Tugas Mata Kuliah Perancangan Penelitian

Dosen: Prof. Dr. Ir. H. Salama Manjang, MT.

Proposal Tesis
Judul
APLIKASI FUZZY LOGIC DAN ARTIFICIAL NEURAL
NETWORK SEBAGAI METODE ALTERNATIF PREDIKSI
BEBAN LISTRIK JANGKA PENDEK DI PT. PLN CABANG
WILAYA SULTENGGO SULAWESI UTARA

Daud Salemba
P2700211448

PROGRAM PASCA SARJANA

UNIVERSITAS HASANUDIN
MAKASSAR
2012

LEMBAR PENGAJUAN
Judul Thesis : APLIKASI FUZZY LOGIC DAN ARTIFICIAL NEURAL
NETWORK SEBAGAI METODE ALTERNATIF PREDIKSI
BEBAN LISTRIK JANGKA PENDEK DI PLN CABANG
WILAYA SULTENGGO SULAWESI UTARA.S

Nama

Daud Salemba

NIM

P2700211448

Program Studi : Teknik Elektro

Diajukan sebagai Salah Satu syarat Akademik pada Program Pasca Sarjana
Universitas Hasanuddin Makassar

Menyetujui:

Prof.Dr.Ir.H.Salama Manjang,MT
Nip.19621231 199003 1 024

PRAKATA
Puji syukur penulis panjatkan ke hadirat Tuhan yang Maha Kuasa
atas perkenaanNya sehingga penulis dapat menyelesaikan penulisan
proposal penelitian yang berjudul Aplikasi

Fuzzy Logic dan Artificial

Neural Network Sebagai Metode Alternatif Prediksi Beban Listrik Jangka

Pendek di PLN Cabang Wilaya SULTENGGO Sulawesi Utara.
Penelitian ini dibuat guna prediksi beban listrik setiap harinya dengan
memantau beban setiap jamnya.
Kritik dan saran dari semua pihak sangat diharapkan untuk
penyempurnaan proposal ini.
Besar harapan penulis bahwa proposal penelitian ini dapat diterima.

Makassar, Mei 2012

Penulis

DAFTAR ISI

Prakata

Abstark

ii

Daftar isi

iii

BAB I PENDAHULUAN
A. Latar Belakang

B. Rumusan Masalah

C. Tujuan Penelitian

D. Lingkup Masalah

E. Manfaat Penelitian

BAB II TINJAUAN PUSTAKA

A. Pola Keadaan Beban Listrik Setiap Hari

B. Prediksi Beban Setiap hari

C. Artificial Neural Network (ANN)

BAB III. METODOLOGI PENELITIAN

A. Metode Pengembangan/Metode Analisa dan Rancangan

11

B. Waktu dan Tempat Penelitian

12

Metode Pengumpulan Data

13

C. Sumber Data

13

D. Teknik Analisa Data

13

E. Jadwal Penelitian

14

F. Alat dan Bahan Penelitian

15

G. Anggaran Penelitian

15

Daftar Pustaka

BAB I

PENDAHULUAN
A. Latar Belakang
Tenaga listrik tidak dapat disimpan dalam skala besar, karena
tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya timbul
persoalan dalam menghadapi kebutuhan daya listrik yang tidak tetap
(fluktuasi beban) dari waktu ke waktu. Bagaimana mengoperasikan suatu
sistem tenaga listrik yang selalu dapat memenuhi permintaan daya pada
setiap saat, dengan kualitas baik dan harga yang murah. Apabila daya
yang dikirim dari bus-bus pembangkit jauh lebih besar daripada
permintaan daya pada bus-bus beban, maka akan timbul persoalan
pemborosan energi pada perusahaan listrik, terutama untuk pembangkit
termal. Sedangkan apabila daya yang dibangkitkan dan dikirimkan lebih
rendah atau tidak memenuhi kebutuhan beban konsumen, maka akan
terjadi pemadaman lokal pada bus-bus beban, yang akibatnya merugikan
pihak konsumen. Oleh karena itu diperlukan penyesuaian antara
pembangkitan dengan permintaan daya.
Analisis hasil operasi diperlukan sebagai masukan untuk rencana
pemeliharaan dan pengembangan sistem tenaga listrik. Pemeliharaan dan
pengembangan yang dilakukan sebaik mungkin sangat diperlukan untuk
mengurangi gangguan sehingga dapat menaikkan keandalan operasi
sistem. Masalah yang unik dalam operasi sistem tenaga listrik adalah
bahwa: Daya yang dibangkitkan/diproduksi harus selalu sama dengan
daya yang dikonsumsi oleh para pemakai tenaga listrik yang secara teknis
umumnya disebut sebagai beban sistem (Djiteng Marsudi, 1990:13).

Syarat mutlak yang harus dilaksanakan untuk mencapai tujuan itu

adalah pihak perusahaan listrik harus mengetahui kondisi beban atau
permintaan daya listrik dimasa depan. Karena itu prakiraan beban jangka
pendek, menengah dan panjang merupakan suatu hal yang penting dalam
perencanaan dan pengoperasian sistem tenaga listrik. Prakiraan beban
jangka pendek, yaitu prakiraan beban setiap jam atau tiap hari.
Satu hal yang luput dari analisis kerugian PLN adalah masalah
estimasi (prediksi) konsumsi beban listrik. Kemampuan pihak P2B (Pusat
Pembagi Beban) PT. PLN (Persero) untuk memprediksi berapa besar
beban listrik yang harus dikonsumsi setiap waktunya sangat diandalkan.
Namun metode Koefisien Beban yang sudah lama digunakan PLN untuk
memprediksi beban ternyata masih memberikan error prediksi yang cukup
besar yaitu rata-rata berkisar antara 4%-5%, sehingga menimbulkan
kerugian daya yang cukup besar bagi PLN untuk setiap satuan waktu.
Oleh sebab itu menjadi suatu tantangan bagi peneliti untuk mencari suatu
metode prediksi beban listrik sehingga menghasilkan error prediksi yang
lebih baik dari model prediksi yang selama ini digunakan PLN.
Dengan adanya perkembangan teknologi komputasi yang sudah
mengarah kepada teknologi soft computing (istilah lainnya komputer
cerdas) mendorong penulis untuk mencoba mengusulkan suatu metode
alternatif prediksi beban listrik jangka pendek berbasis kecerdasan buatan
(berbasis Fuzzy Logic/ Logika Fuzzy, Adaptive Neural Network/ Jaringan
Syaraf Tiruan). Kemudahan konsep logika fuzzy dan jaringan syaraf tiruan
mendorong penulis untuk membuat prediksi pemakaian energi listrik
jangka pendek. Sumber data yang diperlukan adalah data pengeluaran
beban listrik dari Pusat Pembagi Beban PT. PLN (Persero) Cabang wilaya
SULTENGGO (Sulawesi Utara Sulawesi Tengan dan Gorontalo) setiap
jam mulai pukul 00.00 sampai dengan pukul 24.00 mulai hari senin
sampai dengan minggu pada hari normal dan hari-hari libur nasional,
kemudian data tersebut akan dibelajarkan pada sistem perangkat lunak
yang akan dirancang berbasis jaringan syaraf tiruan. Software pendukung
untuk merancang program digunakan Matlab ver.7.0 dari Mathwork Corp.

B.

Rumusan Masalah
Berdasarkan latar belakang di atas maka dapat dirumuskan
permasalahan sebagai berikut: Bagaimana memprediksi beban listrik
jangka pendek di PLN Cabang Wilaya SULTENGGO dengan error prediksi
kurang dari 4 %.

C. Tujuan
Dengan adanya penelitian ini diharapkan dapat memprediksi beban
listrik jangka pendek di PT. PLN Cabang Wilaya SULTENGGO dengan
error prediksi kurang dari 4 %.
D. Lingkup Masalah
Adapun batasan masalah dalam penelitian ini

adalah sebagai

berikut :
1. Sistem ini akan menggunakan metode jaringan syaraf tiruan
2. Perkiraan beban yang dipantau hanya berlaku untuk jangka
pendek. Untuk perkiraan jangka menengah dan jangka panjang
dapat menggunakan metode lain dengn melibatkan pertumbuhan
penduduk, pertumbuhan eknonomi, perkembangan perumahan dan
perkembangan industri dari tahun ke tahun.
3. Sofware yang digunakan untuk analisa data adalah menggunakan
Matlab 7.
4. Data yang akan uji adalah data primer PLN Cabang

Wilaya

SULTENGGO, dimana akan melakukan pengujian data selama 1

bulan penuh.
E. Manfaat Penelitian
Dengan adanya penelitian ini diharapakan dapat:

1. Mengetahui beban listrik jangka pendek di PLN wilaya Cabang

Sultenggo dengan error prediksi kurang dari 4 %.
2. Membantu pemasok listrik PLN Cabang Wilaya Sultenggo untuk
mengantisipasi penambahan atau pengurangan daya listrik setiap
hari kerja dari hari senin sampai jumat.
3. Membantu pemasok listrik PLN Cabang Wilaya Sultenggo untuk
mengantisipasi penambahan atau pengurangan daya listrik pada
suatu kondisi tertentu seperti hari-hari libur atau hari-hari raya
nasional.
4. Dapat dijadikan literatur untuk untuk peramalan suatu sistem

BAB II
TINJAUAN PUSTAKA

A. Pola Keadaan Beban Listrik Setiap Hari

Pola kegiatan konsumen pada hari kerja yaitu hari Senin sampai
hari Jumat dan hari akhir pekan, pada setiap minggunya tidak akan
banyak berubah. Pola kegiatan konsumen akan berulang pada setiap
minggunya. Pengulangan ini juga akan terjadi pada pola kurva beban dari
minggu ke minggu, dimana hari yang sama pada suatu minggu
mempunyai pola kurva beban yang mirip. Misalnya pola kurva beban hari
Kamis dalam minggu ini akan mirip dengan pola kurva beban pada hari
Kamis dalam minggu yang akan datang. Hal yang sama juga terjadi pada
hari-hari lain [3].
B. Prediksi Kebutuhan Beban Listrik
Secara umum, cara memperkirakan suatu kondisi dibedakan atas
tiga metode berdasarkan ukuran waktu yaitu [4]:
1. Short term forecasting (Prakiraan jangka pendek), Perkiraan ini
digunakan dalam kurun waktu 24 jam (harian)
2. Medium term forecasting (Prakiaan jangka menegah), digunakan
dalam kurun waktu dibawah 7 tahun.
3. Long term forecasting ( Prakiraan jangka Panjang), digunakan
dalam kurun waktu diatas 7 tahun.
Ketiga metode diatas umumnya menggunakan teknik statistik atau
intelligence algorithms seperti regresi linier, neural networks, dan Fuzzy
Logic. Dalam penelitian ini, penulis akan melihat lebih jauh mengenai
Fuzzy Logic dan jaringan Syaraf Tiruan dalam memperkirakan beban yang
akan datang kemudian dibandingkan dengan metode regresi linier.
Prakiraan Beban Sistem Prioritas dalam membangun model prakiraan,
langkah pertama adalah mengerti secara jelas masalah yang ada untuk

menentukan jarak dari prakiraan dan tujuan. Oleh karena itu, ada empat
langkah prakiraan [5] berikut:
a.
b.
c.
d.

Mengumpulkan dan menganalisa data lewat grafik untuk.

Menentukan banyak tidaknya data tidak tetap dengan yang
lainnya. Konsisten membuat asumsi dengan data.
Menguji hubungan data dengan analisis.
Hasil timbal balik,
iterasi, lawan permasalahan sampai
mendapatkan hasil yang dipercaya dan masuk akal.

Faktor-faktor penentu dalam menetapkan prakiraan beban secara

umum adalah:
a.
b.
c.
d.
e.

Pertumbuhan Penduduk
Pendapatan perkapita
Jumlah pelanggan listrik
VA tersambung
Energi terjual (kWH Terjual)
a. Fluktuasi Cuaca/suhu udara, musim, dan pola kegiatan
konsumen.

Namun demikian dari ke enam faktor tersebut yang paling sesuai

dengan keadaan beban harian adalah fluktuasi cuaca atau suhu
(temperatur) dan pola kegiatan konsumen. Hal ini disebabkan dengan
mengingat operasi system yang real time dan selalu berubah-ubah.

C. Artificial Neural Network (ANN)

Artificial Neural Network (Jaringan Syaraf Tiruan) merupakan
cabang ilmu multidisplin yang meniru cara kerja otak makhluk hidup.
Salah satu struktur yang ditiru adalah bentuk neuron-nya (sel syaraf).
Jaringan Syaraf Tiruan dapat menyelesaikan persoalan yang rumit yang
tidak dapat diselesaikan dengan menggunakan cara konvensional [7].
Dengan melakukan proses belajar Jaringan Syaraf Tiruan dapat
memodifikasi tingkah laku sesuai dengan keadaan lingkungannya.
Jaringan syaraf dapat mengatur dirinya untuk menghasilkan suatu respon
yang konsisten terhadap masukan. Jaringan Syaraf Tiruan dirancang dan
dilatih untuk memiliki kemampuan seperti cara berpikir manusia. Artificial
Neural Network (Jaringan Syaraf Tiruan) adalah sistem komputasi dimana

arsitektur dan operasi meniru pola sel syaraf biologi di dalam otak.
Artificial Neural Network (Jaringan Syaraf Tiruan) merupakan model yang
meniru cara kerja jaringan neural biologis.
1. Otak Sebagai Sistem Pengolah Informasi
Otak manusia terdiri atas sel-sel yang disebut neuron. Dibandingkan
dengan sel-sel lain yang selalu mereproduksi dirinya kemudian mati,
neuron memiliki keistimewaan, yaitu tidak mati. Hal ini menyebabkan
informasi yang tersimpan di dalamnya dapat bertahan. Diperkirakan otak
manusia terdiri atas 109 neuron, dan terdapat 100 jenis neuron yang telah
diketahui. Neuron-neuron ini terbagi atas grup-grup (disebut jaringan)
yang dibedakan atas fungsinya dan setiap grup mengandung ribuan
neuron yang saling berhubungan. Dengan demikian dapat disimpulkan
bahwa

otak

merupakan

kumpulan

dari

jaringan-jaringan

neuron.

Kecepatan proses setiap jaringan ini sebenarnya jauh lebih kecil

dibandingkan dengan kecepatan proses komputer yang ada pada saat ini.
Namun karena otak terdiri atas jutaan jaringan yang bekerja secara
paralel (simultan), maka otak dapat mengerjakan pekerjaan yang jauh
lebih kompleks dibandingkan dengan apa yang dapat dikerjakan oleh
komputer yang semata-mata hanya mengandalkan kecepatan. Struktur
pemrosesan paralel ini merupakan bagian lain yang menarik dari jaringan
neural, yang juga dapat ditiru untuk diimplementasikan pada computer [8].
Neuron 1

Nucleus

Axon

Synapsis

Dendrit

Neuron 2

Gambar 1. Hubungan antar neuron biologis

Gambar 1 di atas menunjukkan hubungan antara neuron pada
otak. Pada gambar tersebut terdapat bagian-bagian : dendrit yang
berfungsi sebagai saluran masukan bagi neuron, nucleus merupakan inti

dari suatu neuron, axon berfungsi sebagai saluran keluaran dari neuron,
dan synapsis yang mengatur kekuatan hubungan antar neuron
2. Perbedaan Antara ES (Expert Sistem) dan ANN :
a. ES (Expert Sistem)

Dalam pemecahan masalah masih membutuhkan bantuan

programer

Knowledge di buat oleh Progammer, sehingga Knowledge dapat

ditelusuri proses pembuatannya .

Sample yang inputnya cacat tidak dapat menghasilkan output.

b. ANN (Artificial Neural Network)

Dapat memecahkan masalah/ kasus yang rumit yang tidak dapat

dilakukan oleh ES.

Knowledgenya terbentuk dengan sendirinya.

Dapat menghasilkan Output walaupun inputnya cacat

3. Arsitektur Artificial Neural Network

Setiap neuron dapat memiliki beberapa masukan dan mempunyai
satu keluaran. Jalur masukan pada suatu neuron bisa berisi data mentah
atau data hasil olahan neuron sebelumnya. Sedangkan hasil keluaran
suatu neuron dapat berupa hasil akhir atau berupa bahan masukan bagi
neuron berikutnya. Jaringan neuron buatan terdiri atas kumpulan grup
neuron yang tersusun dalam lapisan. Gambar 2 di bawah ini menunjukkan
struktur umum jaringan syaraf buatan yang bersifat feedforward (data
diproses pada satu arah).

Gambar 2. Arsitektur ANN

a. Lapisan input [Input Layer]
Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar
(sumber data). Neuron-neuron ini tidak melakukan perubahan
apapun terhadap data, tapi hanya meneruskan data ini ke lapisan
berikutnya.
b. Lapisan tersembunyi [Hidden Layer]
Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi
(hidden layer) atau bahkan bisa juga tidak memilikinya sama sekali.
Jika jaringan memiliki beberapa lapisan tersembunyi, maka lapisan
tersembunyi terbawah berfungsi untuk menerima masukan dari
lapisan input. Besarnya nilai masukan (net) neuron ke-j pada
lapisan tersembunyi

ini

tergantung

pada

akumulasi

jumlah

perkalian antara nilai bobot (w, kekuatan hubungan antar neuron)

dengan nilai keluaran (O) neuron ke-i pada lapisan sebelumnya
(neuron input) ditambah dengan nilai bias (w, neuron ke-j), atau

net ( j ) W ( ji ).O ( i ) W ( j )

(1)

Nilai bias ini merupakan nilai konstan yang dimiliki oleh setiap
neuron (kecuali neuron pada lapisan input) yang digunakan untuk
memperbaiki keluaran jaringan agar dapat menyamai atau

mendekati nilai keluaran (output) yang diinginkan. Bobot w ji bernilai

0 menunjukkan bahwa antara neuron ke-j dan ke-i tidak terdapat
hubungan.
Nilai keluaran neuron pada lapisan tersembunyi ini merupakan
fungsi dari nilai masukannya f(net

(j)

). Pada eksperimen ini

digunakan fungsi Sigmoid, yaitu :

Ox(j) = 1 / (1 + exp(-net(j)))

(2)

Pada hidden layer pada lapisan yang berikutnya (jika ada) berlaku
hal yang sama seperti hidden layer di atas, hanya saja data
masukannya berasal dari hidden layer lapisan sebelumnya.
c. Lapisan Output [Output Layer]
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip
kerja neuron-neuron pada lapisan tersembunyi (hidden layer) dan
di sini juga digunakan fungsi Sigmoid, tapi keluaran dari neuron
pada lapisan ini sudah dianggap sebagai hasil dari proses

BAB III

METODE PENELITIAN

A. Metode Pengembangan/Metode Analisa dan Rancangan

Penelitian ini menggunakan pendekatan metode studi lapangan
(field research). Untuk pengembangannya akan dilakukan tahap demi
tahap.
Tahapan yang akan dilakukan dalam penyelesaian penelitian ini
adalah sebagai berikut:
1. Tahap diagnosa awal.
Pada tahap ini akan dilakukan identifikasi permasalahan, dimana
permasalahan dalam penelitian ini adalah prediksi beban yang
dilakukan PLN selama ini masih mempunyai error prediksi 4 5 %.
Dengan diterapkan sistem ini diharapkan dapat memperbaiki error
prediksi tersebut.
2. Tahap pelaksanaan
Tahap ini dilakukan perancangan sistem yaitu membuat software
untuk kebutuhan simulasi sistem berdasarkan hasil diagnosa.
3. Tahap analisis data primer
Menganalisis data primer yang diperoleh dari PT. PLN Cabang
Wilaya Sultenggo, dengan cara mengelompokkan data harian
berdasarkan waktu, hari dan suhu/temperatur untuk kebutuhan
simulasi prakiraan beban yang akan datang. Data ini kemudian diinput ke dalam Matlab lalu simpan untuk digunakan saat simulasi.
4. Tahap simulasi/pengujian system
Melakukan simulasi prakiraan menggunakan Matlab R14 versi 7.0.1
dalam toolbox Fuzzy logic dengan cara :
a) Memanggil toolbox Fuzzy dengan mengetik Fuzzy pada
window matlab maka akan tampil FIS editor metode Sugeno
dengan cara memasukkan data yaitu variabel input dan output.
Mengedit operator, fungsi dan metode kemudian disimpan
dalam file dengan ekstensi fis, misalnya Prakiraan.fis
b) Membuat himpunan Fuzzy dan fungsi keanggotaan pada FIS
Editor yang telah disimpan sehingga tampil membership
Function editor.

c) Membuat aturan Fuzzy dengan membuka FIS editor lalu pilih

edit rules pada menu view.
d) Setelah melaksanakan tahap-tahap tersebut maka akan muncul
hasil dalam bentuk grafik tiga dimensi, yang dapat dilihat
dengan membuka FIS editor kemudian pilih view surface.
5. Tahap pengujian sistem
Pada tahap ini dilakukan pengujian sistem berupa uji coba
penginputan data ke dalam perangkat lunak sistem.
6. Tahap evaluasi
Menganalisis kesalahan antara data aktual dengan hasil prakiraan
yang diperoleh. Dengan demikian dapat ditentukan apakah hasil
yang diperoleh mendekati data actual atau tidak.
7. Tahap analisis data
Membandingkan hasil yang diperoleh dengan metode koofisien
prediksi

beban

yang

dilakukan

oleh

PT

PLN

(Persero).

Membandingkan hasil yang diperoleh dengan objek penelitian yang

sama, akan tetapi menggunakan metode lain untuk prediksi beban
listrik.
B. Waktu dan Tempat Penelitian
Penelitian ini akan dilaksanakan di Kota Manado Sulawesi Utara.
Waktu Pelaksanaan Penelitian direncanakan selama 4(empat) bulan yaitu
pada bulan September 2012 hingga bulan Desember 2012.

C. Metode Pengumpulan Data

Untuk mendapatkan data yang diperlukan dalam penyusunan
penelitian, akan dilakukan pengumpulan data dengan beberapa metode

sebagai berikut:
1. Metode Observasi Lapangan (Pengamatan Langsung)
Metode pengumpulan data dilakukan dengan cara pengamatan
langsung

ke

PLN

Cabang

SULTENGGO,

melakukan

pendokumentasian, pencatatan secara sistematis terhadap unsurunsur yang diperlukan dalam penyusunan penelitian ini.
2. Metode Wawancara (Interview)
Metode pengumpulan data dengan cara melakukan tanya jawab
kepada pihak yang berkepentingan dan memahami akan hal yang
akan diteliti.
3. Library Research (Metode Pustaka)
Melakukan studi pustaka terhadap beberapa literatur yang
berhubungan dengan teori yang dibahas dalam penelitian ini.

D. Sumber Data
Sumber data dalam penelitian ini adalah:
1. Sumber data primer
Melakukan observasi dan pengumpulan data primer yang diperoleh
secara langsung dari PLN Cabang SULTENGGO sebagai pemasok
daya listrik di wilaya Sulawesi Utara Sulawesi Tengah dan
Gorontalo
2. Sumber data sekunder
Mengumpulkan data sekunder dari sumber-sumber data penelitian
lainnya yang berkaitan dengan objek penelitian ini.

E. Teknik Analisa Data

Teknik analisis data dalam penelitian ini dilakukan secara deskriptif
kualitatif. Prinsip pokok teknik analisis kualitatif adalah mengolah data dan
menganalisis data yang terkumpul menjadi data sistematik, teratur,
terstruktur dan ter-organisir.
F. Jadwal Penelitian
Jadwal penelitian dapat dilihat pada tabel 1 berikut ini.
Tabel1. Jadwal Penelitian
No

Jenis Kegiatan

September

November

2012
2012
1 2 3 4 1 2 3 4 1

Penyusunan

Proposal
Seminar

Judul

Penelitian
Persiapan

bahan

4
5

dan Alat Penelitian

Pengujian Alat
Implementasi dan

Analisis percobaan
Penulisan Laporan

Penelitian
Seminar

Oktober

hasil

penelitian
Ujian Akhir
Penyempurnaan
Laporan Penelitian

2012
2 3

Desember

2012
4 1 2 3 4

G. Alat dan Bahan Penelitian

Dalam penelitian ini menggunakan Alat berupa komputer PC untuk
keperluan mengolah data primer. Penelitian ini tidak menggunakan bahan
baku karena objek yang akan diteliti adalah berupa data primer dari PLN.
H. Anggaran Penelitian
Anggaran penelitian:
1. 1 Set Personal Computer (labtop)

5.500.000,-

2. Biaya Pembuatan Proposal

1.000.000,-

3. Transportasi 3 bulan

1.500.000,-

4. Biaya Pembutan Buku/Laporan

1.500.000,-

Total

Rp.9.500.000,-

DAFTAR PUSTAKA
[1]

Yadi Mulyadi, Ade Gafar Abdullah , Dadang Lukman Hakim,

aplikasi logika fuzzy dan jaringan syaraf tiruan sebagai metode
alternatif prediksi beban listrik jangka pendek, Jurusan Pendidikan

[2]

Teknik Elektro FPTK UPI 2000.

Roger Felix, Electric power load forecasting using periodic piecewise linear models, Jan Holst, Institution of mathematical statistics,

[3]

Technical University of Lund, 2002.

Matius Sau prakiraan beban harian dengan metode fuzzy logic

[4]

Jurusan Teknik Elektro UKI-Paulus Makasar.

Eugene A. Feinberg, Dora Genethliou, Applied Mathematics For
Power Systems, State University of New York, Stony Brook, pages

[5]

269-285.
Kathleen Ann Cullen, Forecasting Electricity Demand using
Regression and Monte Carlo Simulation Under Conditions of
Insufficient Data, Agriculture and Natural Resource Economics,
Morgantown, West Virginia, 1999.

[6]

Demuth, H. dan Mark B. (1994). Neural Network TOOLBOX For

Use with MATLAB. USA: Mathwork, Inc.

[7]

Drezga, S. Rehman (1999), STLF with Local ANN Predictors,

IEEE Transactions on Power Systems, Vol 14, No 3.

[8]

Dipti Srinivasan, Swee Sien Ten and C S.Chang (1999), Parallel

Neural Network Fuzzy expert system strategy for STLF: System
implementation and performance evaluation, IEEE Transactions on
Power Systems, vol 14, pp. 11001106.

[9]

Kusumadewi,

S.

(2003).

Artificial

Intelligence

(Teknik

dan

Aplikasinya). Yogyakarta:Graha Ilmu.

[10]

Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan

Menggunakan Matlab dan Excel Link. Yogyakarta: Graha Ilmu.

[11]

Kusumadewi, Sri. Analisis dan Desain Sistem Fuzzy Menggunakan

Toolbox Matlab. Yogyakarta: Graha Ilmu. 2002.