PENGEMBANGAN PRA PROSES PEMBAGIAN DATA PADA PREDIKSI KONSUMSI LISTRIK MENGGUNAKAN LONG SHORT-TERM MEMORY

Pratiwi, Adinda Putri (2024) PENGEMBANGAN PRA PROSES PEMBAGIAN DATA PADA PREDIKSI KONSUMSI LISTRIK MENGGUNAKAN LONG SHORT-TERM MEMORY. Masters thesis, Institut Teknologi Sepuluh November.

Text 6025211030-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Konsumsi energi meningkat karena pertumbuhan populasi dan aktivitas industri, menjadikan listrik penting dalam kehidupan manusia. Dengan keterbatasan sumber daya alam, pengelolaan sumber daya listrik yang efektif sangat penting untuk mengurangi penggunaan energi di tengah meningkatnya permintaan. Pendekatan untuk pengelolaan sumber daya listrik dapat dilakukan dengan menggunakan data lampau untuk melakukan prediksi jumlah pengunaan di masa depan. Prediksi dapat dilakukan dengan menggunakan deep learning. Penelitian ini mengusulkan model menggunakan time-series cross-validation sebagai pembagian data dan korelasi untuk memilih set fitur terbaik untuk prediksi konsumsi listrik. Eksperimen akan membandingkan metode time-series cross-validation dan Holdout untuk melihat kinerja pembagian data dan prediksi multi-horizon. Eksperimen menggunakan 8 set daftar fitur, yang dipasangkan dalam kombinasi berdasarkan korelasi untuk memastikan fitur terbaik yang berkaitan dengan konsumsi listrik. Fitur yang digunakan adalah konsumsi listrik, waktu, cuaca, hari libur nasional, dan durasi saat peak demand. Hasil penelitian adalah pembagian data menggunakan times-series cross-validation dapat mengurangi overfitting pada model, jika dibandingkan dengan Holdout. Holdout memiliki hasil error matriks yang lebih baik jika dibandingkan dengan timeseries cross-validation¸tetapi pembelajaran pada model dengan menggunakan Holdout mengalami ketidakstabilan berdasarkan plot data. Kedua jenis pembagian data memiliki kesaman dalam pembelajaran pada multi-horizon, jika nilai horizon bertambah maka akurasi akan semakin turun. Set fitur memiliki dengan hasil terbaik memiliki kesamaan dengan menggunakan fitur waktu, jika dibandingkan dengan fitur yang memiliki korelasi tinggi saja. Di antara semua model yang diuji, CNN-GRU memiliki model terbaik untuk prediksi multi-horizon di berbagai horizon dan set fitur, hal ini diakibatkan oleh ukuran dimensi pada data yang lebih kecil.
=======================================================================================================
Energy consumption is increasing due to population growth and industrial activities, making electricity essential in human life. With limited natural resources, effective management of electricity resources is necessary to reduce energy use amidst increasing demand. The approach to electricity resource management can be done by using past data to predict the amount of usage in the future. Prediction can be done using deep learning. This study proposes a model using time-series cross-validation as data sharing and correlation to select the best feature set for electricity consumption prediction. The experiment will compare the time-series cross-validation and Holdout methods to see the performance of data sharing and multi-horizon prediction. The experiment uses 8 sets of feature lists, which are installed in combination based on correlation to ensure the best features related to electricity consumption. The features used are electricity consumption, time, weather, national holidays, and duration of peak demand. The study results show that splitting data using times-series cross-validation can reduce overfitting in the model compared to Holdout. Holdout has better error matrix results when compared to time-series cross-validation, but the learning in the model using Holdout experiences instability based on the data plot. Both types of splitting data have similarities in learning on multi-horizon, if the horizon value increases then the accuracy will decrease. The feature set has the best results having similarities with using the time features, when compared to feature that only have high correlation. Among all the models tested, CNN-GRU has the best model for multi-horizon prediction across horizons and feature sets, this is due to the smaller dimension size of the data.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Energy Prediction, Deep Learning, Multi-step, Pembagian data Energy Prediction, Deep Learning, Multi-step, Splitting Data
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:	Adinda Putri Pratiwi
Date Deposited:	10 Aug 2024 13:41
Last Modified:	10 Aug 2024 13:41
URI:	http://repository.its.ac.id/id/eprint/115254

Actions (login required)

View Item