Krisnawati, Kadek Ayu (2018) Model Hibrida ARIMAX dan Deep Learning Neural Network untuk Peramalan Beban Listrik Jangka Pendek di PT. Indonesia Power UP Bali. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211440000052-Undergraduate_Theses.pdf - Accepted Version Download (14MB) | Preview |
Abstract
Energi listrik tidak dapat langsung disimpan dalam skala besar dan hanya dapat digunakan saat dibutuhkan saja. Oleh karena itu energi listrik yang dibangkitkan di pembangkit harus sama dengan energi listrik yang digunakan oleh konsumen. Prediksi listrik yang tepat pada suatu daerah sangat diperlukan untuk mengoptimalkan persediaan kebutuhan listrik. Penelitian ini dilakukan bertujuan untuk menerapkan metode Hibrida ARIMAX dan Deep Learning Neural Network untuk peramalan beban listrik jangka pendek. Data yang digunakan pada penelitian ini adalah data beban listrik mulai Januari 2014 hingga Desember 2017 sebanyak 1461 observasi. Kajian yang digunakan dibagi menjadi dua kajian yaitu kajian simulasi dan kajian terapan. Hasil kajian simulasi menunjukkan bahwa metode Hibrida ARIMAX dan Deep Learning Neural Network menghasilkan hasil peramalan yang lebih baik untuk horizon medium dan long, sementara hasil lebih beragam diperoleh pada horizon short. Untuk kajian terapan, menunjukkan bahwa hasil peramalan menggunakan metode Deep Learning Neural Network menghasilkan hasil ramalan yang lebih baik untuk horizon medium dan long, sementara Hibrida ARIMAX dan Deep Learning Neural Network mendominasi pada horizon short. Pada kedua kajian model Hibrida ARIMAX-DLNN tidak selalu lebih unggul dibanding metode lainnya. Hal ini membuktikan bahwa metode yang lebih kompleks tidak selalu memberikan nilai akurasi ramalan yang lebih baik. Peramalan beban listrik dilakukan berdasarkan metode terbaik yang diperoleh pada horizon short dikarenakan pada umumnya semakin pendek periode peramalan maka akurasi yang dihasilkan semakin baik.
===========================================================
Electrical energy can not be directly stored on a large scale and can only be used when needed only. Therefore, the electrical energy generated in the power plant must be equal to the electrical energy used by the consumer. Precise electrical prediction in a region is needed to optimize the supply of electricity needs. The aim of this research is to apply Hybrid ARIMAX and Deep Learning Neural Network method to forecast short-term electrical load. Data used in this research is electric load data from January 2014 to December 2017 as many as 1461 observations. The study used is divided into two studies namely simulation studies and applied studies. The results of the simulation study show that the Hybrid ARIMAX and Deep Learning Neural Network method produce better forecasting results for medium and long horizons, while more diverse results are obtained on the short horizon. For applied studies, indicating that forecasting results using the Deep Learning Neural Network method resulted in better outcomes for medium and long horizons, while Hybrid ARIMAX and Deep Learning Neural Network method dominated on the short horizon. In both studies the Hybrid ARIMAX-DLNN model is not always superior to other methods. This proves that more complex methods do not always provide better prediction accuracy values. Power load forecasting is based on the best method obtained on the short horizon because in general the shorter the forecast period the better the accuracy.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | ARIMAX, Beban Listrik, Deep Learning Neural Network, Hibrida |
| Subjects: | H Social Sciences > HA Statistics > HA30.3 Time-series analysis Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) |
| Divisions: | Faculty of Mathematics, Computation, and Data Science > Statistics > 49201-(S1) Undergraduate Thesis |
| Depositing User: | Krisnawati Kadek Ayu |
| Date Deposited: | 06 Jul 2021 10:52 |
| Last Modified: | 06 Jul 2021 10:52 |
| URI: | http://repository.its.ac.id/id/eprint/57164 |
Actions (login required)
 |
View Item |