Agustina, Agustina (2026) ANALISIS PERBANDINGAN METODE SARIMAX, DEEP FOREST, DAN LSTM PADA PREDIKSI BEBAN PUNCAK LISTRIK HARIAN APARTEMEN. S2 thesis, Universitas Mercu Buana Jakarta - Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
55422110018-AGUSTINA-01 Cover - AGUSTINA AGUSTINA.pdf Download (631kB) |
|
Text (BAB 1)
55422110018-AGUSTINA-02 Bab 1 - AGUSTINA AGUSTINA.pdf Restricted to Registered users only Download (277kB) |
|
Text (BAB 2)
55422110018-AGUSTINA-03 Bab 2 - AGUSTINA AGUSTINA.pdf Restricted to Registered users only Download (604kB) |
|
Text (BAB 3)
55422110018-AGUSTINA-04 Bab 3 - AGUSTINA AGUSTINA.pdf Restricted to Registered users only Download (4MB) |
|
Text (BAB 4)
55422110018-AGUSTINA-05 Bab 4 - AGUSTINA AGUSTINA.pdf Restricted to Registered users only Download (734kB) |
|
Text (BAB 5)
55422110018-AGUSTINA-06 Bab 5 - AGUSTINA AGUSTINA.pdf Restricted to Registered users only Download (306kB) |
|
Text (DAFTAR PUSTAKA)
55422110018-AGUSTINA-08 Daftar Pustaka - AGUSTINA AGUSTINA.pdf Restricted to Registered users only Download (267kB) |
|
Text (LAMPIRAN)
55422110018-AGUSTINA-08 Lampiran - AGUSTINA AGUSTINA.pdf Restricted to Registered users only Download (504kB) |
Abstract
Presisi peramalan beban kelistrikan (load forecasting) merupakan instrumen krusial dalam Demand Side Management (DSM) untuk memitigasi risiko pemanasan berlebih (thermal overloading) transformator distribusi saat terjadi anomali beban puncak (peak load). Penelitian ini membandingkan kinerja tiga mazhab arsitektur komputasi—SARIMAX (statistik parametrik), Cascade Deep Forest (ansambel hierarkis), dan LSTM (jaringan saraf tiruan)—dalam memproyeksikan beban harian fasilitas apartemen yang hanya memiliki ketersediaan data operasional terbatas (low-to-medium dataset). Hasil komputasi membuktikan superioritas absolut model SARIMAX dengan tingkat galat terendah (MAPE 4,64%; RMSE 384 kWh), yang mengklasifikasikannya sebagai peramalan yang sangat akurat (highly accurate). Sebaliknya, arsitektur kecerdasan buatan mengalami instabilitas akibat defisit volume data; LSTM mencatat galat tertinggi (MAPE 7,74%; RMSE 682 kWh), sementara ekstraksi Permutation Importance menyingkap kegagalan Deep Forest (MAPE 7,55%) dalam merespons fluktuasi termodinamis suhu udara karena terlalu terbias pada matriks kalender. Penelitian ini menegaskan bahwa untuk manajemen energi bangunan dengan limitasi data historis, kesederhanaan matematis model statistik jauh lebih andal dan siap diintegrasikan pada Building Energy Management System (BEMS) dibandingkan kompleksitas algoritma black-box. Kata Kunci: Demand Side Management, Peramalan Beban Listrik, SARIMAX, Cascade Deep Forest, LSTM, Building Energy Management System.
| Item Type: | Thesis (S2) |
|---|---|
| NIM/NIDN Creators: | 55422110018 |
| Uncontrolled Keywords: | Demand Side Management, Peramalan Beban Listrik, SARIMAX, Cascade Deep Forest, LSTM, Building Energy Management System. |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika > 004.2 Systems Analysis and Computer Design, Computer Architecture, Computer Performance Evaluation/Sistem Analis dan Desain Komputer, Arsitektur Komputer, Evaluasi Daya Guna dan Performa Komputer |
| Divisions: | Pascasarjana > Magister Teknik Elektro |
| Depositing User: | RAIHAN GUSRI HIDAYAT |
| Date Deposited: | 22 Aug 2026 02:03 |
| Last Modified: | 22 Aug 2026 02:03 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/102652 |
Actions (login required)
 |
View Item |
