AHMAD, ARIF MARIFA (2018) PERAMALAN BEBAN JANGKA PENDEK DI DAERAH SERANG – BANTEN MENGGUNAKAN JARINGAN SYARAF TIRUAN TERHADAP PERAMALAN PLN. S1 thesis, Fakultas Teknik Universitas Sultan Ageng Tirtayasa.
![]() |
Text (Fulltext)
PERAMALAN BEBAN JANGKA PENDEK DI DAERAH SERANG – BANTEN MENGGUNAKAN JARINGAN SYARAF TIRUAN TERHADAP PERAMALAN PLN.pdf Restricted to Registered users only Download (2MB) |
![]() |
Text (Abstrak)
ABSTRAK (27).pdf Download (35kB) |
Abstract
Penyediaan tenaga listrik harus pada jumlah atau besaran yang sesuai dengan kebutuhan dan pada waktu yang tepat. Penyedian tenaga listrik yang melebihi kebutuhan beban berakibat pada terjadinya kerugian daya listrik. Sebaliknya, jika terjadi kekekurangan pasokan (penyedian) listrik, akan berakibat pada terjadinya pemadaman. Untuk menyediakan tenaga listrik yang sesuai dengan kebutuhan tersebut, harus ada rencana penyediaan listrik yang dilakukan dengan cara membuat prediksi atau prakiraan beban listrik. Oleh karena itu persoalan prakiraan beban listrik menjadi sangat penting didalam penyediaan tenaga listrik yang efisien. Pada penelitian ini, penulis mencoba untuk membangun suatu model prediksi beban listrik jangka pendek menggunakan jaringan syaraf tiruan (JST) dengan pembelajaran algorima levenberg-marquardt (Trainlm), Bayesian regularization (Trainbr) dan scaled conjugate gradient (Trainscg). Lingkup pengambilan data penelitian dibatasi beban listrik pada wilayah kerja Kota Serang Propinsi Banten. Hasil penelitian ini memperlihatkan bahwa prediksi JST algorima levenberg-marquardt (Trainlm) lebih baik dari pada prediksi yang dihitung dengan menggunakan algorima Bayesian regularization (Trainbr) dan scaled conjugate gradient (Trainscg). Prediksi beban listrik tanggal 21 Januari 2018 sampai dengan 27 Januari 2018 memperlihatkan bahwa rata-rata error (Trainlm) adalah 3,37 %, rata-rata error (Trainbr) 4.13% dan rata-rata error (Trainscg) 3.95%. Dengan demikian, dapat disimpulkan bahwa prediksi beban listrik menggunakan JST algorima levenberg-marquardt (Trainlm) lebih akurat dibandingkan dengan JST algoritma Bayesian regularization (Trainbr) dan scaled conjugate gradient (Trainscg). Perbandingn peramlan beban listrik trainlm terhadap peramalan PLN selama satu minggu memiliki selisih 11,606%
Item Type: | Thesis (S1) | |||||||||
---|---|---|---|---|---|---|---|---|---|---|
Contributors: |
|
|||||||||
Uncontrolled Keywords: | beban listrik, prakiraan beban listrik jangka pendek, jaringan syaraf tiruan, backpropagation | |||||||||
Subjects: | Q Science > Q Science (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering |
|||||||||
Divisions: | 03-Fakultas Teknik > 20201-Jurusan Teknik Elektro | |||||||||
Depositing User: | Perpustakaan FT | |||||||||
Date Deposited: | 20 Jun 2024 13:56 | |||||||||
Last Modified: | 20 Jun 2024 13:56 | |||||||||
URI: | http://eprints.untirta.ac.id/id/eprint/36462 |
Actions (login required)
![]() |
View Item |