FAUZI RAHMAN (109093000172)

RINGKASAN

Mengkonsumsi

daya

listrik

mempunyai

peranan

penting

dalam

pelaksanaan

pembangunan untuk peningkatan kesejahteraan dan kegiatan ekonomi. Sehingga, diperlukan peramalan beban listrik untuk menyelenggakan usaha penyediaan daya listrik dalam jumlah merata. Jumlah konsumsi daya listrik oleh masyarakat dalam satuan kWh sangat mempengaruhi perhitungan penyediaaan daya listrik. Tujuan dari peramalan beban listrik tersebut adalah untuk melakukan evaluasi kebijakan penyediaan listrik pada masa yang akan datang.Beberapa metode digunakan untuk memecahkan masalah peramalan. Metode peramalan dapat dikategorikan menjadi dua kelompok utama: metode statistik dan metode kecerdasan buatan/artificial intelligence. Dalam metode statistik, setelah pelatihan data historis, persamaan digunakan untuk menyajikan hubungan antara beban dan faktor terkait. Sementara, dalam metode kecerdasan buatan, cara manusia berpikir dan penalaran akan disalin. Seiring metode lain, Metode Intelligent/Cerdas dapat digunakan untuk memodelkan tren perubahan variabel tertentu. Metode ini memerlukan data di pre-proses sebelum digunakan dalam proses peramalan. Umumnya, langkah-langkah pre-processing adalah omitting outliers, assessment of the missing data, data smoothing, dll. Pada paper ini, efek dari berbagai metode smoothing dalam hasil-hasil peramalan final dipelajari. Kemudian, data dari konsumsi listrik di Iran dalam 20 tahun terakhir digunakan sebagai data yang aktual. Setelah melalui proses smoothing, data ini kemudian dimasukkan ke dalam Jaringan Saraf Tiruan/Artificial Neural Network dalam rangka untuk meramalkan konsumsi listrik. Jaringan syaraf tiruan (Neural Network) adalah suatu sistem pengolahan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Proses pengolahan tersebut mencoba untuk mensimulasikan proses pembelajaran pada otak manusia menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Jaringan syaraf tiruan banyak dimanfaatkan untuk berbagai aplikasi, seperti pengenalan pola (pattern recognition), peramalan (forecasting), klasifikasi (clustering), signal processing, dan lain-lain. Bidang keilmuan yang sering menggunakan proses neural network tersebut diantaranya bidang kedokteran, bisnis, dan teknologi informasi. Tujuan dari paper ini dibuat adalah untuk menemukan metode smoothing yang tepat untuk digunakan pada jaringan syaraf tiruan.

FAUZI RAHMAN (109093000172)

Selanjutnya, metode preprocessing yang berbeda digunakan untuk menghaluskan dan menormalisasi data masukan dalam rangka memperoleh data output yang lebih akurat. Penulis mencoba metode pre-process data untuk mendapatkan data output yang lebih baik. Moving Average (rata-rata bergerak) dipertimbangkan dan dimanfaatkan dalam rangka untuk menghilangkan kecenderungan/Trend data. Penulis menggunakan time series berbasis model untuk mempelajari dampak dari preprocessing data dan pasca pemrosesan pada kinerja sistem fuzzy. Dalam paper ini Preprocessing dibagai dalam dua tahap proses. Pertama, menghilangkan peningkatan trend/kecenderungan dari data (Trend Eliminating Methods), dan kedua, data normalisasi. Tujuan utama dari makalah ini adalah untuk mengevaluasi teknik yang berbeda dalam menghilangkan tren data. Moving Average, Exponential Smoothing, Dekomposisi musiman, dan Regresi Auto dibahas dalam penelitian ini. Metode Trend Eliminating. Moving Average Metode: Dalam metode ini, rata-rata data n sebelumnya dikurangi dari data aslinya. Dalam makalah ini rata-rata bergerak 12-bulan yang digunakan. Metode Eksponensial Smoothing: Metode ini pertama kali diperkenalkan oleh CCHolt (1958) dan digunakan untuk melatih unseasonal time series tanpa kecenderungan/trend. Namun, metode ini juga dapat digunakan untuk menghilangkan tren dan perkiraan perubahan musiman time series. Dalam metode exponential smoothing, lebih besar bobot diberikan data baru daripada data yang lebih tua. Bobot ditugaskan penurunan secara eksponensial untuk data yang lebih tua. Ini mencakup metode peramalan Metode eksponensial Sederhana Brown, Brown Linear Metode, dan Holt-Winters Metode Smoothing. Metode Dekomposisi Musiman: Dalam metode ini satu set data didekomposisi menjadi komponen musiman. Model ini termasuk composed trend dan komponen siklus dan fraksi kesalahan. Auto Regresi Metode: metode peramalan Kotak-Jenkins Moving Average termasuk MA (q) proses, Auto Regresi AR (p) proses, proses Auto Regresi Moving Average ARMA (pq), Model Terpadu, dan proses Auto Regresi Terpadu Moving Average ARIMA (P, O, q), di mana P adalah urutan Auto Regresi, q adalah urutan MA, dan d adalah urutan dikurangi. Normalisasi. Pada langkah ini, data harus dinormalisasi selama rentang [0, 1]. Hal ini diperlukan untuk dua alasan: Pertama, perlu untuk menjamin bahwa semua data masukan telah diberikan bobot yang sama. Jika input dari dua neuron terletak pada rentang yang berbeda, maka neuron dengan skala absolut lebih besar akan disukai selama pelatihan. Hal ini karena aturan berbasis jarak yang digunakan dalam algoritma. Kedua, fungsi transfer neuron, baik sebagai

FAUZI RAHMAN (109093000172)

fungsi sigmoid atau fungsi tangen (tanh) hiperbolik, memerlukan jangkauan terbatas dari nilai lebih dari [0, 1]. Berbagai metode normalisasi umumnya digunakan untuk tujuan ini. Sebuah fitur umum dari metode ini adalah bahwa offset merupakan pengurangan dari item data, setelah itu dikonversi di kisaran yang diinginkan dengan cara faktor skala. Metode yang paling umum digunakan untuk normalisasi melibatkan pemetaan linear atas jangkauan yang dimana setiap nilai dari variabel x diubah. Menghitung Kesalahan Estimasi: Kesalahan estimasi dapat digunakan sebagai kriteria untuk mengevaluasi kesesuaian/akurasi metode peramalan dengan pola aktual data. Sebagai contoh, ketika metode yang mampu memperkirakan tren dan musiman dan komponen periodik dari seri waktu, kesalahan estimasi mencerminkan komponen yang tidak teratur. Hasil Komputasi: Pada bagian ini, hasil dari menggunakan metode preprocessing yang berbeda pada data dan metode estimasi dari bulan ke-13 sampai bulan ke-120 digunakan. Hal ini disebabkan dengan alasan bahwa data dari 12 bulan pertama tidak tersedia pada Metode Moving Average dan dalam beberapa metode, termasuk Dekomposisi musiman, data ini mengandung kesalahan/error yang cukup banyak. Data 12 bulan terakhir digunakan untuk menguji jaringan. Setelah merapikan dan me-normalisasi data menggunakan beberapa metode di atas, Jaringan saraf Tiruan yang dirancang dilatih oleh 108 records pertama dan kemudian data dari 12 bulan terakhir diperkirakan. Kesalahan dihitung dengan metode Persentase Rata-rata Kesalahan Mutlak (Mape). Kesimpulan: Metode cerdas dapat digunakan untuk model tren perubahan variabel tertentu yang memerlukan Data preprocessing sebelum menggunakan proses peramalan. Dalam makalah ini efek dari berbagai metode smoothing telah dipelajari dengan menggunakan data konsumsi listrik di Iran dari 20 tahun terakhir. Kelebihan dari paper ini adalah penulis menggunakan banyak metode smoothing dalam membandingkan output-output yang dihasilkannya, semakin banyak output dari metode yang dibandingkan maka kesimpulannya akan semakin baik. Penulis juga menggunakan data historis yang lumayan banyak, yakni data konsumsi listrik Iran selama 20 taun terakhir. Dalam proses peramalan, data historis merupakan data yang penting untuk membuat peramalan, semakin banyak data yang ada semakin baik pula ramalan yang akan dihasilkan. Kemudian juga tahap menghitung kesalahan estimasi dapat mengevaluasi akurasi metode peramalan sehingga dapat meminimalkan kesalahan dalam peramalan. Sementara kekurangan dari paper ini adalah ditentukan,