ANALISIS PERKIRAAN BEBAN LISTRIK PADA SISI TEGANGAN RENDAH DI PLN (PERSERO) UNIT PELAKSANA PELAYANAN PELANGGAN CIRACAS DENGAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

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.

[img]
Preview
Text (HAL COVER)
01. COVER.pdf

Download (421kB) | Preview
[img]
Preview
Text (BAB I)
03. BAB II.pdf

Download (490kB) | Preview
[img]
Preview
Text (BAB II)
04. BAB III.pdf

Download (297kB) | Preview
[img]
Preview
Text (BAB III)
05. BAB IV.pdf

Download (1MB) | Preview
[img]
Preview
Text (BAB IV)
02. BAB I.pdf

Download (138kB) | Preview
[img]
Preview
Text (BAB V)
06. PENUTUP.pdf

Download (82kB) | Preview
[img]
Preview
Text (DAFTAR PUSTAKA)
07. DAFTAR PUSTAKA.pdf

Download (184kB) | Preview
[img]
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.

Item Type: Thesis (S1)
Call Number CD: FT/ELK. 20 270
Call Number: ST/14/21/024
NIM/NIDN Creators: 41416110061
Uncontrolled Keywords: peramalan, jaringan tegangan rendah, backpropagation, root mean squared error.
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 > 005 Computer Programmming, Programs, Data/Pemprograman Komputer, Program, Data > 005.1 Programming/Pemrograman > 005.12 Software System Analysis and Design/Sistem Analisa dan Desain Perangkat Lunak
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 > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.32 Neural Nets (Neural Network)/Jaringan Saraf Buatan
500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 530 Physics/Fisika > 537 Electricity/Fisika Listrik > 537.6 Electrodinamics, Electric Current/Elektrodinamik, Arus Listrik
600 Technology/Teknologi > 620 Engineering and Applied Operations/Ilmu Teknik dan operasi Terapan > 621 Applied Physics/Fisika terapan > 621.3 Electrical Engineering, Lighting, Superconductivity, Magnetic Engineering, Applied Optics, Paraphotic Technology, Electronics Communications Engineering, Computers/Teknik Elektro, Pencahayaan, Superkonduktivitas, Teknik Magnetik, Optik Terapan, Tekn
Divisions: Fakultas Teknik > Teknik Elektro
Depositing User: Dede Muksin Lubis
Date Deposited: 08 Feb 2022 03:10
Last Modified: 15 Apr 2023 03:29
URI: http://repository.mercubuana.ac.id/id/eprint/55584

Actions (login required)

View Item View Item