PRAKIRAAN BEBAN LISTRIK DI KOTA LEWOLEBA SECARA

JANGKA PANJANG DENGAN MENGUNAKAN METODE

BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Anthoni Mario T. Nuban1, Fachrudin Hunaini2, Faqih Rofii3

Teknik Elektro, Universitas Widyagama, Malang 65128, Indonesia

E-mail: 1anthonimario3@gmail.com, 2fachrudin_h@widyagama.ac.id,
3
faqih@widyagama.ac.id

Diterima: xx bulan xxxx. Disetujui: xx bulan xxxx. Dipublikasikan: bulan xxxx

Abstrak

Peramalan adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Backpropagation
melatih jaringan untuk mengenali pola yang digunakan selama pelatihan serta memberikan
respon yang benar terhadap pola masukan yang serupa (tapi tidak sama), sedangkan Learning
Vector Quantization dapat mengklarifikasi suatu vektor masukan, dengan menempatkannya
pada kelas yang sama dengan unit keluaran yang mempunyai vector/acuan paling sesuai dengan
vektor masukan tersebut. Dalam penelitian ini dilakukan prediksi beban listrik dengan
menggunakan Backpropagation dan Learning Vector Quantization. Tujuan penelitian ini adalah
untuk melihat hasil prediksi dari Backpropagation dan Learning Vector Quantization. Hasil
pengujian Backpropagation memiliki nilai akurasi terkecil adalah 90,43% dan nilai akurasi
tertinggi 99,72% dengan rata-rata nilai akurasi 95,38%. Untuk nilai error terkecil adalah 0,27 dan
nilai error terbesar 10,55, dengan rata-rata error 4,61, Sedangkan hasil pengujian Learning
Vector Quantization memiliki nilai akurasi terkecil adalah 54,95% dan nilai akurasi tertinggi
74,88% dengan rata-rata nilai akurasi 63,39%. Untuk nilai error terkecil adalah 31,22 dan nilai
error tertinggi 45,04 dengan rata-rata error 39,17.
Kata Kunci : Backpropagation, Learning Vector Quantization, Prediksi, Beban Listrik
 PENDAHULUAN bobotnya dalam arah mundur. untuk
mendapatkan error ini, tahap perambatan
Peningkatan kebutuhan listrik harus maju harus dikerjakan terlebih dahulu
diimbangi dengan penyediaan energi listrik, (Apriana and Handayani, 2017). Struktur
agar tercapai stabilitas sistem tenaga listrik, algoritma pelatihan backpropagation antara
serta mampu memenuhi besarnya lain (Baskoro, 2018):
kebutuhan konsumen akan energi listrik 1) Instalasi bobot-bobot
untuk periode kedepan (Susanti et al., 2017). Menentukan angka pembelajaran (α).
Perencana prakiraan kebutuhan beban Tentukan pula nilai toleransi error yang
listrik dimasa yang akan dating mempunyai diinginkan dan set maksimal epoch jika
banyak pilihan yang dapat digunakan untuk ingin membatasi jumlah epoch yang
membantu melakukan perencanaan digunakan.
tersebut, baik metode maupun alat bantu Selama kondisi berhenti tidak terpenuhi,
hitung (Setiabudi, 2015). Sistem jaringan lakukan langkah ke-2 sampai ke-9.
syaraf tiruan memiliki dua jenis proses 2) Setiap pasangan pola pelatihan, lakukan
pembelajaran. Yaitu, Supervised learning langka ke-3 sampai ke-8
dan unsupervised learning (Maulana and Tahap maju (Feedforward)
Muslim, 2015). Backpropagation melatih Tiap-tiap unit input 𝑥𝑖 (i = 1, 2, 3, n)
jaringan untuk mendapatkan keseimbangan menerima sinyal input dan meneruskan
antara kemampuan jaringan untuk sinyal tersebut ke tiap-tiap unit pada
mengenali pola yang digunakan selama lapaisan tersembunyi.
pelatihan serta kemampuan jaringan untuk 3) Tiap-tiap unit di lapisan tersembunyi zj (
memberikan respon yang benar terhadap
j = 1, 2, 3,…, p) menjumlakan sinyal input
pola masukan yang serupa (tapi tidak sama)
yang berbobot, yaitu:
dengan pola yang dipakai selama pelatihan
znetj = v0j + ∑ni=1 xi vij (5)
(Siang, 2005). Learning Vector Quantization
dapat mengklarifikasi suatu vektor Fungsi aktivasi untuk menghitung sinyal
masukan, dengan menempatkannya pada output, yaitu:
1
kelas yang sama dengan unit keluaran yang 𝑧𝑗 = f (z_net j ) = −z_netj (6)
1+𝑒
mempunyai vektor bobot (dalam hal ini Dan mengirimkan sinyal tersebut ke
merupakan vektor acuan) paling sesuai semua unit lapisan di atasnya (lapisan
dengan vektor masukan tersebut (Kholis, output).
2015). 4) Tiap-tiap unit di lapisan output yk (k = 1,
2, 3,…, m) menjumlahkan sinyal input
Syarat fungsi aktivasi yang berbobot, yaitu:
backpropagation adalah mudah p
ynetk = wk0 + ∑j=1 𝑧𝑗 wkj (7)
terdiferensial, kontinyu dan tidak
Fungsi aktivasi untuk menghitung sinyal
mengalami penurunan. Fungus aktivasi yang
output, yaitu:
dapat digolongkan dalam backpropagation 1
adalah (Ramadhan et al., 2018): 𝑦𝑘 = f (y_net k ) = 1+𝑒 −y_netk (8)
1) Fungsi sigmoid biner Tahap mundur (Backpropagation)
1
f (x) = 1+e−x (1) 5) Tiap-tiap unit output yk menerima pola
target t k untung menghitung error (δk ),
Dengan fungsi turunan
yaitu:
f ′ (x) = f(x)(1 − f(x)) (2)
δk = (t k − yk )f(y_net k ) (9)
2) Fungsi Sigmoid Bipolar Kemudian menghitung nilai koreksi
2
f (x) = 1+e−x (3) bobot yang nantinya digunakan untuk
Dengan fungsi turunan memperbaiki nilai bobot Antara lapisan
(1+f(x))(1−f(x)) tersembunyi dan lapisan output (wkj ),
f ′ (x) = (4)
2 yaitu:
∆wjk = αδk zj (10)
Backpropogation merupakan
Menghitung juga koreksi bias yang
algoritma pembelajaran yang menggunakan
digunakan untuk memperbaiki nilai bias
error output untuk mengubah nilai bobot-
 antara lapisan tersembunyi dan lapisan
output (wk0 ), yaitu:
∆wk0 = αδk (11)
6) Tiap-tiap unit pada lapisan tersembunyi
zj (j = 1, 2, 3,..., p) menjumlahkan sinyal-
sinyal input dari lapisan output, yaitu:
δnetj = ∑m k=1 𝛿𝑘 wjk (12)
Mengalikan nilai ini dengan fungsi
aktivasi untuk menghitung error pada
lapisan tersembunyi (δj ), yaitu:
δj = δ_net j f(z_net j ) (13)
Kemudian hitung koreksi bobot untuk
memperbaiki nilai bobot antara lapisan
input dan lapisan tersembunyi (vji ),
yaitu:
∆vji = αδj xi (14)
Kemudian menghitung koreksi bias
untuk memperbaiki nilai bobot antara
lapisan input dan lapisan tersembunyi
(vj0 ), yaitu:
∆vj0 = αδj (15)
Tahap pengoreksian bobot
7) Tiap unit keluaran yk (k = 1,2, 3,…, m)
memperbaiki bobot dan bias, yaitu:
wkj (baru) = wkj (lama) + wkj (16)
Tiap-tiap unit tersembunyi
memperbaiki bobot dan bias, yaitu:
vij (baru) = vij (lama) + vij (17)
LVQ merupakan metode pengklarifikasi
pola dengan setiap unit keluaran mewakili
satu kelas tertentu (Meliawati et al., 2016).
Beberapa langkah yang harus dilakukan
pada perhitungan Learning Vector
Quantization (Lisa, 2018).
1) Tetapkan :
Bobot awal variabel input ke-j menuju
kelas ke-I Wij , dengan i=1, 2,…K; dan j=1,
2,…,m.
Maksimum epoch: Max Epoch
Parameter learning rate: α
Pengurangan learning rate: Dec α
Minimal learning rate: Min α
2) Masukkan :
Data input : Wij ; Dengan i= 1, 2,…,n dan
j= 1, 2,…,m.
Target berupa kelas : T; Dengan k=1,
2,…,n.
3) Tetapkan kondisi awal: epoch = 0.
4) Kerjakan jika: (epoh ≤ Max Epoch) dan
(α ≥ Minα)
a) Epoch = epoch + 1;
b) Kerjakan untuk i=1 sampai n
Tentukan J sedemikian hingga |Xi–
Wj| minimum; Dengan j=1,2,…,k.
D(j) = (Wij − X i )2 (18)
c) Perbaiki Wj dengan ketentuan :
 Jika T = Cj maka :
Wj (baru)=Wj + α[X i – Wj ] (19)
 Jika T ≠ Cj maka :
Wj (baru)=Wj - α[X i – Wj ] (20)
5) Kurangi nilai α.
α = α – (Dec α) (21)
Algoritma tahap pengujian dapat dituliskan
dalam bentuk algoritma sebagai berikut:
1) Masukkan data yang akan diuji, misal :
Xij dengan i = 1, 2, n dan j = 1, 2, , m
2) Kerjakan untuk i = 1 sampai n
a. Tentukan j sedemikian hingga |Xi – Wj|
minimum; dengan = 1, 2,., k
b. j adalah kelas untuk Xi
Berdasarkan jenis konsumen energi
listrik, secara garis besar, ragam beban
dapat diklasifikasikan ke dalam (Fadillah et
al., 2015a):
1) Beban rumah tangga.
2) Beban komersial.
3) Beban industri.
4) Beban Fasilitas Umun.
Dalam peramalan beban listrik,
periode peramalan dibagi menjadi 3 yaitu
(Dewi et al., 2018):
1) Peramalan Jangka Panjang (Long Term
Forecasting).
2) Peramalan Jangka Menengah (Mid Term
Forecasting).
3) Peramalan Jangka Pendek (Short Term
Forecasting).
Peramalan yang baik adalah
peramalan yang dilakukan dengan
mengikuti langkah-langkah atau prosedur
penyusunan yang baik. Terdapat 9 langkah
yang harus diperhatikan untuk menjamin
efektivitas dan efisiensi dari sistem
peramalan, yaitu (Nugroho, 2016):
1) Menentukan tujuan dari peramalan
2) Memilih item independent demand yang
akan diramalkan
3) Menentukan horison waktu dari
peramalan (jangka pendek, menengah,
atau panjang)
4) Memilih model-model peramalan
5) Memperoleh data yang dibutuhkan
untuk melakukan peramalan Dalam penelitian ini dilakukan
6) Validasi model peramalan prediksi beban listrik di PT.PLN (Persero)
7) Membuat peramalan Rayon Lembata dengan menggunakan
8) Implementasi hasil-hasil peramalan Backpropagation dan Learning Vector
9) Memantau keandalan hasil peramalan Quantization. Tujuan penelitian ini adalah
untuk melihat hasil prediksi dari
Dalam banyak hal, ketepatan Backpropagation dan Learning Vector
(akurasi) menunjukkan seberapa jauh Quantization yang akan digunakan untuk
model peramalan mampu memproses data menyiapkan kebutuhan energi listrik dimasa
yang telah diberikan (Yulia Nurmaindah mendatang.
Sari, 2016):
Ukuran Statistik Standar METODE
1) Mean Error (ME)
Lokasi penelitian merupakan tempat
Mean Error (ME) adalah rata-rata
melakukan kegiatan penelitian untuk
kesalahan meramal dengan menghitung
mendapatkan data yang diperlukan. Lokasi
kesalahan dengan banyaknya data
penelitian yang dipilih peneliti adalah
ME = ∑ni=1 ei /n (22)
PT.PLN (Persero) Rayon Lembata yang
2) Mean Absolute Error (MAE)
berada di kabupaten Lembata Provinsi Nusa
Mean Absolute Error (MAE) adalah rata-
Tenggara Timur.
rata absolute dari kesalahan meramal,
tanpa menghiraukan tanda positif atau
Untuk mencapai tujuan dari
negatif.
penelitian ini diperlukan data-data yang
MAE = ∑ni=1 |ei |/n (23)
dapat menunjang prakiraan beban listrik
3) Sum Of Squared Error (SSE)
wilayah di PT.PLN (Persero) Rayon Lembata
Sum Of Squared Error (SSE) adalah
antara lain (Fadillah et al., 2015b):
penjumlahan dari kuadrat kesalahan.
1) Data Primer
SSE = ∑ni=1 e𝑖2 (24)
Data primer merupakan data yang
4) Mean Squared Error (MSE)
diperoleh langsung terhadap objek
Mean Squared Error (MSE) adalah
penelitian dan dengan dilakukan
metode lain untuk mengevaluasi metode
pengumpulan data dari instansi terkait
peramalan. Masing-masing kesalahan
seperti PT. PLN (Persero) Rayon
atau sisa dikuadratkan kemudian
Lembata
dijumlahkan dan dibagi dengan jumlah
2) Data Sekunder
observasi.
Data sekunder ini diperoleh memalui
MSE = ∑ni=1 ei2 /n (25)
literatur dan jurnal-jurnal pendukung
Ukuran-ukuran Relatif
tentang prakiraan beban listrik .
1) Percentage Error (PE)
Percentage Error (PE) adalah persentase
dari kesalahan peramalan.
X −F
PE = ( t X t) x 100 (26)
t
2) Mean Percentage Error (MPE)
Mean Percentage Error (MPE) adalah
rata-Rata dari persentase kesalahan
hasil peramalan.
MPE = ∑nt=1 PEt /n (27)
3) Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE)
merupakan ukuran ketepan relatif yang
digunakan untuk mengetahui nilai rata-
rata kesalahan persentase absolute dari
suatu peramalan.
MAPE = ∑nt=1 |PEt |/n (28)
Gambar 1. Flowchat Perancangan Aplikasi

Gambar 3. Flowchat Pelatihan Learning

Vector Quantization

Gambar 4. Flowchat pengujian

Gambar 2. Flowchat Pelatihan Backpropagation
Backpropagation
 Tabel 2. Perbadingan Target Real Terhadap
Hasil Pelatihan
Tahun Bulan Target Real Hasil Pelatihan (PE) Akurasi

2015 juli 726.99785 726.9978627 1.814E-06 99.99999819

2015 Agustus 746.222043 746.2144015 0.001024 99.99897598
2015 September 961.054301 961.0587819 0.0004662 99.99953376
2015 Oktober 734.822043 734.8203807 0.0002262 99.99977378
2015 November 647.155376 647.1555658 2.928E-05 99.99997072
2015 Desember 784.623118 784.6242258 0.0001412 99.99985884
2016 - - - - -
2017 - - - - -
2018 Januari 969.384946 969.3808382 0.0004238 99.99957623
2018 Febuari 861.687634 861.6871429 5.704E-05 99.99994296
2018 Maret 989.882258 989.8832513 0.0001003 99.99989966
2018 April 1077.49677 1077.491408 0.000498 99.99950198
2018 Mei 1020.16989 1020.174988 0.0004995 99.99950048
2018 Juni 974.355376 974.3600658 0.0004813 99.99951871

Jika dilihat dari tabel 2 akurasi rata-rata nilai

Gambar 5. Flowchat Pengujian Learning
akurasi pelatihan adalah 99%.
Vector Quantization

Gambar 7. Perbandingan Target Real

Terhadap Hasil Pelatihan

Gambar 6. Flowchat Prediksi

Backpropagation Dan Learning Vector
Quantization

ANALISIS DAN PEMBAHASAN

Tabel 1. Jumlah Pelanggan Dan Beban
Listrik
Beban Listrik Gambar 8. Performa Error Target Real
Tahun Bulan Jumlah Pelanggan

2015 Januari 18172

kWh
1380224
kW
742.055914
Terhadap Hasil Pelatihan
2015 Februari 18165 1333291 716.8231183
2015 Maret 18168 1518352 816.3182796
2015 April 18170 1378063 740.894086 Jika dilihat dari tabel 2 nilai error terkecil
2015
2015
Mei
Juni
18203
18203
1327589
1433999
713.7575269
770.9672043
pada tahap pelatihan adalah 0,0001 dan nilai
2015 Juli 18203 1352216 726.9978495 error terbesar 0,0315, dengan error rata-
2015 Agustus 18280 1387973 746.222043
2015 September 18281 1787561 961.0543011 rata 0,002476021.
2015 Oktober 18334 1366769 734.822043
2015 November 18385 1203709 647.1553763
2015 Desember 18502 1459399 784.6231183
2016 - - - -
2017 - - - -
2018 - - - -
2019 Januari 25644 2062110 1108.66129
2019 Februari 25893 1814317 975.4392473
2019 Maret 25982 1953128 1050.068817
2019 April 26023 1975600 1062.150538
2019 Mei 26472 2126237 1143.138172
2019 Juni 26600 1918816 1031.621505
Tabel 3. Perbadingan Target Real Terhadap jaringan 6 – 100 – 50 - 1 dengan jenis
Hasil Pengujian pelatihan traingdx dengan nilai akurasi
Tahun Bulan Target Real Hasil Pengujian (PE) Akurasi tertinggi 95,38156246%.
2018 juli 962.779032 966.0315147 0.3378223 99.66217769
2018 Agustus 1017.75645 1014.931535 0.2775631 99.72243685
2018 September 1006.79839 1021.235242 1.433937 98.56606298 Tabel 4. Hasil Prediksi Backpropagation
2018 Oktober 1068.24785 955.5278606 10.551857 89.44814272
2018 November 1076.55538 1005.520265 6.5983704 93.40162964 Tahun/Bulan 2019 2020 2021
2018 Desember 1158.47796 1043.853882 9.8943682 90.10563178
2019 Januari 1108.66129 1091.629487 1.5362495 98.46375052
2019 Febuari 975.439247 1030.237278 5.6177799 94.38222006 Januari - 1163.98 1149.56
2019 Maret 1050.06882 1039.956621 0.9630032 99.03699679
2019 April 1062.15054 1170.466198 10.197769 89.80223084 Febuari - 1036.44 955.389
2019
2019
Mei
Juni
1143.13817
1031.62151
1088.164427
1064.669605
4.8090202
3.2035102
95.19097983
96.79648982
Maret - 980.883 912.069
April - 1081.44 1123.24
Mei - 1158.79 1089.89
Juni - 1027.02 853.909
juli 1001.26 969.626 913.062
Agustus 1080.77 1089.51 1137.51
September 1169.53 1157.55 848.289
Oktober 1039.14 1004.61 517.998
November 987.627 946.508 761.458
Desember 1079.45 1104.85 775.13

Gambar 9. Perbandingan Target Real

Terhadap Hasil Pengujian

Jika dari tabel 3. nilai akurasi terkecil pada

tahap pengujian adalah 90,10563178% dan
nilai akurasi terbesar 99,72243685%,
dengan akurasi rata-rata 95,3815%.

Gambar 11. Hasil Prediksi Backpropagation

Jika dilihat dari gambar 11 hasil prediksi

backpropagation, konsumsi energi listrik
pada bulan oktober tahun 2021 mengalami
penurunan.

Tabel 5. Perbandingan Target Real

Gambar 10. Performa Error Target Real Terhadap Hasil Pelatihan
Terhadap Hasil Pengujian Tahun Bulan Taget Real Hasil Pelatihan PE Akurasi
2015 juli 726.9856142 711.0681675 2.189513 97.8104867
2015 Agustus 746.2241263 710.6283341 4.770121 95.2298792
Jika dilihat dari tabel 3. menjukan nilai error 2015
2015
September
Oktober
961.0435255
734.8471989
902.6597864
704.2691526
6.075036
4.161143
93.9249641
95.8388565
terkecil pada tahap pengujian adalah 0,2775 2015 November 647.1553763 646.8471617 0.047626 99.9523739
2015 Desember 784.6372352 771.8124754 1.634483 98.3655173
dan nilai error terbesar 10,5518, dengan 2016 Januari 781.5053844 774.9660953 0.836755 99.1632445
rata-rata error 4,61843754. 2016
2016
Febuari
Maret
742.9005295
855.7110739
711.0612145
838.7054879
4.285811
1.987305
95.7141887
98.0126953
2016 April 851.8761545 837.6130941 1.674312 98.3256885
2016 Mei 843.1836707 837.7319532 0.646563 99.3534365
2016 Juni 799.1460134 774.06475 3.138508 96.8614918
Setelah dilakukan pelatihan dan
pengujian, tahap selanjautnya adalah tahap Jika dilihat dari tabel 5 nilai akurasi pada
memprediksi beban listrik untuk bulan juli tahap pelatihan memiliki nilai akurasi
tahun 2019 – bulan desember tahun 2021. terkecil adalah 93,9224% dan nilai akurasi
Tahap prediksi ini mengunakan aristektur
tertinggi 99,9523% dengan rata-rata nilai
akurasi 97,3794%.

Gambar 14. Perbandingan Target Real

Terhadap Hasil Pengujian
Gambar 12. Perbandingan Target Real
Terhadap Hasil Pelatihan

Gambar 15. Performa Error Target Real

Terhadap Hasil Pengujian
Gambar 13. Performa Error Target Real
Terhadap Hasil Pelatihan
Jika dilihat dari tabel 6 nilai error pada tahap
pengujian memiliki nilai error terkecil
Jika dilihat dari tabel 6 nilai error pada tahap
adalah 31,223544 dan nilai error tertinggi
pelatihan memiliki nilai error terkecil adalah
45,046622 dengan rata-rata error
0,0476261 dan nilai error tertinggi 6,07504
39,176548.
dengan rata-rata error 0,04763.
Setelah dilakukan pelatihan dan
Tabel 6. Perbandingan Antara Target Real
pengujian, tahap selanjautnya adalah tahap
Dan Hasil Pengujian
Tahun Bulan Taget Real Hasil Pelngujian PE Akurasi
memprediksi beban listrik untuk bulan juli
2016 juli 808.6054812 596.6782503 26.20897778 73.79102222 tahun 2019 – bulan desember tahun 2021.
2016 Agustus 802.5974408 594.0750048 25.98094953 74.01905047
2016 September 874.0547715 595.695974 31.84683689 68.15316311 Tahap prediksi ini mengunakan hasil akurasi
2016 Oktober 875.8444005 583.7340169 33.35185833 66.64814167
2016 November 895.3385739 583.6395245 34.81353965 65.18646035 terbaik pada tahap pengujian dengan
2016 Desember 903.3919046 583.2593881 35.43672628 64.56327372
2017 - - - - - nilaiakurasi 63,391556%.
2018 - - - - -
2019 Januari 1108.687921 694.4884053 37.3594325 62.6405675
2019 Febuari 975.4244731 656.8222429 32.66293178 67.33706822
2019 Maret 1050.07757 594.1750962 43.4160758 56.5839242 Tabel 7. Hasi Prediksi LVQ
2019 April 1062.157566 622.423828 41.4000476 58.5999524
2019 Mei 1143.13828 628.6341539 45.00803926 54.99196074 Tahun/Bulan 2019 2020 2021
2019 Juni 1031.606042 682.0571307 33.88395345 66.11604655
Januari - 758.9001234 890.6309678
Febuari - 769.8776937 901.6085382
Jika dilihat dari tabel 6 nilai akurasi pada Maret - 780.8552641 912.5861086
tahap pengujian memiliki nilai akurasi April - 791.8328345 923.563679
Mei - 802.8104049 934.5412493
terkecil adalah 54.953378% dan nilai Juni - 813.7879752 945.5188197
akurasi tertinggi 74.886527% dengan rata- juli 693.034701 824.7655456 956.4963901
rata nilai akurasi 63.391556%. Agustus 704.012272 835.743116 967.4739605
September 714.989842 846.7206864 978.4515308
Oktober 725.967412 857.6982567 989.4291012
November 736.944983 868.6758271 1000.406672
Desember 747.922553 879.6533975 1011.384242
 Jika dilihat dari gambar 17 dapat
dilihat bahwa hasil prediksi
backpropagation dan learning vector
quantization memiliki perbedaan yang
sangat signifikan. Hasil prediksi
backpropagation, konsumsi energi listrik
pada bulan juli tahun 2019 – bulan agustus
tahu 2021 tidak mengalami banyak
perubahan, pada bulan september tahun
2021 – bulan oktober tahun 2021 konsumsi
Gambar 16. Hasil Prediksi Learning Vector energi listrik mengalami penurunan dan
Quantization pada bulan november tahun 2021 – bulan
desember tahun 2021 konsumsi energi
Hasil prediksi learning vector quantization, listrik bertambah tetapi tidak terlalu besar
konsumsi energi dari bulan juli tahun 2019 dari bulan agustus tahun 2021. Sedangkan
samapai bulan desember tahun 2021 terus hasil prediksi learning vector quantization,
bertabah setiap bulan. konsumsi energi dari bulan juli tahun 2019
samapai bulan desember tahun 2021 terus
bertambah setiap bulan.
Tabel 8. Prediksi BP Terhadap LVQ
Tahun Bulan Backpropagation Learning Vector Quantization PENUTUP
2019 juli 1001.263613 693.0347011 Hasil pengujian BP memiliki nilai
2019 Agustus 1080.765513 704.0122715
2019 September 1169.527551 714.9898419 akurasi terkecil adalah 90,43% dan nilai
2019
2019
Oktober
November
1039.138879
987.6267059
725.9674122
736.9449826
akurasi tertinggi 99,72% dengan rata-rata
2019 Desember 1079.447404 747.922553 nilai akurasi 95,38%. Untuk nilai error
2020
2020
Januari
Febuari
1163.984784
1036.438445
758.9001234
769.8776937
terkecil adalah 0,27 dan nilai error terbesar
2020 Maret 980.8825067 780.8552641 10,55, dengan rata-rata error 4,61. Hasil
2020 April 1081.435146 791.8328345
2020 Mei 1158.790202 802.8104049
pengujian LVQ memiliki nilai akurasi
2020 Juni 1027.023925 813.7879752 terkecil adalah 54,95% dan nilai akurasi
2020 juli 969.6258744 824.7655456
2020 Agustus 1089.513159 835.743116 tertinggi 74.88% dengan rata-rata nilai
2020 September 1157.546304 846.7206864 akurasi 63,39%. Untuk nilai error terkecil
2020 Oktober 1004.614356 857.6982567
2020 November 946.5084615 868.6758271 adalah 31,22 dan nilai error tertinggi 45,04
2020 Desember 1104.847126 879.6533975 dengan rata-rata error 39,17. Hasil prediksi
2021 Januari 1149.563523 890.6309678
2021 Febuari 955.3893217 901.6085382 backpropagation, konsumsi energi listrik
2021
2021
Maret
April
912.0689011
1123.24453
912.5861086
923.563679
pada bulan juli tahun 2019 – bulan agustus
2021 Mei 1089.892113 934.5412493 tahu 2021 tidak mengalami banyak
2021
2021
Juni
juli
853.9092313
913.0616505
945.5188197
956.4963901
perubahan, pada bulan september tahun
2021 Agustus 1137.507772 967.4739605 2021 – bulan oktober tahun 2021 konsumsi
2021
2021
September
Oktober
848.2887217
517.9976541
978.4515308
989.4291012
energi listrik mengalami penurunan dan
2021 November 761.4583645 1000.406672 pada bulan november tahun 2021 – bulan
2021 Desember 775.1295254 1011.384242
desember tahun 2021 konsumsi energi
listrik bertambah tetapi tidak terlalu besar
dari bulan agustus tahun 2021. Sedangkan
hasil prediksi learning vector quantization,
konsumsi energi dari bulan juli tahun 2019
samapai bulan desember tahun 2021 terus
bertambah setiap bulan.
Adapun saran yang dapat diberikan
untuk penelitian selanjutnya, antara lain:
Untuk Melakukan perbandingan metode
sebaiknya kedua metode memiliki varian
Gambar 17. Hasil Prediksi BP terhadap LVQ parameter yang sama. Jika ingin
menggunakan learning vektor quantization
sebagai model peramalan, maka pemberian
nilai bobot awal harus mendekati nilai
kelas/target
DAFTAR PUSTAKA
Apriana, V., Handayani, R.I., 2017. Analisis
Algoritma Prediksi Untuk
Menghasilkan Prediksi Beban Listrik
Jangka Pendek. J. Ilmu Pengetah. Dan
Teknol. Komput. 3, 73–78.
Baskoro, D.R., 2018. Peramalan Jangka
Pendek Beban Tenaga Listrik Pada
PT. PJB UP Gresik Menggunakan
Metode Constructive
Backpropagation Neural Network
Serta Prediksi Kebutuhan Bahan
Bakar Gas Pembangkitan. Univ.
Jember.
Dewi, I.A.M.C., Nrartha, I.M.A., Suksmadana,
I.M.B., 2018. Peramalan Beban
Listrik Jangka Pendek Pada Sistem
Kelistrikan Lombok Dengan Fuzzy
Time Series (FTS). DIELEKTRIKA 3,
45–52.
Fadillah, M.B., Sukma, D.Y., Nurhalim, N.,
2015a. Analisis Prakiraan Kebutuhan
Energi Listrik Tahun 2015-2024
Wilayah PLN Kota Pekanbaru dengan
Metode Gabungan. J. Online Mhs. JOM
Bid. Tek. Dan Sains 2, 1–10.
Fadillah, M.B., Sukma, D.Y., Nurhalim, N.,
2015b. Analisis Prakiraan Kebutuhan
Energi Listrik Tahun 2015-2024
Wilayah Pln Kota Pekanbaru Dengan
Metode Gabungan. J. Online Mhs. JOM
Bid. Tek. Dan Sains 2, 1–10.
Kholis, I., 2015. Analisis Variasi Parameter
Backpropagation Artifical Neural
Network Terhadap Pengalaman Pola
Data Iris. Tek. Dan Ilmu Komput. 4.
Lisa, R., 2018. Prediksi Curah Hujan
Menggunakan Metode Learning
Vector Quantization (Studi Kasus:
Kota Tanjungpinang). Univ. Marit.
Raja Ali Haji.
Maulana, M.I., Muslim, M.A., 2015. Sistem
Prediksi Tagihan Listrik Usaha Jasa
Laundry Menggunakan Jaringan
Syaraf Tiruan Backpropagation.
Unnes J. Math. 4.
Meliawati, R., Soesanto, O., Kartini, D., 2016.
Penerapan Metode Learning Vector
Quantization (LVQ) Pada Prediksi
Jurusan Di SMA PGRI 1 Banjarbaru.
KLIK - Kumpul. J. ILMU Komput. 3,
11–20.
Nugroho, K., 2016. Model Analisis Prediksi
Menggunakan Metode Fuzzy Time
Series. INFOKAM 12.
Ramadhan, H.A., Hari Prasetyo, S.T., Eko
Setiawan, S., Ahmad Kholid Al
Ghofari, S.M., 2018. Peramalan
Kebutuhan Beban Listrik Jangka
Menengah Menggunakan Jaringan
Syaraf Tiruan (JST) Backpropagation
(Studi Kasus: PLN APP Salatiga) (s1).
Universitas Muhammadiyah
Surakarta.
Setiabudi, D., 2015. Sistem Informasi
Peramalan Beban Listrik Jangka
Panjang di Kabupaten Jember
Menggunakan JST Backpropagation.
SMARTICS J. 1, 1–5.
Siang, J.J., 2005. Jaringan Syaraf Tiruan Dan
Pemerongramannya Dengan Matlab.
ANDI Yogyakarta, Yogyakarta.
Susanti, M., Handoko, S., Winardi, B., 2017.
Peramalan Beban Puncak Harian
Pada PT. PLN (Persero) APB Jateng
Dan DIY Menggunakan ANFIS
(Adaptive Neuro-Fuzzy Inference
System). TRANSIENT 5, 255–261.
Yulia Nurmaindah Sari, 2016. Jaringan
Syaraf Tiruan Backpropagation
Untuk Memprediksi Luas Area
Serangan Hama Pada Tanaman
Bawang. Univ. Negeri Semarang.