PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE FUZZY MULTI-ATTRIBUTE DECISION MAKING DECOMPOSITION FEED FORWARD NEURAL NETWORK (FMADM-Dec-FFNN)

Habbib Rakhasiwi Aminulloh, Unit Three Kartini

Abstract


Abstrak

Seiring berjalannya waktu, energi listrik yang sekarang dapat dimanfaatkan merupakan kebutuhan pokok dalam kehidupan sehari-hari. Kebutuhan tenaga listrik digunakan dalam beberapa sektor, antara lain sektor rumah tangga, industri, usaha komersial, dan tempat layanan umum. Konsumsi listrik pada suatu rentang waktu tidak dapat dihitung secara pasti. Oleh karena itu, dilakukan permalan konsumsi energi listrik yang bertujuan menghindari kekurangan persediaan energi listrik. Pada penelitian ini digunakan metode hybrid fuzzy multi-attribute making decision decomposition Feed Forward Neural Netwok (FMADM-Dec-FFNN) selama satu minggu kedepan. menggunakan variable masukan yakni data beban aktual pada PLN area Surabaya barat, pelanggan golongan bisnis dan industri bulan November 2019 data dari BMKG. Dan mendapati hasil MSE sebesar 0.0000300489 untuk golongan bisnis dan 0.0009681912 untuk golongan industri pada pola 2 dan untuk pola 3 mendapat nilai MSE sebesar 0.0006187315 untuk golongan bisnis dan 0.0009176792 untuk golongan  industri.

Kata Kunci: Peramalan Jangka Pendek, FMADM, Decomposition,  Feed Forward Neural Network, Beban Listrik

Abstract

As time goes by, the electrical energy that can now be utilized is a fundamental necessity in everyday life. Electrical power needs are used in several sectors, such as household sector, industrial, commercial enterprise, and public service place. Electricity consumption in a span of time cannot be calculated with certainty. Therefore, performed electrical energy consumption aimed at avoiding the shortage of electrical energy supplies. In this study used the hybrid fuzzy multi-attribute making decision decomposition Feed Forward Neural Netwok (Fmadm-Dec-Ffnn) method for one week ahead. Using the input variable which is the actual load data in the West Surabaya area, business and industry customers in November 2019 data from BMKG. And found MSE results of 0.0000300489 for the business class and 0.0009681912 for the industry in Pattern 2 and for Pattern 3 got a MSE value of 0.0006187315 for the business class and 0.0009176792 for industry.
Keywords: Short-term Forecasting, FMADM, Decomposition, Feed Forward Neural Network Method, electrical load


Full Text:

PDF

Refbacks

  • There are currently no refbacks.