GUMILAR, ADE (2020) ANALISIS PERKIRAAN BEBAN LISTRIK PADA SISI TEGANGAN RENDAH DI PLN (PERSERO) UNIT PELAKSANA PELAYANAN PELANGGAN CIRACAS DENGAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK. S1 thesis, Universitas Mercu Buana.
|
Text (HAL COVER)
01. COVER.pdf Download (421kB) | Preview |
|
|
Text (BAB I)
03. BAB II.pdf Download (490kB) | Preview |
|
|
Text (BAB II)
04. BAB III.pdf Download (297kB) | Preview |
|
|
Text (BAB III)
05. BAB IV.pdf Download (1MB) | Preview |
|
|
Text (BAB IV)
02. BAB I.pdf Download (138kB) | Preview |
|
|
Text (BAB V)
06. PENUTUP.pdf Download (82kB) | Preview |
|
|
Text (DAFTAR PUSTAKA)
07. DAFTAR PUSTAKA.pdf Download (184kB) | Preview |
|
|
Text (LAMPIRAN)
08. LAMPIRAN.pdf Download (78kB) | Preview |
Abstract
Dengan semakin bertambahnya jumlah penduduk hal itu akan menyebabkan kebutuhan akan penggunaan energi listrik tiap tahunnya akan semakin bertambah. Dari data Rencana Usaha Penyediaan Tenaga Listrik PT PLN (Persero) tahun 2019 sampai dengan 2028, tentang proyeksi penjualan tenaga listrik tercatat pada tahun 2017 jumlah penduduk Indonesia 262.24 juta dengan penjualan tenaga listrik (Gwh) rumah tangga 93.837, bisnis 40.873, publik 14.641, dan industri 71.716. Penggunaan listrik yang tidak terkendali akan mengakibatkan terjadinya overload yang dapat berdampak pada kerusakan peralatan listrik di sisi jaringan tegangan rendah. Untuk itu perencanaan sistem tenaga listrik sangat penting bagi penyedia tenaga listrik (PLN). Salah satunya hal yang dapat dilakukan yaitu adalah dengan cara melakukan peramalan beban listrik Salah satu algoritma yang digunakan untuk melakukan peramalan dalam jaringan syaraf tiruan adalah backpropagation. Dengan melakukan pengujian pada aplikasi software RapidMiner algoritma backpropagation akan diuji dengan menggunakan beberapa parameter, yaitu learning rate, momentum, dan training cycles. Operator yang digunakan yaitu operator windowing, multiply, neural net, apply model, dan performance. Parameter pada operator windowing nilai yang digunakan adalah angka 5 untuk window size dan angka 1 untuk step size. Sedangkan parameter pada Neural Net yang diatur yaitu training cycles 200/500, learning rate 0.01/0.02 dan momentum 0.9/0.8 selama pengujian parameter Neural Net nilainya menyesuaikan parameter yang digunakan. Optimasi neural network pada analisis perkiraan beban untuk waktu tertentu pada jaringan tegangan rendah, dengan menggunakan parameter windowing dengan window size 5 dan step size 1 akan menghasilkan struktur neural network algoritma backpropagation dengan 10 input, 1 Hidden Layer (7 neuron), dan 1 output memiliki root mean squared error yang terkecil dengan menggunakan parameter Neural Net dengan Learning Rate 0.02 Momentum 0.9 dan Training Cycles 500. Sehingga analisa waktu perkiraan beban untuk waktu tertentu pada jaringan tegangan rendah dapat diprediksi dengan memiliki root mean squared error yaitu untuk Beban R 8.403, Beban S 10.67 dan Beban T 4.806. . Kata Kunci : peramalan, jaringan tegangan rendah, backpropagation, root mean squared error.
Actions (login required)
 |
View Item |
