuhan konsumen. Pada subsistem Sulawesi, pembangkit listrik yang digunakan masih didominasi oleh pembangkit dengan bahan bakar fosil sehingga pada operasionalnya, kebutuhan bahan bakar perlu mendapat perhatian serius. Perencanaan konsumsi listrik harian yang baik sangat diperlukan sehingga biaya pembangkitan menjadi optimal. Pada kondisi sekarang peramalan beban untuk Rencana Operasi Beban Harian (ROH) masih dilakukan berdasarkan Expert Judgment yang berbeda beda untuk setiap forecaster. Batas toleransi error sesuai target kinerja unit adalah 4%. Diperlukan sebuah instrumen peramalan beban yang mampu menghasilkan data dengan toleransi eror yang lebih baik. Dengan menggunakan data realisasi beban listrik selama periode 2017 - 2021, dibuat model peramalan beban listrik dengan metode Long Short Term Memori (LSTM). LSTM adalah salah satu model dari RNN yang menggunakan data lampau (Long Term) untuk meramalkan data sekarang (Short Term). Model peramalan dengan LSTM menunjukan hasil peramalan yang lebih akurat apabila dibandingkan dengan metode tradisional. Arsitektur LSTM yang digunakan pada penelitian ini diperoleh dengan melakukan mini forecasting terlebih dahulu. Arsitektur LSTM yang dianggap paling akurat akan digunakan pada penelitian ini. Data realisasi beban harian sistem Sulawesi Selatan digunakan sebagai data training setelah sebelumnya dilakukan normalisasi dengan menggunakan minimax. Model LSTM dibuat dengan menggunakan data input yang berbeda-beda. Performa dari masing-masing model tersebut kemudian dievaluasi dengan membandingkan nilai RMSE dan MAPE. Dari beberapa model masukan data tersebut, model peramalan dengan menggunakan input data harian memiliki performa yang lebih baik dibanding kan skenario yang lain. Nilai MAPE dan RMSE yang diperoleh adalah sebesar 2,384% dan 33,95. Hasil peramalan yang lebih akurat sangat mendukung strategi inisiatif perusahaan terkait optimal dispatch.
==============================================================================================================================
Electrical load needed on an energy grid change daily. Dispatchers need to generate and distribute electricity to the consument according to the need. Sulawesi subsystem dominated by fossil fuel Power Plant, so fuel consumption need serious attention. A good energy consumption planning urgently needed to obtain optimum generation cost. At the current state, load forecasting for Daily Operation Plant done by traditional method based on Expert Judgment that run differently for each forecaster and error rate at 4%. Load Forecasting model that can provide more accurate result is urgently needed. By using data on the realization of electrical loads for the period 2017 - 2021, an electrical load forecasting model was made using the Long Short Term Memory (LSTM) method. LSTM is a model of RNN that uses past data (Long Term) to predict current data (Short Term). Forecasting models with LSTM show more accurate forecasting results when compared to traditional methods. The LSTM architecture used in this study was obtained by doing mini forecasting first. The LSTM architecture that is considered the most accurate will be used in this study. Electric load in Sulawesi sub system used as data training after normalized using minimax method. LSTM model created using different data input. Forecasting performance from each model then compared using RMSE and MAPE value. Forecasting results from LSTM model using previous everyday load show better performance than other scenario with 2,384% MAPE score and RMSE value of 33,95. More accurate forecasting result can support Company Strategic Inisiation about optimal dispatch.

Item Type:	Thesis (Masters)
Additional Information:	RTMT 658.403 55 Wak p-1 2022
Uncontrolled Keywords:	Short Term Load Forecasting, Machine learning, LSTM.
Subjects:	T Technology > T Technology (General)
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Mr. Marsudiyana -
Date Deposited:	08 Jul 2026 03:52
Last Modified:	08 Jul 2026 03:52
URI:	http://repository.its.ac.id/id/eprint/134497

Actions (login required)

View Item