ABSTRAK

Energi listrik merupakan energi yang diperlukan untuk kebutuhan sehari-hari. Baik
untuk keperluan rumah tangga, industri, sekolah dan lain sebagainya. Dalam skala besar
listrik tidak dapat disimpan. Ketika telah dibangkitkan maka itulah yang harus digunakan.
Jika pembangkitan listrik lebih besar dari kebutuhan beban maka akan ada energi yang
terbuang percuma. Sedangkan untuk membangkitkan listrik membutuhkan biaya yang
tidak sedikit. Oleh sebab itu peramalan beban sangat penting dilakukan untuk
meminimalisir masalah tersebut. Peramalan beban harus memiliki tingkat akurasi yang
tinggi, agar perbandingan antara pembangkitan listrik dengan kebutuhan seimbang.
Metode Artificial Neural Network (ANN) atau jaringan syaraf tiruan (JST) memiliki
kemampuan menganalisis data non linear dengan baik. Digabungkan dengan algoritma
Particle Swarm Optimization (PSO) yang dapat mencari nilai optimal dalam pengolahan
data. Data berupa data historis beban listrik anomali pada hari libur Area 2 Jawa Barat.
Hasil penelitian membuktikan bahwa algoritma PSO sangat cocok menangani data beban
listrik anomali. Hal ini terbukti dari hasil simulasi, bahwa hasil peramalan beban dengan
PSO-JST lebih akurat dibandingkan dengan RBS PLN. Peramalan beban listrik dengan
tingkat akurasi yang tinggi berdampak terhadap efisiensi pembangkitan energi. Semakin
akurat suatu peramalan beban listrik maka semakin banyak pula energi yang dapat
dihemat.
Kata kunci: Pemalan beban, Jaringan Syaraf Tiruan, beban listrik anomali, PSO

ABSTRACT
Electricity is energy that needed in daily life. It is needed for household, industry,
school, and other neccesities. It can not be saved in large scale because it only can be
used after the electricity has been powered up. It wastes the energy, if the electricity
power do not compatible with the load. The reason of that matter because it needs extra
charges to power up the electricity. Therefore, load forecasting is very important to
minimize that matter. Load forecasting needs high accuracy to equalize between the
power electricity and its necessity. Artificial Neural Network (ANN) method has ability to
analyze non linear well. Combined with Particle Swarm Optimization (PSO) algorithm
which can find optimum value in data processing. The data collected were data load
historical anomalies at second area in West Java. The result of this research proved that
Particle Swarm Optimization (PSO) algorithm was compatible in handling data load
historical anomalies. This can be seen on simulation data result that proved load
forecasting result is more accurate on Artificial Neural Network (ANN) - Swarm
Optimization (PSO) than RBS PLN. Electricity load forecasting with high accuracy
effects the power electricity. The more accuracy load forecasting, the more energy can be
saving.

Keywords: Load forecasting, Artificial Neural Network, data load historical anomalies,
and Particle Swarm Optimization (PSO)

1ii
2ii